[发明专利]一种基于集成学习与随机森林的图像质量评价方法

权利要求书

1.一种基于集成学习与随机森林的图像质量评价方法，其具体实现步骤如下：(1)选择基学习算法；(2)采用步骤(1)所选择的所述基学习算法对失真图像进行打分；(3)将打分后的分数组成训练数据；(4)使用步骤(3)组成的所述训练数据建立随机森林模型；

其特征在于：在步骤(1)中选择至少两种所述基学习算法；步骤(4)中所述随机森林模型为深度随机森林模型，采用所述深度随机森林模型进行训练，所述深度随机森林模型包括K层训练步骤，K为正整数，每层所述训练步骤均为一个随机森林，每层所述训练步骤的具体步骤如下：

A1，采用步骤(4)中所述随机森林模型对每幅所述失真图像进行特征过滤得出过滤特征；

A2，将所述过滤特征与原始特征结合，筛选出强化特征，所述原始特征为经所述步骤(2)得出的对原始的所述失真图像的打分分数；

A3，将所述强化特征作为所述深度随机森林模型的下一层随机森林的训练数据进行训练；

A4，重复A1-A3的过程，直至第K层的训练步骤，第K层的训练步骤得出的训练数据作为所述失真图像的最终分数。

2.根据权利要求1所述的一种基于集成学习与随机森林的图像质量评价方法，其特征在于，步骤(1)中所述基学习算法包括GMSD、FSIM、MAD、MSSSIM、IWSSIM、VIF。

3.根据权利要求1所述的一种基于集成学习与随机森林的图像质量评价方法，其特征在于，步骤(4)中，使用分类回归树作为所述深度随机森林的基回归树，每层所述随机森林模型中构建N_sel棵所述基回归树用于对一幅所述失真图像的预测打分；假设F_all是所述深度随机森林模型中的所有基回归树对一幅所述失真图像的输出特征，那么根据筛选阈值可以得到所述过滤特征，所述过滤特征用F_sel表示，则F_sel＝{F_all||F_all-M₀|ε}，式中M₀代表所述原始特征的值，所述筛选阈值用ε表示，设定ε的范围为0-1。

4.根据权利要求1所述的一种基于集成学习与随机森林的图像质量评价方法，其特征在于，所述深度随机森林模型中的每层随机森林模型都有N棵分类回归树组成，N≥500，使用均方误差作为回归树的分裂准则，对于第k棵回归树，将任一叶节点的输出值定义为该节点上所有训练样本y值的平均，即

对于第j个变量x^(j)和切分点s，定义两个区域：

R₁(j,s)＝{x|x^(j)≤s}

R₂(j,s)＝{x|x^(j)≥s}

当j和s固定时，目标函数为：

其中c₁，c₂为区间上的平均值：

c₁＝avg(y_i|x_i∈R₁(j,s))

c₂＝avg(y_i|x_i∈R₂(j,s))

故当m_k是回归树深度时，整个随机森林的输出即为：

5.根据权利要求1所述的一种基于集成学习与随机森林的图像质量评价方法，其特征在于，该方法还包括步骤(5)：选择合适的度量准则对步骤(4)得出的所述分数进行评价，所述度量准则包括两种：斯皮尔曼等级相关系数SROCC和相关系数CC。