[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

说明书

一种基于集成学习与随机森林的图像质量评价方法，其可大大提高图片质量评价的准确度，其具体实现步骤如下：（1）选择六种基学习算法，（2）采用步骤（1）所选择的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）使用训练数据建立深度随机森林模型，深度随机森林模型包括包括K层训练步骤，经每层训练步骤中的随机森林过滤后得出过滤特征，将过滤特征与原始特征结构构成强化特征，将强化特征作为下一层训练步骤的输入值进行训练，循环往复，直至最后一层，最后一层训练步骤得出的数据作为失真图像的分数。

技术领域

本发明涉及图像处理技术领域，具体为一种基于集成学习与随机森林的图像质量评价方法。

技术背景

随着社会步入信息时代，人们每天能从手机、电脑等媒介中获得大量的图片信息，然而在获取、传输、处理这些图片的过程中，由于外界环境的干扰，图像很容易产生失真，低质量的图像会对后续处理带来一定的困难，也不利于人眼的直接观察。因此，在图像的获取、显示、存储等过程中，都需要对图像进行质量评价。客观图像质量评价方法可分为全参考(Full-Reference,FR)图像质量评价，部分参考(Reduced-Reference)图像质量评价和无参考(No-Reference)图像质量评价。相对于部分参考跟无参考图像质量评价，全参考图像质量评价算法在计算图像分数时，使用了原始无失真图像，因此效果最好。

常用的全参考图像质量评价算法有PSNR(峰值信噪比)，SSIM(结构相似性)，FSIM(结构相似度)，VIF(比较两次共线性检验的方差膨胀因子)等，尽管这些算法都取得了不错的效果，但是单一算法对于不同图像，不同失真类型和不同失真程度的判断还有着较大的误差；同时，各种全参考算法对于失真图像与参考图像差异的评判指标的计算方式不同导致不同算法打分的多样性。但是集成学习能很好的解决这一问题，本发明基于这一原理，提出了一种基于集成学习的深度随机森林算法。

发明内容

针对现有技术中存在的分别采用不同的单一算法分别对不同失真类型和不同失真程度的图像进行判断时误差较大、存在多样性导致打分不统一，导致无法对图片质量进行准确判断的问题，本发明提供了一种基于集成学习与随机森林的图像质量评价方法，其对图片质量的评价效果较好，可实现对不同失真类型和不同失真程度的图片质量进行统一打分，减小对图片质量进行判断时的误差，从而可大大提高图片质量评价的准确度。

为了实现上述目的，本发明的技术方案如下：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。

其进一步特征在于，

步骤(1)中所述基学习算法包括GMSD、FSIM、MAD、MSSSIM、IWSSIM、VIF；