[发明专利]一种图像标注质量评估的方法

说明书

本发明公开一种图像标注质量评估的方法，包括以下步骤：S1、从待评估图像中提取MSCN系数；S2、将所述MSCN系数拟合成非对称性广义高斯分布，并提取所述拟合的非对称性广义高斯分布的特征；S3、将提取的特征输入到支持向量机中做回归得到图像的失真数据组；S4、对所述失真数据组进行MAP计算，将计算结果取平均值，得到图像质量的评估结果，该方法用计算机来代替人类视觉系统去观看和认知图像，并通过计算模型获得图像质量量化值与人类主观观测值一致性的好坏来评估的。

技术领域

本发明涉及图像评估领域。更具体地，涉及一种图像标注质量评估的方法。

背景技术

图像标注是指针对图像的视觉内容，通过机器学习的方法自动给图像添加反应其内容的文本特征信息的过程。基本思想是:利用已标注图像集或其他可获得的信息，自动学习语义概念空间与视觉特征空间的潜在关联或者映射关系，给未知图像添加文本关键词。经过图像自动标注技术的处理，图像信息问题可以转化为技术已经相对较成熟的文本信息处理问题。

基于分类图像标注是一种有监督的机器学习方法。分类器训练过程会不断地通过反馈信息调整分类器，使得分类器达到某个精度。分类模型的基本思想是:先对图像进行分割，过滤噪声和过分割部分，把每一个语义概念当作一个类别，对分割后的图像进行分类。图像的自动标注实际上可以看作图像分类问题来处理。

相关模型图像自动标注方法是基于早期的概率关联模型而来，不同于概率关联模型的地方是它不仅仅简单地统计图像区域与关键词出现的共生概率，而是建立图像与语义关键词之间的概率相关模型。通过关联模型，给待标注图像找到与其相关性概率最大的一组语义关键词来标注图像。

发明内容

本发明的一个目的在于提供一种图像标注质量评估的方法，包括以下步骤：

S1、从待评估图像中提取MSCN系数；

S2、将所述MSCN系数拟合成非对称性广义高斯分布，并提取所述拟合的非对称性广义高斯分布的特征；

S3、将提取的特征输入到支持向量机中做回归得到图像的失真数据组；

S4、对所述失真数据组进行MAP计算，将计算结果取平均值，得到图像质量的评估结果。

优选地，所述步骤S4还包括在所述MAP计算之前，在MAP算法中置入权重因子K，用于计算所述失真数据组的准确排序值。

优选地，所述在MAP算法中置入权重因子K包括：

将权重因子k_n初始设置成1/N，其中

k_i+1＝arg_kminKL(k|k_i)+μh_i(k)

arg_kmin为取最小值函数，KL为KL差分，h_i(k)为合页损失函数；

所述h_i(k)通过以下公式获得

S_i＝(S₁(x，Г⁺)-S₁(x，Г^-)，…，S_N(x，Г⁺)-S_M(x，Г^-))

其中，Г⁺和Γ^-为图像内容；

将所述S_i置入MAP中，将每一个数据样本进行分类，记录以下情况：

TP，FN，FP，TN，计算出一个准确率Accuracy：