[发明专利]一种基于支持向量机的图像质量评价方法

摘要

本发明提供了一种基于支持向量机的图像质量评价方法。首先对预处理后的图像样本进行特征值的选择和提取，将处理后的样本集分成训练集和测试集两部分；然后利用训练集进行支持向量机的训练，根据系统需要的级别确定支持向量机的个数，对每个支持向量机进行分别训练，训练中，输入样本是图像的特征值，输出是图像质量的级别；训练后得到支持向量机模型，再利用测试集对相关参数进行调整优化，确定支持向量机模型最优分类面的决策函数的参数；最后应用完成训练优化的支持向量机模型对图像样本进行质量评级。本发明具有需要样本少、运算速度快、准确率高、性能优越、推广性强等特点。

主权项

1、一种基于支持向量机的图像质量评价方法，其特征在于，该方法包含如下步骤：步骤一，建立样本集；首先，对图像样本进行去噪处理后，提取图像的对比度Contrast、熵Entropy、纹理Texture和模糊度Blur四个特征值，构成特征值矢量(p1，p2，p3，p4)，并对各坐标进行归一化以便后期处理；然后，将各类特征值矢量(p1，p2，p3，p4)作为样本的四维输入，对图像样本进行主观的专家质量评价，评价结果y作为输出，构成样本集；最后，从各类评价级别y所对应的样本集中均抽出3/4作为训练集，其余1/4作为测试集；步骤二，确定支持向量机的数目；根据需要系统的级别N≥2确定支持向量机的个数；其中，系统的级别N即为图像的质量评价级别；其中，所述的根据需要系统的级别确定支持向量机的个数是指：支持向量机是两类分类器，应用于两类以上分类时，假设系统要求的分类级别有N≥2种，为将N类中的第i∈[1，N]类与其他类别分开，本发明中采用1-a-1方法构造两类及两类以上支持向量机分类器；步骤三，支持向量机训练和优化部分；首先，利用训练集对每个支持向量机进行分别训练，初步确定最优分类面的决策函数的相关参数；训练中，输入是图像样本的特征值，输出是图像质量的评价级别，即该发明利用级别数字来代替质量评价；其中采用网格法确定最优的径向基核函数K(xi，xj)＝exp(-γ‖xi-xj‖2)的参数γ和惩罚因子C，以期得到最优的分类效果；然后，通过训练集的学习，寻找到支持向量集，初步确定拉格朗日乘子ai和偏移因子b；最后，利用测试集对得到的支持向量机模型相关参数进行调整优化，提高准确率；确定支持向量机模型最优分类面的决策函数的相关参数；步骤四，支持向量机应用部分；应用完成训练的支持向量机模型对图像样本进行评级；采用1-a-1的分类方法，对于每张检测图像，代入每个支持向量机模型的决策函数中，最终通过投票法从这些支持向量机模型的结果中决定出图像的分类类别，从而确定图像的质量评价级别；其中，所述的完成训练的支持向量机模型，对输入的任一图像都输出对该图像的质量评价级别。价级别。