[发明专利]一种用于立体图像质量客观评价的极端学习机

摘要

本发明涉一种用于立体图像质量客观评价的极端学习机，其建立包括以下步骤：通过主观测试获取评价数据样本，选取训练图像样本，对训练样本采用PCA进行特征提取和降维，将各个样本数据x_i投影到选择的特征向量所组成的有效子空间中得到投影系数；建立极端学习机ELM网络，将训练样本的投影系数输入到ELM网络，待隐藏层输入权值和阈值优化后，建立原始图像和主观评价值之间的关系，得到ELM网络结构；通过遗传算法GA对极端学习机ELM的隐藏层权值和阈值进行优化。本发明建立的极端学习机能够更加准确有效的评价立体图像质量。

主权项

一种用于立体图像质量客观评价的极端学习机，其建立包括以下步骤：步骤(1)、通过主观测试获取评价数据样本，选取训练图像样本；步骤(2)、对步骤(1)中选取好的训练样本采用PCA进行特征提取和降维，将原始训练图像样本转化为矩阵变量，每幅立体图像都有相应的主观评价分数为其命名，产生traindata和trainlabel文件，traindata文件为代表原始图像的矩阵变量，trainlabel文件为每幅图像主观评价分数所组成的矩阵变量，代表每幅图实际的主观评价分数，降维过程中的初始输入为traindata矩阵，它是样本数据矩阵X的实际矩阵参数，对样本数据矩阵X作中心化处理，计算样本的协方差矩阵R_x，计算协方差矩阵R_x的特征值和特征向量，确定主分量数，将各个样本数据x_i投影到选择的特征向量所组成的有效子空间中得到投影系数，归一化后生成降维后的矩阵变量traindata2；步骤(3)、建立极端学习机ELM网络，将经过步骤(2)得到的训练样本的投影系数输入到ELM网络，网络的输入端为矩阵变量traindata2，输出端为矩阵变量trainlabel，待隐藏层输入权值和阈值优化后，建立原始图像和主观评价值之间的关系，得到ELM网络结构；通过遗传算法GA对极端学习机ELM的隐藏层权值和阈值进行优化，优化过程如下：①进行种群初始化：对种群个体编码采用实数编码，种群个体包含极端学习机ELM的网络结构的所有权重与阈值，当网络结构确定时，可以构建一个由网络结构、权值以及阈值确定的极端学习机网络。②适应度函数计算：选择训练样本的数据误差绝对值之和作为种群个体适应度；③计算种群中所有个体的适应度之和，计算种群中每个个体的相对适应度，并把它作为这个个体被选择作为父代繁衍子孙的概率；④利用轮盘赌法，生成一个随机数t，t∈(0,1)，并以此值作为各个种群个体被选择的次数，适应度大的个体，被选中的概率越大，其基因就会在种群中不断扩大；⑤利用交叉操作对于极端学习机网络的权重a和阈值b的优化，交叉操作选择算术交叉算子，同时根据计算得到的概率重组一对个体继而得到新的个体；⑥执行变异操作，若未达到设定的迭代终止条件，则返回步骤②，若达到则结束整个迭代过程，完成ELM网络结构的优化。