[发明专利]一种基于GA‑ELM的立体图像质量客观评价方法

摘要

本发明公开了一种基于GA‑ELM的立体图像质量客观评价方法，步骤(1)、选取训练样本和测试样本；步骤(2)、利用OLPP算法对于训练样本和测试样本进行特征提取和降维；步骤(3)、采用GA优化的极端学习机ELM对训练样本进行分类处理；将遗传算法的优化结果返回ELM网络，用优化后的αi和bi计算产生输出层权值矩阵β，完成模型建立。本发明采用优化后的ELM网络能够具有更好的分类识别效果，提高测试样本正确分类识别率；本方法还比较了GA‑ELM算法和ELM、SVM算法的性能，从中可知，本发明在立体图像质量客观评价方面整体性能优于ELM、SVM，具有实际可行性。

主权项

一种基于GA‑ELM的立体图像质量客观评价方法，其特征在于，该方法包括以下步骤：步骤(1)、选取训练样本和测试样本；步骤(2)、利用OLPP算法对于训练样本和测试样本进行特征提取和降维，即在OLPP算法中，给定高维特征空间中的样本集X＝[x1,x2,…,xn]，xn代表样本集中的各立体图像，n代表高维训练样本个数，OLPP算法具体包括以下步骤：对原始图像数据采用PCA降维，通过去除与零特征值对应的成分，将图像投影到PCA子空间中。WPCA表示PCA的变换矩阵；构建邻接图G，若xi是xj的p个最近邻之一，则邻接图G有边xixj。对于每一个样本xi，有p条边；若邻接图G有边xixj，则边xixj的权重Sij的若邻接图G有边xixj，则边xixj的权重Sij为exp(‑||xi‑xj||2/t)，否则，Sij为0；定义对角矩阵D，其对角元素并定义拉普拉斯矩阵L＝D‑S。令{a1,a2,…,ak}表示正交基向量，且定义中间变量A(k‑1)，B(k‑1)如下式：A(k‑1)＝[a1,a2,…,ak‑1]B(k‑1)＝[A(k‑1)]T(XDXT)‑1A(k‑1)将式以上公式代入如下迭代过程，计算求得正交基向量{a1,a2,…,ak}；计算与(XDXT)‑1XLXT的最小特征值相关联的特征向量a1；计算与的最小特征值相关联的特征向量ak；将样本集X空间依据投影矩阵W投影到一个低维特征空间的样本集Y＝[y1,y2,…,yn]，Y＝WTX，将训练样本和测试样本投影到OLPP子空间中，Y是立体图像X经过OLPP降维处理后的信息；投影矩阵W＝WPCAWOLPP，WOLPP＝[w1,w2,…,wd]；步骤(3)、采用GA优化的极端学习机ELM对训练样本进行分类处理，即：读入训练样本，并将样本随机分成训练集和测试集两部分；进行种群初始化，设置种群个体数为N，种群中的个体包含了ELM网络结构的所有权重与阈值；优化产生输入隐藏层权值αi以及阈值bi，i＝1,…,L；其中，L为隐藏层节点个数，αi,bi∈[‑1,1]；选择训练集的数据误差绝对值之和作为个体适应度函数，如下式所示。f(X)=k(Σi=1mabs(t^i-ti))]]>其中m代表神经网络的输出节点数，代表训练集的预测结果，T＝{t1,t2,…,tm}是训练集的真实值，abs表示求加权，k为加权系数；将遗传算法的优化结果返回ELM网络，用优化后的αi和bi计算产生输出层权值矩阵β；选择一个无限可微的函数作为隐藏层神经元的激励函数g(x)，计算隐藏层输出矩阵H；通过最小二乘法计算输出层权值矩阵β，输入样本的期望输出值矩阵T，完成模型建立；β＝HTT其中，β=β1T···βLT,T=t1T···tNT.]]>