[发明专利]基于无监督特征学习的无参考屏幕图像质量评价方法

摘要

本发明公开了一种基于无监督特征学习的无参考屏幕图像质量评价方法，其先获取若干幅无失真屏幕图像的归一化屏幕图像；然后根据该归一化屏幕图像，并采用ZCA操作和无监督聚类算法，获得字典码书；接着获取待评价的失真屏幕图像的归一化屏幕图像；而后采用Gaussian kernel similarity weight方法和K‑Nearest Neighbor方法对该归一化屏幕图像进行处理，获得权值特征矩阵；再根据字典码书和权值特征矩阵，并采用LLC算法，获得LLC特征向量；最后利用支持向量回归技术对LLC特征向量进行测试，预测得到待评价的失真屏幕图像的客观质量评价预测值；优点是能够充分考虑到局部信息变化对视觉质量的影响，从而能够提高客观评价结果与主观感知之间的相关性。

主权项

1.一种基于无监督特征学习的无参考屏幕图像质量评价方法，其特征在于包括以下步骤：步骤①：选取N幅无失真屏幕图像，将第i幅无失真屏幕图像记为{I_i,org(x,y)}；然后获取每幅无失真屏幕图像的归一化屏幕图像，将{I_i,org(x,y)}的归一化屏幕图像记为接着采用ZCA操作对每幅无失真屏幕图像的归一化屏幕图像进行处理，得到每幅无失真屏幕图像的归一化屏幕图像的ZCA操作结果图像；再采用无监督聚类算法对所有无失真屏幕图像的归一化屏幕图像的ZCA操作结果图像进行聚类操作，得到矩阵形式表示的字典码书，记为{C_org(x,y)}；其中，N≥1，1≤i≤N，1≤x≤W,1≤y≤H，W表示{I_i,org(x,y)}的宽度，H表示{I_i,org(x,y)}的高度，I_i,org(x,y)表示{I_i,org(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值，C_org(x,y)表示{C_org(x,y)}中下标为(x,y)的元素的值；步骤②：令{I_d(x,y)}表示待评价的失真屏幕图像；然后获取{I_d(x,y)}的归一化屏幕图像，记为再先后采用Gaussian kernel similarity weight方法和K‑Nearest Neighbor方法对进行处理，得到{I_d(x,y)}的权值特征矩阵，记为{F_d(x,y)}；其中，1≤x≤W,1≤y≤H，{I_d(x,y)}的宽度为W，{I_d(x,y)}的高度为H，I_d(x,y)表示{I_d(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值，F_d(x,y)表示{F_d(x,y)}中下标为(x,y)的元素的值；步骤③：根据{C_org(x,y)}和{F_d(x,y)}，并采用LLC算法对{F_d(x,y)}进行编码，获得{I_d(x,y)}的LLC特征向量；步骤④：采用n”幅原始的无失真屏幕图像，建立其在不同失真类型不同失真程度下的失真屏幕图像集合，将该失真屏幕图像集合作为训练集，其包括多幅失真屏幕图像；然后利用主观质量评价方法评价出训练集中的每幅失真屏幕图像的主观评分，将训练集中的第k幅失真屏幕图像的主观评分记为DMOS_k；再按照步骤②和步骤③的操作，以相同的方式获取训练集中的每幅失真屏幕图像的LLC特征向量；其中，n”＞1，1≤k≤K，K表示训练集中包含的失真屏幕图像的总幅数，K≥5，0≤DMOS_k≤100；步骤⑤：利用支持向量回归对训练集中的所有失真屏幕图像各自的主观评分和LLC特征向量进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量W^opt和最优的偏置项b^opt；接着利用W^opt和b^opt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对{I_d(x,y)}的LLC特征向量进行测试，预测得到{I_d(x,y)}的客观质量评价预测值，记为Q，Q＝f(z)，其中，f()为函数表示形式，Q是z的函数，z为输入，z用于代表{I_d(x,y)}的LLC特征向量，(W^opt)^T为W^opt的转置矢量，为z的线性函数。