特征顯著性在圖像質(zhì)量評(píng)價(jià)中的魯棒機(jī)理研究方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺(jué)研究領(lǐng)域，特別涉及一種特征顯著性在圖像質(zhì)量評(píng)價(jià)中的 魯棒機(jī)理研究方法。
【背景技術(shù)】
[0002] 圖像質(zhì)量是圖像的固有屬性，一般通過(guò)度量圖像降質(zhì)的程度來(lái)獲得。圖像質(zhì)量評(píng) 價(jià)就是一種度量圖像降質(zhì)程度的方式，在圖像處理、計(jì)算機(jī)視覺(jué)和系統(tǒng)工程等領(lǐng)域具有廣 泛應(yīng)用價(jià)值，對(duì)降質(zhì)圖像復(fù)原算法的研究、自適應(yīng)視覺(jué)系統(tǒng)的開(kāi)發(fā)以及高層語(yǔ)義計(jì)算機(jī)視 覺(jué)方法的應(yīng)用具有理論和現(xiàn)實(shí)意義。
[0003] 迄今為止，圖像復(fù)原領(lǐng)域還沒(méi)有形成統(tǒng)一的質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)價(jià)方法通常被劃分 為主觀評(píng)價(jià)方法和客觀評(píng)價(jià)方法。其中，主觀評(píng)價(jià)方法容易受到觀測(cè)者的知識(shí)背景、心理動(dòng) 機(jī)等因素的影響，并且無(wú)法內(nèi)嵌到視覺(jué)系統(tǒng)中對(duì)算法及參數(shù)進(jìn)行自適應(yīng)優(yōu)化，大大制約了 算法的工程應(yīng)用價(jià)值?？陀^評(píng)價(jià)方法在近幾十年的發(fā)展過(guò)程中涌現(xiàn)出了大量的質(zhì)量評(píng)測(cè)指 標(biāo)，但始終沒(méi)有出現(xiàn)滿足工程應(yīng)用的質(zhì)量評(píng)價(jià)測(cè)度。近年來(lái)，隨著以深度學(xué)習(xí)等為代表的機(jī) 器學(xué)習(xí)機(jī)制迅速發(fā)展，出現(xiàn)了基于網(wǎng)絡(luò)學(xué)習(xí)的圖像質(zhì)量評(píng)價(jià)方法，該類方法主要利用圖像 中稀疏的特征屬性，訓(xùn)練滿足精度的非線性映射網(wǎng)絡(luò)，最終實(shí)現(xiàn)圖像質(zhì)量評(píng)價(jià)。該類方法的 局限性往往體現(xiàn)在：在樣本較少的情況下，系統(tǒng)無(wú)法根據(jù)不同的評(píng)測(cè)目標(biāo)自適應(yīng)選擇合理 的特征屬性。也就是說(shuō)，評(píng)價(jià)系統(tǒng)無(wú)法根據(jù)實(shí)際情況篩選合適的特征輸入，不顯著的特征被 選入系統(tǒng)往往造成學(xué)習(xí)過(guò)程中出現(xiàn)過(guò)擬合現(xiàn)象。在基于學(xué)習(xí)機(jī)制的圖像質(zhì)量評(píng)價(jià)系統(tǒng)建模 過(guò)程中，選取合適數(shù)量的稀疏特征個(gè)數(shù)是一項(xiàng)具有挑戰(zhàn)的研究課題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種特征顯著性在圖像 質(zhì)量評(píng)價(jià)中的魯棒機(jī)理研究方法，通過(guò)引入的系統(tǒng)特征信噪比衡量特征顯著性，以此求解 圖像質(zhì)量評(píng)價(jià)系統(tǒng)中光滑凸函數(shù)的約束優(yōu)化問(wèn)題，使得評(píng)價(jià)過(guò)程更加接近人類視覺(jué)感知過(guò) 程，有效地降低了非顯著特征對(duì)分類面的干擾，減少了有限數(shù)據(jù)樣本中離群點(diǎn)的過(guò)擬合現(xiàn) 象，提升了圖像質(zhì)量評(píng)價(jià)系統(tǒng)的魯棒性，解決了基于學(xué)習(xí)機(jī)制的圖像質(zhì)量評(píng)價(jià)網(wǎng)絡(luò)中，特征 屬性選擇的自適應(yīng)優(yōu)化問(wèn)題。
[0005] 為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：
[0006] 特征顯著性在圖像質(zhì)量評(píng)價(jià)中的魯棒機(jī)理研究方法，包括下述步驟：
[0007] S101、提取測(cè)試集中圖像的低秩特征；
[0008] S102、將原始特征集降維到優(yōu)選特征矩陣，從海量特征信息中逐步提取最優(yōu)特征 并剔除特征干擾項(xiàng)，最終得到對(duì)圖像質(zhì)量評(píng)價(jià)系統(tǒng)最有價(jià)值的特征矩陣；定義最優(yōu)特征抽 取函數(shù)以及特征干擾項(xiàng)的篩選函數(shù)，計(jì)算添加新的特征前后損失函數(shù)的差值，衡量添加的 特征的顯著性；當(dāng)最優(yōu)特征抽取函數(shù)值越大時(shí)，說(shuō)明對(duì)應(yīng)的特征顯著性越好；當(dāng)特征干擾 項(xiàng)的篩選函數(shù)值越大時(shí)，說(shuō)明對(duì)應(yīng)的特征為干擾項(xiàng)的置信度越高，需要被剔除；
[0009] S103、判斷各個(gè)特征對(duì)于圖像質(zhì)量評(píng)價(jià)系統(tǒng)效果影響的顯著性，定義系統(tǒng)信噪比 作為衡量圖像質(zhì)量評(píng)價(jià)特征顯著性的指標(biāo)，當(dāng)顯著性指標(biāo)值越大時(shí)，說(shuō)明在對(duì)圖像質(zhì)量評(píng) 價(jià)系統(tǒng)的影響越顯著，對(duì)魯棒的圖像質(zhì)量評(píng)價(jià)系統(tǒng)貢獻(xiàn)越大，更容易被選出，更應(yīng)該被優(yōu)先 選入特征集；
[0010] S104、將顯著特征集代入學(xué)習(xí)網(wǎng)絡(luò)，訓(xùn)練分類超平面，通過(guò)機(jī)器學(xué)習(xí)的方法訓(xùn)練輸 入樣本數(shù)據(jù)，達(dá)到樣本數(shù)據(jù)分類的目的；
[0011] S105、實(shí)現(xiàn)圖像質(zhì)量等級(jí)評(píng)價(jià)；在訓(xùn)練模型參數(shù)確立下來(lái)后，輸入新的測(cè)試圖像， 得到的網(wǎng)絡(luò)輸出即為圖像質(zhì)量等級(jí)評(píng)價(jià)結(jié)果。
[0012] 作為優(yōu)選的，步驟SlOl具體為：
[0013] 首先，從訓(xùn)練集圖像中抽取海量特征信息，其中每一張圖片對(duì)應(yīng)多個(gè)特征屬性，這 些特征可能對(duì)應(yīng)圖像色彩、結(jié)構(gòu)、變換域等方面的屬性，依照?qǐng)D片序號(hào)建立特征數(shù)據(jù)集序 列；
[0014] 其次，求解這些候選的特征值之間的相關(guān)性，盡可能將特征屬性值轉(zhuǎn)化成低秩的 特征矩陣；
[0015] 最后，將特征矩陣輸入到圖像質(zhì)量評(píng)價(jià)系統(tǒng)中進(jìn)行計(jì)算。
[0016] 作為優(yōu)選的，步驟S102中，顯著特征提取的算法流程包括以下步驟：
[0017] S201、初始化特征矩陣及參數(shù)，并求解第一個(gè)特征輸入下的模型系數(shù)，初始化特征 矩陣F和特征顯著性系數(shù)Θ，將訓(xùn)練集和對(duì)應(yīng)參數(shù)載入網(wǎng)絡(luò)學(xué)習(xí)模型；
[0018] S202、判斷是否滿足學(xué)習(xí)精度或者達(dá)到特征個(gè)數(shù)上限，將優(yōu)選的特征集F帶入訓(xùn) 練模型，計(jì)算圖像質(zhì)量評(píng)價(jià)系統(tǒng)精度，當(dāng)滿足系統(tǒng)魯棒性要求或達(dá)到特征個(gè)數(shù)上限時(shí)，停止 特征顯著性檢測(cè)并退出循環(huán)體；
[0019] S203、從特征集中抽取最優(yōu)特征并剔除干擾項(xiàng)，帶入分類模型計(jì)算特征顯著性；
[0020] S204、判斷新特征的引入，使得圖像質(zhì)量評(píng)價(jià)系統(tǒng)是否滿足魯棒的約束條件，利用 測(cè)試特征集計(jì)算訓(xùn)練網(wǎng)絡(luò)誤差，當(dāng)網(wǎng)絡(luò)誤差在預(yù)設(shè)的精度范圍內(nèi)時(shí)，退出特征選擇的循環(huán) 過(guò)程；
[0021] S205、從特征集中剔除不滿足系統(tǒng)魯棒約束條件所對(duì)應(yīng)的特征，并指向下一個(gè)特 征。
[0022] 作為優(yōu)選的，步驟S203的具體方法為：
[0023] 第一步、確立圖像質(zhì)量評(píng)價(jià)中特征選擇的目標(biāo)函數(shù)，原始特征選擇的通項(xiàng)可以表 示為：
[0024]
[0025] 其中，L( Θ )為目標(biāo)損失函數(shù)，Θ為損失函數(shù)中每個(gè)特征對(duì)應(yīng)的系數(shù)，吞為優(yōu)選的 顯著特征對(duì)應(yīng)的系數(shù)，P為總的特征個(gè)數(shù)，η為訓(xùn)練樣本個(gè)數(shù)，久乃)為訓(xùn)練數(shù)據(jù)集，s為 給定的特征個(gè)數(shù)；
[0026] 目標(biāo)損失函數(shù)中，Θ的值越大說(shuō)明對(duì)應(yīng)的特征越顯著；
[0027] 由于I I Θ I |。< S的約束條件，使得式⑴為一個(gè)NP-Hard問(wèn)題，可以引入松弛優(yōu) 化的方法，將約束條件11ΘI IS轉(zhuǎn)化為最優(yōu)近似I I θ I I S，從而將原始目標(biāo)函數(shù)通 項(xiàng)近似定義為式（2);
[0028]
[0029] 圖像質(zhì)量評(píng)價(jià)的學(xué)習(xí)機(jī)制具體表征為一個(gè)求解分類超平面的問(wèn)題，選取圖像質(zhì)量 評(píng)價(jià)中特征選擇的目標(biāo)函數(shù)，只需將式（2)中的目標(biāo)損失函數(shù)L(0)替換為具體的分類函 數(shù)即可完成建模，如標(biāo)準(zhǔn)logistic損失函數(shù)，定義為式（3);
[0030]
[0031] 第二步、選擇最優(yōu)特征加入特征矩陣I5 ,定義最優(yōu)特征抽取函數(shù)：
[0032]
[0033] 其中，i表示原始特征下標(biāo)，Θ +ei Θ i代表新一個(gè)特征增加到特征矩陣#中，式（4) 表明在已選入最優(yōu)特征集之外的特征中，添加新的特征前后損失函數(shù)的差值，當(dāng)&越大時(shí)， 說(shuō)明對(duì)應(yīng)的特征顯著性越好，選擇最優(yōu)特征加入特征矩陣友即求解：
[00Γ??
[0035] 第三步、移除特征干擾項(xiàng)，定義特征干擾項(xiàng)的篩選函數(shù)：
[0037] 同理，式6中i表示原始特征下標(biāo)，Θ -ei Θ i代表新一個(gè)特征增加到特征矩陣F中， 式（6)表明在已選入最優(yōu)特征集之外的特征中，損失函數(shù)在添加新的特征后與添加前的差 值，當(dāng)D1越大時(shí)，說(shuō)明對(duì)應(yīng)的特征為干擾項(xiàng)的置信度越高，需要被剔除，需要指出的是，特征 集元素的遍歷過(guò)程中每次僅添加一個(gè)最優(yōu)特征，卻可能同時(shí)移除一個(gè)或多個(gè)干擾特征；
[0038] 第四步、計(jì)算圖像質(zhì)量評(píng)價(jià)系統(tǒng)中特征選擇的顯著性，引入系統(tǒng)信噪比作為衡量 圖像質(zhì)量評(píng)價(jià)特征顯著性的指標(biāo)，定義特征顯著性指標(biāo)為：
[0040] 其中，^為被優(yōu)選出的顯著特征系數(shù)，〇為被選取的特征集戶的噪聲離散方差， 可用均方差代替，SIG,的值越大時(shí)，說(shuō)明在優(yōu)選特征集中越顯著，對(duì)魯棒的圖像質(zhì)量評(píng)價(jià)系 統(tǒng)貢獻(xiàn)越大。
[0041] 作為優(yōu)選的，步驟S104訓(xùn)練網(wǎng)絡(luò)學(xué)習(xí)的具體方法為：
[0042] S301、特征抽取層，抽取輸入測(cè)試集中圖像所對(duì)應(yīng)的海量特征，并以特征矩陣的形 式存儲(chǔ)，作為機(jī)器學(xué)習(xí)網(wǎng)絡(luò)輸入樣本的候選特征集；
[0043] S302、顯著特征提取，通過(guò)特征顯著性檢測(cè)手段，從候選特征集中提取顯著的圖像 質(zhì)量評(píng)價(jià)特征集；
[0044] S303、稀疏表達(dá)，通過(guò)稀疏表達(dá)的方式，對(duì)高維顯著特征進(jìn)行降維處理，并以此作 為機(jī)器學(xué)習(xí)網(wǎng)絡(luò)的輸入樣本集；
[0045] S304、拓?fù)鋵W(xué)習(xí)機(jī)制的超平面分類，通過(guò)機(jī)器學(xué)習(xí)的方法訓(xùn)練輸入樣本數(shù)據(jù)，達(dá)到 樣本數(shù)據(jù)分類的目的；
[0046] S305、圖像質(zhì)量等級(jí)評(píng)價(jià)結(jié)果輸出，基于學(xué)習(xí)機(jī)制的分類網(wǎng)絡(luò)構(gòu)建完成以后，輸入 新的待評(píng)價(jià)圖像樣本，重復(fù)S301、S302和S303的步驟，并將稀疏表達(dá)后的樣本輸入分類網(wǎng) 絡(luò)，最終輸出圖像質(zhì)量評(píng)價(jià)的等級(jí)Q n。
[0047] 作為優(yōu)選的，步驟S304中，針對(duì)特征輸入的網(wǎng)絡(luò)學(xué)習(xí)模型，用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練 分類超平面進(jìn)行處理：
[004