[发明专利]一种基于排序学习的图像处理算法或系统的评价方法

说明书

技术领域

本发明涉及图像质量评价领域，具体涉及一种基于排序学习的图像处理算法或系统的评价方法。

背景技术

数字图像在获取、传输、存储或处理过程中，经常会产生许多类型的畸变，从而影响视觉质量。要对这些图像的质量进行评价，最可信的方法是进行大规模的主观评价，即通过调查许多人的意见，得到一个平均意见分数（Mean Opinion Score，MOS）。然而在实践中，主观质量评价通常过于耗时，需要大量的人力财力，因此许多研究人员致力于寻找有效的客观质量评价方法，即能够利用计算机自动评价图像的质量。

目前的客观质量评价方法一般将图像评价问题视作分类问题，即将图像的质量等级视作图像的标签，然后通过支持向量机（Support Vector Machine，SVM）等分类器进行分类，从而解决单幅图像的质量评价问题，并不是针对图像处理算法或系统而设计的评价方法。

例如，在申请号为200910082608.2、名称为“一种基于支持向量机的图像质量评价方法”的中国专利申请中，提出采用多个支持向量机的方法。该方法强调多个支持向量机的使用，需要首先分别在训练集中依次训练多个支持向量机，再用训练好的多个支持向量机来解决多分类问题，从而得到单幅图像的质量等级。

这类方法的特点在于，在评价的时候只面向图像，而不关心图像获得的来源，即输出这些图像的算法或系统。本发明与这类方法的不同点在于：本发明的方法是面向图像处理算法或系统的，在本发明中，将质量评价问题视作排序问题，通过排序支持向量机（Rank SVM）等排序学习（Rank Learning，RL）工具将多幅不同图像处理算法或系统的输出结果图像进行排序，从而得到相应的图像处理算法或系统的评价结果。即，输入若干组不同的图像处理算法或系统的输出结果图像，输出这些图像处理算法或系统的相对质量。

发明内容

本发明的目的在于提供一种基于排序学习的图像处理算法或系统的评价方法。

本发明要解决面对多种图像处理算法或系统，如何通过评价经过这些算法或系统处理后的图像，来衡量这些算法或系统的性能优劣。

为了实现上述发明目的，本发明提出了一种基于排序学习的图像处理算法或系统的评价方法：输入若干组不同的图像处理算法或系统的输出结果图像，在完成标注的数据集上进行排序学习,得到排名函数，通过所述排名函数得到每一组待评价图像的相对质量高低，评价对应的图像处理算法或系统的相对质量。

所述数据集包括源图像、不同图像处理算法或系统处理得到的输出图像、输出图像之间的相对质量高低。

包括如下步骤：

步骤1）训练阶段，通过在训练集上进行排序学习，得到排名函数；

步骤2）预测阶段，通过训练阶段得到的排名函数，得到待评价图像的排名，从而预测对应的图像处理算法或系统的相对质量。

所述步骤1）还包括：

步骤1.1）预处理阶段，对数据集中的输出图像，提取能表征其图像质量的特征，得到特征描述；

步骤1.2）学习阶段，在数据集上进行排序学习，得到排名函数。

所述步骤2）还包括：

预测一种新的图像处理算法或系统相对于已有图像处理算法或系统的相对质量；

输入为一种新的图像处理算法或系统在已有图像集上的输出结果图像，输出为所述新的图像处理算法或系统相对于已有图像处理算法或系统的相对质量;

步骤2.1）预处理阶段，对待评价的图像处理算法或系统的输出结果图像，提取表征其图像质量的特征，得到特征描述，所述特征描述需与训练阶段所提取的特征保持一致；

步骤2.2）推断阶段，利用训练阶段得到的排名函数得到待评价图像的排名，通过新的图像处理算法或系统得到的输出图像的平均排名来预测新的图像处理算法或系统相对于已有图像处理算法或系统的相对质量。

所述步骤2）还包括：

预测已有图像处理算法或系统在新的图像集上的相对质量；

输入为已有图像处理算法或系统在新的图像集上的输出结果图像，输出为这些图像处理算法或系统在所述图像集上的相对质量；

步骤2.1）预处理阶段，对待评价的图像处理算法或系统的输出结果图像，提取表征其图像质量的特征，得到特征描述，所述特征描述需与训练阶段所提取的特征保持一致；

步骤2.2）推断阶段，利用训练阶段得到的排名函数得到待评价图像的排名，通过已有图像处理算法或系统得到的输出图像的平均排名来预测已有图像处理算法或系统在新图像集上的相对质量。