[发明专利]一种基于深度森林分类的无参考图像质量评价方法

摘要

本发明公开了一种基于深度森林分类的无参考图像质量评价方法，包括：步骤1，图像分类；步骤2，提取图像的颜色质量特征；步骤3，提取图像的纹理质量特征；步骤4，利用深度森林分类模型中决策树提取特征的不同，模拟不同人对图像质量认知的差异，构建深度森林分类模型对图像质量进行分类，包括多粒度扫描森林和级联森林；步骤5，基于图像质量特征及其类别标签，对深度森林分类模型进行训练，得到测试图像归属于不同类别的概率，即不同人对图像质量主观评价结果的统计信息；步骤6，设置质量锚，结合图像归属于不同类别的概率，充分考虑主观评价过程中的差异性，得到最终的图像质量评分；本发明中所述无参考图像质量评价方法，利用深度森林模拟不同人对图像质量认知的差异，从而给出图像质量评价结果，具有重要的理论意义和实践价值。

主权项

1.一种基于深度森林分类模型的无参考图像质量评价方法，其特征在于其特征在于其特征在于，包括以下步骤：步骤1、图像分类：将质量评价数据库中的图像，按照平均主观得分或平均主观得分差异排序，将图像按数量等分为五类，得到图像对应的类别标签；步骤2、对质量评价数据库中的图像进行颜色空间变换，从红、绿、蓝空间变换到亮度、蓝黄、红绿空间，利用非对称广义高斯分布模型拟合蓝黄和红绿通道的信息，分别得到蓝黄和红绿通道的形状参数、左右方差、峰态参数和偏态参数，并得到10维的图像颜色质量特征；步骤3、对图像进行两次下采样，得到三幅大小不同的图像，模拟人在不同距离下对图像全局质量的认知过程，分别提取这三幅图像的去均值对比度归一化系数，提取去均值对比度归一化系数带有幅度权重的局部二值模式直方图特征，并采用广义高斯分布模型拟合去均值对比度归一化系数，得到其形状参数和方差；并得到36维的图像纹理质量特征；步骤4、利用深度森林分类模型中决策树提取特征的不同，模拟不同人对图像质量的感知差异，构建深度森林分类模型对图像质量进行分类，包括多粒度扫描森林和级联森林；步骤5、基于图像质量特征及其类别标签，对深度森林分类模型进行训练，得到测试图像归属于不同类别的概率，即不同人对图像质量主观评价结果的统计信息；步骤6、设置质量锚：设质量评分的取值范围为[0，100]，将其等分为五类，选取对应类别的最小值作为质量锚，然后结合图像归属于不同类别的概率，得到最终的图像质量评分。