一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法
【專利摘要】本發(fā)明涉及圖像質(zhì)量評(píng)價(jià)領(lǐng)域，具體涉及一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，輸入若干組不同的圖像處理算法或系統(tǒng)的輸出結(jié)果圖像，在完成標(biāo)注的數(shù)據(jù)集上進(jìn)行排序?qū)W習(xí),得到排名函數(shù)，通過(guò)所述排名函數(shù)得到每一組待評(píng)價(jià)圖像的相對(duì)質(zhì)量高低，評(píng)價(jià)對(duì)應(yīng)的圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量，本發(fā)明的益處在于：適用性廣,可面向圖像壓縮處理、圖像清晰化處理等多種圖像處理類型，尤其適用于圖像清晰化處理等目前沒有公認(rèn)評(píng)價(jià)指標(biāo)的情況，僅在人工標(biāo)注階段需要少量的參考圖像信息，因此可以很好的解決一類很難得到參考圖像的質(zhì)量評(píng)價(jià)問(wèn)題，利用本發(fā)明提供的基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，可以評(píng)價(jià)多種圖像處理類型的算法或系統(tǒng)的性能。
【專利說(shuō)明】一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像質(zhì)量評(píng)價(jià)領(lǐng)域，具體涉及一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法。
【背景技術(shù)】
[0002]數(shù)字圖像在獲取、傳輸、存儲(chǔ)或處理過(guò)程中，經(jīng)常會(huì)產(chǎn)生許多類型的畸變，從而影響視覺質(zhì)量。要對(duì)這些圖像的質(zhì)量進(jìn)行評(píng)價(jià)，最可信的方法是進(jìn)行大規(guī)模的主觀評(píng)價(jià)，即通過(guò)調(diào)查許多人的意見，得到一個(gè)平均意見分?jǐn)?shù)(Mean Opinion Score, M0S)。然而在實(shí)踐中，主觀質(zhì)量評(píng)價(jià)通常過(guò)于耗時(shí)，需要大量的人力財(cái)力，因此許多研究人員致力于尋找有效的客觀質(zhì)量評(píng)價(jià)方法，即能夠利用計(jì)算機(jī)自動(dòng)評(píng)價(jià)圖像的質(zhì)量。
[0003]目前的客觀質(zhì)量評(píng)價(jià)方法一般將圖像評(píng)價(jià)問(wèn)題視作分類問(wèn)題，即將圖像的質(zhì)量等級(jí)視作圖像的標(biāo)簽，然后通過(guò)支持向量機(jī)(Support Vector Machine, SVM)等分類器進(jìn)行分類，從而解決單幅圖像的質(zhì)量評(píng)價(jià)問(wèn)題，并不是針對(duì)圖像處理算法或系統(tǒng)而設(shè)計(jì)的評(píng)價(jià)方法。
[0004]例如，在申請(qǐng)?zhí)枮?00910082608.2、名稱為“一種基于支持向量機(jī)的圖像質(zhì)量評(píng)價(jià)
方法”的中國(guó)專利申請(qǐng)中，提出采用多個(gè)支持向量機(jī)的方法。該方法強(qiáng)調(diào)多個(gè)支持向量機(jī)的使用，需要首先分別在訓(xùn)練集中依次訓(xùn)練多個(gè)支持向量機(jī)，再用訓(xùn)練好的多個(gè)支持向量機(jī)來(lái)解決多分類問(wèn)題，從而得到單幅圖像的質(zhì)量等級(jí)。
[0005]這類方法的特點(diǎn)在于，在評(píng)價(jià)的時(shí)候只面向圖像，而不關(guān)心圖像獲得的來(lái)源，即輸出這些圖像的算法或系統(tǒng)。本發(fā)明與這類方法的不同點(diǎn)在于:本發(fā)明的方法是面向圖像處理算法或系統(tǒng)的，在本發(fā)明中，將質(zhì)量評(píng)價(jià)問(wèn)題視作排序問(wèn)題，通過(guò)排序支持向量機(jī)(RankSVM)等排序?qū)W習(xí)(Rank L earning, RL)工具將多幅不同圖像處理算法或系統(tǒng)的輸出結(jié)果圖像進(jìn)行排序，從而得到相應(yīng)的圖像處理算法或系統(tǒng)的評(píng)價(jià)結(jié)果。即，輸入若干組不同的圖像處理算法或系統(tǒng)的輸出結(jié)果圖像，輸出這些圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提供一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法。
[0007]本發(fā)明要解決面對(duì)多種圖像處理算法或系統(tǒng)，如何通過(guò)評(píng)價(jià)經(jīng)過(guò)這些算法或系統(tǒng)處理后的圖像，來(lái)衡量這些算法或系統(tǒng)的性能優(yōu)劣。
[0008]為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提出了一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法:輸入若干組不同的圖像處理算法或系統(tǒng)的輸出結(jié)果圖像，在完成標(biāo)注的數(shù)據(jù)集上進(jìn)行排序?qū)W習(xí)，得到排名函數(shù)，通過(guò)所述排名函數(shù)得到每一組待評(píng)價(jià)圖像的相對(duì)質(zhì)量高低，評(píng)價(jià)對(duì)應(yīng)的圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量。
[0009]所述數(shù)據(jù)集包括源圖像、不同圖像處理算法或系統(tǒng)處理得到的輸出圖像、輸出圖像之間的相對(duì)質(zhì)量高低。
[0010]包括如下步驟:[0011]步驟I)訓(xùn)練階段，通過(guò)在訓(xùn)練集上進(jìn)行排序?qū)W習(xí)，得到排名函數(shù)；
[0012]步驟2)預(yù)測(cè)階段，通過(guò)訓(xùn)練階段得到的排名函數(shù)，得到待評(píng)價(jià)圖像的排名，從而預(yù)測(cè)對(duì)應(yīng)的圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量。
[0013]所述步驟I)還包括:
[0014]步驟1.1)預(yù)處理階段，對(duì)數(shù)據(jù)集中的輸出圖像，提取能表征其圖像質(zhì)量的特征，得到特征描述；
[0015]步驟1.2)學(xué)習(xí)階段，在數(shù)據(jù)集上進(jìn)行排序?qū)W習(xí)，得到排名函數(shù)。
[0016]所述步驟2)還包括:
[0017]預(yù)測(cè)一種新的圖像處理算法或系統(tǒng)相對(duì)于已有圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量;
[0018]輸入為一種新的圖像處理算法或系統(tǒng)在已有圖像集上的輸出結(jié)果圖像，輸出為所述新的圖像處理算法或系統(tǒng)相對(duì)于已有圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量；
[0019]步驟2.1)預(yù)處理階段，對(duì)待評(píng)價(jià)的圖像處理算法或系統(tǒng)的輸出結(jié)果圖像，提取表征其圖像質(zhì)量的特征，得到特征描述，所述特征描述需與訓(xùn)練階段所提取的特征保持一致；
[0020]步驟2.2)推斷階段，利用訓(xùn)練階段得到的排名函數(shù)得到待評(píng)價(jià)圖像的排名，通過(guò)新的圖像處理算法或系統(tǒng)得到的輸出圖像的平均排名來(lái)預(yù)測(cè)新的圖像處理算法或系統(tǒng)相對(duì)于已有圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量。
[0021]所述步驟2)還包括:
[0022]預(yù)測(cè)已有圖像處理算法或系統(tǒng)在新的圖像集上的相對(duì)質(zhì)量；
[0023]輸入為已有圖像處理算法或系統(tǒng)在新的圖像集上的輸出結(jié)果圖像，輸出為這些圖像處理算法或系統(tǒng)在所述圖像集上的相對(duì)質(zhì)量；
[0024]步驟2.1)預(yù)處理階段，對(duì)待評(píng)價(jià)的圖像處理算法或系統(tǒng)的輸出結(jié)果圖像，提取表征其圖像質(zhì)量的特征，得到特征描述，所述特征描述需與訓(xùn)練階段所提取的特征保持一致；
[0025]步驟2.2)推斷階段，利用訓(xùn)練階段得到的排名函數(shù)得到待評(píng)價(jià)圖像的排名，通過(guò)已有圖像處理算法或系統(tǒng)得到的輸出圖像的平均排名來(lái)預(yù)測(cè)已有圖像處理算法或系統(tǒng)在新圖像集上的相對(duì)質(zhì)量。
[0026]所述預(yù)處理階段所使用的特征可包含人工設(shè)計(jì)的底層特征和由機(jī)器學(xué)習(xí)得到的中等或聞等層次特征。
[0027]所述預(yù)處理階段所使用的特征中，人工設(shè)計(jì)的底層特征包含但不限于DIIVINE系數(shù)、BRISQUE、顏色矩、色彩直方圖等在圖像質(zhì)量評(píng)價(jià)領(lǐng)域中常見的底層特征。
[0028]所述預(yù)處理階段中，提取的多種特征可采用直接拼接、多核學(xué)習(xí)特征融合等特征融合方式得到特征描述。
[0029]所述預(yù)處理階段中，根據(jù)待評(píng)價(jià)圖像的來(lái)源不同，提取不同的特征；使用人工設(shè)計(jì)的底層特征，或者使用機(jī)器學(xué)習(xí)得到的中等或高等層次特征。
[0030]所述學(xué)習(xí)階段可以但不限于通過(guò)排序支持向量機(jī)等已知排序?qū)W習(xí)工具解決排序?qū)W習(xí)問(wèn)題。
[0031]所述方法可用于但不限于評(píng)價(jià)圖像去霧算法或系統(tǒng)、低光照?qǐng)鼍皥D像增強(qiáng)算法或系統(tǒng)、水下場(chǎng)景圖像增強(qiáng)算法或系統(tǒng)等。
[0032]本發(fā)明的益處在于:
[0033]I)適用性廣，可面向圖像壓縮處理、圖像清晰化處理等多種圖像處理類型，尤其適用于圖像清晰化處理等目前沒有公認(rèn)評(píng)價(jià)指標(biāo)的情況。
[0034]2)僅在人工標(biāo)注階段需要少量的參考圖像信息，因此可以很好的解決一類很難得到參考圖像的質(zhì)量評(píng)價(jià)問(wèn)題。
[0035]3)利用本發(fā)明提供的基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，可以評(píng)價(jià)多種圖像處理類型的算法或系統(tǒng)的性能，易于推廣。
【專利附圖】

【附圖說(shuō)明】
[0036]圖1是本發(fā)明的方法流程示意圖；
[0037]圖2是本發(fā)明所提到的第一種預(yù)測(cè)形式的示意圖；
[0038]圖3是本發(fā)明所提到的第二種預(yù)測(cè)形式的示意圖；
[0039]圖4是按照本發(fā)明的一個(gè)實(shí)施方式的工作流程圖；
[0040]圖5是本發(fā)明所提到的人工標(biāo)注階段的一個(gè)實(shí)施方式的示意圖。
【具體實(shí)施方式】
[0041]當(dāng)結(jié)合附圖考慮時(shí)，通過(guò)參照下面的詳細(xì)描述，能夠更完整更好地理解本發(fā)明以及容易得知其中許多伴隨的優(yōu)點(diǎn)，但此處所說(shuō)明的附圖用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，構(gòu)成本發(fā)明的一部分。
[0042]為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。
[0043]實(shí)施例1
[0044]如圖1至圖5所示，利用本發(fā)明解決圖像處理算法或系統(tǒng)的評(píng)價(jià)問(wèn)題，以本發(fā)明所提到的第一種預(yù)測(cè)形式為例，即評(píng)價(jià)一種新的圖像處理算法或系統(tǒng)相對(duì)于已有的圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量。以圖1所示的水下增強(qiáng)算法的評(píng)價(jià)問(wèn)題為例。
[0045]水下數(shù)據(jù)集包含了 100組圖像，共500幅，其中100幅水下源圖像，400幅對(duì)源圖像分別使用4種水下增強(qiáng)算法而得到的增強(qiáng)圖像。一幅源圖像及其對(duì)應(yīng)的4幅增強(qiáng)圖像稱為一組，共100組。測(cè)試集包含了 100幅圖像，為I種新的水下增強(qiáng)算法分別對(duì)數(shù)據(jù)集中的100幅處理后的輸出圖像。
[0046]步驟1、人工標(biāo)注階段
[0047]對(duì)于每一組待標(biāo)注的水下增強(qiáng)圖像Ii=Ui^Ii, IpIiiJ,通過(guò)兩兩比較的方式得到圖像之間的相對(duì)質(zhì)量高低，如圖3所示。Iiik表示第i組圖像的第k幅圖像。
100，I ^ k ^ 4o
[0048]標(biāo)注人員數(shù)量應(yīng)不少于30人，待所有標(biāo)注人員完成標(biāo)注工作之后，通過(guò)綜合所有標(biāo)注人員的標(biāo)注結(jié)果，得到每組圖像中每?jī)煞鶊D像之間的相對(duì)質(zhì)量高低。最后推導(dǎo)出每組圖像的排名結(jié)果Ranki= {Rankm Rankij2, Rankij3, Rankij4},其中Rank^k表示第i組圖像中第k幅圖像的排名，Rank^k越小,貝U第k幅圖像的質(zhì)量越高。I < i < 100,1 < k < 4。
[0049]步驟2、預(yù)處理階段[0050]對(duì)于每一幅增強(qiáng)后的圖像，提取該圖像的DIIVINE (the DistortionIdentification-based Image Verity and INtegrity Evaluation,DIIVINE)系數(shù)和彥頁(yè)色矩特征，并進(jìn)行拼接，得到該圖像的特征向量
第k幅圖像的特征向量，共w維。I≤i≤100，1≤k≤4。DIIVINE系數(shù)描述了圖像的結(jié)構(gòu)信息，共88維，顏色矩特征描述了圖像的顏色信息，共9維。因此，拼接之后得到的圖像特征向量共97維，即w=97。
[0051]步驟3、訓(xùn)練階段
[0052]將數(shù)據(jù)集中的所有增強(qiáng)圖像的特征向量以及圖像之間的相對(duì)質(zhì)量作為排序支持向量機(jī)(Rank SVM)的輸入,通過(guò)排序?qū)W習(xí)得到排名函數(shù)F={f\，f2,…，f97},是一個(gè)實(shí)數(shù)向量。
[0053]步驟4、評(píng)價(jià)階段
[0054]對(duì)測(cè)試集中的每一幅圖像，提取該圖像的DIIVINE (the DistortionIdentification-based Image Verity and INtegrity Evaluation,DIIVINE)系數(shù)和彥頁(yè)色矩特征，并進(jìn)行拼接，得到該圖像的特征向量Vii5=Ivu1, Vi，5，2，…，Vi，5，w}T，即新的水下增強(qiáng)算法處理第i組的源圖像得到的增強(qiáng)圖像對(duì)應(yīng)的特征向量，共w維。DIIVINE系數(shù)描述了圖像的結(jié)構(gòu)信息，共88維，顏色矩特征描述了圖像的顏色信息，共9維。因此，拼接之后得到的圖像特征向量共97維，即w=97。KiS 100。[0055]通過(guò)步驟3中訓(xùn)練得到的排名函數(shù)F，計(jì)算得到數(shù)據(jù)集和測(cè)試集中每一幅圖像的分?jǐn)?shù)SCOrei，k=F XVi, k。I ^ i ^ 100,1 ^ 5?根據(jù)分?jǐn)?shù)的高低，將每一組圖像進(jìn)行排序，得到預(yù)測(cè)排名 Rank’ ^(Rankj ^1, Rank’ i；2, Rankj i；3, Rank’ i；4, Rankj 1>5},其中 Rank’ i；k表示第i組圖像中第k幅圖像的預(yù)測(cè)排名，Rank’ i，k越小，則第k幅圖像的預(yù)測(cè)質(zhì)量越高。
[0056]通過(guò)計(jì)算新的水下增強(qiáng)算法得到的增強(qiáng)圖像的排名的平均值，可以得到該水下增強(qiáng)算法相對(duì)于已有4種水下增強(qiáng)算法的質(zhì)量排名。
[0057]實(shí)施例2
[0058]利用本發(fā)明解決圖像處理算法或系統(tǒng)的評(píng)價(jià)問(wèn)題，以本發(fā)明所提到的第二種預(yù)測(cè)形式為例，即評(píng)價(jià)若干圖像處理算法或系統(tǒng)在新的圖像集上的相對(duì)質(zhì)量。以圖2所示的低光照增強(qiáng)算法的評(píng)價(jià)問(wèn)題為例。
[0059]低光照?qǐng)鼍皵?shù)據(jù)集包含了 80組圖像，共480幅，其中80幅低光照?qǐng)鼍跋碌脑磮D像，400幅對(duì)源圖像分別使用5種低光照增強(qiáng)算法而得到的增強(qiáng)圖像。一幅源圖像及其對(duì)應(yīng)的5幅增強(qiáng)圖像稱為一組，共80組。測(cè)試集包含了 20組新的圖像，共120幅，其中20幅低光照?qǐng)鼍跋碌脑磮D像，100幅對(duì)源圖像分別使用5種低光照增強(qiáng)算法而得到的增強(qiáng)圖像。一幅源圖像及其對(duì)應(yīng)的5幅增強(qiáng)圖像稱為一組，共20組。
[0060]步驟1、人工標(biāo)注階段
[0061]對(duì)于每一組待標(biāo)注的低光照?qǐng)鼍跋碌脑鰪?qiáng)圖像Ii=Uiil, Ii,2，1,3, IM, IiiJ，通過(guò)兩兩比較的方式得到圖像之間的相對(duì)質(zhì)量高低，如圖3所示。Iiik表示第i組圖像的第k幅圖像。I≤i≤80，1≤k≤5。
[0062]標(biāo)注人員數(shù)量應(yīng)不少于30人，待所有標(biāo)注人員完成標(biāo)注工作之后，通過(guò)綜合所有標(biāo)注人員的標(biāo)注結(jié)果，得到每組圖像中每?jī)煞鶊D像之間的相對(duì)質(zhì)量高低。最后推導(dǎo)出每組圖像的排名結(jié)果 Ranki= {Rankm Rankij2, Rankij3, Rankij4, Rankij5},其中 Rank^k表示第 i 組圖像中第k幅圖像的排名，Rank^k越小,貝U第k幅圖像的質(zhì)量越高。I≤i≤80,1≤k≤5。
[0063]步驟2、預(yù)處理階段
[0064]對(duì)于每一幅增強(qiáng)后的圖像，提取該圖像的DIIVINE (the DistortionIdentification-based Image Verity and INtegrity Evaluation,DIIVINE)系數(shù)和彥頁(yè)色矩特征，并進(jìn)行拼接，得到該圖像的特征向量
第k幅圖像的特征向量，共w維。I≤i≤80，1≤k≤5。DIIVINE系數(shù)描述了圖像的結(jié)構(gòu)信息，共88維，顏色矩特征描述了圖像的顏色信息，共9維。因此，拼接之后得到的圖像特征向量共97維，即w=97。
[0065]步驟3、訓(xùn)練階段
[0066]將數(shù)據(jù)集中的所有增強(qiáng)圖像的特征向量以及圖像之間的相對(duì)質(zhì)量作為排序支持向量機(jī)(Rank SVM)的輸入,通過(guò)排序?qū)W習(xí)得到排名函數(shù)F={f\，f2,…，f97},是一個(gè)實(shí)數(shù)向量。
[0067]步驟4、評(píng)價(jià)階段
[0068]對(duì)測(cè)試集中的每一幅圖像，提取該圖像的DIIVINE (the DistortionIdentification-based Image Verity and INtegrity Evaluation,DIIVINE)系數(shù)和彥頁(yè)色矩特征，并進(jìn)行拼接，得到該圖像的特征向量Uu=Iui,,,，…，Ui,k,w}T，其中Ui,k為第i組第k幅圖像的特征向量，共w維。I≤i≤20，1≤k≤5。DIIVINE系數(shù)描述了圖像的結(jié)構(gòu)信息，共88維，顏色矩特征描述了圖像的顏色信息，共9維。因此，拼接之后得到的圖像特征向量共97維，即w=97。I≤i≤20。
[0069]通過(guò)步驟3中訓(xùn)練得到的排名函數(shù)F，計(jì)算得到測(cè)試集中每一幅圖像的分?jǐn)?shù)Scoreiik=FXUiiko I ^ i ^ 20,1 ^ k ^ 50根據(jù)分?jǐn)?shù)的高低，將每一組圖像進(jìn)行排序，得到預(yù)測(cè)排名 Rank’ ^(Rankj i；1, Rank’ i；2, Rank’ i；3, Rank’ i；4, Rankj i；5},其中 Rank’ i，k 表示第 i 組圖像中第k幅圖像的預(yù)測(cè)排名，Rank’i，k越小，則第k幅圖像的預(yù)測(cè)質(zhì)量越高。I≤i≤20，K k < 5。
[0070]通過(guò)計(jì)算每一種低光照增強(qiáng)算法得到的增強(qiáng)圖像的排名的平均值，可以得到這些低光照增強(qiáng)算法在新的圖像集上的相對(duì)質(zhì)量。
[0071]上述僅為本發(fā)明的較佳實(shí)施例，并不用來(lái)限定本發(fā)明的實(shí)施范圍。也就是說(shuō)，任何依照本發(fā)明的權(quán)利要求范圍所做的同等變化與修改，但是只要實(shí)質(zhì)上沒有脫離本發(fā)明的發(fā)明點(diǎn)及效果可以有很多的變形，這對(duì)本領(lǐng)域的技術(shù)人員來(lái)說(shuō)是顯而易見的。因此，這樣的變形例也全部包含在本發(fā)明的保護(hù)范圍之內(nèi)。
[0072]以上對(duì)本發(fā)明所提供的一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法進(jìn)行了詳細(xì)介紹，以上參照附圖對(duì)本申請(qǐng)的示例性的實(shí)施方案進(jìn)行了描述。本領(lǐng)域技術(shù)人員應(yīng)該理解，上述實(shí)施方案僅僅是為了說(shuō)明的目的而所舉的示例，而不是用來(lái)進(jìn)行限制，凡在本申請(qǐng)的教導(dǎo)和權(quán)利要求保護(hù)范圍下所作的任何修改、等同替換等，均應(yīng)包含在本申請(qǐng)要求保護(hù)的范圍內(nèi)。
【權(quán)利要求】
1.一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，其特征在于:輸入若干組不同的圖像處理算法或系統(tǒng)的輸出結(jié)果圖像，在完成標(biāo)注的數(shù)據(jù)集上進(jìn)行排序?qū)W習(xí)，得到排名函數(shù)，通過(guò)所述排名函數(shù)得到每一組待評(píng)價(jià)圖像的相對(duì)質(zhì)量高低，評(píng)價(jià)對(duì)應(yīng)的圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量。
2.根據(jù)權(quán)利要求1所述的一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，其特征在于:所述數(shù)據(jù)集包括源圖 像、不同圖像處理算法或系統(tǒng)處理得到的輸出圖像、輸出圖像之間的相對(duì)質(zhì)量高低。
3.根據(jù)權(quán)利要求1所述的一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，其特征在于包括如下步驟: 步驟I)訓(xùn)練階段，通過(guò)在訓(xùn)練集上進(jìn)行排序?qū)W習(xí)，得到排名函數(shù)； 步驟2)預(yù)測(cè)階段，通過(guò)訓(xùn)練階段得到的排名函數(shù)，得到待評(píng)價(jià)圖像的排名，從而預(yù)測(cè)對(duì)應(yīng)的圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量。
4.根據(jù)權(quán)利要求2所述的一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，其特征在于所述步驟I)還包括: 步驟1.1)預(yù)處理階段，對(duì)數(shù)據(jù)集中的輸出圖像，提取能表征其圖像質(zhì)量的特征，得到特征描述； 步驟1.2)學(xué)習(xí)階段，在數(shù)據(jù)集上進(jìn)行排序?qū)W習(xí)，得到排名函數(shù)。
5.根據(jù)權(quán)利要2所述的一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，其特征在于所述步驟2)還包括: 預(yù)測(cè)一種新的圖像處理算法或系統(tǒng)相對(duì)于已有圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量； 輸入為一種新的圖像處理算法或系統(tǒng)在已有圖像集上的輸出結(jié)果圖像，輸出為所述新的圖像處理算法或系統(tǒng)相對(duì)于已有圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量； 步驟2.1)預(yù)處理階段，對(duì)待評(píng)價(jià)的圖像處理算法或系統(tǒng)的輸出結(jié)果圖像，提取表征其圖像質(zhì)量的特征，得到特征描述，所述特征描述需與訓(xùn)練階段所提取的特征保持一致； 步驟2.2)推斷階段，利用訓(xùn)練階段得到的排名函數(shù)得到待評(píng)價(jià)圖像的排名，通過(guò)新的圖像處理算法或系統(tǒng)得到的輸出圖像的平均排名來(lái)預(yù)測(cè)新的圖像處理算法或系統(tǒng)相對(duì)于已有圖像處理算法或系統(tǒng)的相對(duì)質(zhì)量。
6.根據(jù)權(quán)利要求1所述的一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，其特征在于所述步驟2)還包括: 預(yù)測(cè)已有圖像處理算法或系統(tǒng)在新的圖像集上的相對(duì)質(zhì)量； 輸入為已有圖像處理算法或系統(tǒng)在新的圖像集上的輸出結(jié)果圖像，輸出為這些圖像處理算法或系統(tǒng)在所述圖像集上的相對(duì)質(zhì)量； 步驟2.1)預(yù)處理階段，對(duì)待評(píng)價(jià)的圖像處理算法或系統(tǒng)的輸出結(jié)果圖像，提取表征其圖像質(zhì)量的特征，得到特征描述，所述特征描述需與訓(xùn)練階段所提取的特征保持一致； 步驟2.2)推斷階段，利用訓(xùn)練階段得到的排名函數(shù)得到待評(píng)價(jià)圖像的排名，通過(guò)已有圖像處理算法或系統(tǒng)得到的輸出圖像的平均排名來(lái)預(yù)測(cè)已有圖像處理算法或系統(tǒng)在新圖像集上的相對(duì)質(zhì)量。
7.根據(jù)權(quán)利要求5或6所述的一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，其特征在于:所述預(yù)處理階段所使用的特征可包含人工設(shè)計(jì)的底層特征和由機(jī)器學(xué)習(xí)得到的中等或聞等層次特征。
8.根據(jù)權(quán)利要求7所述的一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，其特征在于:所述預(yù)處理階段所使用的特征中，人工設(shè)計(jì)的底層特征包含但不限于DIIVINE系數(shù)、BRISQUE、顏色矩、色彩直方圖等在圖像質(zhì)量評(píng)價(jià)領(lǐng)域中常見的底層特征； 所述預(yù)處理階段中，提取的多種特征可采用直接拼接、多核學(xué)習(xí)特征融合等特征融合方式得到特征描述所述預(yù)處理階段中，提取的多種特征可采用直接拼接、多核學(xué)習(xí)特征融合等特征融合方式得到特征描述； 所述預(yù)處理階段中，根據(jù)待評(píng)價(jià)圖像的來(lái)源不同，提取不同的特征；使用人工設(shè)計(jì)的底層特征，或者使用機(jī)器 學(xué)習(xí)得到的中等或高等層次特征。
9.根據(jù)權(quán)利要求4所述的一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，其特征在于:所述學(xué)習(xí)階段可以但不限于通過(guò)排序支持向量機(jī)等已知排序?qū)W習(xí)工具解決排序?qū)W習(xí)問(wèn)題。
10.根據(jù)權(quán)利要求1所述的一種基于排序?qū)W習(xí)的圖像處理算法或系統(tǒng)的評(píng)價(jià)方法，其特征在于:所述方法可用于但不限于評(píng)價(jià)圖像去霧算法或系統(tǒng)、低光照?qǐng)鼍皥D像增強(qiáng)算法或系統(tǒng)、水下場(chǎng)景圖像增強(qiáng)算法或系統(tǒng)等。
【文檔編號(hào)】G06K9/66GK103745454SQ201310692533
【公開日】2014年4月23日 申請(qǐng)日期:2013年12月17日 優(yōu)先權(quán)日:2013年12月17日
【發(fā)明者】田永鴻, 陳崢瑩, 蔣婷婷, 黃鐵軍 申請(qǐng)人:北京大學(xué)