基于机器学习的无参考图像质量评价

摘要

随着计算机和网络技术迅速发展，数字图像在自动化生产、气象预测、远程医疗等生产生活领域中发挥着越来越重要的作用。然而数字图像在采集、传输、处理等过程中会混入各种失真，影响到信息的准确性，所以准确评价图像质量具有重要的意义。在各种图像质量评价方法中，无参考图像质量评价方法由于不需要参考图像，实现简单，实用性强，成为了研究的重点方向。基于目前的研究趋势，本文主要研究基于机器学习的无参考图像质量评价，主要工作如下:　　针对目前无参考图像质量评价效果不佳的问题，本文提出一种结合视觉特性与机器学习方法的无参考图像质量评价方法。该方法通过模拟人眼视觉系统，提取感兴趣区域局部熵作为图像特征，然后采用机器学习方法寻找特征向量和主观评分间的内在规律，建立图像质量预测模型。此外，传统的机器学习方法方依赖于大量训练样本，而训练数据集的构建需要耗费大量人力物力。针对这一问题，本文引入迁移学习方法，通过改进TrAdaboost算法得到一种多源TrAdaboost回归算法，通过借助以往数据库中的有价值样本，只需少量目标库训练样本便可以建立准确的图像质量评价模型。　　在LIVE图像数据库实验表明，相比于以往基于机器学习的无参考方法,本文中结合视觉特性与机器学习方法的无参考图像质量评价方法评价结果与主观评价值一致性更好。而通过JPEG、JPEG失真图像的实验表明，引入迁移学习建立的模型在少量训练样本下获得了比传统机器学习更好的预测结果。

目录

声明

摘要

第一章绪论

1．1图像质量评价的研究背景及意义

1．2图像质量评价的发展过程

1．3本文主要内容与文章架构

第二章图像质量评价的基本理论

2．1主观图像质量评价

2．1．1评价方法

2．1．2评分标准

2．2客观图像质量评价

2．2．1全参考图像质量评价

2．2．2部分参考图像质量评价

2．2．3无参考图像质量评价

2．3 ML类无参考图像质量评价

2．4本章小结

第三章基于ROI特征的ML类无参考评价算法

3．1感兴趣区域

3．2图像特征的提取

3．3 ROI特征合理性分析

3．4机器学习建模

3．5算法检测指标

3．5．1检测图像库

3．5．2算法检测指标

3．6实验结果与分析

3．6．1特征提取与建模方法分析

3．6．2对比以往算法性能

3．7本章小结

第四章基于迁移学习的图像质量评价

4．1迁移学习

4．2基于实例迁移的TrAdaBoost算法

4．3 TrAdaBoost回归算法

4．3．1阂值常数

4．3．2弱学习机

4．4多源TrAdaboost回归算法

4．5实验分析

4．5．1迁移学习算法的适用范围和适用性

4．5．2多源与单源迁移学习的对比效果

4．6本章小结

第五章总结与展望

5．1总结

5．2展望

致谢

参考文献

作者简介