CN101540048A - 一种基于支持向量机的图像质量评价方法 - Google Patents

Abstract

本发明提供了一种基于支持向量机的图像质量评价方法。首先对预处理后的图像样本进行特征值的选择和提取，将处理后的样本集分成训练集和测试集两部分；然后利用训练集进行支持向量机的训练，根据***需要的级别确定支持向量机的个数，对每个支持向量机进行分别训练，训练中，输入样本是图像的特征值，输出是图像质量的级别；训练后得到支持向量机模型，再利用测试集对相关参数进行调整优化，确定支持向量机模型最优分类面的决策函数的参数；最后应用完成训练优化的支持向量机模型对图像样本进行质量评级。本发明具有需要样本少、运算速度快、准确率高、性能优越、推广性强等特点。

Description

一种基于支持向量机的图像质量评价方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于支持向量机的图像质量评价方法。

背景技术

对图像质量的正确评价是图像信息工程领域内一项很有意义的研究课题。图像质量评价方法一般分为主观和客观两类。图像最终是为人所观看的，故其质量最准确的评价方法是主观评价，但是主观评价方法在实际应用中存在诸多问题，因此人们不懈地致力于设计客观的评价方法以近似反映主观感受要求。

现在国际上进行了基于解译度的遥感图像分级预估评价，部分国家已制定了基于解译度的像质预估与评价方法和体系，我国许多军事单位也纷纷提出建立基于解译度的遥感图像分级标准的需求。遥感图像的解译是通过遥感图像所提供的各种识别目标的特征信息进行分析、推理与判断，最终达到识别目标或场景理解的目的。遥感图像根据取得的地质效果，解译程度划分为四类：

①解译良好：地质体细节和地质构造轮廓全部可以从图像中获取到，能够编制出比较完备的解译地质图件；

②解译中等：主要地质构造和地质体主要状况可以从图像上获得，只能编制出粗略的解译地质图件；

③解译困难：只能看出部分地质构造和少量地质要素细节，仅可编制概略的解译地质略图；

④解译特别困难：只能看出少量的地质要素，不能形成完整的地质构造概念，无法编制同比例尺解译地质略图。

美国国防航空侦察署于1974年就发布了基于应用的国家图像解译度标准(NationalImagery Interpretability Rating Scale，简称为NIIRS)作为一种定量的主观图像质量标准，将用户的任务需求同遥感图像质量联系了起来；1978年这一标准被北约(North AtlanticTreaty Organization，简称为NATO)采用，称为图像解译度标准(Imagery InterpretabilityRating Scale，简称为IIRS)。1995年发布了民用NIIRS，其表达了图像的情报价值，体现了情报界对侦察图像的文字要求，构成了用户和研制部门之间交流的标准语言。我国军方也建立了中国图像解译度标准(Chinese Imagery Interpretability Rating Scale，简称为CIIRS)，类似于美国的NIIRS，是种基于图像解译度的像质预估与评估方法和体系，能够科学地指导光学遥感器的优化设计。

目前的这些方法，虽然参考的开发样本图像集合的特征指标不同，但是均采用线性回归方法开发出图像质量方程；尽管这些方法比较准确的建立了图像质量预估***，但是具有需要样本图像多、处理数据多、运算速度慢、准确度有待提高等缺点。

目前有种改进的方法是寻找一种需要样本更少、处理速度更快、处理结果更准的机器学习方法，例如：模糊***Fuzzy System和灰色***Grey System虽然在分类中经常使用，但是准确度不高；人工神经网络(Artificial Neural Network，简称为ANN)虽然在非线性和分类问题上具有不错优势，但是泛化能力差，有局部最小点，其中泛化能力是指经过训练的网络对于不是样本集的输入也能给出合适的输出的性质；隐马尔科夫法Hidden MarkovModel建立和训练时间要求比较长。

发明内容

本发明的目的在于针对现有技术的不足：处理慢、可靠性差、泛化能力差、主观评价和客观测度不一致的缺点，提出一种基于支持向量机(SVM，全称为Support Vector Machine)的图像质量评价方法。

为达到能够准确地对图像质量作出评价的目的，本发明所述方法具有如下步骤：

步骤一，建立样本集；

对图像样本进行去噪处理后，选择其某些特征值，提取后进行一定的预处理。再结合对该图像样本的主观质量评价级别，构成样本集。然后将此样本集分为训练集和测试集两部分。

其中，图像样本为经过专家主观质量评价之后的图片，且各质量评价级别的样本数目差别不大；预处理即为数据的归一化处理。

其中，某些特征值是指对比度Contrast，熵Entropy，纹理Texture和模糊度Blur。

1)对比度Contrast

对比度指的是一幅图像的亮度分量中，明暗区域最亮值和最暗值之间不同亮度层级的测量，差异范围越大代表对比越大，差异范围越小代表对比越小。

同时对比度指图像目标与背景间亮度值即灰度的差比，是图像反差的测度之一。设B₁、B₂分别为目标与背景的亮度值，则同时对比度C定义为：

C＝(B₁-B₂)/B₂

C值的大小反映图像中目标被识别的可能程度，C值越大，该目标越容易被识别。

2)熵Entropy

图像的熵是一种特征的统计形式，它反映了图像中平均信息量的多少。

图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，令P_i表示图像中灰度值为i的像素所占的比例，则定义灰度图像的一元灰度熵H为：

$H=-\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{P}_i\ln P_i$

图像的一维熵可以表示图像灰度分布的聚集特征，却不能反映图像灰度分布的空间特征，为了表征这种空间特征，可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。

3)纹理Texture

图像纹理反映的是图像的一种局部结构化特征，具体表现为图像像素点某邻域内像素点灰度级或者颜色的某种变化，而且这种变化是空间统计相关的，它由纹理基元和基元的排列两个要素构成。

4)模糊度Blur

模糊是当图像通过滤波器或者经过视觉数据压缩的时候，由于空间域高频部分的衰减而造成的，它的特征就是边缘拖尾效应和细节信息的丢失。目前，测量图像或者视频流的模糊度还没有什么成熟的方法，大部分方法需要进行大量的循环迭代运算，并不适用于实时评价。

模糊度测量方法的思路，通过滤波器或者压缩的尖锐边缘会变得平滑或者有拖尾效应，所以通过测量边缘扩展的程度来判断模糊情况。具体算法流程是：先寻找处理后图像的垂直强边缘，对处理后图像中的每个符合条件的边缘，都找到边缘的起始位置并计算边缘宽度，那么模糊度就是所有边缘宽度与边缘数目之比。

步骤二，确定支持向量机的数目；

根据需要***要求的分类级别N确定支持向量机的个数，N≥2。

其中，***的分类级别N即为图像的质量评价级别，比如分为优、良、中和差4个等级，即此时N＝4。

其中，所述的根据需要***要求的分类级别确定支持向量机的个数是指：支持向量机是两类分类器，应用于两类及两类以上分类时，有几种方法，假设***要求的分类级别有N≥2种，为将N类中的第i∈[1，N]类与其他类别分开，主要利用1-a-r即1-aginst-rest和1-a-1即1-aginst-1两种方法。其中，1-a-r是指对于N类问题构造N个两类分类器，第i个SVM用第i类中的训练样本作为正的训练样本，而将其他的样本作为负的训练样本，最后输出是两类分类器输出为最大的那一类；1-a-1是指在N类训练样本中构造所有可能的两类分类器，每个SVM仅仅在N类中的2类训练样本上训练，结果共构造K＝N(N-1)/2个分类器。

步骤三，支持向量机训练和优化部分；

利用训练集对每个支持向量机进行分别训练。训练中，输入是图像样本的特征值，输出是图像质量的评价级别，即该发明利用级别数字来代替质量评价，如用1代表优，2代表良，3代表中，4代表差。然后利用测试集对得到的支持向量机模型相关参数进行调整优化，确定支持向量机模型最优分类面的决策函数的相关参数，包括寻找最合适的核函数的类别及其参数、惩罚因子、拉格朗日乘子和偏移因子。

步骤四，支持向量机应用部分；

应用完成训练的支持向量机模型对图像样本进行评级；

其中，所述的完成训练的支持向量机模型，可以对输入的任一图像都能做出质量评价。

本发明具有如下优点：

1)充分考虑了对图像质量有影响的特征参数，增加了图像质量评价的可靠性；

2)提出了一种图像质量评价***，将主观评价与客观测度有效结合起来；

3)利用支持向量机处理速度快、分类准确度高等优点来进行质量分级；

4)从支持向量机的二类分类推广到多个支持向量机组合的两类及两类以上分类。

附图说明

图1为本发明所述方法流程图；

图2为样本预处理及特征提取流程示意图；

图3为支持向量机理论原理示意图；

图4为支持向量机内部原理示意图；

图5为支持向量机训练流程示意图；

图6为支持向量机应用流程示意图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细说明。

本发明所述的图像质量评价方法可以分为四个步骤完成，步骤流程如图1所示：

步骤一，建立样本集；

如图2所示，对图像样本进行去噪处理后提取对比度Contrast、熵Entropy、纹理Texture和模糊度Blur四个特征值，构成特征值矢量(p1，p2，p3，p4)，并对各坐标进行归一化以便后期处理。

对图像样本进行主观的专家质量评价。为保证主观评价在统计上有意义，选择观察者时既要考虑有未受过训练的“外行”观察者，又要考虑有对图像技术有一定经验的“内行”观察者；另外，参加评分的观察者至少要有20名，测试条件应尽可能与使用条件相匹配。观察者根据自己的经验，对被评价图像做出质量判断；也可以提供一组标准图像作为参考，帮助观察者对图像质量做出合适的评价；并将评价优良中差转换为相应的分级y∈{1，2，3，4}，以便和支持向量机的分类结合起来。

将特征值矢量(p1，p2，p3，p4)作为样本的四维输入，评价结果y作为输出，构成样本集。将各类评价y所对应的4种样本中均抽出3/4作为训练集，其余1/4作为测试集。

步骤二，确定支持向量机的数目；

支持向量机是基于模式识别中两类线性可分问题提出的。将两类分类问题转化为一个二次规划问题来解决。假定训练样本(x₁，y₁)，..，(x₁，y₁)，x_i∈Rⁿ，y_i∈{+1，-1}，i∈{1，…，l}，其中，Rⁿ为n维实数。如图3所示，分类线l1和分类线l2都可以将这些样本正确分成type1、type2两类，属于type1，则y_i标记为+1；属于type2，则y_i标记为-1。这样的分类线有多条，但分割线l1使得两类样本的间隔最大，定义为最优分类线，高维情况下则定义为最优分类超平面，简称最优分类面。

假设有分类超平面：

(w·x)+b＝0

其中，(w·x)表示向量w和x之间的内积，x∈{x_i}。该分类超平面可以将训练样本正确分两类，有 $\left\{\begin{array}{cc}(w\·x)+b\≥1,& \mathrm{if}(y_i=+1)\\ (w\·x)+b\≤-1,& \mathrm{if}(y_i=-1)\end{array}\right.,$ 合写为y_i[(w·x)+b]≥1，i＝1，2，...，l。

令g(x)＝(w·x)+b，定义分类函数为f(x)＝sgn(g(x))，sgn(·)为符号判别函数。|g(x)|＝1的样本点，离分类线距离最小，决定了最优分类线，称之为支持向量。高维情况下则确定了最优分类面。

根据点到平面的距离关系，要使得两类样本间隔最大，如图3所示，需要使1/||w||最大，即需要使||w||最小， $R\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2=\frac{1}{2}(w\·w)$ 最小。则求最优分类超平面的问题等价于下面的优化问题

$\min R\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2=\frac{1}{2}(w\·w)$

s.t|y_i[(w·x)+b]≥1，i＝1，2，...，l

这个优化问题的解由下面的拉格朗日泛函的鞍点给出：

$L(w,b,a)=\frac{1}{2}(w\·w)-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{a}_i\left\{y_i\right[(x\·w)+b]-1\}$

其中，a_i为拉格朗日系数，对w和b分别求偏导，得鞍点处 $w=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i{a}_i{x}_i,$ a_i≥0，i＝1，..，l；在w的展开式中，只有支持向量对应的展开系数a_i非零，因此，

a_i≥0。

可以求得最优分类函数为：

最优分类函数也称作最优分类面的决策函数。其中，等式中的x_i只有支持向量，即i取自{1，…，l}的一部分，a_i是求出的支持向量所对应的拉格朗日系数， $b=-\frac{\mathrm{ma}{x}_{y_i=-1}(w\·x_i)+{\min }_{y_i=1}(w\·x_i)}{2}$ 为一个常数。内部运算过程如图4所示，实际实现时引入核函数，将向量的内积用核函数K(x_i，x)代替，即

支持向量机是一种两类分类器，如何将支持向量机有效地推广到两类及两类以上分类是当前的研究热点。两类及两类以上支持向量机分类器的构造方法一般包括两种策略：

(1)构造一系列两类SVM分类器，每个分类器用于识别其中两个类别，并将它们的判别结果以某种方式组合起来实现两类及两类以上分类；

(2)将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题“一次性”地实现两类及两类以上分类。

对于这两类方法，第二类方法对于最优化问题求解过程中的变量远远多于第一类方法，进一步导致训练速度慢，分类精度也比较差；因此现有大多数方法均属于第一大类。

在第一种中，通常可以按照两种算法来构造或组合多个两类分类器来进行分类：

(1)第一种算法称为1-a-r即1-aginst-rest，对于N类问题构造N个两类分类器，第i个SVM用第i类中的训练样本作为正的训练样本，而将其他的样本作为负的训练样本，最后输出是两类分类器输出为最大的那一类。

(2)另一种算法是1-a-1即1-aginst-1，即在N类训练样本中构造所有可能的两类分类器，每个SVM仅仅在N类中的2类训练样本上训练，结果共构造K＝N(N-1)/2个分类器，用投票法组合这些两类分类器，得票最多的类为新点所属的类；但如果两类具有同样的票数，可以选择索引值较小的类。这种投票法称为最大占优法。通过这种方法来解决SVM的两类及两类以上分类问题是一种比较常用的方法，而且与1-a-r以及有向无环图法DAG_SVM的两类及两类以上分类方法相比，当处理大量数据的时候，投票法能够得到比较高的分类精度；其中有向无环图法DAG_SVM是指对一个新的样本进行分类时，首先从顶部的分类器开始，根据顶部的分类器结果，采用下层的两个分类器继续分类，然后对这两个分类器分别再用两个分类器继续分类，直到底层的所属的类别为止。1-a-1算法虽然需要用N(N-1)/2个分类器对样本进行训练，但是每个分类器训练的样本数据由于仅仅取自两个类所以都比较少，所以整个训练的时间相对来说并不多，所以最适合实际解决两类及两类以上问题。

本发明中利用的是1-a-1的方法，如果划分4类，则需要训练4*3/2＝6个支持向量机，对每个支持向量机都要进行单独训练。

步骤三，支持向量机训练和优化部分；

通过训练集初步确定最优分类面的决策函数的相关参数。在训练过程中，采用网格法确定最优的核函数参数和惩罚因子，以期得到最优的分类效果。其中，网格法指对于几个在一定范围内的数，在各自区间内按一定间隔分别取值，最后形成网状的取值情况，通过比较最后的结果来选择最优解。然后利用测试集对这些参数进行调整优化，提高准确率。

支持向量机需要核函数K(x_i，x)＝Φ(x_i)·Φ(x)来实现从原来空间到特征空间的映射，只要满足Mercer条件的对称函数即可作为核函数。

一个二元函数K(x，y)通常称为一个核函数。给定的核K(x，y)，若有实数λ和非零函数ψ(x)使成立 ${\∫}_b^{a}K(x,y)\mathrm{\ψ}\left(x\right)\mathrm{dx}=\mathrm{\λ\ψ}\left(x\right),$ 则称λ为核的一个特征值，称ψ(x)为核的关于特征值λ的一个特征函数。关于Mercer核有如下定理，Mercer定理：Mercer核K(x，y)可以展开成一致收敛的函数项级数： $K(x,y)=\underset{i}{\mathrm{\Σ}}{\mathrm{\λ}}_i\mathrm{\ψ}\left(x\right)\mathrm{\ψ}\left(y\right),$ 其中λ_i，ψ(x)分别为核K(x，y)的特征值和特征向量，他们的个数可能有限或无穷。

常用的核函数有：

1)多项式核函数：

K(x_i，x_j)＝(μx_i·x_j+c)^d  d＝1，2，…

2)径向基核函数：

K(x_i，x_j)＝exp(-γ||x_i-x_j||²)

3)Sigmoid核函数：

K(x_i，x_j)＝tanh(β(x_i·x_j+e)

以上各个核函数的所有参数默认为实数。由于径向基核函数的参数少，分类效果好，所以该发明中支持向量机的核函数选用径向基核函数K(x_i，x_j)＝exp(-γ||x_i-x_j||²)。

由于最优分类面可能会错分一些样本点，因此引用了松弛因子ξ_i和惩罚因子C，用于对最优分类面进行调整。此时最优分类面的问题等价于下面的优化问题

$\min R\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\right)=\frac{1}{2}(w\·w)+C\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\right)$

s.t|y_i[(w·x)+b]≥1-ξ_i，i＝1，2，...，l，ξ_i≥0

此时，在求出的最优分类面的决策函数的参数中，除α_i≥0变为0≤α_i≤C，其余参数均不变，决策函数的基本形式也完全一致。

如图5，本发明中，支持向量机的样本是图像样本的(p1，p2，p3，p4，y)，其中(p1，p2，p3，p4)是预处理后的特征值矢量，y是图像质量评价结果。那么支持向量机的训练学习就是要找到最优的径向基核函数的参数γ和惩罚因子C，支持向量集，拉格朗日系数a_i和偏移系数b。

本发明中，选用1-a-1算法，对于每个两类支持向量机，选择对应的这两种质量的图像样本特征值矢量和质量评价级别作为样本集。比如，对于上述的1-2支持向量机，样本集取自质量评价为1和2即质量评价为优和良的样本图像。对于样本集中的y，如果来自1样本的图像，y令为1；如果来自2样本的图像，y令为-1。对于1-3支持向量机，样本集取自质量评价为1和3即质量评价为优和中的样本图像。对于y，如果来自1样本，y令为1；如果来自3样本，y令为-1。对于1-4支持向量机，样本集取自质量评价为1和4即质量评价为优和差的样本图像。对于y，如果来自1样本，y令为1；如果来自4样本，y令为-1。对于2-3支持向量机，样本集取自质量评价为2和3即质量评价为良和中的样本图像。对于y，如果来自2样本，y令为1；如果来自3样本，y令为-1。对于2-4支持向量机，样本集取自质量评价为2和4即质量评价为良和差的样本图像。对于y，如果来自2样本，y令为1；如果来自4样本，y令为-1。对于3-4支持向量机，样本集取自质量评价为3和4即质量评价为中和差的样本图像。对于y，如果来自3样本，y令为1；如果来自4样本，y令为-1。在训练过程中，首先采用网格法确定最优的径向基核函数的参数γ和惩罚因子C，以保证较高的分类准确率。然后通过训练集的学习，寻找到支持向量集，初步确定拉格朗日乘子a_i和偏移因子b，再利用测试集对得到的支持向量机模型相关参数进行调整优化，最终确定支持向量机模型最优分类面的决策函数的参数。

步骤四，支持向量机应用部分；

本发明中，由于采用了1-a-1的分类方法，所以对于每张检测图像，要代入每个支持向量机模型的决策函数中，最终通过投票法从这些支持向量机模型的结果中决定出图像的分类类别，从而确定图像的质量评价，如图6。

综上所述，相比传统的非线性拟合，本发明采用的图像质量评价方法处理速度更快、可靠性更好、泛化能力更强，主观评价与客观测度也能够基本一致。

Claims (3)

1、一种基于支持向量机的图像质量评价方法，其特征在于，该方法包含如下步骤：

步骤一，建立样本集；

首先，对图像样本进行去噪处理后，提取图像的对比度Contrast、熵Entropy、纹理Texture和模糊度Blur四个特征值，构成特征值矢量(p1，p2，p3，p4)，并对各坐标进行归一化以便后期处理；

然后，将各类特征值矢量(p1，p2，p3，p4)作为样本的四维输入，对图像样本进行主观的专家质量评价，评价结果y作为输出，构成样本集；

最后，从各类评价级别y所对应的样本集中均抽出3/4作为训练集，其余1/4作为测试集；

步骤二，确定支持向量机的数目；

根据需要***的级别N≥2确定支持向量机的个数；其中，***的级别N即为图像的质量评价级别；

其中，所述的根据需要***的级别确定支持向量机的个数是指：支持向量机是两类分类器，应用于两类以上分类时，假设***要求的分类级别有N≥2种，为将N类中的第i∈[1，N]类与其他类别分开，本发明中采用1-a-1方法构造两类及两类以上支持向量机分类器；

步骤三，支持向量机训练和优化部分；

首先，利用训练集对每个支持向量机进行分别训练，初步确定最优分类面的决策函数的相关参数；训练中，输入是图像样本的特征值，输出是图像质量的评价级别，即该发明利用级别数字来代替质量评价；其中采用网格法确定最优的径向基核函数K(x_i，x_j)＝exp(-γ‖x_i-x_j‖²)的参数γ和惩罚因子C，以期得到最优的分类效果；

然后，通过训练集的学习，寻找到支持向量集，初步确定拉格朗日乘子a_i和偏移因子b；

最后，利用测试集对得到的支持向量机模型相关参数进行调整优化，提高准确率；确定支持向量机模型最优分类面的决策函数的相关参数；

步骤四，支持向量机应用部分；

应用完成训练的支持向量机模型对图像样本进行评级；

采用1-a-1的分类方法，对于每张检测图像，代入每个支持向量机模型的决策函数中，最终通过投票法从这些支持向量机模型的结果中决定出图像的分类类别，从而确定图像的质量评价级别；

其中，所述的完成训练的支持向量机模型，对输入的任一图像都输出对该图像的质量评价级别。

价级别。

2、根据权利要求1所述的一种基于支持向量机的图像质量评价方法，其特征在于，步骤一中所述的对图像样本进行主观的专家质量评价是指，参加评分的观察者至少要有20名，测试条件与使用条件相匹配或近似；观察者根据自己的经验，对被评价图像做出质量判断；或者同时提供一组标准图像作为参考，帮助观察者对图像质量做出合适的评价；并将评价优良中差转换为相应的分级y∈{1，2，3，4}，其中y为评价结果。

3、根据权利要求1所述的一种基于支持向量机的图像质量评价方法，其特征在于，步骤二中所述的1-a-1即1-aginst-1是指在N类训练样本中构造所有情况的两类分类器，每类仅仅在N类中的2类训练样本上训练，结果共构造K＝N(N-1)/2个分类器，用投票法即最大占优法组合这些两类分类器，得票最多的类为新点所属的类；如果两类具有同样的票数，选择索引值较小的类；其中K是分类器的数量。

Images