CN104881684A - 一种立体图像质量客观评价方法 - Google Patents

Abstract

本发明公开了一种立体图像质量客观评价方法，所述方法基于正交局部保留投影和遗传算法优化的极端学习机，对立体图像质量进行客观评价，所述方法包括以下步骤：利用正交局部保留投影法分别对训练样本、测试样本进行特征提取和降维，获得训练样本投影系数、测试样本投影系数；将所述样本投影系数、所述样本投影系数输入极端学习机，训练过程中采用遗传算法优化的极端学习机进行优化并确定网络结构，对测试样本进行测试，对立体图像质量进行客观评价。本方法建立能准确有效地评价立体图像质量的客观评价模型，为立体图像质量客观评价的实时环境及系统的推广提供了有效途径。

Description

一种立体图像质量客观评价方法

技术领域

本发明涉及图像处理领域，尤其是涉及OLPP(正交局部保留投影)和GA-ELM(遗传算法优化的极端学习机)在立体图像质量客观评价中的应用。

背景技术

随着多媒体技术的快速发展，立体成像技术已成为该领域的新型显示技术之一。立体图像的获取、处理、存储、传输与显示等过程，会不可避免地引入一些失真，如何有效评估立体图像的质量已成为国内外学者的研究热点之一^[1]。

现阶段，国内外对立体图像质量客观评价进行了广泛的研究。文献[2]结合空间感知信息与绝对差值信息，提出了一种基于结构相似度(Structural Similarity，SSIM)[3]的立体图像质量客观评价方法；文献[4]考虑了人类观看立体图像的双目融合特性，基于传统平面图像质量评价方法，提出了改进的立体图像质量评价方法；文献[5]利用视差空间图建立了一种立体图像质量客观评价模型；文献[6]提出了一种基于稀疏表示的立体图像质量客观评价方法；文献[7]通过模拟人眼视觉系统中初级视皮层的简单和复杂细胞行为，构造了一个信号处理模型对立体图像质量进行客观评价；文献[8]根据单目闭塞与双目竞争特性，提出了一种感知调整特征相似度评价方法；文献[9]提出了一种基于双目质量感知模型的无参考立体图像质量客观评价方法；文献[10]提出了一种基于三维结构张量的立体图像质量评价方法。以上具有代表性的文献均是基于人眼视觉特性建立的立体图像质量评价模型。

然而，迄今为止，由于人类对人眼视觉系统的认知水平还很有限，现有的人类视觉特性未必能够全面反映人的视觉感受。因此，一些文献提出了神经网络方法来模拟人脑特性，建立立体图像质量评价模型。文献[11]提出了一种基于遗传神经网络的立体图像客观质量评价模型；文献[12]通过独立成分分析(Independent Component Analysis,ICA)对立体图像进行预处理，结合基于二叉树的支持向量机方法，建立一种立体图像质量评价模型。而传统神经网络存在学习速度缓慢、泛化能力差、极易陷入局部极小值等缺点，因此，文献[13]在使用主成分分析(Principal Component Analysis,PCA)进行预处理的基础上，引入了极端学习机(Extreme Learning Machine,ELM)[14-16]对立体图像质量进行客观评价。然而，ELM网络的输入权值和隐藏层节点的偏移量是随机给定的，对于具有相同隐藏层神经元个数的ELM网络，输入权值矩阵和偏移量的取值不同，网络的性能有很大差异，进而影响立体图像质量评价的准确性。

发明内容

本发明提供了一种立体图像质量客观评价方法，本发明提高了立体图像质量评价的准确性，为立体图像质量客观评价的实时环境及系统的推广提供了有效途径，详见下文描述：

一种立体图像质量客观评价方法，所述方法基于正交局部保留投影和遗传算法优化的极端学习机，对立体图像质量进行客观评价，所述方法包括以下步骤：

利用正交局部保留投影法分别对训练样本、测试样本进行特征提取和降维，获得训练样本投影系数、测试样本投影系数；

将所述样本投影系数、所述样本投影系数输入极端学习机，训练过程中采用遗传算法优化的极端学习机进行优化并确定网络结构，对测试样本进行测试，对立体图像质量进行客观评价。

其中，所述利用正交局部保留投影法分别对训练样本、测试样本进行特征提取和降维，获得训练样本投影系数、测试样本投影系数的步骤具体为：

在训练样本中选取训练子集获取相应的正交局部保留投影子空间，并将训练样本和测试样本投影到所述正交局部保留投影子空间中，分别获得所述样本投影系数和所述样本的投影系数。

进一步地，所述在训练样本中选取训练子集获取相应的正交局部保留投影子空间，并将训练样本和测试样本投影到所述正交局部保留投影子空间中，分别获得所述样本投影系数和所述样本的投影系数的步骤具体为：

每一幅立体图像投影到PCA子空间中，得到变换矩阵；

对投影到PCA子空间的训练子集构建邻接图，为邻接图的边选择权重；

通过所述权重计算正交基函数；

通过所述变换矩阵和所述正交基函数计算投影矩阵，获取投影系数。

其中，所述将所述样本投影系数、所述样本投影系数输入极端学习机，训练过程中采用遗传算法优化的极端学习机进行优化并确定网络结构的步骤具体为：

1)读入训练样本，并将训练样本随机分成训练集和测试集两部分；

2)初始化种群，种群中的个体包含了极端学习机网络结构的输入层权值和隐藏层节点偏移量；

3)优化产生极端学习机网络输入层权值和隐藏层节点偏移量；

4)将遗传算法的优化结果返回极端学习机网络，用优化后的极端学习机网络输入层权值和隐藏层节点偏移量计算产生输出层权值矩阵，以此确定网络结构。

本发明提供的技术方案的有益效果是：本发明通过OLPP[17]对立体图像样本进行特征降维，然后通过GA优化ELM网络结构的初始权重与隐藏层节点偏移量，使优化后的ELM网络能够具有更好的分类识别效果，建立能准确有效地评价立体图像质量的客观评价模型，为立体图像质量客观评价的实时环境及系统的推广提供了有效途径。另外，本方法还比较了GA-ELM算法和ELM、SVM算法的性能，从中可知，本方法在立体图像质量客观评价方面整体性能优于ELM、SVM，具有实际可行性。

附图说明

图1为源图像“family”的示意图；

图2为源图像“girl”的示意图；

图3为源图像“river”的示意图；

图4为源图像“flower”的示意图；

图5为降质图像“family”的示意图；

图6为降质图像“girl”的示意图；

图7为降质图像“river”的示意图；

图8为降质图像“flower”的示意图；

图9为立体图像质量客观评价框图；

图10为一种立体图像质量客观评价方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

本发明提供一种立体图像质量客观评价方法，该模型利用正交局部保留投影法提取立体图像的有效特征，将立体图像的有效特征输入极端学习机网络中，对ELM进行训练、测试，并采用遗传算法对极端学习机的网络参数进行优化。同时也比较了本发明算法与相关算法关于立体图像质量评价方面的性能优劣。

实施例1

101：选取训练样本和测试样本；

102：利用OLPP算法分别对训练样本、测试样本进行特征提取和降维，获得训练样本投影系数、测试样本投影系数；

其中，该步骤102具体为：在训练样本中选取训练子集获取相应的OLPP子空间，并将所有样本(训练样本和测试样本)投影到OLPP子空间中，分别获得训练样本投影系数和测试样本的投影系数。

即，将每一幅立体图像投影到PCA子空间中，得到变换矩阵；对投影到PCA子空间的训练子集构建邻接图，为邻接图的边选择权重；通过所述权重计算正交基函数；通过变换矩阵和正交基函数计算投影矩阵，获取投影系数。

103：将样本投影系数、样本投影系数输入极端学习机，训练过程中采用遗传算法优化的极端学习机进行优化并确定网络结构，对测试样本进行测试，对立体图像质量进行客观评价。

其中，步骤103中的将样本投影系数、样本投影系数输入极端学习机，训练过程中采用遗传算法优化的极端学习机进行优化并确定网络结构的步骤具体为：

1)读入训练样本，并将训练样本随机分成训练集和测试集两部分；

2)初始化种群，种群中的个体包含了极端学习机网络结构的输入层权值和隐藏层节点偏移量；

3)优化产生极端学习机网络输入层权值和隐藏层节点偏移量；

4)将遗传算法的优化结果返回极端学习机网络，用优化后的极端学习机网络输入层权值和隐藏层节点偏移量计算产生输出层权值矩阵，以此确定网络结构。

综上所述，通过OLPP对立体图像样本进行特征降维，然后通过GA优化ELM网络结构的初始权重与隐藏层节点偏移量，使优化后的ELM网络能够具有更好的分类识别效果，建立能准确有效地评价立体图像质量的客观评价模型。

实施例2

201：选取训练样本和测试样本；

根据ITU-R BT.500和ITU-R BT.1438标准通过主观测试获取评价数据样本，经过反复试验从评价数据样本中选取训练样本和测试样本。例如：本发明实施例主观测试实验所选取的立体图像均来自宽带无线通信与立体成像研究所图像数据库，共选取406幅立体图像样本，每一样本图像分辨率为2560×1024，其中4幅为源立体图像(family,girl,river,flower)，406幅立体图像样本中选取150幅图像作为训练样本，256幅图像作为测试样本。具体实现时，本发明实施例对训练样本和测试样本的选取不做限制，根据实际应用中的需要进行选取。

202：利用OLPP算法分别对训练样本、测试样本进行特征提取和降维，获得训练样本投影系数、测试样本投影系数；

在训练样本中选取训练子集获取相应的OLPP子空间，并将所有样本(训练样本和测试样本)投影到OLPP子空间中，分别获得训练样本投影系数和测试样本的投影系数，具体操作如下：

由于立体图像包含的信息较多，复杂度高，因此需要对高维的图像数据降维。在OLPP算法中，给定高维图像空间中的训练子集X＝[x₁,x₂…,x_i,…x_m]，其中，每个x_i代表一幅立体图像，通过构造拉普拉斯特征映射的线性近似，找到将训练样本和测试样本投影到一个低维特征空间Y＝[y₁,y₂,…,y_i,…,y_m]∈R^k×m的投影矩阵，其中y_i表示x_i投影后的系数，R表示实数域，k,m表示Y的维数，即Y是实数域上的k行m列的矩阵。OLPP算法的步骤如下：

(1)PCA投影；

为解决可能出现的小样本问题(样本特征大于样本个数)，通常先对训练子集采用PCA降维，通过去除与零特征值对应的成分，将每一幅立体图像投影到低维的PCA子空间中，可得到变换矩阵W_PCA。

(2)对投影到PCA子空间的训练子集构建邻接图G；

计算投影后每一幅立体图像x_i和x_j之间的欧氏距离，若x_i是x_j的p个最近邻之一，则邻接图G有边x_ix_j。

(3)为邻接图G的边x_ix_j选择权重；

若邻接图G有边x_ix_j，则边x_ix_j的权重S_ij为exp(-||x_i-x_j||²/t)，否则，S_ij为0，如式(1)所示。S_ij构成权重矩阵S。

定义如下：

其中，t为事先给定的控制参数，且t>0。

(4)利用权重S_ij计算正交基函数；

定义对角矩阵D，其对角元素并定义拉普拉斯矩阵L＝D-S。令{a₁,a₂,…,a_i,…,a_k}表示正交基向量，其中a_i表示第i个正交基向量。定义中间变量A^(k-1)，B^(k-1)如式(2)、(3)：

A^(k-1)＝[a₁,a₂,…,a_i,…,a_k]          (2)

B^(k-1)＝[A^(k-1)]^T(XDX^T)^-1A^(k-1)

                                                  (3)

将式(2)、(3)代入如下迭代过程，可计算求得正交基向量{a₁,a₂,…,a_i,…,a_k}，其中a_i表示第i个分量：

①计算a₁，a₁是与(XDX^T)^-1XLX^T的最小特征值相关联的特征向量。

②计算a_k，a_k是与P^(k)＝{I-(XDX^T)^-1A^(k-1)[B^(k-1)]^-1[A^(k-1)]^T}·(XDX^T)^-1XLX^T的最小特征值相关联的特征向量。

其中，P^(k)是计算过程中的中间变量。

(5)计算投影矩阵，获取投影系数。

假设矩阵W_OLPP＝[a₁,a₂,…,a_i,…,a_k]，则投影矩阵W＝W_PCAW_OLPP，投影过程可表示如式(4)所示：

x→y＝W^Tx                       (4)

其中，y是立体图像x经过OLPP降维处理后的信息。利用投影矩阵将训练样本和测试样本投影到子空间中，分别得到投影系数。

203：将训练样本和测试样本的投影系数输入极端学习机，训练过程中采用遗传算法对极端学习机进行优化并确定网络结构，对测试样本进行测试，并比较不同算法在立体图像客观评价中的性能。

训练样本及测试样本的投影系数输入GA-ELM、ELM和SVM网络中得到测试图像的客观评价值，统计并分析GA-ELM、ELM和SVM对立体图像质量客观评价的性能。其中GA-ELM算法通过遗传算法(GA)优化ELM网络权值与偏移量的取值，来提高ELM网络的识别能力，使优化后的极端学习机网络能够具有更好的分类识别效果。GA-ELM的训练步骤如下：

1)读入训练样本，并将训练样本随机分成训练集和验证集两部分；

2)种群初始化；

种群个体数N，一般设置为30～50个，种群中的个体包含了ELM网络结构的所有权重输入层权值α_i与隐藏层节点偏移量δ。其编码方法主要有二进制法、实数法等，本方法采用实数编码，将一个实数序列作为每个个体的取值。

3)优化产生ELM网络输入层权值α_i和隐藏层节点偏移量δ的取值；

其中，ELM网络输入层权值α_i和隐藏层节点偏移量δ是随机产生的，训练过程中根据输入样本及标签可以反解出隐藏层神经元和输出层神经元之间的权值β。

对种群中的每个个体，利用ELM算法，结合不同隐藏层激活函数，计算出输出权值矩阵。本方法选择训练集的数据误差绝对值之和作为个体适应度函数f(X)，如式(5)所示。

$f\left(X\right)=\left(\mathrm{\λ}\underset{i=1}{\overset{n}{\Σ}}abs\left({\hat{t}}_i-t_i\right)\right)---\left(5\right)$

其中，n代表神经网络的输出节点数，代表训练集的预测结果，表示第i个训练样本的预测结果，T＝{t₁,t₂,…,t_i,…,t_n}是训练集输出结果的真实值，其中t_i是第i个训练样本输出结果的真实值，abs表示求绝对值，λ为加权系数。在每次迭代过程中，通过编码的种群可以解码出种群相应的输入层权值α_i和隐藏层节点偏移量δ，反解出网络输出层权值矩阵β，将验证集输入网络，输出结果代入适应度函数中，若适应度函数满足阈值，则迭代完成。

4)将遗传算法的优化结果返回ELM网络，根据优化后的ELM网络输入层权值α_i和隐藏层节点偏移量δ，计算产生输出层权值矩阵β，则ELM的各层参数均已确定，即确定了ELM的网络结构。

将测试样本的投影系数输入到经过训练后的ELM网络中，得到测试样本集的预测结果，并与测试样本集输出结果的真实值对比，完成测试过程。

综上所述，通过OLPP对立体图像样本进行特征降维，然后通过GA优化ELM网络结构的初始权重与隐藏层节点偏移量，使优化后的ELM网络能够具有更好的分类识别效果，建立能准确有效地评价立体图像质量的客观评价模型。

实施例3

本方法所用立体图像取自天津大学宽带无线通信与立体成像研究所立体图像数据库。本数据库里的立体图像均按照国际电信联盟(ITU)对立体图像质量的主观评价建议的两个标准：BT-500和BT.1438-2000，将所有的立体图像质量分为5个等级：极好、好、一般、差、非常差。

本方法共选取406幅立体图像样本，每一样本图像分辨率为2560×1024。其中未压缩、未加噪的原始图像共4幅，分别为标准立体素材“family”、“flower”、“girl”、“river”，如图1～4所示。其余为覆盖5个质量评价等级的降质图像，通过对4幅原始图像做不同程度的压缩或加噪处理产生，图5是经JPEG压缩的1分立体图像；图6是经高斯加噪的2分立体图像；图7是经JPEG压缩的3分立体图像；图8是经视差降质和JPEG压缩的4分立体图像。对所有失真图像做主观评价，记录平均意见值(Mean Opinion Score，MOS)。在406幅立体图像样本中，选取150幅图像作为训练样本，256幅图像作为测试样本。

下面结合技术方案详细说明本方法的操作过程：

一、通过主观测试获取评价数据样本，选取训练样本和测试样本。

被试者包括专业被试者与非专业被试者，均具有正常的视差立体感，共20名被试者，分别为在校研究生与本科生，男性11名，女性9名，从事立体信息处理研究的被试共16人，从事其他方向研究的被试共4人。为了便于直观理解本设计，提供了立体图像质量客观评价框图，如图9所示。

二、对于选取好的训练样本和测试样本进行特征提取和降维。

在训练样本中选取50幅具有代表性的图像作为训练子集，对训练集图像数据采用PCA算法降维后，利用OLPP算法对其进行降维，得到投影矩阵。将训练样本和测试样本通过投影矩阵投影到OLPP子空间中，提取立体图像的有效信息，减少计算量对实验的影响。

三、确定网络参数，对测试样本进行质量评价，并比较不同算法在立体图像客观评价中的性能。

将训练样本的投影系数及标签输入到ELM、SVM网络中，确定网络参数，GA-ELM算法采用遗传算法对ELM网络的输入权值和隐藏层节点的偏移量进行优化，使优化后的ELM网络有更好的识别效果。

ELM网络的参数确定过程比较简单，只需确定激励函数与隐藏层节点个数。本方法选取不同的激励函数，包括：sigmoid函数、sine函数、hardlim函数、三角基(tribas)函数与径向基(radbas)函数。同时，将每个激励函数的隐藏层节点数初始化为10，并以10为周期增加隐层节点数，每种组合进行50次随机试验，统计所获得的平均识别率，分析在不同激励函数和隐层节点个数组合下，ELM对立体图像质量客观评价精度的影响。

采用GA优化ELM算法流程如图10所示。极端学习机是在单隐层神经网络的基础上发展而来的，鉴于ELM网络的输入权值和隐藏层节点的偏移量是随机给定的，对于具有相同隐藏层神经元个数的ELM网络，输入权值矩阵和偏移量的取值不同，网络的性能有很大差异，也会影响立体图像质量客观评价的准确性。因此，可通过优化权值与偏移量的取值，来提高ELM网络的识别能力。

采用遗传算法来优化极端学习机网络主要分为：极端学习机网络的确定、遗传算法优化和极端学习机预测输出结果3个部分。其中，根据极端学习机网络的结构可以确定GA种群个体的初始数量，种群中的各个个体均包括其输入权值和隐藏层节点偏移量的值，依据适应度函数计算每个个体的适应度值，进而进行选择、交叉和变异操作寻找出最优个体。本方法中遗传算法的迭代次数为100，种群规模为30，交叉概率为0.3，变异概率为0.1。

对于SVM，核函数选择径向基(radbas)函数，其中惩罚参数C和核参数γ通过5-折交叉验证的方法选取最优的训练参数，本方法选取C＝120，γ＝0.20。

GA-ELM、ELM和SVM作为系统的分类器，其分类能力将直接影响系统的性能，因此对GA-ELM、ELM和SVM网络的训练是实验中的关键步骤。在实验过程中，所有实验数据的输入均归一化到[-1,1]范围内。

表1 不同激活函数下OLPP-GA-ELM和OLPP-ELM对所有测试样本的识别率

表1给出了不同激活函数下ELM和GA-ELM对所有测试样本的识别率。由表1可知，激励函数方面，除hardlim激励函数外，其他四种激励函数的算法识别率相近。其中，使用sigmoid函数作为激活函数时，ELM与GA-ELM的算法识别率最高。神经网络方面，GA-ELM的算法识别率达到96.09％，明显优于ELM的算法识别率。同时，GA-ELM所需的隐藏层节点个数少于ELM所需的隐藏层节点个数。

表2 不同方法关于立体图像质量评价的识别率

不同识别方法	OLPP-GA-ELM	OLPP-ELM	PCA-ELM	OLPP-SVM
					识别率(％)	96.09	92.55	92.27	91.80
特征维数	18	18	16	18

表2列出了基于OLPP的GA-ELM(sigmoid)、ELM(sigmoid)和SVM分类识别系统(简称为OLPP-GA-ELM、OLPP-ELM和OLPP-SVM)与文献[13]提出的分类识别系统(简称为PCA-ELM)在所有测试样本上的识别率。从表2中可以看出，使用OLPP-GA-ELM对立体图像质量进行客观评价的结果，与立体图像实际主观评价分数基本相符。OLPP-GA-ELM方法的测试样本正确分类识别率达到96.09％，而OLPP-ELM算法由于初始权值和隐藏层节点偏移量的随机性，使评价准确率受到影响，测试样本正确分类识别率仅为92.55％。因此，OLPP-GA-ELM在立体图像质量客观评价方面的性能明显优于OLPP-ELM、OLPP-SVM和PCA-ELM。综上所述，本方法所提出的基于OLPP的GA-ELM算法模型在立体图像质量评价方面有着很大的实际可行性。

参考文献

[1]鲁业频,陈兆龙,李素平.图像质量评价的研究现状与发展[J].电视技术,2014,38(19):23-27.

[2]de Miranda Cardoso J V,Danilo Miranda Regis C,de Alencar M S.On the performance ofdisparity-based weighting technique applied to 3D image quality assessment[A].BroadbandMultimedia Systems and Broadcasting(BMSB)[C].IEEE International Symposium on.IEEE,2014:1-4.

[3]Wang Zhou,Bovik A C,Sheikh H R,et al.Image quality assessment:from error visibility tostructural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.

[4]Yu-Hsun Lin,Ja-Ling Wu.Quality assessment of stereoscopic 3D image compression bybinocular integration behaviors[J].IEEE Transactions on Image Processing,2014,23(4):1527–1542.

[5]姜求平,邵枫,蒋刚毅,等.基于视差空间图的立体图像质量客观评价方法[J].光电子.激光,2013,24(012):2409-2415.

[6]李柯蒙,邵枫,蒋刚毅,等.基于稀疏表示的立体图像客观质量评价方法[J].光电子.激光,2014,25(11):2227～2233.

[7]Perera G C V,De Silva V,Kondoz A M,et al.An improved model of binocular energycalculation for full-reference stereoscopic image quality assessment[A].Acoustics,Speech andSignal Processing(ICASSP)[C].2014IEEE International Conference on.IEEE,2014:594-598.

[8]Wujie Zhou,Gangyi Jiang,Feng Shao.PMFS:A Perceptual Modulated Feature SimilarityMetric for Stereoscopic Image Quality Assessment[J].2014IEEE Signal Processing Letters,21(8):1003-1006.

[9]Sohn K,Ryu S.No-Reference Quality Assessment for Stereoscopic Images Based onBinocular Quality Perception[J].2014IEEE Transaction on Circuits and Systems for VideoTechnology,24(4):591-602.

[10]段芬芳,邵枫,蒋刚毅,等.基于三维结构张量的立体图像质量客观评价方法[J].光电子.激光,2014,25(001):192-198.

[11]吴限光，李素梅，程金翠，等.基于遗传神经网络的立体图像的客观评价[J].信息技术，2013，(5)：148-153.

[12]Cheng J and Li S.Objective quality assessment of stereo images based on ICA andBT-SVM[A].Computer Science&Education(ICCSE),20127th International Conference on.IEEE[C].2012,154-159.

[13]王光华,李素梅,朱丹,等.极端学习机在立体图像质量客观评价中的应用[J].光电子.激光,2014,25(9):1837-1842.

[14]Huang G B,Zhu Q Y,and Siew C K.Extreme learning machine:a new learning scheme offeedforward neural networks[A].Neural Networks,2004.Proceedings.2004IEEE InternationalJoint Conference on.IEEE[C].2004,985-990.

[15]Huang G B,Wang D H,and Lan Y.Extreme learning machines:a survey[J].InternationalJournal of Machine Learning and Cybernetics,2011,2(2):107-122.

[16]Huang G B,Zhu Q Y,and Siew C K.Extreme learning machine:theory and applications[J].Neurocomputing,2006,70(1):489-501.

[17]Cai D,He X,Han J,et al.Orthogonal laplacianfaces for face recognition[J].ImageProcessing,IEEE Transactions on,2006,15(11):3608-3614.

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种立体图像质量客观评价方法，其特征在于，所述方法基于正交局部保留投影和遗传算法优化的极端学习机，对立体图像质量进行客观评价，所述方法包括以下步骤：

利用正交局部保留投影法分别对训练样本、测试样本进行特征提取和降维，获得训练样本投影系数、测试样本投影系数；

将所述样本投影系数、所述样本投影系数输入极端学习机，训练过程中采用遗传算法优化的极端学习机进行优化并确定网络结构，对测试样本进行测试，对立体图像质量进行客观评价。

2.根据权利要求1所述的一种立体图像质量客观评价方法，其特征在于，所述利用正交局部保留投影法分别对训练样本、测试样本进行特征提取和降维，获得训练样本投影系数、测试样本投影系数的步骤具体为：

在训练样本中选取训练子集获取相应的正交局部保留投影子空间，并将训练样本和测试样本投影到所述正交局部保留投影子空间中，分别获得所述样本投影系数和所述样本的投影系数。

3.根据权利要求2所述的一种立体图像质量客观评价方法，其特征在于，所述在训练样本中选取训练子集获取相应的正交局部保留投影子空间，并将训练样本和测试样本投影到所述正交局部保留投影子空间中，分别获得所述样本投影系数和所述样本的投影系数的步骤具体为：

每一幅立体图像投影到PCA子空间中，得到变换矩阵；

对投影到PCA子空间的训练子集构建邻接图，为邻接图的边选择权重；

通过所述权重计算正交基函数；

通过所述变换矩阵和所述正交基函数计算投影矩阵，获取投影系数。

4.根据权利要求1所述的一种立体图像质量客观评价方法，其特征在于，所述将所述样本投影系数、所述样本投影系数输入极端学习机，训练过程中采用遗传算法优化的极端学习机进行优化并确定网络结构的步骤具体为：

1)读入训练样本，并将训练样本随机分成训练集和测试集两部分；

2)初始化种群，种群中的个体包含了极端学习机网络结构的所有输入层权值和隐藏层节点偏移量；

3)优化产生极端学习机网络输入层权值和隐藏层节点偏移量；

4)将遗传算法的优化结果返回极端学习机网络，用优化后的极端学习机网络输入层权值和隐藏层节点偏移量计算产生输出层权值矩阵，以此确定网络结构。