CN107067388A - 一种基于ga‑elm的立体图像质量客观评价方法 - Google Patents
一种基于ga‑elm的立体图像质量客观评价方法 Download PDFInfo
- Publication number
- CN107067388A CN107067388A CN201610781313.4A CN201610781313A CN107067388A CN 107067388 A CN107067388 A CN 107067388A CN 201610781313 A CN201610781313 A CN 201610781313A CN 107067388 A CN107067388 A CN 107067388A
- Authority
- CN
- China
- Prior art keywords
- elm
- mtr
- mtd
- sample
- mrow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于GA‑ELM的立体图像质量客观评价方法,步骤(1)、选取训练样本和测试样本;步骤(2)、利用OLPP算法对于训练样本和测试样本进行特征提取和降维;步骤(3)、采用GA优化的极端学习机ELM对训练样本进行分类处理;将遗传算法的优化结果返回ELM网络,用优化后的αi和bi计算产生输出层权值矩阵β,完成模型建立。本发明采用优化后的ELM网络能够具有更好的分类识别效果,提高测试样本正确分类识别率;本方法还比较了GA‑ELM算法和ELM、SVM算法的性能,从中可知,本发明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。
Description
技术领域
本发明涉及图像质量评价技术领域,尤其是涉及一种基于遗传算法和极端学习机的的立体图像质量客观评价方法的改进优化。
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关键技术之一。立体图像的获取、处理、存储、传输与显示等过程,不可避免地会引入一些失真,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。立体图像质量评价方法分为主观评价和客观评价两种。前者是由观察者依照主观感受评价测试图像的质量,该方法的评价结果更为真实地反映了立体图像质量,然而费时费力,在实际应用中受到严重的限制。相比之下,后者更具有实时性和可操作性等优点。因此,建立一套可以准确反映人眼主观感受的立体图像质量客观评价机制具有深远意义[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)的立体图像质量客观评价方法;文献[3]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[4]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[5]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[6]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[7]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[8]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[9]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,一些文献提出采用神经网络方法来建立立体图像质量评价模型。文献[10]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[11]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。文献[12]考虑到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,在使用主成分分析(PrincipalComponent Analysis,PCA)进行预处理的基础上,引入了极端学习机(Extreme LearningMachine,ELM)[13-15]对立体图像质量进行客观评价。然而,由于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,进而影响立体图像质量评价的准确性。
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.Onthe performance of disparity-based weighting technique applied to 3D imagequality assessment[A].Broadband Multimedia Systems and Broadcasting(BMSB)[C].IEEE International Symposium on.IEEE,2014:1-4,
[3]Yu-Hsun Lin,Ja-Ling Wu.Quality assessment of stereoscopic 3D imagecompression by binocular integration behaviors[J].IEEE Transactions on ImageProcessing,2014,23(4):1527–1542,
[4]JANG Qiu-ping,SHAO Feng,JIANG Gang-yi,et al.An objectivestereoscopic image quality assessment method based on disparity space image[J].Journal of Optoelectronics·Laser,2013,24(12):2409-2415,
[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]LI Ke-meng,SHAO Feng,JIANG Gang-yi,et al.An objective qualityassessment of stereoscopic image based on sparse representation[J].Journal ofOptoelectronics·Laser,2014,25(11):2227~2233,
[7]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;
[8]Perera G C V,De Silva V,Kondoz A M,et al.An improved model ofbinocular energy calculation for full-reference stereoscopic image qualityassessment[A].Acoustics,Speech and Signal Processing(ICASSP)[C].2014IEEEInternational Conference on.IEEE,2014:594-598,
[9]Wujie Zhou,Gangyi Jiang,Feng Shao.PMFS:A Perceptual ModulatedFeature Similarity Metric for Stereoscopic Image Quality Assessment[J].2014IEEE Signal Processing Letters,21(8):1003-1006,
[10]Sohn K,Ryu S.No-Reference Quality Assessment for StereoscopicImages Based on Binocular Quality Perception[J].2014IEEE Transaction onCircuits and Systems for Video Technology,24(4):591-602,
[11]DUAN Fen-fang,SHAO Feng,JIANG Gang-yi,et al.An objective qualityassessment metric for stereoscopic images based on three-dimensionalstructure tensor[J].Journal of Optoelectronics.Laser,2014,25(001):192-198,
[12]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;
[13]Wu Xian-guang,Li Su-mei,Cheng Jin-cui,et al.Objective qualityevaluation method of stereo image based on genetic algorithm and neuralnetwork[J].Information Technology,2013,(5):148-153,
[14]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;
[15]Cheng J and Li S.Objective quality assessment of stereo imagesbased on ICA and BT-SVM[A].Computer Science&Education(ICCSE),20127thInternational Conference on.IEEE[C].2012,154-159,
[16]WANG Guang-hua,LI Su-mei,ZHU Dan,et al.Application of ExtremeLearning Machine in Objective Stereoscopic Image Quality Assessment[J].Journal of Optoelectronics·Laser,2014,25(9):1837-1842,
[17]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;
[18]Huang G B,Zhu Q Y,and Siew C K.Extreme learning machine:a newlearning scheme of feedforward neural networks[A].Neural Networks,2004.Proceedings.2004 IEEE International Joint Conference on.IEEE[C].2004,985-990,
[19]Huang G B,Wang D H,and Lan Y.Extreme learning machines:a survey[J].International Journal of Machine Learning and Cybernetics,2011,2(2):107-122.
[20]Huang G B,Zhu Q Y,and Siew C K.Extreme learning machine:theoryand applications[J].Neurocomputing,2006,70(1):489-501.
[21]Cai D,He X,Han J,et al.Orthogonal laplacianfaces for facerecognition[J].Image Processing,IEEE Transactions on,2006,15(11):3608-3614.
发明内容
为了克服上述现有技术存在的问题,本发明提出了一种基于GA-ELM的立体图像质量客观评价方法,利用正交局部保留投影(Orthogonal Locality PreservingProjection,OLPP)提取立体图像特征并降维,而后采用GA-ELM网络进行质量等级判定。
本发明提出了一种基于GA-ELM的立体图像质量客观评价方法,该方法包括以下步骤:
步骤(1)、选取训练样本和测试样本;
步骤(2)、利用OLPP算法对于训练样本和测试样本进行特征提取和降维,即在OLPP算法中,给定高维特征空间中的样本集X=[x1,x2,…,xn],xn代表样本集中的各立体图像,n代表高维训练样本个数,OLPP算法具体包括以下步骤:
对原始图像数据采用PCA降维,通过去除与零特征值对应的成分,将图像投影到PCA子空间中。WPCA表示PCA的变换矩阵;
构建邻接图G,若xi是xj的p个最近邻之一,则邻接图G有边xixj。对于每一个样本xi,有p条边;
若邻接图G有边xixj,则边xixj的权重Sij的若邻接图G有边xixj,则边xixj的权重Sij为exp(-||xi-xj||2/t),否则,Sij为0;
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,…,ak}表示正交基向量,且定义中间变量A(k-1),B(k-1)如下式:
A(k-1)=[a1,a2,…,ak-1]
B(k-1)=[A(k-1)]T(XDXT)-1A(k-1)
将式以上公式代入如下迭代过程,计算求得正交基向量{a1,a2,…,ak};
计算与(XDXT)-1XLXT的最小特征值相关联的特征向量a1;
计算与P(k)={I-(XDXT)-1A(k-1)[B(k-1)]-1[A(k-1)]T}(XDXT)-1XLXT的最小特征值相关联的特征向量ak;
将样本集X空间依据投影矩阵W投影到一个低维特征空间的样本集Y=[y1,y2,…,yn],Y=WTX,将训练样本和测试样本投影到OLPP子空间中,Y是立体图像X经过OLPP降维处理后的信息;投影矩阵W=WPCAWOLPP,WOLPP=[w1,w2,…,wd];
步骤(3)、采用GA优化的极端学习机ELM对训练样本进行分类处理,即:
读入训练样本,并将样本随机分成训练集和测试集两部分;
进行种群初始化,设置种群个体数为N,种群中的个体包含了ELM网络结构的所有权重与阈值;
优化产生输入隐藏层权值αi以及阈值bi,i=1,…,L;其中,L为隐藏层节点个数,αi,bi∈[-1,1];选择训练集的数据误差绝对值之和作为个体适应度函数,如下式所示。
其中m代表神经网络的输出节点数,代表训练集的预测结果,T={t1,t2,…,tm}是训练集的真实值,abs表示求加权,k为加权系数;
将遗传算法的优化结果返回ELM网络,用优化后的αi和bi计算产生输出层权值矩阵β;
选择一个无限可微的函数作为隐藏层神经元的激励函数g(x),计算隐藏层输出矩阵H;通过最小二乘法计算输出层权值矩阵β,输入样本的期望输出值矩阵T,完成模型建立;
β=HTT
其中,
与现有技术相比,本发明采用优化后的ELM网络能够具有更好的分类识别效果,提高测试样本正确分类识别率;本方法还比较了GA-ELM算法和ELM、SVM算法的性能,从中可知,本发明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为立体图像质量客观评价框图;
图2为GA优化ELM网络算法流程图。
具体实施方式
遗传算法是一种基于自然界遗传机制和生物进化理论的并行随机搜索优化方法。该方法通过不断迭代得到具有最优适应性的结果。因此,将GA与ELM网络相结合,构成GA-ELM网络,使用GA优化ELM网络结构的初始权重与隐藏层节点偏移量,从而找到能够使ELM取得最优效果的权重和隐藏层节点偏移量,以消除输入权值和隐藏层节点偏移量的随机性对ELM网络预测性能的影响,提高预测精度。
下面将结合附图对本发明具体实施方式作进一步地详细描述。
具体步骤如下:
步骤一、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,经过反复试验选取训练样本和测试样本。其中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380幅立体图像样本,每一样本图像分辨率为2560×1024,其中6幅为源立体图像,对源图像经过不同程度高斯加噪、压缩、模糊失真及叠加失真处理得到覆盖五个质量等级的降质图像共380幅。380幅立体图像样本中选取154幅图像作为训练样本,226幅图像作为测试样本。
步骤二、利用OLPP算法对于训练样本和测试样本进行特征提取和降维
在OLPP算法中,给定高维特征空间中的样本集X=[x1,x2,…,xn],xn代表样本集中的各立体图像,n代表高维训练样本个数;通过构造拉普拉斯特征映射的线性近似,找到将样本空间投影到一个低维特征空间Y=[y1,y2,…,yn]的投影矩阵。OLPP算法的步骤如下:
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,通常先对原始图像数据采用PCA降维,通过去除与零特征值对应的成分,将图像投影到PCA子空间中。WPCA表示PCA的变换矩阵。
2)构建邻接图G。计算样本xi和xj之间的欧氏距离,i,j表示为1~n训练样本个数中的任意两个样本编号,若xi是xj的p个最近邻之一,则邻接图G有边xixj。对于每一个样本xi,有p条边。
3)对邻接图G的边xixj选择权重。若邻接图G有边xixj,则边xixj的权重Sij为exp(-||xi-xj||2/t),否则,Sij为0,如式(1)所示。exp(-||xi-xj||2/t)构成权重矩阵S。
其中,xj是xi的K近邻点,ε定义了一个邻域半径,它是一个大于0,足够小的常量,从而保证xj距离xi足够小;t为事先给定的控制参数,是一个大于0的常量。
4)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,…,ak}表示正交基向量,且定义中间变量A(k-1),B(k-1)如式(2)、(3):
A(k-1)=[a1,a2,…,ak-1] (2)
B(k-1)=[A(k-1)]T(XDXT)-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,…,ak}:
①计算a1,a1是与(XDXT)-1XLXT的最小特征值相关联的特征向量。
②计算ak,ak是与P(k)={I-(XDXT)-1A(k-1)[B(k-1)]-1[A(k-1)]T}(XDXT)-1XLXT的最小特征值相关联的特征向量。
5)计算投影矩阵。假设WOLPP=[w1,w2,…,wd],则投影矩阵W=WPCAWOLPP,投影过程表示如式(4)所示:
X→Y=WTX (4)
其中,Y是立体图像X经过OLPP降维处理后的信息。
得到投影矩阵后,将训练样本和测试样本投影到OLPP子空间中。
步骤三、采用遗传算法对极端学习机进行优化,并比较不同算法在立体图像客观评价中的性能。ELM算法具体包括以下步骤:
对于N个任意的不同样本(xi,ti),其中xi=[xi1,xi2,…,xin]T为输入样本,ti=[ti1,ti2,…,tim]T为期望输出值,可将含有L个隐藏层节点和激励函数为g(x)的单隐层前馈神经网络的输出表示为:
其中ai=[ai1,ai2,…,ain]T为第i个隐藏层神经元和输入神经元之间的权值向量,βi=[βi1,βi2,…,βim]T为第i个隐藏层神经元和输出神经元之间的权值向量,bi是第i个隐藏层神经元的阈值,ai·xj表示ai和xj的内积。
式(5)表示成矩阵形式为:
Hβ=T (6)
其中
ELM的步骤如下:
读入训练样本,并将样本随机分成训练集和测试集两部分。
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与阈值。其编码方法主要有二进制法、实数法等,本文采用实数编码,将一个实数序列作为每个个体的取值。
随机设置输入隐藏层权值αi以及阈值bi,i=1,…,L;其中,L为隐藏层节点个数,αi,bi∈[-1,1];
选择一个无限可微的函数作为隐藏层神经元的激活函数,计算隐藏层输出矩阵H;
通过最小二乘法计算输出层权值矩阵β,完成模型建立。
β=HTT (9)
其中,T=[t1,t2,…,tN]T。
改进的GA-ELM算法:
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。
本文使用遗传算法优化ELM网络的初始权值和阈值,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:
读入训练样本,并将样本随机分成训练集和测试集两部分。
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与阈值。其编码方法主要有二进制法、实数法等,本文采用实数编码,将一个实数序列作为每个个体的取值。
优化产生αi和bi的取值。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。本文选择训练集的数据误差绝对值之和作为个体适应度函数,如式(10)所示。
其中m代表神经网络的输出节点数,代表训练集的预测结果,T={t1,t2,…,tm}是训练集的真实值,abs表示求加权,k为加权系数。
将遗传算法的优化结果返回ELM网络,用优化后的αi和bi计算产生输出层权值矩阵β,完成模型建立。
表1、GA-ELM和ELM在不同激励函数下的最优情况
表2、不同评价算法的性能指标
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 |
最佳实施方式举例说明如下:
本设计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。
本设计共选取380幅立体图像样本,每一样本图像分辨率为2560×1024。中未压缩、未加噪的原始图像共6幅,分别为标准立体素材“boy”、“tree”、“family”、“flower”、“girl”、“river”,如图1所示。其余为覆盖5个质量评价等级的降质图像,通过对6幅原始图像做不同程度的压缩或加噪处理产生。对所有失真图像做主观评价,记录平均意见值(MeanOpinion Score,MOS)。在406幅立体图像样本中,我们选取154幅图像作为训练样本,226幅图像作为测试样本。
下面结合技术方案详细说明本方法:
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。
被试包括专业被试与非专业被试,均具有正常的视差立体感,共20名被试,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1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2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权重和阈值,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,本文选取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95.85%,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。
实验结果表明,使用不同激励函数的条件下,GA-ELM的图像质量等级正确分类率和所需的隐藏层节点个数均优于ELM。以sigmoid为激励函数,OLPP-GA-ELM的正确等级分类率达到96.09%。
Claims (1)
1.一种基于GA-ELM的立体图像质量客观评价方法,其特征在于,该方法包括以下步骤:
步骤(1)、选取训练样本和测试样本;
步骤(2)、利用OLPP算法对于训练样本和测试样本进行特征提取和降维,即在OLPP算法中,给定高维特征空间中的样本集X=[x1,x2,…,xn],xn代表样本集中的各立体图像,n代表高维训练样本个数,OLPP算法具体包括以下步骤:
对原始图像数据采用PCA降维,通过去除与零特征值对应的成分,将图像投影到PCA子空间中。WPCA表示PCA的变换矩阵;
构建邻接图G,若xi是xj的p个最近邻之一,则邻接图G有边xixj。对于每一个样本xi,有p条边;
若邻接图G有边xixj,则边xixj的权重Sij的若邻接图G有边xixj,则边xixj的权重Sij为exp(-||xi-xj||2/t),否则,Sij为0;
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,…,ak}表示正交基向量,且定义中间变量A(k-1),B(k-1)如下式:
A(k-1)=[a1,a2,…,ak-1]
B(k-1)=[A(k-1)]T(XDXT)-1A(k-1)
将式以上公式代入如下迭代过程,计算求得正交基向量{a1,a2,…,ak};
计算与(XDXT)-1XLXT的最小特征值相关联的特征向量a1;
计算与的最小特征值相关联的特征向量ak;
将样本集X空间依据投影矩阵W投影到一个低维特征空间的样本集Y=[y1,y2,…,yn],Y=WTX,将训练样本和测试样本投影到OLPP子空间中,Y是立体图像X经过OLPP降维处理后的信息;投影矩阵W=WPCAWOLPP,WOLPP=[w1,w2,…,wd];
步骤(3)、采用GA优化的极端学习机ELM对训练样本进行分类处理,即:
读入训练样本,并将样本随机分成训练集和测试集两部分;
进行种群初始化,设置种群个体数为N,种群中的个体包含了ELM网络结构的所有权重与阈值;
优化产生输入隐藏层权值αi以及阈值bi,i=1,…,L;其中,L为隐藏层节点个数,αi,bi∈[-1,1];选择训练集的数据误差绝对值之和作为个体适应度函数,如下式所示。
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>k</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>t</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中m代表神经网络的输出节点数,代表训练集的预测结果,T={t1,t2,…,tm}是训练集的真实值,abs表示求加权,k为加权系数;
将遗传算法的优化结果返回ELM网络,用优化后的αi和bi计算产生输出层权值矩阵β;
选择一个无限可微的函数作为隐藏层神经元的激励函数g(x),计算隐藏层输出矩阵H;通过最小二乘法计算输出层权值矩阵β,输入样本的期望输出值矩阵T,完成模型建立;
β=HTT
其中,
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>&CenterDot;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>&CenterDot;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>&CenterDot;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mi>L</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>T</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>t</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>&CenterDot;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>&CenterDot;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>&CenterDot;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>t</mi>
<mi>N</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
2
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610781313.4A CN107067388A (zh) | 2016-08-31 | 2016-08-31 | 一种基于ga‑elm的立体图像质量客观评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610781313.4A CN107067388A (zh) | 2016-08-31 | 2016-08-31 | 一种基于ga‑elm的立体图像质量客观评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107067388A true CN107067388A (zh) | 2017-08-18 |
Family
ID=59617248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610781313.4A Pending CN107067388A (zh) | 2016-08-31 | 2016-08-31 | 一种基于ga‑elm的立体图像质量客观评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067388A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086556A (zh) * | 2018-09-18 | 2018-12-25 | 贵州大学 | 一种基于ga-elm的机械手振动预测方法 |
CN110074775A (zh) * | 2019-04-30 | 2019-08-02 | 郑州大学 | 基于ga-elm混合模型的急性心肌梗死定位方法 |
CN110223288A (zh) * | 2019-06-17 | 2019-09-10 | 华东交通大学 | 一种稀土萃取过程多组分含量预测方法及系统 |
CN110300075A (zh) * | 2019-04-30 | 2019-10-01 | 北京科技大学 | 一种无线信道估计方法 |
CN110517308A (zh) * | 2019-07-12 | 2019-11-29 | 重庆邮电大学 | 一种无参考非对称失真立体图像质量评价方法 |
CN111429005A (zh) * | 2020-03-24 | 2020-07-17 | 淮南师范学院 | 一种基于少量学生反馈的教学评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011119681A1 (en) * | 2010-03-23 | 2011-09-29 | Crop Microclimate Management Inc. | Methods for increasing tolerance to abiotic stress in plants |
CN104866864A (zh) * | 2015-05-07 | 2015-08-26 | 天津大学 | 一种用于立体图像质量客观评价的极端学习机 |
CN104881684A (zh) * | 2015-05-27 | 2015-09-02 | 天津大学 | 一种立体图像质量客观评价方法 |
-
2016
- 2016-08-31 CN CN201610781313.4A patent/CN107067388A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011119681A1 (en) * | 2010-03-23 | 2011-09-29 | Crop Microclimate Management Inc. | Methods for increasing tolerance to abiotic stress in plants |
CN104866864A (zh) * | 2015-05-07 | 2015-08-26 | 天津大学 | 一种用于立体图像质量客观评价的极端学习机 |
CN104881684A (zh) * | 2015-05-27 | 2015-09-02 | 天津大学 | 一种立体图像质量客观评价方法 |
Non-Patent Citations (1)
Title |
---|
孟迪等: "基于局部保留投影和极端学习机的立体图像质量评价", 《中国科技论文在线》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086556A (zh) * | 2018-09-18 | 2018-12-25 | 贵州大学 | 一种基于ga-elm的机械手振动预测方法 |
CN110074775A (zh) * | 2019-04-30 | 2019-08-02 | 郑州大学 | 基于ga-elm混合模型的急性心肌梗死定位方法 |
CN110300075A (zh) * | 2019-04-30 | 2019-10-01 | 北京科技大学 | 一种无线信道估计方法 |
CN110300075B (zh) * | 2019-04-30 | 2020-10-02 | 北京科技大学 | 一种无线信道估计方法 |
CN110223288A (zh) * | 2019-06-17 | 2019-09-10 | 华东交通大学 | 一种稀土萃取过程多组分含量预测方法及系统 |
CN110517308A (zh) * | 2019-07-12 | 2019-11-29 | 重庆邮电大学 | 一种无参考非对称失真立体图像质量评价方法 |
CN111429005A (zh) * | 2020-03-24 | 2020-07-17 | 淮南师范学院 | 一种基于少量学生反馈的教学评估方法 |
CN111429005B (zh) * | 2020-03-24 | 2023-06-02 | 淮南师范学院 | 一种基于少量学生反馈的教学评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067388A (zh) | 一种基于ga‑elm的立体图像质量客观评价方法 | |
CN107633513B (zh) | 基于深度学习的3d图像质量的度量方法 | |
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
CN108491849B (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
Luus et al. | Multiview deep learning for land-use classification | |
CN107085716A (zh) | 基于多任务生成对抗网络的跨视角步态识别方法 | |
CN112446476A (zh) | 神经网络模型压缩的方法、装置、存储介质和芯片 | |
CN110659665B (zh) | 一种异维特征的模型构建方法及图像识别方法、装置 | |
CN104867138A (zh) | 基于pca和ga-elm的立体图像质量客观评价方法 | |
CN104881684A (zh) | 一种立体图像质量客观评价方法 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN106303233A (zh) | 一种基于表情融合的视频隐私保护方法 | |
CN108460391A (zh) | 基于生成对抗网络的高光谱图像无监督特征提取方法 | |
CN101299243A (zh) | 基于免疫谱聚类的图像分割方法 | |
CN108765414A (zh) | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 | |
CN108389189B (zh) | 基于字典学习的立体图像质量评价方法 | |
CN104866864A (zh) | 一种用于立体图像质量客观评价的极端学习机 | |
CN109685772B (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
Liu et al. | Learning based no-reference metric for assessing quality of experience of stereoscopic images | |
CN109918542B (zh) | 一种用于关系图数据的卷积分类方法及系统 | |
CN115222994A (zh) | 一种基于混合光谱网络和多头自注意力机制的高光谱图像分类方法 | |
Salazar-Castro et al. | Interactive interface for efficient data visualization via a geometric approach | |
CN114511012A (zh) | 基于特征匹配和位置匹配的sar图像与光学图像匹配方法 | |
CN106355210A (zh) | 基于深度神经元响应模式的绝缘子红外图像特征表达方法 | |
Zhang et al. | Discriminative tensor sparse coding for image classification. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170818 |
|
WD01 | Invention patent application deemed withdrawn after publication |