CN110503632B - 一种盲图像质量评价算法中svr参数优化方法 - Google Patents

一种盲图像质量评价算法中svr参数优化方法 Download PDF

Info

Publication number
CN110503632B
CN110503632B CN201910684257.6A CN201910684257A CN110503632B CN 110503632 B CN110503632 B CN 110503632B CN 201910684257 A CN201910684257 A CN 201910684257A CN 110503632 B CN110503632 B CN 110503632B
Authority
CN
China
Prior art keywords
svr
image quality
parameters
parameter
quality evaluation
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.)
Active
Application number
CN201910684257.6A
Other languages
English (en)
Other versions
CN110503632A (zh
Inventor
李春泉
肖典
罗族
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang University
Original Assignee
Nanchang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang University filed Critical Nanchang University
Priority to CN201910684257.6A priority Critical patent/CN110503632B/zh
Publication of CN110503632A publication Critical patent/CN110503632A/zh
Application granted granted Critical
Publication of CN110503632B publication Critical patent/CN110503632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06T2207/20—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种盲图像质量评价算法中SVR参数优化方法，包括以下步骤：步骤1：采集数据，对数据进行5折交叉验证，选择SVR中影响预测性能的参数作为待优化参数；步骤2：将选定的待优化参数作为粒子在当前位置的相应维度值，使用5折交叉验证得到5个均方根误差，并将5个RMSE的中值作为粒子在当前位置的适应度值；步骤3：初始化所改进ABC算法的相关参数；步骤4：对粒子进行评估，计算粒子当前位置对应的适应度值；步骤5：如果满足停止条件，结束参数寻优过程，输出待优化参数的最优组合；否则，返回步骤4继续执行寻优过程，直到满足停止条件为止。

Description

一种盲图像质量评价算法中SVR参数优化方法
技术领域
本发明属于图像处理与图像质量评价技术领域，涉及一种SVR参数优化方法，尤其涉及基于改进人工蜂群算法的盲图像质量评价SVR参数优化方法，可用于各类自然图像，医学图像，HDR图像以及屏幕图像领域。
背景技术
数字成像技术以及移动智能设备的不断发展和普及，使得数字图像的拍摄和获取十分容易。随着数字图像的数量不断增长以及5G时代的来临，数字图像涉及的行业越来越广。在实际应用中，高品质图像是保证终端用户具有良好体验的关键。但是，在图像的获取，存储，压缩，传输以及重现阶段，图像常常会遭受一系列的失真。因此，需要使用图像质量评价对终端用户体验加以保证，指导和监督图像的获取，存储，压缩，传输以及重现的过程。
图像质量评价方法广义上被分为主观图像质量评价方法和客观图像质量评价方法。主观图像质量评价由于任务繁琐，耗费时间，高成本，评价结果不可复制，以及评价的主体是人的巨大缺点，导致无法大规模应用。客观图像质量评价使用计算机模型对图像质量进行量化，不需要人的参与，依靠数据驱动，是主观评价方法的有效替代。凡是与数字图像相关的领域，它都具有十分广阔的应用价值。依据评价过程中对原始图像信息使用的多少，客观评价方法可以被分为：全参考图像质量评价，半参考图像质量评价，盲(无参考)图像质量评价。由于盲图像质量评价不需要任何参考图像的信息，因此盲图像质量评价是当下研究和使用最为广泛的图像质量评价方法。
现存的盲图像质量评价方法大都采用特征提取和分数预测的两步框架。即：首先对图像进行特征提取，再用回归模型将图像特征映射为具体的图像质量分数。支持矢量回归机(Support Vector Regression,SVR)是基于统计学习理论和结构风险最小化理论的，理论上可以保证获得全局最优结果。同时，SVR在高维空间以及小样本问题中表现十分强健，使用方便高效。因此，SVR被广泛运用于非线性函数问题，以及预测问题等的诸多领域。现存的大多数盲图像质量评价方法都是采用特征提取和基于径向基核函数SVR预测的两步框架完成的。例如：Mittal等人在文章"No-reference image quality assessment in thespatial domain."IEEE Transactions on Image Processing 21.12(2012):4695-4708中，将图像在两个尺度上进行特征提取，然后使用基于径向基函数的SVR将图像特征映射为质量分数。Li等人在文章"Blind image quality assessment using statisticalstructural and luminance features."IEEE Transactions on Multimedia 18.12(2016):2457-2469中，在空间域提取图像的感知结构特征和亮度变化特征，然后使用基于径向基函数的SVR将图像特征映射为质量分数。Xue等人在文章"Blind image qualityassessment using joint statistics of gradient magnitude and Laplacianfeatures."IEEE Transactions on Image Processing 23.11(2014):4850-4862中，提取图像的梯度信息和拉普拉斯特征的联合分布，然后使用基于径向基函数的SVR将图像特征映射为质量分数。但是，在盲图像质量评价领域现存的算法中，为了能够更好的模拟人类视觉系统，研究者都将主要精力放在了提取图像特征上，针对SVR都只是介绍了原理以及选取径向基核函数作为SVR的核函数，关于SVR中惩罚参数C和核函数参数σ选取的问题都被忽略了。虽然图像特征提取以及选取是盲图像质量评价算法性能优秀的基础，但是SVR参数的选择也在很大程度上影响最终算法的性能。参数对(C,σ)的选择，能够决定模型的内在属性，影响模型的效率和准确度，如果参数选择不当，会造成过拟合，欠拟合或无法拟合，使得SVR的性能大大降低。因此，在图像质量评价领域这个问题十分值得被重视和研究。
SVR中参数对(C,σ)的选取，最常使用的方法是传统的穷举搜索算法，即：网格搜索。在设定的搜索空间范围内，设定固定的步长来构成多组备选参数的组合，然后输入到模型当中，最终挑选出最合适的一组(C,σ)作为最终的参数。但是，这种方法无法对搜索空间进行完全搜索，必定会有所遗漏，不一定能找到完全合适的参数。除此之外，元启发算法在解决包括参数调整问题在内的数值优化问题上得到了有竞争力的结果。近年来，许多研究使用元启发算法优化SVR参数，构建了可靠，高精度，高稳定性的回归模型并做了广泛的应用。然而，元启发算法大都存在容易陷入局部最优，收敛速度慢，不能很好平衡勘探和开发能力等缺陷，并且不一定适合图像质量评价领域中SVR参数的优化。
综上所述可知，SVR参数选取对盲图像质量评价算法性能有很大影响，盲图像质量评价领域中SVR参数选择问题不能被忽略。现有其他领域SVR参数优化方法有：基于网格搜索的SVR参数优化方法，该方法结构简单，速度快，但其只对网格上的参数候选解进行筛选，会遗漏搜索空间中的大部分潜在解，精确性不足；基于元启发算法的SVR参数优化方法通过大规模随机试验对参数候选解空间进行充分搜索，提高了收敛精度，但是其依旧会面临收敛速度慢，容易陷入局部最优等问题。
发明内容
本发明公开了一种基于改进人工蜂群(Artificial Bee Colony,ABC)算法的盲图像质量评价算法中SVR参数优化方法。针对盲图像质量评价领域SVR中惩罚参数C和核函数参数σ选取长时间被忽略的问题，提供一种基于改进的ABC算法优化SVR参数的方法，并首次引入到盲图像质量评价算法中，以增强在盲图像质量评价中SVR泛化能力，提高SVR预测准确度。
为实现上述目的，本发明提供如下技术方案：一种盲图像质量评价算法中SVR参数优化方法，包括以下步骤：
步骤1：采集数据，对数据进行5折交叉验证，选择SVR中影响预测性能的参数作为待优化参数；
步骤2：将步骤1中选定的待优化参数作为粒子在当前位置的相应维度值，使用5折交叉验证得到5个均方根误差(Root mean squared error,RMSE)，并将5个RMSE的中值作为粒子在当前位置的适应度值；
步骤3：初始化所改进ABC算法的相关参数；
步骤4：对粒子进行评估，计算粒子当前位置对应的适应度值；更新粒子的位置，更新个体最优适应度值，种群最优适应度值，以及它们各自对应的个体最优位置和种群最优位置；
步骤5：如果满足停止条件，结束参数寻优过程，输出待优化参数的最优组合；否则，返回步骤4继续执行寻优过程，直到满足停止条件为止。
优选的，所述步骤4中：
(a)在雇佣蜂阶段，当1≤t<ωT时，使用公式(Ⅰ)对粒子的随机一个维度上的位置进行更新，当ωT≤t<T时，使用公式(Ⅰ)对粒子的整个位置进行更新，
Figure BDA0002145706550000031
其中，t表示当前迭代数；
Figure BDA0002145706550000032
表示种群的历史最优的位置；||表示绝对值；r1是一个线性递减函数，用以动态线性的改变正弦和余弦的范围；
r1描述如下：
Figure BDA0002145706550000041
其中，a是常数，t是当前迭代次数，T是最大迭代次数；r2是[0,2π]之间的一个随机数，满足均匀分布；r3是[0,2]之间的一个随机数，也满足均匀分布，是
Figure BDA0002145706550000042
的一个随机权重；r4是用来决定当前环境下选择正弦还是余弦更新粒子位置，是[0,1]之间均匀分布的随机数；
(b)跟随蜂阶段，粒子的位置更新方式和雇佣蜂阶段的更新方式相同；
(c)跟随蜂阶段完成以后，如果Gbestval的停滞(Gbestval保持同一个值)次数Gstop达到预设值，则重置参数ω＝t/T，并且使用反正余弦策略对所有粒子的整个位置进行更新，反正余弦策略使用公式(Ⅱ)表示：
Figure BDA0002145706550000043
其中，
Figure BDA0002145706550000044
r5是一个线性递增函数，用以改变正弦和余弦的范围；其余的变量均和公式(Ⅰ)中变量一致。
优选的，所述步骤1中5折交叉验证的过程为：
每次将数据集随机分为80％的训练集和20％的测试集，使用测试集训练SVR，测试集测试训练好的SVR模型，计算所得到的测试值和真实值之间的RMSE，上述过程进行5次，并且5次划分的训练集和测试集相互之间没有内容重合。
优选的，所述步骤1中待优化参数包括：
SVR中惩罚参数C和径向基核函数参数σ。
优选的，所述步骤3中所改进ABC算法的相关参数包括：
种群中粒子的数目，最大迭代次数T，第i个粒子的初始位置xi＝(C,σ)，自适应划分勘探和开发时期的因子ω的初始值，第i个粒子的最优适应度值Pibestval及其对应的位置
Figure BDA0002145706550000045
种群的最优适应度值Gbestval及其对应的位置PGbestval。
优选的，所述步骤4中对个体最优适应度值，种群最优适应度值的更新均使用贪心算法完成。
有益效果：
本发明的一种盲图像质量评价算法中SVR参数优化方法，具有以下有益效果：1、解决了盲图像质量评价中SVR参数设置长期被忽视的问题，为盲图像质量评价领域中SVR参数选择提供了一种合理可靠的解决方案；2、改进了原始的ABC算法，并利用改进的ABC算法完成了盲图像质量评价中SVR参数的优化，克服了ABC算法容易陷入局部最优，收敛速度慢的缺陷，使其更加适合在盲图像质量评价领域中处理数值优化问题；3、使用改进ABC算法在盲图像质量评价领域寻优的参数大大增强了SVR的泛化能力，提高了SVR的预测准确度。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
下面结合附图进一步说明本发明的实施例。
如图1所示，步骤1：在LIVE数据库上采集数据，包括图像特征和对应的图像人类主观评分。对图像特征进行归一化处理，将人类主观分数映射到合适的区间(推荐区间为[0,100])。对数据进行5折交叉验证，将SVR中的惩罚参数C和径向基核函数参数σ作为待优化参数。
步骤2：将步骤1中选定的待优化参数(C,σ)做为粒子在当前位置的相应维度值。使用5折交叉验证得到5个均方根误差(Root Mean Squared Error,RMSE)，并将5个RMSE的中值作为粒子在当前位置的适应度值。
步骤3：初始化所改进ABC算法的相关参数，包括种群中粒子的数目，最大迭代次数T，第i个粒子的初始位置xi＝(C,σ)，自适应划分勘探和开发时期的因子ω的初始值，第i个粒子的最优适应度值Pibestval及其对应的位置
Figure BDA0002145706550000051
种群的最优适应度值Gbestval及其对应的位置PGbestval。
步骤4：对粒子进行评估，计算粒子当前位置对应的适应度值。在每次迭代过程中使用如下过程更新粒子位置：
阶段一：当1≤t<ωT时，使用公式(Ⅰ)对粒子的随机一个维度上的位置进行更新。当ωT≤t<T时，使用公式(Ⅰ)对粒子的整个位置进行更新。
Figure BDA0002145706550000052
其中，t表示当前迭代数；
Figure BDA0002145706550000053
表示种群的历史最优的位置；||表示绝对值。r1是一个线性递减函数，用以动态线性的改变正弦和余弦的范围。r1描述如下：
Figure BDA0002145706550000054
其中，a是常数，t是当前迭代次数，T是最大迭代次数。r2是[0,2π]之间的一个随机数，满足均匀分布。r3是[0,2]之间的一个随机数，也满足均匀分布，是
Figure BDA0002145706550000055
的一个随机权重。r4是用来决定当前环境下选择正弦还是余弦更新粒子位置，是[0,1]之间均匀分布的随机数。
阶段二：用轮盘赌的方式，使用概率
Figure BDA0002145706550000056
决定粒子i是否再次执行阶段一的整个过程。其中，SN表示总的粒子个数，
Figure BDA0002145706550000057
f(xi)表示粒子i在位置xi处的自适应度值。
阶段三：如果在迭代过程中出现Gbestval的停滞(Gbestval保持同一个值)次数Gstop达到预设值，则所有粒子都将执行阶段三。即：将ω重置为t/T，并且使用反正余弦策略对所有粒子的整个位置进行更新。反正余弦策略如下：
Figure BDA0002145706550000058
其中，r5是一个线性递增函数，用以改变正弦和余弦的范围；其余的变量均和公式(Ⅰ)中变量一致，
Figure BDA0002145706550000061
步骤5：步骤4中的粒子位置更新以后，更新个体最优适应度值，种群最优适应度值，以及它们各自对应的个体最优位置和种群最优位置。
步骤6：如果满足停止条件，结束参数寻优过程，输出待优化参数的最优组合；否则，返回步骤4继续执行寻优过程，直到满足停止条件为止。
步骤7：测试所寻找到的最优参数在应用中的效果。随机取数据集的80％作为训练集20％作为测试集，用训练集和选出的最优参数训练SVR，用测试集测试训练好的SVR性能。为保证客观性，“训练-测试”过程被执行1000次。使用图像质量评价领域中常用的斯皮尔曼等级相关系数(Spearman Rank order correlation coefficient,SRCC)，皮尔逊线性相关系数(Pearson linear correlation coefficient,PLCC)，RMSE三个指标的中值对性能进行评估。
对于种群中的粒子数目，最大迭代次数T，ω的初始值以及种群最优适应度值Gbestval的停滞次数Gstop都没有一个固定的值，一般推荐使用粒子数目为30，T为70，ω初始值为0.6，Gstop为8。
对于停止条件，通常是算法的预设最大迭代次数T或较好的适应度阈值。推荐使用预设的最大迭代次数作为停止条件。
本实施例中一共采用了三种方法提取图像特征，分别来自文献"No-referenceimage quality assessment in the spatial domain."简记为BRISQUE；文献"Blindimage quality assessment using statistical structural and luminancefeatures."简记为NRSL；文献"Blind image quality assessment using jointstatistics of gradient magnitude and Laplacian features."简记为GMLOG；所使用的各项参数都和文献中的保持一致。
本实施例中的所有图像均来自LIVE图像数据库。LIVE图像数据库一共有5种失真类型，共779张失真图像。包含了对应的人类主观分数。LIVE数据库的获取地址为：
http://live.ece.utexas.edu/research/Quality/subjective.htm。
本实施例中，为了体现本发明的作用和优势，将实施例的结果和网格搜索方法的结果做了比对：
表1在LIVE数据库上与网格搜索法所得参数性能比较
Figure BDA0002145706550000062
Figure BDA0002145706550000071
从表1中可以看出，在LIVE图像数据库上，针对三种图像特征无论是SRCC，PLCC，RMSE，本发明的性能都是优于GS所寻找的参数的性能的。
本实施例的一种盲图像质量评价算法中SVR参数优化方法，具有以下有益效果：1、解决了盲图像质量评价中SVR参数设置长期被忽视的问题，为盲图像质量评价领域中SVR参数选择提供了一种合理可靠的解决方案；2、改进了原始的ABC算法，并利用改进的ABC算法完成了盲图像质量评价中SVR参数的优化，克服了ABC算法容易陷入局部最优，收敛速度慢的缺陷，使其更加适合在盲图像质量评价领域中处理数值优化问题；3、使用改进ABC算法在盲图像质量评价领域寻优的参数大大增强了SVR的泛化能力，提高了SVR的预测准确度。
以上对本发明的具体实施例进行了详细描述，但其只是作为范例，本发明并不限制于以上描述具体实施例。对于本领域技术人员而言，任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都涵盖在本发明范围内。

Claims (4)

1.一种盲图像质量评价算法中SVR参数优化方法，其特征在于，包括以下步骤：
步骤1：在LIVE数据库上采集数据，包括图像特征和对应的图像人类主观评分；对图像特征进行归一化处理，将人类主观分数映射到区间[0，100]；对数据进行5折交叉验证，将SVR中的惩罚参数C和径向基核函数参数σ作为待优化参数；
步骤2：将步骤1中选定的待优化参数作为粒子在当前位置的相应维度值，使用5折交叉验证得到5个均方根误差(Root mean squared error，RMSE)，并将5个RMSE的中值作为粒子在当前位置的适应度值；
步骤3：初始化所改进ABC算法的相关参数；所述步骤3中所改进ABC算法的相关参数包括：
种群中粒子的数目，最大迭代次数T，第i个粒子的初始位置xi＝(C，σ)，自适应划分勘探和开发时期的因子ω的初始值，第i个粒子的最优适应度值Pibestval及其对应的位置PP，bestval，种群的最优适应度值Gbestval及其对应的位置PGbestval；
步骤4：对粒子进行评估，计算粒子当前位置对应的适应度值；更新粒子的位置，更新个体最优适应度值，种群最优适应度值，以及它们各自对应的个体最优位置和种群最优位置；
步骤5：如果满足停止条件，结束参数寻优过程，输出待优化参数的最优组合；否则，返回步骤4继续执行寻优过程，直到满足停止条件为止；
所述步骤4中：
(a)在雇佣蜂阶段，当1≤t＜ωT时，使用公式(I)对粒子的随机一个维度上的位置进行更新，当ωT≤t＜T时，使用公式(I)对粒子的整个位置进行更新，
Figure RE-FDA0003670817890000011
其中，t表示当前迭代数；
Figure RE-FDA0003670817890000013
表示种群的历史最优的位置；||表示绝对值；r1是一个线性递减 函数，用以动态线性的改变正弦和余弦的范围；
r1描述如下：
Figure RE-FDA0003670817890000012
其中，a是常数，t是当前迭代次数，T是最大迭代次数；r2是[0，2π]之间的一个随机数，满足均匀分布；r3是[0，2]之间的一个随机数，也满足均匀分布，是
Figure RE-FDA0003670817890000014
的一个随机权重；r4是用来决定当前环境下选择正弦还是余弦更新粒子位置，是[0，1]之间均匀分布的随机数；
(b)跟随蜂阶段，粒子的位置更新方式和雇佣蜂阶段的更新方式相同；
(c)跟随蜂阶段完成以后，如果Gbestval的停滞(Gbestval保持同一个值)次数Gstop达到预设值，则重置参数ω＝t/T，并且使用反正余弦策略对所有粒子的整个位置进行更新，反正余弦策略使用公式(II)表示：
Figure RE-FDA0003670817890000021
其中，
Figure RE-FDA0003670817890000022
r5是一个线性递增函数，用以改变正弦和余弦的范围；其余的变量均和公式(I)中变量一致；
步骤6：测试所寻找到的最优参数在应用中的效果；使用图像质量评价领域中常用的斯皮尔曼等级相关系数(Spearman Rank order correlation coefficient，SRCC)，皮尔逊线性相关系数(Pearson linear correlation coefficient，PLCC)，RMSE三个指标的中值对性能进行评估。
2.根据权利要求1所述的一种盲图像质量评价算法中SVR参数优化方法，其特征在于：
所述步骤1中5折交叉验证的过程为：
每次将数据集随机分为80％的训练集和20％的测试集，使用训练集训练SVR，测试集测试训练好的SVR模型，计算所得到的测试值和真实值之间的RMSE，上述过程进行5次，并且5次划分的训练集和测试集相互之间没有内容重合。
3.根据权利要求1所述的一种盲图像质量评价算法中SVR参数优化方法，其特征在于：
所述步骤1中待优化参数包括：
SVR中惩罚参数C和径向基核函数参数σ。
4.根据权利要求1所述的一种盲图像质量评价算法中SVR参数优化方法，其特征在于：
所述步骤4中对个体最优适应度值，种群最优适应度值的更新均使用贪心算法完成。
CN201910684257.6A 2019-07-26 2019-07-26 一种盲图像质量评价算法中svr参数优化方法 Active CN110503632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910684257.6A CN110503632B (zh) 2019-07-26 2019-07-26 一种盲图像质量评价算法中svr参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910684257.6A CN110503632B (zh) 2019-07-26 2019-07-26 一种盲图像质量评价算法中svr参数优化方法

Publications (2)

Publication Number Publication Date
CN110503632A CN110503632A (zh) 2019-11-26
CN110503632B true CN110503632B (zh) 2022-08-09

Family

ID=68587583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910684257.6A Active CN110503632B (zh) 2019-07-26 2019-07-26 一种盲图像质量评价算法中svr参数优化方法

Country Status (1)

Country Link
CN (1) CN110503632B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871002A (zh) * 2014-03-25 2014-06-18 上海电机学院 基于自适应蜂群算法的风电功率预测方法及装置
WO2016145571A1 (zh) * 2015-03-13 2016-09-22 深圳大学 基于条件直方图码书的盲图像质量评价方法
CN106408031A (zh) * 2016-09-29 2017-02-15 南京航空航天大学 一种最小二乘支持向量机的超参优化方法
CN107945127A (zh) * 2017-11-27 2018-04-20 南昌大学 一种基于图像列灰度概率一致性的高速运动图像去模糊方法
CN108875788A (zh) * 2018-05-23 2018-11-23 东南大学 一种基于改进的粒子群算法的svm分类器参数优化方法
CN109583480A (zh) * 2018-11-08 2019-04-05 中国人民解放军空军航空大学 一种用于航空发动机防喘控制系统故障率曲线估计方法
CN109754390A (zh) * 2018-12-11 2019-05-14 西北大学 一种基于混合视觉特征的无参考图像质量评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10726532B2 (en) * 2015-09-25 2020-07-28 Board Of Regents, The University Of Texas System Measurement of non-uniformity noise

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871002A (zh) * 2014-03-25 2014-06-18 上海电机学院 基于自适应蜂群算法的风电功率预测方法及装置
WO2016145571A1 (zh) * 2015-03-13 2016-09-22 深圳大学 基于条件直方图码书的盲图像质量评价方法
CN106408031A (zh) * 2016-09-29 2017-02-15 南京航空航天大学 一种最小二乘支持向量机的超参优化方法
CN107945127A (zh) * 2017-11-27 2018-04-20 南昌大学 一种基于图像列灰度概率一致性的高速运动图像去模糊方法
CN108875788A (zh) * 2018-05-23 2018-11-23 东南大学 一种基于改进的粒子群算法的svm分类器参数优化方法
CN109583480A (zh) * 2018-11-08 2019-04-05 中国人民解放军空军航空大学 一种用于航空发动机防喘控制系统故障率曲线估计方法
CN109754390A (zh) * 2018-12-11 2019-05-14 西北大学 一种基于混合视觉特征的无参考图像质量评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《A novel hybrid approach of ABC with SCA for the parameter optimization of SVR in blind image quality assessment》;Chunquan Li等;《Neural Computing and Applications》;20220112;第34卷(第2022期);第4165–4191页 *
《Ant colony optimization as a feature selection method in the QSAR modeling of anti-HIV-1 activities of 3-(3,5-dimethylbenzyl)uracil derivatives using MLR, PLS and SVM regression》;Mohammad Goodarzi等;《Chemometrics and Intelligent Laboratory Systems》;20091231;第98卷(第2期);第123-129页 *
《一种新的基于自适应柯西变异粒子群的软体碰撞检测算法》;邹艳妮 等;《第26届中国过程控制会议（CPCC2015）论文集》;20150731;第381页 *
《利用多核增强学习的立体图像舒适度评价模型》;张竹青 等;《中国图象图形学报》;20161016;第21卷(第10期);第1328-1336页 *

Also Published As

Publication number Publication date
CN110503632A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN108596902B (zh) 基于选通卷积神经网络的多任务全参考图像质量评价方法
CN109086799A (zh) 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法
CN110728656A (zh) 基于元学习的无参考图像质量数据处理方法、智能终端
CN106327240A (zh) 一种基于gru神经网络的推荐方法和系统
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
CN110442911B (zh) 一种基于统计机器学习的高维复杂系统不确定性分析方法
CN110689523A (zh) 基于元学习个性化图像信息评价方法、信息数据处理终端
CN110543916A (zh) 一种缺失多视图数据的分类方法及系统
CN109543693A (zh) 基于正则化标签传播的弱标注数据降噪方法
CN113378473A (zh) 一种基于机器学习模型的地下水砷风险预测方法
CN115511795A (zh) 一种基于半监督学习的医学图像分割方法
Liu et al. Self-supervised transformer-based pre-training method using latent semantic masking auto-encoder for pest and disease classification
CN112215268A (zh) 一种灾害天气卫星云图分类方法和装置
He et al. Recognition of soybean pods and yield prediction based on improved deep learning model
CN110503632B (zh) 一种盲图像质量评价算法中svr参数优化方法
CN116089708A (zh) 农业知识推荐方法及装置
CN115661498A (zh) 一种自优化单细胞聚类方法
CN115081515A (zh) 能效评价模型构建方法、装置、终端及存储介质
CN115272797A (zh) 分类器的训练方法、使用方法、装置、设备及存储介质
Du Application of improved GM (1, 1) model in prediction of training results of 100 meter race
Zhao et al. Apply graph signal processing on nilm: An unsupervised approach featuring power sequences
CN111797300A (zh) 基于重要性负采样的知识表示学习模型及负采样框架构建方法
CN108304546B (zh) 一种基于内容相似度和Softmax分类器的医学图像检索方法
Liu et al. Comparative evaluation of performance measures for shading correction in time‐lapse fluorescence microscopy
CN111898579A (zh) 基于极限梯度提升的高分遥感影像无偏半监督分类模型

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
GR01 Patent grant
GR01 Patent grant