一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法
【專利摘要】本發(fā)明涉及一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法，包括以下步驟：1、對每個幅度的噪聲圖像分別采用多種去噪?yún)?shù)，獲得每個幅度的最佳去噪?yún)?shù)；2、對每幅噪聲圖像使用噪聲評估算法進行特征提取，獲得噪聲值特征，組成噪聲值特征集；3、將噪聲值特征集作為機器學(xué)習(xí)算法的特征集，并通過機器學(xué)習(xí)算法和五等分交叉驗證方法，獲得噪聲幅度預(yù)測模型；4、采用噪聲幅度預(yù)測模型對相應(yīng)的噪聲圖像進行預(yù)測，獲得預(yù)測噪聲幅度值；5、采用每幅噪聲圖像的預(yù)測噪聲幅度值和對應(yīng)的最佳去噪?yún)?shù)進行去噪處理，獲得去噪圖像集；6、對去噪圖像集中的圖像使用顯著性檢測方法，獲得最終的顯著性圖。該方法可提高顯著性檢測方法在噪聲圖像中的檢測性能。
【專利說明】
一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及圖像和視頻處理以及計算機視覺技術(shù)領(lǐng)域，特別是一種基于機器學(xué)習(xí) 的噪聲圖像顯著性檢測方法。
【背景技術(shù)】
[0002] 人類感官主要包括視覺、嗅覺、味覺、聽覺和觸覺。人類依賴感官來接受外界傳遞 的信息。視覺感官在人類的感官中占了很重要的地位。人類的視覺系統(tǒng)能夠在短時間內(nèi)將 注意力關(guān)注在圖像中最為重要的部分，也就是人眼最為感興趣的部分。隨著多媒體時代的 到來，各種數(shù)碼產(chǎn)品的普及和網(wǎng)絡(luò)時代數(shù)字化圖像的傳播，每天都產(chǎn)生和傳遞著大量的圖 像資源。海量的圖像數(shù)據(jù)雖然豐富了生活，但也帶來了不少挑戰(zhàn)。
[0003] 如何能夠高效且準(zhǔn)確的處理這些圖像資源是一個很關(guān)鍵的問題。研究人員發(fā)現(xiàn)了 人類視覺系統(tǒng)的選擇性注意機制后，試圖讓計算機模擬人類視覺系統(tǒng)，從而提出了顯著性 檢測方法。顯著性檢測已經(jīng)應(yīng)用到圖像壓縮與編碼、圖像檢索、圖像分割、目標(biāo)識別和內(nèi)容 感知圖像縮放等。如在圖像壓縮與編碼中，首先檢測出顯著區(qū)域，然后對顯著區(qū)域保留更多 的細節(jié)，這樣既壓縮了圖像，又能保留更多重要的細節(jié)。
[0004] 視覺顯著性檢測已經(jīng)得到了比較好的研究，然而大多數(shù)顯著性檢測模型是針對無 失真圖像提出的，并且實驗數(shù)據(jù)是無失真圖像集合。少數(shù)論文注意到了失真圖像對顯著性 檢測的影響。Zhang等人發(fā)現(xiàn)噪聲、模糊和壓縮改變了圖像低層特征，提出了基于圖像低層 特征的自底向上的顯著性檢測模型。同時，Zhang等人發(fā)現(xiàn)圖像質(zhì)量失真會引起顯著性圖的 變化，并且顯著性圖的改變和主觀的圖像質(zhì)量評估之間存在一定的聯(lián)系。Gide和Karam在 圖像質(zhì)量評估的眼動數(shù)據(jù)集上評估了 5種顯著性檢測模型，被評估的失真類型包含模糊、噪 聲和JPEG壓縮失真。Mittal等人對圖像亮度和對比度等低層特征進行提取，并基于這些特 征采用機器學(xué)習(xí)框架預(yù)測JPEG失真圖像的顯著性區(qū)域。Kim和Milanfar針對噪聲圖像提出 了基于非參數(shù)回歸框架的顯著性檢測模型。
[0005] 實際生活中的圖像大多是帶有失真的，如由相機傳感器、圖像處理器等外設(shè)造成 的失真、拍照設(shè)備抖動造成的抖動失真和圖像壓縮失真等。為了提高顯著性檢測方法在噪 聲圖像上的應(yīng)用，本發(fā)明提出一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法，該方法可 以提高顯著性檢測方法在噪聲圖像中的檢測性能。
[0007] 為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢 測方法，包括以下步驟： 步驟S1:對每個幅度的噪聲圖像分別采用多種去噪?yún)?shù)進行去噪處理，獲得每個幅度 相應(yīng)的最佳去噪?yún)?shù)； 步驟S2:對每幅噪聲圖像使用噪聲評估算法進行特征提取，獲得每幅噪聲圖像的噪聲 值特征，以此組成噪聲值特征集p; 步驟S3:將噪聲值特征集P作為機器學(xué)習(xí)算法的特征集，并通過機器學(xué)習(xí)算法和五等分 交叉驗證方法，獲得噪聲圖像的噪聲幅度預(yù)測模型； 步驟S4:采用噪聲幅度預(yù)測模型對相應(yīng)的噪聲圖像進行預(yù)測，獲得每幅噪聲圖像的預(yù) 測噪聲幅度值； 步驟S5:采用每幅噪聲圖像的預(yù)測噪聲幅度值和該幅度對應(yīng)的最佳去噪?yún)?shù)進行去噪 處理，獲得去噪圖像集； 步驟S6:對去噪圖像集中的圖像使用顯著性檢測方法進行檢測，獲得最終的顯著性圖。
[0008] 進一步地，所述步驟S1中，對每個幅度的噪聲圖像分別采用多種去噪?yún)?shù)進行去 噪處理，獲得每個幅度相應(yīng)的最佳去噪?yún)?shù)，具體包括以下步驟： 步驟S11:使用種高斯低通濾波去噪?yún)?shù)對每個幅度的噪聲圖像進行去噪處理，獲得 每個幅度含種去噪?yún)?shù)的去噪后圖像集合S; 步驟S12:對去噪后圖像集合S使用顯著性檢測方法VA計算顯著性圖，獲得去噪后圖像 的顯著性圖集合T; 步驟S13:使用評價指標(biāo)PR-AUC對去噪后圖像的顯著性圖集合T進行評估，針對每個幅 度找出平均PR-AUC最高值時使用的去噪?yún)?shù)，得到每個幅度的最佳去噪?yún)?shù)。
[0009] 進一步地，所述步驟S2中，對每幅噪聲圖像使用噪聲評估算法進行特征提取，獲得 每幅噪聲圖像的噪聲值特征，以此組成噪聲值特征集八具體包括以下步驟： 步驟S21:對噪聲圖像進行灰度化處理，得到灰度圖像I; 步驟S22:使用雙邊濾波處理灰度圖像I，得到雙邊濾波結(jié)果圖f; 步驟S23:計算灰度圖像I和雙邊濾波結(jié)果圖f的差值，得到差值圖像認 步驟S24:對灰度圖像I使用Canny邊緣檢測方法得到邊緣圖像凡對邊緣圖像i?使用膨脹 算子擴大邊緣區(qū)域，得到擴大的邊緣圖像 步驟S25:計算噪聲大小評估值圖像#，計算公式為：
其中，隊表示灰度圖像中像素r的值，t表示像素點，^表示擴大的邊緣圖像，A表示擴 大的邊緣圖像i中像素點t的值為0的集合； 步驟S26:將噪聲大小評估值圖像麗均勻劃分為3X3的網(wǎng)格區(qū)域，分別計算噪聲大小評 估值圖像^圖及每個網(wǎng)格區(qū)域噪聲大小評估值，計算公式為：
其中，備表示相對應(yīng)的區(qū)域，i-1，2，…，10分別表示全圖和9個網(wǎng)格區(qū)域，表示在 區(qū)域r中像素r的值;計算得到噪聲值特征集/MA，乃，…，Ao}。
[0010] 進一步地，所述步驟S3中，將噪聲值特征集P作為機器學(xué)習(xí)算法的特征集，并通過 機器學(xué)習(xí)算法和五等分交叉驗證方法，獲得噪聲圖像的噪聲幅度預(yù)測模型，具體包括以下 步驟： 步驟S31:將噪聲值特征集P中特征值A(chǔ)，乃，…，Ao按從小到大順序排列后，作為機 器學(xué)習(xí)算法的特征集F，并將特征集F隨機五等分為:FI、F2、F3、F4和F5; 步驟S32:將F2、F3、F4和F5作為機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集，將其對應(yīng)在圖像質(zhì)量評估數(shù)據(jù) 庫的圖像失真幅度作為機器學(xué)習(xí)的訓(xùn)練標(biāo)簽，學(xué)習(xí)得到噪聲幅度預(yù)測模型Ml; 步驟S33:重復(fù)步驟S32,分別求出F1、F3、F4和F5作為訓(xùn)練數(shù)據(jù)集時的噪聲幅度預(yù)測模 型M2，F(xiàn)1、F2、F4和F5作為訓(xùn)練數(shù)據(jù)集時的噪聲幅度預(yù)測模型M3，F(xiàn)1、F2、F3和F5作為訓(xùn)練數(shù) 據(jù)集時的噪聲幅度預(yù)測模型14^^2、？3和?4作為訓(xùn)練數(shù)據(jù)集時的噪聲幅度預(yù)測模型15。
[0011] 進一步地，所述步驟S4中，采用噪聲幅度預(yù)測模型對相應(yīng)的噪聲圖像進行預(yù)測，獲 得每幅噪聲圖像的預(yù)測噪聲幅度值，具體包括以下步驟： 步驟S41:采用噪聲幅度預(yù)測模型Ml對特征集F1對應(yīng)的圖像集進行預(yù)測，求出噪聲幅度 值預(yù)測集合VI; 步驟S42:重復(fù)步驟S41的方法，分別采用噪聲幅度預(yù)測模型M2、M3、M4、M5對特征集F2、 F3、F4和F5對應(yīng)的圖像集預(yù)測，得到噪聲幅度值預(yù)測集合V2、V3、V4、V5; 步驟S43:綜合噪聲幅度值預(yù)測集合￥={￥1、￥2、￥3、￥4、￥5}，得到完整的圖像集的噪聲幅 度值預(yù)測集合V。
[0012] 進一步地，所述步驟S5中，采用每幅噪聲圖像的預(yù)測噪聲幅度值和該幅度對應(yīng)的 最佳去噪?yún)?shù)進行去噪處理，獲得去噪圖像集，具體包括以下步驟： 步驟S51:針對每幅噪聲圖像，從噪聲幅度值預(yù)測集合V中找到該噪聲圖像對應(yīng)的噪聲 幅度值； 步驟S52:根據(jù)噪聲幅度值，采用相對應(yīng)的最佳去噪?yún)?shù)對噪聲圖像使用高斯低通濾波 處理，獲得去噪圖像集FI。
[0013] 相較于現(xiàn)有技術(shù)，本發(fā)明的有益效果是：首先利用機器學(xué)習(xí)預(yù)測噪聲圖像的噪聲 幅度，然后使用適合該幅度的最佳去噪?yún)?shù)進行去噪處理，最后采用顯著性檢測方法計算 去噪后圖像的顯著性圖，由于本發(fā)明考慮到噪聲圖像對顯著性檢測方法的影響，因此能夠 有效的提高顯著性檢測方法在噪聲圖像上的檢測性能，可應(yīng)用于圖像和視頻處理、計算機 視覺等諸多領(lǐng)域。
【附圖說明】
[0014] 圖1是本發(fā)明方法的流程框圖。
[0015] 圖2是本發(fā)明一實施例的步驟S2中的示例圖片（為更好的顯示效果，圖2中的（d)、 (g )和(h )的像素值被映射到[0，1 ])。
[0016] 圖3是本發(fā)明一實施例的整體方法的實現(xiàn)流程圖。
[0017] 圖4是本發(fā)明一實施例中原噪聲圖像和經(jīng)過步驟S5和S6的最終效果示例圖片。
【具體實施方式】
[0018] 下面結(jié)合附圖及具體實施例對本發(fā)明作進一步的詳細說明。
[0019] 本發(fā)明提供一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法，如圖1和圖3所示，包 括以下步驟： 步驟S1:對每個幅度的噪聲圖像分別采用多種去噪?yún)?shù)進行去噪處理，獲得每個幅度 相應(yīng)的最佳去噪?yún)?shù)。在本實施例中，步驟S1具體包括以下步驟： 步驟S11:使用9種高斯低通濾波去噪?yún)?shù)(模板尺寸分別為{3X3, 5X5, 7X7}，標(biāo)準(zhǔn) 差分別為{0.5, 0.7, 0.9})對每個幅度的噪聲圖像進行去噪處理，獲得每個幅度含9種去 噪?yún)?shù)的去噪后圖像集合S; 步驟S12:對去噪后圖像集合S使用顯著性檢測方法VA(Saliency detection via absorbing markov chain)計算顯著性圖，獲得去噪后圖像的顯著性圖集合T; 步驟S13:使用評價指標(biāo)PR_AUC(the area under precision-recall curve)對去噪后 圖像的顯著性圖集合T進行評估，針對每個幅度找出平均PR-AUC最高值時使用的去噪?yún)?shù)， 得到每個幅度的最佳去噪?yún)?shù)。
[0020]步驟S2:對每幅噪聲圖像使用噪聲評估算法進行特征提取，獲得每幅噪聲圖像的 噪聲值特征，以此組成噪聲值特征集八在本實施例中，如圖2所示，步驟S2具體包括以下步 驟： 步驟S21:對噪聲圖像進行灰度化處理，得到灰度圖像1(如圖2(b)); 步驟S22:使用雙邊濾波處理灰度圖像I，得到雙邊濾波結(jié)果圖/ (如圖2(c)); 步驟S23:計算灰度圖像I和雙邊濾波結(jié)果圖j的差值，得到差值圖像漢如圖2(d)); 步驟S24:對灰度圖像I使用Canny邊緣檢測方法得到邊緣圖像K如圖2(e))，對邊緣圖 像i?使用膨脹算子擴大邊緣區(qū)域，得到擴大的邊緣圖像|(如圖2(f)); 步驟S25:計算噪聲大小評估值圖像#，計算公式為：
其中，隊表示灰度圖像中像素r的值，t表示像素點，^表示擴大的邊緣圖像，A表示擴 大的邊緣圖像i中像素點t的值為0的集合； 步驟S 2 6 :將噪聲大小評估值圖像#(如圖2 (g))均勻劃分為3 X 3的網(wǎng)格區(qū)域（如圖2 (h))，分別計算噪聲大小評估值圖像^圖及每個網(wǎng)格區(qū)域噪聲大小評估值，計算公式為：
其中，備表示相對應(yīng)的區(qū)域，i-1，2，…，10分別表示全圖和9個網(wǎng)格區(qū)域，表示在 區(qū)域r中像素r的值;計算得到噪聲值特征集/MA，乃，…，Ao}。
[0021]步驟S3:將噪聲值特征集P作為機器學(xué)習(xí)算法的特征集，并通過機器學(xué)習(xí)算法和五 等分交叉驗證方法，獲得噪聲圖像的噪聲幅度預(yù)測模型。在本實施例中，步驟S3具體包括以 下步驟： 步驟S31:將噪聲值特征集P中特征值A(chǔ)，乃，…，Ao按從小到大順序排列后，作為機 器學(xué)習(xí)算法的特征集F，并將特征集F隨機五等分為:FI、F2、F3、F4和F5; 步驟S32:將F2、F3、F4和F5作為機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集，將其對應(yīng)在圖像質(zhì)量評估數(shù)據(jù) 庫TID2013的圖像失真幅度作為機器學(xué)習(xí)的訓(xùn)練標(biāo)簽，學(xué)習(xí)得到噪聲幅度預(yù)測模型Ml; 步驟S33:重復(fù)步驟S32,分別求出F1、F3、F4和F5作為訓(xùn)練數(shù)據(jù)集時的噪聲幅度預(yù)測模 型M2，F(xiàn)1、F2、F4和F5作為訓(xùn)練數(shù)據(jù)集時的噪聲幅度預(yù)測模型M3，F(xiàn)1、F2、F3和F5作為訓(xùn)練數(shù) 據(jù)集時的噪聲幅度預(yù)測模型14^^2、？3和?4作為訓(xùn)練數(shù)據(jù)集時的噪聲幅度預(yù)測模型15。
[0022] 步驟S4:采用噪聲幅度預(yù)測模型對相應(yīng)的噪聲圖像進行預(yù)測，獲得每幅噪聲圖像 的預(yù)測噪聲幅度值。在本實施例中，步驟S4具體包括以下步驟： 步驟S41:采用噪聲幅度預(yù)測模型Ml對特征集F1對應(yīng)的圖像集進行預(yù)測，求出噪聲幅度 值預(yù)測集合VI; 步驟S42:重復(fù)步驟S41的方法，分別采用噪聲幅度預(yù)測模型M2、M3、M4、M5對特征集F2、 F3、F4和F5對應(yīng)的圖像集預(yù)測，得到噪聲幅度值預(yù)測集合V2、V3、V4、V5; 步驟S43:綜合噪聲幅度值預(yù)測集合￥={￥1、￥2、￥3、￥4、￥5}，得到完整的圖像集的噪聲幅 度值預(yù)測集合V。
[0023] 步驟S4:采用噪聲幅度預(yù)測模型對相應(yīng)的噪聲圖像進行預(yù)測，獲得每幅噪聲圖像 的預(yù)測噪聲幅度值。具體包括以下步驟： 步驟S41:采用噪聲幅度預(yù)測模型Ml對特征集F1對應(yīng)的圖像集進行預(yù)測，求出噪聲幅度 值預(yù)測集合VI; 步驟S42:重復(fù)步驟S41的方法，分別采用噪聲幅度預(yù)測模型M2、M3、M4、M5對特征集F2、 F3、F4和F5對應(yīng)的圖像集預(yù)測，得到噪聲幅度值預(yù)測集合V2、V3、V4、V5; 步驟S43:綜合噪聲幅度值預(yù)測集合￥={￥1、￥2、￥3、￥4、￥5}，得到完整的圖像集的噪聲幅 度值預(yù)測集合V。
[0024]步驟S5:采用每幅噪聲圖像的預(yù)測噪聲幅度值和該幅度對應(yīng)的最佳去噪?yún)?shù)進行 去噪處理，獲得去噪圖像集。在本實施例中，如圖4所示，步驟S5具體包括以下步驟： 步驟S51:針對每幅噪聲圖像，從噪聲幅度值預(yù)測集合V中找到該噪聲圖像對應(yīng)的噪聲 幅度值； 步驟S52:根據(jù)噪聲幅度值，采用相對應(yīng)的最佳去噪?yún)?shù)對噪聲圖像使用高斯低通濾波 處理，獲得去噪圖像集FI。
[0025]步驟S6:對去噪圖像集FI中的圖像使用顯著性檢測方法VA進行檢測，獲得最終的 顯著性圖。
[0026]本發(fā)明提供的基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法，考慮到噪聲圖像對顯著 性檢測方法的影響，挖掘噪聲大小評估值特征與圖像質(zhì)量評估數(shù)據(jù)庫TID2013中的噪聲幅 度的關(guān)聯(lián)，設(shè)計得到機器學(xué)習(xí)噪聲預(yù)測模型，并結(jié)合去噪方法和為該幅度設(shè)置的參數(shù)對圖 像進行去噪處理，最后采用顯著性檢測方法VA計算去噪后圖像的顯著性圖。該方法能夠有 效的提高顯著性檢測方法在噪聲圖像上的檢測性能，可應(yīng)用于圖像和視頻處理、計算機視 覺等領(lǐng)域。
[0027]以上是本發(fā)明的較佳實施例，凡依本發(fā)明技術(shù)方案所作的改變，所產(chǎn)生的功能作 用未超出本發(fā)明技術(shù)方案的范圍時，均屬于本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法，其特征在于，包括W下步驟： 步驟SI:對每個幅度的噪聲圖像分別采用多種去噪?yún)?shù)進行去噪處理，獲得每個幅度 相應(yīng)的最佳去噪?yún)?shù)； 步驟S2:對每幅噪聲圖像使用噪聲評估算法進行特征提取，獲得每幅噪聲圖像的噪聲 值特征，W此組成噪聲值特征集戶； 步驟S3:將噪聲值特征集戶作為機器學(xué)習(xí)算法的特征集，并通過機器學(xué)習(xí)算法和五等分 交叉驗證方法，獲得噪聲圖像的噪聲幅度預(yù)測模型； 步驟S4:采用噪聲幅度預(yù)測模型對相應(yīng)的噪聲圖像進行預(yù)測，獲得每幅噪聲圖像的預(yù) 測噪聲幅度值； 步驟S5:采用每幅噪聲圖像的預(yù)測噪聲幅度值和該幅度對應(yīng)的最佳去噪?yún)?shù)進行去噪 處理，獲得去噪圖像集； 步驟S6:對去噪圖像集中的圖像使用顯著性檢測方法進行檢測，獲得最終的顯著性圖。2. 根據(jù)權(quán)利要求1所述的一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法，其特征在于： 所述步驟Sl中，對每個幅度的噪聲圖像分別采用多種去噪?yún)?shù)進行去噪處理，獲得每個幅 度相應(yīng)的最佳去噪?yún)?shù)，具體包括W下步驟： 步驟Sll:使用n種高斯低通濾波去噪?yún)?shù)對每個幅度的噪聲圖像進行去噪處理，獲得 每個幅度含n種去噪?yún)?shù)的去噪后圖像集合S; 步驟S12:對去噪后圖像集合S使用顯著性檢測方法VA計算顯著性圖，獲得去噪后圖像 的顯著性圖集合T; 步驟S13:使用評價指標(biāo)PR-AUC對去噪后圖像的顯著性圖集合T進行評估，針對每個幅 度找出平均PR-AUC最高值時使用的去噪?yún)?shù)，得到每個幅度的最佳去噪?yún)?shù)。3. 根據(jù)權(quán)利要求1所述的一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法，其特征在于： 所述步驟S2中，對每幅噪聲圖像使用噪聲評估算法進行特征提取，獲得每幅噪聲圖像的噪 聲值特征，W此組成噪聲值特征集A具體包括W下步驟： 步驟S21:對噪聲圖像進行灰度化處理，得到灰度圖像/; 步驟S22:使用雙邊濾波處理灰度圖像/，得到雙邊濾波結(jié)果圖/; 步驟S23:計算灰度圖像巧日雙邊濾波結(jié)果圖f的差值，得到差值圖像化 步驟S24:對灰度圖像/使用化nny邊緣檢測方法得到邊緣圖像i?，對邊緣圖像i?使用膨脹 算子擴大邊緣區(qū)域，得到擴大的邊緣圖像￡^ 步驟S25:計算噪聲大小評估值圖像#，計算公式為：其中，化表示灰度圖像中像素誠]值，t表示像素點，if表示擴大的邊緣圖像，A表示擴大 的邊緣圖像^中像素點t的值為O的集合； 步驟S26:將噪聲大小評估值圖像M勻勻劃分為3 X 3的網(wǎng)格區(qū)域，分別計算噪聲大小評 估值圖像始^圖及每個網(wǎng)格區(qū)域噪聲大小評估值，計算公式為： 其中，做表示相對應(yīng)的區(qū)域，1-1，Z,…，^巧刑巧不全圖和9個網(wǎng)格區(qū)域，做,*^表示在 區(qū)域r中像素沖勺值;計算得到噪聲值特征集片{A,巧，…，AoK4. 根據(jù)權(quán)利要求3所述的一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法，其特征在于： 所述步驟S3中，將噪聲值特征集戶作為機器學(xué)習(xí)算法的特征集，并通過機器學(xué)習(xí)算法和五等 分交叉驗證方法，獲得噪聲圖像的噪聲幅度預(yù)測模型，具體包括W下步驟： 步驟S31:將噪聲值特征集戶+^特征值月，巧，…，月0按從小到大順序排列后，作為機器 學(xué)習(xí)算法的特征集F，并將特征集F隨機五等分為:Fl、F2、F3、F4和巧； 步驟S32:將F2、F3、F4和F5作為機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集，將其對應(yīng)在圖像質(zhì)量評估數(shù)據(jù) 庫的圖像失真幅度作為機器學(xué)習(xí)的訓(xùn)練標(biāo)簽，學(xué)習(xí)得到噪聲幅度預(yù)測模型Ml; 步驟S33:重復(fù)步驟S32,分別求出F1、F3、F4和巧作為訓(xùn)練數(shù)據(jù)集時的噪聲幅度預(yù)測模 型M2，F(xiàn)1、F2、F4和F5作為訓(xùn)練數(shù)據(jù)集時的噪聲幅度預(yù)測模型M3，F(xiàn)1、F2、F3和F5作為訓(xùn)練數(shù) 據(jù)集時的噪聲幅度預(yù)測模型14^1少2、。3和。4作為訓(xùn)練數(shù)據(jù)集時的噪聲幅度預(yù)測模型15。5. 根據(jù)權(quán)利要求4所述的一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法，其特征在于： 所述步驟S4中，采用噪聲幅度預(yù)測模型對相應(yīng)的噪聲圖像進行預(yù)測，獲得每幅噪聲圖像的 預(yù)測噪聲幅度值，具體包括W下步驟： 步驟S41:采用噪聲幅度預(yù)測模型Ml對特征集Fl對應(yīng)的圖像集進行預(yù)測，求出噪聲幅度 值預(yù)測集合VI; 步驟S42:重復(fù)步驟S41的方法，分別采用噪聲幅度預(yù)測模型12、13、14、15對特征集尸2、 F3、F4和巧對應(yīng)的圖像集預(yù)測，得到噪聲幅度值預(yù)測集合V2、V3、V4、V5; 步驟S43:綜合噪聲幅度值預(yù)測集合V= {Vl、V2、V3、V4、V引，得到完整的圖像集的噪聲幅 度值預(yù)測集合V。6. 根據(jù)權(quán)利要求5所述的一種基于機器學(xué)習(xí)的噪聲圖像顯著性檢測方法，其特征在于， 所述步驟S5中，采用每幅噪聲圖像的預(yù)測噪聲幅度值和該幅度對應(yīng)的最佳去噪?yún)?shù)進行去 噪處理，獲得去噪圖像集，具體包括W下步驟： 步驟S51:針對每幅噪聲圖像，從噪聲幅度值預(yù)測集合V中找到該噪聲圖像對應(yīng)的噪聲 幅度值； 步驟S52:根據(jù)噪聲幅度值，采用相對應(yīng)的最佳去噪?yún)?shù)對噪聲圖像使用高斯低通濾波 處理，獲得去噪圖像集FI。
【文檔編號】G06T5/00GK105913427SQ201610222900
【公開日】2016年8月31日
【申請日】2016年4月12日
【發(fā)明人】牛玉貞, 林樂凝, 陳羽中
【申請人】福州大學(xué)