基于matlab SVM图像无参考质量评价

ubeautqq

6 r$ `/ K8 h4 ~; e! I一、简介
支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。
8 Z5 _  E7 X0 K& G  e1 Z! g5 U, b
- W$ V2 G$ }  V9 o0 G1 数学部分
4 J! l5 h" V2 K" T
1.1 二维空间
6 A0 {, u& s& u- J# |6 P& @# C


7 }2 s; p' D2 j! x0 S1 T

8 j; L- s7 C% o$ X7 C, n$ K9 ]
7 g, o" P% @0 H& X


! Q. ?# {4 [/ v( P

* U2 o" p9 l. ~/ }
9 g2 _* V8 I( @+ ~4 Z1 p3 z

5 O! `. k4 _3 ?' z  }' N
. s0 w* @  x$ Y! M" P" e

! H# v! F% b0 J% _! Q4 a

0 G; o0 B* [# H: C. F( O& E

2 算法部分
. t! Y# r' P& q/ |7 ~
0 r: ?1 B, S2 ?/ e

7 I, R. }6 z8 \1 B
  G; x% ~! W) `  a


% B$ R; X: Q' P
% {# l# ~& ^0 ^4 ^4 s/ w$ ]9 i
2 g% P5 p2 f/ ?5 Y9 ~

二、源代码
/ l6 X3 h6 {( Q5 X3 _5 f+ c( G5 h
+ L9 l6 }* V9 ^

• load ./CID2013.mat; %% You can also load the files of 'CSIQ.mat' or 'TID13.mat' if you want to use CSIQ or TID2013 database for training.
• train_data = Data(:,[1:5]);
• train_label = Data(:, 6);
• model = svmtrain(train_label, train_data, '-s 3');  % train
• %img = imread('.\input\TV_VR\Fig.7_RTV.jpg');
• img=imread('img004.png');
• disim = img;
• if numel(size(disim))>2     %% Is a rgb image ?
•     dis_file_gray = rgb2gray(disim);
• else
•     dis_file_gray = disim;
• end
• i = 1;
•     %% mean value
•    mean_tmp = round(mean2(dis_file_gray));
•    Value(i, 1) = 1/(sqrt(2*pi)*26.0625)*exp(-(mean_tmp-118.5585)^2/(2*26.0625^2));
•    %% std value
•    std_tmp = round(std2(dis_file_gray));
•    Value(i, 2) = 1/(sqrt(2*pi)*12.8584)*exp(-(std_tmp-57.2743)^2/(2*12.8584^2));
•   %% entropy value
•    entropy_tmp = entropy(dis_file_gray);
•    Value(i, 3) = 1/0.2578*exp((entropy_tmp-7.5404)/0.2578)*exp(-exp((entropy_tmp-7.5404)/0.2578));
•   %% kurtosis value
•    kurtosis_tmp = kurtosis(double(dis_file_gray(：)));
•    Value(i, 4) = sqrt(19.3174/(2*pi*kurtosis_tmp^3))*exp(-19.3174*(kurtosis_tmp-2.7292)^2/(2*(2.7292^2)*kurtosis_tmp));
•   %% skewness value
•    skewness_tmp = skewness(double(dis_file_gray(：)));
•    Value(i, 5) = 1/(sqrt(2*pi)*0.6319)*exp(-(skewness_tmp-0.1799)^2/(2*0.6319^2));
• test_label = 0;
• [predicted_label, accuracy, decision_values] = svmpredict(test_label, Value, model);
• Score = predicted_label;
• disp('Score:');
• disp(Score );
• 
  . L7 g9 E* G7 P

   

regngfpcb

基于matlab SVM图像无参考质量评价

ldezgr

今天晴天，努力奋斗