专利名称：基于自然场景统计中稀疏表示的无参考图像质量评价方法
技术领域：
本发明属于图像处理技术领域，涉及图像质量的评测，可用广泛应用于图像压缩、图像存储、图像通信，图像检测等领域。
背景技术：
图像是利用各种采集系统以不同形式和手段观测客观世界而获得的，可以直接或间接作用于人眼，进而产生视觉的实体。人类有75%的信息是从图像中获得的，并且随着信号处理和计算机科学技术的发展，图像工程也成为一门内容丰富且发展迅速的学科。一个图像系统包括图像的采集、显示、存储、通信、处理和分析。它广泛地应用于国民经济中的各个领域，如科学研究、工业生产、医疗卫生、教育、娱乐、管理和通信等，对推动社会发展，改善人们生活水平都起到重要的作用。虽然图像技术取得了迅速的发展，但在目前的技术水 平下，在图像的采集、传输和处理过程中都会产生一些失真，如时间分辨率与噪声敏感度之间的折衷、空间分辨率与图像尺寸的折衷。很多应用中需要量化图像中存在的失真会给感观造成怎样的影响。通过图像质量客观评价方法，可以对一些图像处理方法进行有效的评估，最终取得一个较好的图像视觉效果。目前的数字图像质量评价IQA研究可以分为两种不同的方法主观评价和客观评价。主观评价，主要是通过主观实验来评价图像质量。一个典型方法是国际电信联盟ITU提出的电视图像的主观评价方法。主观评价实验是指，在一定的图像源、显示设备和观看环境等条件下，给观看者同时提供两幅图片，其中一幅是原始图像，另一幅是失真图像。原始的图像是没有任何损伤的，失真图像可能有失真也可能没有，即失真为零。对于观看者应包括普通人和图像专业人员和非专业人员。最后还要对大量的评分数据进行统计，包括均值、标准偏差、95%置信度区间等。主观评价的结果有两种表示方法一种是绝对评分表达，平均主观分数M0S，即表示失真图像的绝对质量；另一种是差值表达，差异平均主观分数DM0S，即表示失真图像与原始图像评价成绩的绝对差。图像最终的接收端是人，因而主观实验评价方法是评价图像质量最准确和最有效的方法，但也存在严重的缺点。实际中，需要实验的数据量非常大，并且每次做出新的设计选择时都要重新进行实验，而主观评价实验只能测试有限数量的图像样本，导致实验过程很耗时并且费用昂贵，该方法很难在实时系统中应用，因此，人们需要设计客观的图像质量评价方法来近似反映主观感受。客观评价，主要是通过客观的评价方法来评价图像质量。数字图像质量的客观评价已经越来越为人们所重视，并已形成了许多完整有效的算法体系。从现有文献看，依据对原始图像的参考程度的不同，图像质量的客观评价可分为三种全参考FR、部分参考RR和无参考NR。I)全参考全参考型，就是指原始的图像信息是完全已知的，认为是没有任何失真的，被用来作为评价失真图像质量的参照。目前的大多数图像质量评价算法都属于全参考型。2)部分参考由于参考图像数据量往往比较大，在一些情况下不便于传输和存储，往往不能全部提供。所谓部分参考型，是指该算法仅利用原始图像的部分信息来估计失真图像的视觉感知质量，一个成功的部分参考型图像质量评价方法必须在特征数据率和图像质量的预测精度上取得很好的平衡。3)无参考全参考和部分参考方法都需要提供一个原始的且无失真的图像作为参考。但是在大多数实际应用中，参考图像的全部甚至部分信息是很难获得的，或者获取的成本很高，而且人类看到一张图像时，即使不知道参考图像也能很轻松地判断一幅图像质量的优劣。因此，无参考NR质量评价方法才是真正意义上理想的图像质量评价方法。无参考型方法，是一种不需要原始图像任何信息，直接对失真图像进行评价的方法。近些年来，随着图像质量评价领域的发展，无参考NR型图像质量评价引起了越来越多的学者所关注。但目前尚未存在一种被业界普遍承认的无参考图像质量评价NR IQA方案，因而这个研究方向很有潜力与意义。全参考型方法对失真图像质量预测准确，然而，全参考型方法要求有无任何失真的原始图像，这在很多实际应用中都难以实现。部分参考型方法在参考图像上信息量上的折衷导致相应评估结果的折衷，由于其仍要求得知原始图像信息，因而该类方法的实用性 不高。无参考型方法不需要参考图像的信息而可以直接获得评价结果。随着图像质量评价IQA领域的进一步研究，这一极具挑战性的工作也有了相应的解决方案，在对质量评价的条件放宽的同时，评价效果也得到了逐步提高。传统的图像质量评价方法峰值信噪比PSNR及均方误差MSE等是从纯数学的角度统计图像像素之间的误差，与人类视觉感知不一致，导致性能有很大的局限性。近年来，在图像质量评价的研究领域，引入了基于人类视觉系统HVS的新方法，通过模拟人眼的作用机制，提取视场中的结构信息。主要的IQA方法有(1)Z Wang等提出了基于结构相似度SSIM的全参考型图像质量评价方法“Z ffang,A C B ovik,H RSheikh,and E P Simoncelli.Image quality assessment : from error visibility to structural similarity[J].IEEE Trans, on Image Processing. 2004,13 (4) :600-612. ” 实验结果表明该方法与主观评价具有很好的相关性。但是该方法仅针对图像中局部像素的相关性，因此提取的图像特征不够完整。(2) Hamid等针对JPEG2000失真图像提出了基于自然场景统计NSS模型的无参考型图像质量方法“H R Sheikh, AC Bovik, and L Cormack. No-reference qualityassessment using natural scene statistics JPEG2000[J]. IEEE Trans, on ImageProcessing. 2005，14(11) :1918-1927. ”该方法根据JPEG2000图像失真主要是由小波变换引起的，利用自然图像小波域的统计特性来评测图像质量，并取得了较好的评价结果。但是该方法最大的限制在于仅适用于JPEG2000失真图像，对其他的失真类型达不到理想的效果，在无参考型中很难找到一个可以通用的图像质量评价方法。在一个无参考图像质量评价方法中，最重要的是提取合适的特征。目前提出了一种通用无参考图像质量评价方法离散余弦变换域统计特性方法BLINDS，在不区分失真类型的情况下将提取到的特征直接投影为图像质量值。另一个通用无参考图像质量评价方法首先确定测试图像的失真类型，然后采用一种与特定失真相关的无参考图像质量评价方法来预测质量值，例如两步框架方法BIQL·如
图1，以上两种无参考图像质量评价方法都在图像特征和图像质量值之间构建了一个黑盒子映射关系，并且在LIVE II数据库上的到了很好的效果。可是，以上两种方法都直接地模拟了特征与质量值之间的数学关系，函数的形式也是由手动或训练得到参数而获得。然而，这两者之间的数学关系是基本不可能被精确模拟的。此外，这个方法中没有考虑训练集与测试集之间的关系。换言之，数据库中的信息没有被完全使用。所以，如何利用统计方法及稀疏表示高效建模图像的特征信息是图像质量评价的关键。
发明内容
本发明的目的在于针对传统无参考图像质量评价方法中仅对某种特定失真类型图像的质量评价，造成评价结果不准确的问题，提供一种基于自然场景统计中稀疏表示的无参考图像质量评测方法，以满足对更多失真类型图像质量的有效评测。实现本发明目的的技术方案是根据无参考图像质量评价体系，利用人眼视觉特性，采用小波分解的方法将图像分解为多尺度信息，得到图像小波系数，依据统计模型理论 方法计算子带中幅值信息、方差信息以及信息熵的均值，构成特征向量，在构建的字典上稀疏表示测试图像的特征，最终利用稀疏编码系数线性组合相关主观评价值，得到对图像质量的评价测度。具体过程包括如下(I)利用小波变换对一个训练图像进行四个尺度的分解，得到13个子带全部的小波系数C;(2)忽略每个尺度上特征相同的水平高通垂直低通子带LH子带和水平低通垂直高通子带HL子带，提取一个训练图像的13个子带中小波系数不相同的8个子带的小波系数的幅值mk、方差Vk以及信息熵ek mt =T-^r-ZElog2 |Q( ,./)| 是=1，2，…，8
iV是 'Mk j^i
I 馬Mk Vt ='ΣΣ1ο§2 \Ck(i,j)-mean(Ck)\
丄Nk，Mk j=j j=i
Nk Mf4 = Σ Σ P^Ci 0.，Λ]111 (Ζ.，Λ]
/-I式中，(i，j)代表图像中像素的位置，i代表行数，j代表列数，Ck(i, j)代表第k个子带的第(i，j)个小波系数，mean (Ck)表示第k个子带的小波系数的均值，Mk代表第k个子带的长度，Nk代表第k个子带的宽度，p[ ·]是子带的概率密度函数；(3)将一个训练图像的8个子带的小波系数幅值叫，m2,…，m8、方差V1, v2, -V8以及信息熵e1; e2,…巧组合成为一个训练图像的24维特征向量f f=^, m2, ···, m8, V1, v2, ··· ν8, θ17 e2, ...e8]T式中，T代表转置操作；(4)构建的训练图像的特征字典D (4a)重复步骤(3)，提取η个训练图像的η个24维特征向量的特征f1; f2…，fn,并对这些特征向量进行整合，构成一个24 X η的特征矩阵H H= Lf1, f2,…，fn](4b)对η个训练图像的平均主观差异分数值DMOS进行整合，构成η维平均主观差异分数向量DMOSi DMOS' =QMOS1, DMOS' 2，…，DMOS' J(4c)将平均主观差异分数向量DMOS'与特征矩阵H—一对应，共同构成特征字典D
权利要求
1.一种基于自然场景统计中稀疏表示的无参考图像质量评价方法，包括如下步骤 (1)利用小波变换对一个训练图像进行四个尺度的分解，得到13个子带全部的小波系数C ; (2)忽略每个尺度上特征相同的水平高通垂直低通子带LH子带和水平低通垂直高通子带HL子带，提取一个训练图像的13个子带中小波系数不相同的8个子带的小波系数的幅值mk、方差Vk以及信息熵ek
全文摘要
本发明公开了一种基于自然场景统计中稀疏表示的无参考自然图像质量评价方法，主要解决现有技术在原始图像未知的情况下，客观评价分数与主观评价分数不同的问题。其实现步骤包括利用小波变换对图像进行子带分解，根据自然场景统计模型方法提取图像的有效特征；通过组合一系列不同内容、不同失真类型的图像，提取其自然场景统计特征以构建特征字典；在构建的特征字典中，用稀疏表示测试图像的自然场景统计特征；利用稀疏表示系数线性加权相关图像的差异平均主观分数值DMOS，最终得到测试图像质量的评价值。本发明具有适用于各种失真类型图像且与主观评价一致性好的优点，可用于对图像处理方法进行有效性评测。
文档编号G06T7/00GK102945552SQ20121040325
公开日2013年2月27日 申请日期2012年10月22日 优先权日2012年10月22日
发明者高新波, 何立火, 梅宁, 路文, 高飞, 侯伟龙, 郝磊 申请人:西安电子科技大学