基于特征字典的无参考图像质量评价方法与流程

技术特征：

1.一种基于特征字典的无参考图像质量评价方法，包括如下步骤：

(1)随机选择60幅自然图像，计算所有图像中每个像素的局部模式；

(2)通过加权K-means方法对所得局部模式进行聚类，用所有聚类中心构建特征字典

(3)给定包含L幅噪声图像的训练样本集计算第j幅训练图像的局部模式，并投影到特征字典上得到训练图像的特征y_j，1≤j≤L；

(4)采用支持向量回归SVR方法对训练样本集Ψ中所有训练图像的特征y_j及其对应的主观质量值进行训练，得到回归模型

(5)对于测试图像计算其所有像素的局部模式，并将这些局部模式投影到特征字典上得到测试图像的特征u；

(6)根据回归模型和测试图像的特征u，使用支持向量回归SVR方法预测出测试图像的质量值Q；

(7)根据质量值Q对待测试图像的质量进行判断：

若Q＝0，则表示该测试图像没有被噪声污染；

若0<Q≤0.25，则表示该测试图像被噪声轻度污染；

若0.25<Q≤0.75，则表示该测试图像被噪声中度污染；

若0.75<Q≤1，则表示该测试图像被噪声重度污染。

2.如权利要求1所述的方法，其中步骤(1)计算随机选择的60幅自然图像中每个像素的局部模式，通过下式计算：

$p_{m,n}=\&lsqb;c_{m,n}^1,c_{m,n}^2,...c_{m,n}^v,...,c_{m,n}^{24}\&rsqb;$

其中，p_m,n表示第m幅图像I_m中第n个像素的局部模式，1≤m≤60，1≤n≤N_m，N_m是图像I_m中的像素个数，v是以像素为中心的5×5邻域像素的编号，1≤v≤24，表示像素与其第v个邻域像素的灰度值比较结果：

$c_{m,n}^v=\left\{\begin{array}{cc}1,& s_{m,n}^v\&gt;s_{m,n}^0\\ 0,& s_{m,n}^v\&le;s_{m,n}^0\end{array}\right..$

3.如权利要求1所述的方法，其中所述步骤(2)，按如下步骤进行：

(2a)针对60幅自然图像的所有局部模式p_m,n，1≤m≤60，1≤n≤N_m，统计各个相同的局部模式出现的次数；

(2b)采用加权K-means方法对各局部模式及其出现的次数进行聚类，得到K个聚类中心d_i，1≤i≤K，并由这些聚类中心构成一个特征字典

4.如权利要求1所述的方法，其步骤(3)中计算第j幅训练图像的局部模式，并投影到特征字典上得到训练图像的特征y_j，通过如下步骤实现：

(3a)计算训练样本集Ψ中第j幅训练图像的第l个像素的局部模式q_j,l：

$q_{j,l}=\&lsqb;{\mathrm{\&sigma;}}_{j,l}^1,{\mathrm{\&sigma;}}_{j,l}^2,...{\mathrm{\&sigma;}}_{j,l}^w,...,{\mathrm{\&sigma;}}_{j,l}^{\mathrm{24}}\&rsqb;$

其中，1≤l≤M_j，M_j表示训练图像的像素个数，1≤j≤L，L是训练样本集中训练图像的个数，w是以像素为中心的5×5邻域像素的编号，1≤w≤24，表示像素与其第w个邻域像素的灰度值比较结果：

${\mathrm{\&sigma;}}_{j,l}^w=\left\{\begin{array}{cc}1,& a_{j,l}^w\&gt;a_{j,l}^0\\ 0,& a_{j,l}^w\&le;a_{j,l}^0\end{array}\right.;$

(3b)根据局部模式q_j,l和特征字典中所有基元d_i的欧式距离，计算距离q_j,l最近的基元索引γ_j,l：

${\mathrm{\&gamma;}}_{j,l}=\underset{i}{\arg \min }\left|\right|q_{j,l}-d_i|{|}_2^2,$

其中，1≤i≤K，表示计算二范数操作；

(3c)对于训练图像计算其局部模式对应的所有基元索引中第i个基元出现的频率h_i,j：

$h_{i,j}=\frac{\underset{l=1}{\overset{M_j}{\&Sigma;}}{g}_{i,j}^l}{M_j}$

其中，

(3d)组合每个基元出现的频率，得到训练样本集中第j幅训练图像的特征y_j：

y_j＝[h_1,j,h_2,j,…h_K,j]。