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yj,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yj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:
其中,pm,n表示第m幅图像Im中第n个像素的局部模式,1≤m≤60,1≤n≤Nm,Nm是图像Im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:
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pm,n,1≤m≤60,1≤n≤Nm,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di,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yj,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qj,l:
其中,1≤l≤Mj,Mj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:
(3b)根据局部模式qj,l和特征字典中所有基元di的欧式距离,计算距离qj,l最近的基元索引γj,l:
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hi,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yj:
yj=[h1,j,h2,j,…hK,j]。