一种基于图像纹理特征的无参考图像质量评价方法与流程

文档序号:11135291阅读:1374来源:国知局
一种基于图像纹理特征的无参考图像质量评价方法与制造工艺

本发明涉及一种图像质量评价方法,尤其是涉及一种无参考图像质量评价方法。



背景技术:

随着互联网技术的迅速发展和普及,以图像和视频为主的多媒体内容日益增多,为了满足人们的视觉享受,需要不断提高图像处理系统的性能。图像质量是衡量图像处理系统性能和改进图像处理系统参数的重要指标,在图像处理技术的发展中扮演着重要的角色。

图像质量评价方法可以分为主观评价和客观评价两类。其中,主观图像质量评价方法是指人眼直接观察图像并对图像质量进行判定,这种方法与人的主观感受一致,但耗时耗力,难以广泛推广。客观图像质量评价方法是通过建立数学模型,对图像质量进行计算。根据利用的原始参考图像信息的多少,可以将客观图像质量评价方法分为全参考、半参考和无参考图像质量评价方法三种。实际应用中,参考图像往往无法获取,因此,无参考图像质量评价方法是图像质量评价领域的研究重点。



技术实现要素:

本发明所需要解决的技术问题是提供一种无参考图像质量评价方法,充分考虑到图像失真对图像纹理的影响,有效提高客观评价结果与主观感知的相关性。本发明解决上述技术问题所采用的技术方案为:

一种基于图像纹理特征的无参考图像质量评价方法,其特征在于包括以下步骤:

①将图像记为I,I(a,b)表示坐标(a,b)处的图像I的灰度值,其中1≤a≤M,1≤b≤N,M,N分别为图像I的长度和宽度,对I进行3尺度的小波变换分解,将得到的9个高频细节子图,记做其中1≤r≤9。

②采用局部二进制模式计算图像I的局部二值模式图谱,并将其记做Ilbp

③分别计算和Ilbp的灰度共生矩阵,共得到10个灰度共生矩阵,将其记为Gh,1≤h≤10。

④分别计算Gh的4个特征参数,即对比度,相关性,能量和同质性,并将相同小波变换分解尺度下的水平细节小波子图和垂直细节小波子图的特征参数取平均,最终共获得24维的特征向量,记为f。

⑤利用支持向量回归模型对图像的特征向量f和相应的主观质量分数进行网络训练,得到图像的特征向量与主观质量分数的映射关系模型,将此模型作为预测模型,对图像的质量分数进行预测。

附图说明

图1为本发明方法的总体实现框图。

具体实施方式

以下结合附图对本发明作进一步详细描述。

本发明提出一种基于图像纹理特征的无参考图像质量评价方法,其总体实现框图如图1所示,其具体过程为:首先对图像进行3尺度小波变换分解和局部二值模式特征提取,获得图像的小波变换细节子图和局部二值模式特征图;然后计算小波子图和局部二值模式图的灰度共生矩阵,并计算灰度共生矩阵的对比度,相关性,能量和同质性,将得到的特征参数作为图像的特征向量;最后,利用支持向量回归模型对图像的特征向量和相应的主观质量分数进行网络训练,得到图像的特征向量与主观质量分数的映射关系模型,将此模型作为预测模型,对图像的质量分数进行预测。

本发明提出的基于图像纹理特征的无参考图像质量评价方法具体步骤如下:

①将图像记为I,I(a,b)表示坐标(a,b)处的图像的灰度值,其中1≤a≤M,1≤b≤N,M,N分别为图像I的长度和宽度。对I进行3尺度的小波变换分解,将得到的9个高频细节子图,记做其中1≤r≤9。

②采用局部二进制模式计算图像I的局部二值模式图谱,并将其记做Ilbp。本发明方法中,局部二值模式采用半径为1,邻域点个数为8的局部二值模式。

③分别计算和Ilbp的灰度共生矩阵,将得到的10个灰度共生矩阵并记为Gh,1≤h≤10。其中,灰度共生矩阵建立在估计图像的二阶组合条件概率密度函数的基础上,是分析图像纹理的重要工具,其具体计算过程为:图像I(M×N)中,其灰度值为i的像素点和在方向θ上与其距离为d的像素点的灰度值为j的概率为p(i,j|d,θ):

其中,#{x}表示大括号中满足条件的像素点对数,I(k,l)表示坐标(k,l)处的图像的灰度值,I(m,n)表示坐标(m,n)处的图像的灰度值。本发明中取θ=0°,d=1。

④分别计算Gh的4个特征参数,即对比度,相关性,能量和同质性。其具体含义及计算方法如下:

a)对比度fcon能表示图像纹理沟纹的深浅和图像的清晰度,计算公式如下

b)相关性fcor描述了图像的灰度相关性,如公式3所示:

其中,μx和μy分别是图像水平和垂直方向灰度的均值,σx和σy分别是图像水平和垂直方向灰度的方差。

c)能量fene表征图像纹理的粗细程度和灰度分布是否均匀,如公式4所示

d)同质性fhom描述图像局部变换的多少,如下式所示:

由于相同分解尺度的水平和垂直小波细节子图具有相似的统计特性,因此将相同尺度下的水平细节小波子图和垂直细节小波子图的特征参数取平均,最终获得24维的特征向量f。

⑤利用支持向量回归模型对图像的特征向量f和相应的主观质量分数进行网络训练,得到图像的特征向量与主观质量分数的映射关系模型,将此模型作为预测模型,对图像的质量分数进行预测。本发明中,支持向量回归模型采用的核函数为径向基函数。

为证明本发明方法获得的图像质量客观评价结果与主观评价结果有很高的一致性,预测结果能准确反映图像的质量,将本方法在LIVEⅡ数据库上进行测试。取图像质量评价领域常用的3个性能指标对预测结果与主观评价结果进行比较,3个指标分别为皮尔森相关系数(Pearson linear correlation coefficient,PLCC)、斯皮尔曼相关系数(Spearman rank order correlation coefficient,SROCC)和均方根误差(RootMean SquaredError,RMSE),其中,皮尔森相关系数([0,1])计算了客观预测结果与主观评价的相关性,PLCC值越接近于1表明预测结果与主观评价结果相关性越高;皮尔森相关系数([0,1])表征客观预测结果与主观评价的单调性,SROCC值越大则预测结果与主观评价结果越一致;均方根误差计算了客观预测结果与主观评价结果的误差,值越接近于0,表明预测的质量分数越准确。在LIVEⅡ数据库上的具体测试过程为:

a)取LIVEⅡ数据库中80%的图像作为训练集,其余20%图像为测试集。

b)用支持向量回归模型对训练集图像的特征向量和主观质量分数进行训练,得到特征向量与主观质量分数的映射关系模型,利用此模型对测试集图像的质量进行预测。

c)计算客观预测分数与主观评价结果的PLCC、SROCC和RMSE值。

d)将上述a)、b)、c)过程重复1000次,取1000次测试得到的PLCC、SROCC和RMSE值的中值作为最终的性能评价结果。

本发明方法在LIVEⅡ数据库上测试得到的性能指标如表1所示,可以看出,RMSE值较小,说明预测结果与主观评价结果误差小。从PLCC和SROCC值来看,除了快衰落失真类型中SROCC值为0.884以外,其他PLCC和SROCC值均高于0.91,在整个数据库上测试结果中,PLCC和SROCC分别达到了0.938和0.935,说明本方法的客观预测分数与主观评价结果一致性很高。表明本发明符合人眼视觉系统的观看效果。

表1 LIVEⅡ数据库上1000迭代测试中的PLCC、SROCC和RMSE中值

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1