一种分数傅立叶变换和广义伽玛分布的图像质量评价方法
【专利说明】一种分数傅立叶变换和广义伽玛分布的图像质量评价方法 (一） .技术领域
[0001] 本发明属于图像处理领域，公开了一种基于分数傅立叶变换和广义伽玛分布的无 参考图像质量评价方法。 (二） .【背景技术】
[0002] 图像质量评价可分成主观图像质量评价方法和客观图像质量评价方法。主观评价 方法根据观察者的感受进行打分，虽然准确，但存在着成本高昂和费时等缺点，客观图像质 量评价方法采用计算模型自动预测图像质量，成本低，耗时短，具有很好的应用价值。客观 图像质量评价方法可分成全参考，半参考和无参考三种类型。全参考图像质量评价方法利 用原始图像的完整信息作为评价的参考，半参考图像质量评价方法利用原始图像的部分信 息作为评价参考，无参考图像质量评价方法完全利用待评价图像的本身信息进行图像质量 评价。本发明涉及一种无参考图像质量评价方法。BIQI(BlindImageQualityIndices) 是一种常用的无参考图像质量评价方法，BIQI首先对图像进行二维小波变换得到小波系 数，在用广义高斯分布建模小波系数，估计得到广义高斯分布的均值，方差，形状参数，并将 均值，方差和形状参数组成特征向量，将特征向量用训练好的支持向量机进行分类，将失真 图像分类到开￡6，开￡62000^81^1?和？？类型中的某个类型。分类完毕后，特征向量被输 入到训练好的支持向量回归机中，得到输入图像的主观质量分值。BIQI算法在图像质量评 价中得到广泛应用，但BIQI算法中的广义高斯分布不能很好地建模小波系数，导致预测输 出的主观质量分值与实际的主观质量分值存在较大的偏差。与广义1?斯分布相比，广义伽 玛分布比广义高斯分布多出一个索引形状参数，当满足一定条件时，广义伽玛分布变成广 义高斯分布，因此广义伽玛分布比广义高斯分布能更好地建模小波系数。因此，可得到更好 的预测主观质量分值。此外，BIQI中采用小波变换对图像进行处理，但小波变换的滤波系 数固定，不能很好地反映图像的时频特性，因此可采用分数阶傅里叶变换对图像进行处理， 改变分数阶傅立叶变换的阶数，可得到图像的不同阶数下的时频分析，相比小波变换，分数 阶傅立叶变换有更好的灵活性，因此用分数阶傅里叶变换代替小波变换，得到的预测输出 的主观质量分值与实际图像主观质量分值更吻合。 (三） .
【发明内容】
[0003] 本发明的目的是提供一种预测更精确的无参考图像质量评价方法。
[0004] 本发明采用的技术方案是：一.将图像数据库划分成训练图像和测试图像两类， 对训练图像和测试图像分别进行二维离散分数阶傅立叶变换得到分数阶傅立叶系数，分数 阶傅立叶变换的阶数取为〇. 25,0. 5,0. 75和1。二.对不同分数阶下的分数傅立叶系数采 用广义伽马分布进行建模，得到每个分数阶下水平，垂直和对角三个方向广义伽马分布的 均值，方差，形状参数和索引形状参数，并组成每个图像的特征向量。三.将训练图像的特 征向量和训练图像所属的失真类别送到分类支持向量机中进行训练，得到训练好的分类支 持向量机，用于将图像分成JPEG，JPEG2000,WN，BLUR和FF五个不同的失真类。四.将训 练图像分成JPEG，JPEG2000,WN，BLUR和FF五个不同的失真类，每一类的图像的特征向量 和主观MOS分值送到支持向量回归机中进行训练，得到训练好的支持向量回归机，用于预 测每一类的客观图像质量。五.将测试图像的特征向量送到第三步训练好的支持向量机中 进行分类，将图像分类到JPEG，JPEG2000,WN，BLUR和FF五个失真类中的某一类。六.将 测试图像的特征向量送到第五步训练得到的某个失真类的支持向量回归机中，得到测试图 像预测的客观图像质量分值。
[0005] 下面详细给出该发明技术方案的各个细节说明：
[0006] 步骤（1):对输入训练图像和测试图像进行分数傅里叶变换，具体是：
[0007] 将图像数据库分成训练图像和测试图像两部分，对训练图像和测试图像分别进行 二维离散分数阶傅立叶变换，二维分数阶傅里叶变换采用的阶数分别取为〇. 25,0. 5,0. 75 和1。二维分数阶傅里叶变换采用串联的一维分数阶傅里叶行变换和一维分数阶傅里叶列 变换实现，若训练图像和测试图像记为X，AJPA2表示分数傅里叶行变换系数矩阵和分数 傅里叶列变换系数矩阵，则图像的二维P阶傅里叶变换系数可表示为=Af。P为 二维傅立叶变换系数。其中P为分数阶傅里叶变换的阶数。
[0008] 步骤（2):用广义伽玛分布对二维分数傅立叶系数进行建模，具体是：
[0009] 将阶数为0. 25,0. 5,0. 75和1的二维分数阶傅立叶系数划分成水平，垂直和对角 三个方向的系数，分别得到水平，垂直和对角方向的分数傅里叶变换系数直方图，再用广义 伽玛分布对水平，垂直和对角方向的分数傅立叶系数进行建模，采用期望值最大化方法得 到广义伽玛分布的均值，方差，形状参数和索引形状参数。设建模水平方向，垂直方向和对 角方向二维分数阶傅里叶变换系数的广义伽玛分布的均值，方差，形状参数和索引形状参 数分别为： h，〇h，ah，3J，v，〇v，av，3J及 d，〇d，ad，3 d}。则构成图像的 48x1 维特征向量为：?[?，<，此，?<，AT思}，其中P=0. 25,0? 5,0? 75 和1。
[0010] 步骤（3):将训练图像的特征向量送到用于分类的支持向量机中进行训练，具体 是：
[0011] 为了将测试图像分类到JPEG，JPEG2000，WN，BLUR和FF五个失真类中，将步骤1和 步骤2中提取的训练图像特征向量和训练图像所属的失真类别送到支持向量机中进行训 练，得到训练好的支持向量机用于对输入图像进行分类。
[0012] 步骤（4):将每一类训练图像的特征向量和对应的主观MOS分值送到支持向量回 归机中进行训练，具体是：
[0013] 将JPEG，JPEG2000,WN，BLUR和FF五个失真类中的某一类图像的特征向量和对 应图像的主观MOS分值送到支持向量回归机中进行训练，得到某一失真类的训练好的支持 向量回归机。步骤（5):将测试图像的特征向量送到训练好的支持向量机中进行分类，具体 是：
[0014] 将步骤⑴和步骤⑵提取的测试图像特征向量送到步骤（3)中训练好的用于分 类的支持向量机中进行分类，将输入测试图像分类到JPEG，JPEG2000,WN，BLUR和FF五个 失真类中的某一类中。
[0015] 步骤（6):将测试图像的特征向量送到训练好的支持向量回归机中得到测试图像 的主观分值，具体是：
[0016] 将测试图像的特征向量送到步骤（3)中训练好的支持向量机中进行分类，将测试 图像分类到JPEG，JPEG2000,WN，BLUR和FF五个失真类的某一类后，将测试图像的特征向 量送到该类的训练好的支持向量回归机中，输出得到测试图像的对应客观MOS分值。 (四） .【附图说明】
[