性。
[0030]利用本发明方法计算LIVE图像库中的每幅失真图像的客观质量评价预测值，再 利用现有的主观评价方法获得LIVE图像库中的每幅失真图像的平均主观评分差值。将按 本发明方法计算得到的失真图像的客观质量评价预测值做五参数Logistic函数非线性拟 合，PLCC和SROCC值越高，RISE值越低说明按本发明方法计算得到的失真图像的客观质量 评价预测值与平均主观评分差值之间的相关性越好。反映本发明方法的质量评价性能的 PLCC、SROCC和RISE相关系数如表1所列。从表1所列的数据可知，按本发明方法得到的 失真图像的最终的客观质量评价预测值与平均主观评分差值之间的相关性是很好的，表明 客观评价结果与人眼主观感知的结果较为一致，足W说明本发明方法的可行性和有效性。
[0031] 表1利用本发明方法得到的失真图像的客观质量评价预测值与平均主观评分差 值之间的相关性
[0032]
【主权项】
1. 一种基于梯度信息的无参考图像质量评价方法，其特征在于包括以下步骤： ① 令{Id(i，j)}表示待评价的失真图像，其中，1彡i彡w，1彡j彡H，W表示{Id(i，j)} 的宽度，H表示{Id(i，j)}的高度，Id(i，j)表示{Id(i，j)}中坐标位置为（i，j)的像素点的 像素值； ② 对{Id(i，j)}实施梯度滤波，得到{Id(i，j)}的梯度信息的幅值图像和{I d(i，j)}的 梯度信息的相位图像，对应记为{Md(i，j)}和化,(/,/)}，其中，Md(i，j)表示{M d(i，j)}中坐 标位置为（i，j)的像素点的像素值，％(/_,./_)表示丨，/(U)}中坐标位置为（i，j)的像素点的 像素值； ③ 采用局部二值化模式操作对{Md(i，j)}进行处理，得到{Md(i，j)}的局部二值化模 式特征图像，记为{LBPM(i，j)};同样，采用局部二值化模式操作对进行处理，得到 {%(0_)}的局部二值化模式特征图像，记为其中，LBPM(i，j)表示{LBPM(i，j)} 中坐标位置为（i，j)的像素点的像素值，LBPM(i，j) e [〇，P+l]，/^/),(/./)表示中 坐标位置为（i，j)的像素点的像素值，P表示局部二值化模式操作中 的领域参数； ④ 获取{LBPM(i，j)}中像素值为0至P+1中的每个值的所有像素点与(△%(/，./)}中 像素值为〇至P+1中的每个值的所有像素点的联合概率函数值，将{LBPM(i，j)}中像素值 为m的所有像素点与中像素值为η的所有像素点的联合概率函数值记为,其中，m = 0, 1，...，Ρ，Ρ+1，η = 0, 1，...，P，P+1， PeO为联合概率函数； ⑤ 计算{LBPM(i，j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特 征，将{LBPM(i，j)}中像素值为m的所有像素点的条件概率特征记为QM(LBP M(i，j)== m)，；并计算中像素值为〇至Ρ+l中的 每个值的所有像素点的条件概率特征，将中像素值为η的所有像素点的条件 概率特征记为；其中，m = 0, 1，…，P，Ρ+1，η = 0, 1，…，P，P+1 ; ⑥ 采用η"幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图 像集合，该失真图像集合包括多幅失真图像；然后利用主观质量评价方法评价出该失真图 像集合中的每幅失真图像的主观评分，将该失真图像集合中的第X幅失真图像的主观评分 记为01?\;再按照步骤①至步骤⑤的操作，以相同的方式获取该失真图像集合中的每幅失 真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为〇至Ρ+1中的每个 值的所有像素点的条件概率特征、每幅失真图像的梯度信息的相位图像的局部二值化模式 特征图像中像素值为0至Ρ+1中的每个值的所有像素点的条件概率特征，将该失真图像集 合中的第X幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为m的 所有像素点的条件概率特征记为QM，x(LBPM;x(i，j) == m)，将该失真图像集合中的第X幅 失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为η的所有像素点 的条件概率特征记为./)=="):其中，η" >I，X的初始值为I，1彡X彡X，X表 示该失真图像集合中包含的失真图像的总幅数，〇 < DMOSxS 100, m = 0, 1，…，Ρ, Ρ+1，η = 0，1，···，Ρ，Ρ+1，LBPM，x(i，j)表示该失真图像集合中的第X幅失真图像的梯度信息的幅值 图像的局部二值化模式特征图像{LBP^aj)}中坐标位置为（i，j)的像素点的像素值， LBPM，x(i，j) e [〇，Ρ+1]，/^八.,(/，./)表示该失真图像集合中的第x幅失真图像的梯度信息 的相位图像的局部二值化模式特征图像中坐标位置为（i，j)的像素点的像素 值，「0，P +1]; ⑦将该失真图像集合作为训练集；然后利用支持向量回归对训练集中的所有失真图 像各自的主观评分及各自的梯度信息的幅值图像的局部二值化模式特征图像中像素值 为0至P+1中的每个值的所有像素点的条件概率特征、各自的梯度信息的相位图像的局 部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征 进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优 的权值矢量w°pt和最优的偏置项b °pt;接着利用W°pt和b _构造得到支持向量回归训练模 型；再根据支持向量回归训练模型，对{LBPM(i，j)}中像素值为0至P+1中的每个值的所 有像素点的条件概率特征和中像素值为〇至p+i中的每个值的所有像素点的 条件概率特征进行测试，预测得到{Id(i，j)}的客观质量评价预测值，记为Q，Q = f(y)， /Iv) =，，>Cv) + b'其中，〇是7的函数，f()为函数表示形式，y为输入，y表示 {LBPM(i，j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和?ΜΟ，./)} 中像素值为〇至P+1中的每个值的所有像素点的条件概率特征，（W°pt)TSW°pt的转置矢量， P〇')为y的线性函数。2. 根据权利要求1所述的一种基于梯度信息的无参考图像质量评价方法，其特征在于 所述的步骤②中采用高斯导数函数作为梯度算子的梯度滤波器对{Id(i，j)}实施梯度滤 波。3. 根据权利要求1或2所述的一种基于梯度信息的无参考图像质量评价方法，其特征 在于所述的步骤③中局部二值化模式操作中的领域参数P取值为8。
【专利摘要】本发明公开了一种基于梯度信息的无参考图像质量评价方法，其通过深入挖掘人眼视觉对图像结构的感知特性，对失真图像实施梯度滤波，得到梯度信息的幅值图像和相位图像；接着对上述二幅图像分别进行局部二值化模式操作，得到各自的局部二值化模式特征图像；然后求取幅值图像和相位图像中像素值为不同值的所有像素点的条件概率特征；最后根据条件概率特征，采用支持向量回归预测待评价的失真图像的客观质量评价预测值；优点是由于充分考虑到了梯度结构改变对视觉质量的影响，因此得到的客观质量评价预测值能够准确地反映人眼视觉主观感知质量，能够有效地提高客观评价结果与主观感知之间的相关性。
【IPC分类】H04N17/00, H04N19/154
【公开号】CN104902267
【申请号】CN201510309633
【发明人】周武杰, 孙丽慧, 陈寿法, 翁剑枫, 郑卫红, 施祥, 李鑫, 张磊, 吴洁雯
【申请人】浙江科技学院
【公开日】2015年9月9日
【申请日】2015年6月8日