一种用于无参考图像质量评价的特征构建方法
【专利摘要】本发明公开一种用于无参考图像质量评价的特征构建方法，该方法首先对进行预处理，得到均值对比度归一化图像即MSCN图像；然后在多个尺度下对MSCN图像及邻域MSCN乘积图像计算统计直方图；接着将所有直方图进行串行级联，形成一个串联直方图；以此串联直方图为特征，训练分类器得到预测模型，对测试图像进行质量评价。与现有技术相比，本发明保留了更多原始图像的统计信息，具有更好的泛化性能。
【专利说明】一种用于无参考图像质量评价的特征构建方法
【技术领域】
[0001]本发明涉及一种图像处理【技术领域】的方法，具体是一种用于无参考图像质量评价的特征构建方法。
【背景技术】
[0002]无参考图像质量评价直接对输入图像进行分析，进而做出质量好坏评价。由于不需要原始图像源信息，对于实际应用非常方便。无参考客观图像质量评价方法分为两大类，第一类是基于训练模型的，这种方法往往根据具体失真种类提取一些特征，然后通过训练模型得到特征与预测主观分值的映射关系，不便之处在于对于不同失真都要设计方法提取相应特征，通用性比较差；另一类基于图像的自然统计特征，这种方法认为失真图像相对于无损图像一些特征存在着差异，并且这种差异会根据失真种类，损伤程度的不同而改变，从而能够通过这些特征评估图像的质量，此类方法无需知道图像的失真种类，通用性较强。
[0003]通过对现有文献的检索，目前无参考图像质量评价的代表性方法是Anish Mittal等人在 2012 年 IEEE Transactions on Image Processing, vol.21 (12), pp.4695-4708(2012年IEEE图像处理会刊第21卷12期，4695至4708页)上发表的“No-reference imagequality assessment in the spatial domain (空间域无参考图像质量评价)”一文中提出的一种用于无参考图像质量评价的自然图像统计特征构建方法(简称为BRISQUE)。该方法直接对多个不同尺度或方位的预处理图像拟合广义高斯分布模型，将模型参数共计36个系数值作为图像自然统计特征，采用支持向量机(Support Vector Machine,简称SVM)进行模型训练和测试。然而拟合广义高斯分布模型的步骤对输入图像做了过强的假设，不可避免地降低了图像的原始信息量，进而影响了模型的精度。
【发明内容】
[0004]本发明在现有基于自然统计特性的无参考客观质量评价方法的基础上，设计了一种新的特征构建方法，可以保留很多图像的原始信息量，可以获得更高的图像质量评价效果O
[0005]本发明在Anish Mittal等人方法的基础上，简化了特征提取方法,仓Il新点在于:用分布直方图参数取代了广义高斯分布参数，广义高斯分布参数属于粗粒度的特征因而会损失部分原始图像的信息；而本发明在预处理图像上直接构建串联直方图特征，尽可能地保留原始图像的统计特性，进而降低了复杂度并提升了泛化特能。
[0006]为实现上述目的，本发明采用以下技术方案:
[0007]—种用于无参考图像质量评价的特征构建方法，该方法包括如下步骤:
[0008]I)图像预处理，得到均值对比度归一化(Mean Subtracted ContrastNormalized,简称 MSCN)图像；
[0009]本步骤中，对于原图1(i，j),用下列公式进行预处理，从而得到均值对比度归一化的MSCN图像:
【权利要求】
1.一种用于无参考图像质量评价的特征构建方法，其特征在于所述方法包括如下步骤: 第一步，图像预处理，得到均值对比度归一化图像即MSCN图像； 对于原图1(i，j)，用下列公式进行预处理，从而得到均值对比度归一化的MSCN图像:
2.根据权利要求1所述的一种用于无参考图像质量评价的特征构建方法，其特征在于所述方法用于无参考图像质量评价时，对训练图像库中的图像提取串联直方图特征，与主观分值一起放入分类器中进行训练，得到预测模型；对测试图像计算图像级联直方图特征，用训练好的分类器进行评价。
【文档编号】G06T7/00GK103778636SQ201410029622
【公开日】2014年5月7日 申请日期:2014年1月22日 优先权日:2014年1月22日
【发明者】宋利, 陈忱 申请人:上海交通大学