本发明属于图像质量评价技术领域，具体涉及一种结合多种特征的无参考自然图像质量评价方法。
背景技术：
随着近些年多媒体设备的快速发展，大众对图像质量的要求急剧提高，故图像质量评价在近年获得极大关注。图像质量评价分为全参考、半参考、无参考图像质量评价三类，由于绝大多数实际情况无法获得无失真的本体信息，所以无参考图像质量评价方法最为实用。
1、全参考算法：基本思路是通过设计特征来比较失真图像和参考图像的局部差异，然后在整幅图像上求出一个总的平均统计量，并把这个统计量与图像质量关联起来。这类方法分为有基于误差统计量和和基于hvs模型的算法，主要代表有均方误差(mse)模型、峰值信噪比(psnr)等均属于这类方法。该类方法研究时间最长，也最为成熟；但由于需要比较像素级差异，因此计算量较大，另外该类算法由于需要参考图，应用时灵活性差。
2、半参考算法：基本思路是首先将图像分块，然后以图像块为单位分别统计失真图像和参考图像的相关特征，最后比较这些统计特征之间的差异。这类方法又分为基于图像特征统计量的算法和基于数字水印的算法，主要代表有结构相似度(ssim)模型、nss模型、vif算法。这类算法的特点是其只需从参考图像中提取部分统计量用于比较，无需原始的像素级别的信息，数据量较全参考算法更小，计算代价更小；与全参考算法一样，该类方法仍然需要参考图像，应用时灵活性差。
3、无参考算法：主要包括针对失真类型的算法和基于机器学习的算法，代表方法有频域评价算法、循环反向传播(cbp)神经网络。这类方法的特点无需参考图像，应用更广，泛化能力更强，近几年来无参考算法已经开始成为研究的热点。但目前的无参考算法无法摆脱其评价结果受图像内容的影响。
现有的无参考图像质量评价方法主要分两类，第一类主要针对一种特征进行评价，由于图像的复杂性，无法精确的模拟图像和感知质量之间的映射关系，单一类型的特征只能对特定的失真进行判定，缺乏普适性。第二类方法主要是根据统计规律来进行判定，但是图像种类繁多，不同种类的图像统计规律差异极大，此方法只能针对特定类型的图像有效。
技术实现要素：
本发明的目的是提供一种结合多种特征的无参考图像质量评价方法。
为此，本发明提供了一种结合多种特征的无参考自然图像质量评价方法，包括如下步骤：
步骤1、输入图像，对原图进行曝光值加减处理，得到+1ev、+2ev、-1ev、-2ev的4幅图像；
步骤2、将步骤1中得到的4幅图像和原图依次转为灰度图像，得到5幅灰度图像；
步骤3、将5幅图像分别进行直方图统计，计算其直方图均衡系数
其中，n为总像素数，n为灰度级的数量，count(i)为灰度为i的像素数；故可以得到5个直方图均衡系数
步骤4、对步骤3中得到的5个直方图均衡系数构建一个4次拟合函数，并求该拟合函数的极小值点，归一化之后作为特征featurehbc；
步骤5、对步骤2得到的5幅灰度图像分别计算其均方根对比度系数
其中，imax为灰度值的最大值，imin为最小值，μ为全图的灰度均值，其余与步骤3中定义相同；
步骤6、对步骤5中5个均方根对比度值进行修正
步骤7、对步骤2得到的5幅灰度图像分别计算其熵值
其中，pi为灰度级为i的像素在图中出现的概率，其余定义与步骤5中相同；
步骤8、对步骤7中的5个熵值构建4次拟合函数，并求极小值点，归一化之后作为特征featureh；
步骤9、对步骤2中获得的原图的灰度图像计算其宽容度量化系数
并作为特征featurel；
步骤10、对步骤2中获得的原图的灰度图像进行分块，计算每一块图像的熵值hi，从步骤7中获取全图熵值h；取hi的中位数为hmed；
步骤11、利用步骤10中的hmed和h构建分段函数(5)，然后根据公式(6)计算分块带权值的熵值均值
其中，r＝|hmed-h|，max为分的块数，并将hdw归一化之后作为特征featurehdw；
步骤12、对步骤2中获得的原图的灰度图像进行8邻域点锐度均值计算
其中，wa为权值
步骤13、从步骤12中获取8邻域点锐度均值eav和每一点的8邻域点锐度
将asd归一化之后转化为特征featureasd；
步骤14、对步骤2中获得的原图的灰度图像进行分割，计算每一个小块的灰度均值
步骤15：利用上述步骤得到的8个特征构建一个向量
fi＝[featurehbcfeaturencsdfeaturehfeaturelfeaturehdwfeatureeavfeatureasdfeaturen]t；
步骤16、定义矩阵f＝[f1f2……fn]＝[f1，f2],fj(j＝1,2,…,n)为第j张图像的特征向量，f1为人工标注数据，f2为未标注的数据；
步骤17、定义评分向量d＝[x1x2x3x4x5]t，其中，x1为评价为极差的概率，x2为评价为差的概率，x3为评价为一般的概率，x4为评价为好的概率，x5为评价为极好的概率，然后输入已标注的统计概率；
步骤18、定义矩阵
步骤19、计算所有图像的特征点之间的欧氏距离ρ(fi,fj)＝||fi-fj||2，寻找每个点k近邻点；
步骤20、用k个近邻点线性表示原数据点，其误差函数
步骤21、利用步骤20中的权值矩阵wij将训练样本点映射到5维的评分空间d＝[x1x2x3x4x5]中；映射方程为：
步骤22、根据步骤21解得的无标注图像的评价概率矩阵d2，可得到无标注的图像i的评分di＝[x1x2x3x4x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5。若ai≤0.5则最终评价结果为极差，若0.5＜ai≤1.5则最终评价结果为差，若1.5＜ai≤2.5则最终评价结果为一般，若2.5＜ai≤3.5则最终评价结果为好，若ai≥3.5则最终评价结果为极好。
所述拟合函数的定义为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2；步骤4中，y的取值为5个对应的直方图均衡系数；步骤6中，y的取值为修正后的5个均方根；步骤8中，y的取值为5个熵值构建4次拟合函数。
所述步骤4、步骤6、步骤8中的归一化函数为y＝e-x；其中x为输入值，即对应步骤4、步骤6、步骤8的拟合函数的极小值点的绝对值，y为结果值。
所述步骤11的归一化函数为
所述步骤12的归一化函数为
所述步骤13的归一化函数为
所述步骤10中，原图的灰度图像进行分块的范围为25到81块(5*5到9*9)。
所述步骤14中，原图的灰度图像进行分割的范围为900到10000块(30*30到100*100)。
本发明的有益效果：本发明提供的这种结合多种特征的无参考图像质量评价方法，结合多种图像特征对图像进行质量评价，能够综合考虑图像噪声、图像清晰度等特征，可以更好对图像进行分类，具有更好的普遍性，能够适应各种不同特性的图像质量评价，方便对图像进行科学的分类。
以下将结合附图对本发明做进一步详细说明。
附图说明
图1是结合多种特征的无参考图像质量评价方法流程示意图。
具体实施方式
为进一步阐述本发明达成预定目的所采取的技术手段及功效，以下结合附图及实施例对本发明的具体实施方式、结构特征及其功效，详细说明如下。
为了克服现有图像质量评价针对的图像特征单一，缺乏普遍性的问题，本发明提供了一种如图1所述的种结合多种特征的无参考自然图像质量评价方法，包括如下步骤：
步骤1、输入图像，对原图进行曝光值加减处理，得到+1ev、+2ev、-1ev、-2ev的4幅图像；
步骤2、将步骤1中得到的4幅图像和原图依次转为灰度图像，得到5幅灰度图像；
步骤3、将5幅图像分别进行直方图统计，计算其直方图均衡系数
其中，n为总像素数，n为灰度级的数量，count(i)为灰度为i的像素数；故可以得到5个直方图均衡系数
步骤4、对步骤3中得到的5个直方图均衡系数构建一个4次拟合函数，拟合函数的定义为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2，y为步骤3中得到的对应的直方图均衡系数，将x,y带入拟合函数后，确定a0、a1、a2、a3、a4的值，然后该拟合函数的极小值点，将极小值点取绝对值，使用y＝e-x方程进行归一化(其中x为输入值，即拟合函数的极小值点的绝对值，y为结果值)，结果值作为特征featurehbc；
步骤5、对步骤2得到的5幅灰度图像分别计算其均方根对比度系数
其中，imax为灰度值的最大值，imin为最小值，μ为全图的灰度均值，其余与步骤3中定义相同；
步骤6、对步骤5中5个均方根对比度值进行修正
步骤7、对步骤2得到的5幅灰度图像分别计算其熵值
其中，pi为灰度级为i的像素在图中出现的概率，其余定义与步骤5中相同；
步骤8、对步骤7中的5个熵值构建4次拟合函数，拟合函数的定义同样为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2，y的取值为步骤7中的5个熵值，将x,y带入拟合函数后，确定a0、a1、a2、a3、a4的值，然后该拟合函数的极小值点，将极小值点取绝对值，使用y＝e-x方程进行归一化(其中x为输入值，即拟合函数的极小值点的绝对值，y为结果值)，，归一化之后作为特征featureh；
步骤9、对步骤2中获得的原图的灰度图像计算其宽容度量化系数
并作为特征featurel；
步骤10、对步骤2中获得的原图的灰度图像进行分块，分块的范围为25到81块(即：5*5到9*9)，计算每一块图像的熵值hi，从步骤7中获取全图熵值h；取hi的中位数为hmed；
步骤11、利用步骤10中的hmed和h构建分段函数(5)，然后根据公式(6)计算分块带权值的熵值均值
其中，r＝|hmed-h|，max为分的块数，并将hdw归一化之后作为特征featurehdw；归一化函数为
步骤12、对步骤2中获得的原图的灰度图像进行8邻域点锐度均值计算
其中，wa为权值
步骤13、从步骤12中获取8邻域点锐度均值eav和每一点的8邻域点锐度
将asd归一化之后转化为特征featureasd；归一化函数为
步骤14、对步骤2中获得的原图的灰度图像进行分割，分割的范围为900到10000块(30*30到100*100)；计算每一个小块的灰度均值
步骤15：利用上述步骤得到的8个特征构建一个向量
fi＝[featurehbcfeaturencsdfeaturehfeaturelfeaturehdwfeatureeavfeatureasdfeaturen]t；
步骤16、定义矩阵f＝[f1f2……fn]＝[f1，f2],fj(j＝1,2,…,n)为第j张图像的特征向量，f1为人工标注数据，f2为未标注的数据；
步骤17、定义评分向量d＝[x1x2x3x4x5]t，其中，x1为评价为极差的概率，x2为评价为差的概率，x3为评价为一般的概率，x4为评价为好的概率，x5为评价为极好的概率，然后输入已标注的统计概率；
步骤18、定义矩阵
步骤19、计算所有图像的特征点之间的欧氏距离ρ(fi,fj)＝||fi-fj||2，寻找每个点k近邻点；
步骤20、用k个近邻点线性表示原数据点，其误差函数
步骤21、利用步骤20中的权值矩阵wij将训练样本点映射到5维的评分空间d＝[x1x2x3x4x5]中；映射方程为：
步骤22、根据步骤21解得的无标注图像的评价概率矩阵d2，可得到无标注的图像i的评分di＝[x1x2x3x4x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5。若ai≤0.5则最终评价结果为极差，若0.5＜ai≤1.5则最终评价结果为差，若1.5＜ai≤2.5则最终评价结果为一般，若2.5＜ai≤3.5则最终评价结果为好，若ai≥3.5则最终评价结果为极好。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。