本发明涉及图像处理领域，更具体地说，涉及一种基于支持向量回归的无参考屏幕图像质量评估方法。
背景技术：
随着虚拟屏幕共享、在线教育、云计算和远程桌面的迅速发展，屏幕图像成为学术界和工业界研究热点。屏幕图像是一种复合图像，既包含由计算机直接生成的图表和文字，又包含摄像机拍摄的自然图像。与自然图像相比，屏幕图像包含大量的图表和文字，具有有限的色彩变化、简单结构和细的边缘。
由于采集系统、存储介质、处理算法及传输设备的影响，设备终端获取的屏幕图像不可避免地会出现降质，如何准确评估屏幕图像质量并利用评估结果动态地监测和调整图像质量、优化图像处理系统等成为屏幕图像技术领域亟待解决的关键问题。
根据评估算法是否需要原始参考图像，屏幕图像质量评估方法又可分为3类：全参考屏幕图像质量评估法、半参考屏幕图像质量评估法和无参考屏幕图像质量评估法。当前研究最多的是全参考屏幕图像质量评估方法。但是，考虑到多数实际应用中无法获得相应的屏幕参考图像且人类视觉系统无需参考图像也可以对失真屏幕图像质量做出评估，无参考屏幕图像质量评估的研究更具实用价值。
然而，无参考屏幕图像质量评估存在很大的困难和挑战。首先，人类视觉系统对视觉信息的认知过程相对比较复杂，客观屏幕图像质量评估算法还无法完全模拟大脑认知屏幕图像的过程。其次，在没有图像参考信息的情况下，与图像质量相关的特征很难准确提取。目前现有无参考图像质量评估算法大多是针对自然图像设计的，由于自然图像与屏幕图像具有不同的图像结构和统计特性，现有方法并不能有效评估屏幕图像质量。
因此，无参考屏幕图像质量评估方法研究具有一定的理论意义和实际应用价值。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种无需参考屏幕图像，计算得到的客观分数与人眼视觉感知具有较高的一致性，且计算简单的基于支持向量回归的无参考屏幕图像质量评估方法。
本发明的技术方案如下：
一种基于支持向量回归的无参考屏幕图像质量评估方法，步骤如下：
1)选择失真屏幕图像作为样本屏幕图像组成训练集；
2)计算样本屏幕图像的方向梯度直方图，并转换成列向量，作为该样本屏幕图像的特征信息；
3)利用支持向量回归网络，将所有样本屏幕图像的特征信息结合主观质量分数进行训练，得到屏幕图像特征信息与主观质量分数的映射关系模型；
4)输入待测屏幕图像，计算待测屏幕图像的方向梯度直方图，并转换成列向量，得到相应特征信息；
5)将得到的待测屏幕图像的特征信息结合映射关系模型，输入支持向量回归网络，输出待测屏幕图像的质量分数。
作为优选，步骤1)中，随机选取屏幕图像数据集中的若干失真屏幕图像作为样本屏幕图像组成训练集。
作为优选，步骤2)中，计算样本屏幕图像的方向梯度直方图，步骤如下：
2.1)灰度化样本屏幕图像；
2.2)计算灰度化后的样本屏幕图像的梯度幅值和梯度方向；
2.3)计算样本屏幕图像的方向梯度直方图，步骤如下：
2.3.1)将梯度幅值图像和梯度方向图像按k个像素值步长分割成若干个块，将每个块均匀分成n个单元；
2.3.2)梯度方向取0度到180度，把梯度方向平均划分成m个区间，在每个单元里面对所有像素的梯度幅值在各个方向区间进行直方图统计；
2.3.3)把块内n个单元的特征向量级联得到一个n×m维向量，再把该样本屏幕图像包含的所有块的特征向量级联，得到样本屏幕图像的方向梯度直方图。
作为优选，步骤2.2)中，计算灰度化后的样本屏幕图像的梯度幅值和梯度方向，公式如下：
其中，gh(x,y)＝d(x+1,y)-d(x-1,y)，为输入的样本屏幕图像中的水平方向梯度，gv(x,y)＝d(x,y+1)-d(x,y-1)，为输入的样本屏幕图像中的垂直方向梯度，d(x,y)为输入的样本屏幕图像中的像素点(x,y)处的像素值。
作为优选，步骤2.3.2)的步骤如下：
如果单元中某个像素的梯度方向是20°-40°，且梯度幅值为1，则方向梯度直方图的第二个通道数的计数加1，若梯度幅值为2，则方向梯度直方图的第二个通道数的计数就加2，以此计算得到一个m维的特征向量。
作为优选，步骤3)中，训练映射关系模型的步骤为：
按列合并样本屏幕图像的特征信息并得到特征矩阵，将特征矩阵与其对应的主观质量分数输入支持向量回归网络进行训练，得到屏幕图像特征信息与主观质量分数的映射关系模型。
本发明的有益效果如下：
本发明所述的基于支持向量回归的无参考屏幕图像质量评估方法，计算方向梯度直方图，作为失真屏幕图像的特征信息，利用支持向量回归(svr)网络进行训练，得到屏幕图像特征信息与主观质量分数的映射关系模型，以准确评估屏幕图像质量。
本发明所述的方法无需参考屏幕图像，计算得到的客观分数与人眼视觉感知具有较高的一致性，且其计算简单。
附图说明
图1是本发明的原理框图。
具体实施方式
以下结合附图及实施例对本发明进行进一步的详细说明。
一种基于支持向量回归的无参考屏幕图像质量评估方法，如图1所示，步骤如下：
1)选择用于训练的失真屏幕图像作为样本屏幕图像组成训练集；本实施例中，随机选取屏幕图像数据集中80％的失真屏幕图像作为样本屏幕图像组成训练集。
2)计算样本屏幕图像的方向梯度直方图，并转换成列向量，作为该样本屏幕图像的特征信息。
计算样本屏幕图像的方向梯度直方图，步骤如下：
2.1)灰度化样本屏幕图像，本实施例，并将灰度化后的样本屏幕图像缩放到400×400像素；
2.2)计算灰度化后的样本屏幕图像的梯度幅值和梯度方向，公式如下：
其中，gh(x,y)＝d(x+1,y)-d(x-1,y)，为输入的样本屏幕图像中的水平方向梯度，gv(x,y)＝d(x,y+1)-d(x,y-1)，为输入的样本屏幕图像中的垂直方向梯度，d(x,y)为输入的样本屏幕图像中的像素点(x,y)处的像素值；
2.3)计算样本屏幕图像的方向梯度直方图，步骤如下：
2.3.1)将梯度幅值图像和梯度方向图像按k个像素值步长分割成若干个块，将每个块均匀分成n个单元；本实施例中，将梯度幅值图像和梯度方向图像按8个像素值步长分割成若干个16×16像素的块，将每个块均匀分成4个单元；
2.3.2)梯度方向取0度到180度，把梯度方向平均划分成m个区间，在每个单元里面对所有像素的梯度幅值在各个方向区间进行直方图统计；如果单元中某个像素的梯度方向是20°-40°，且梯度幅值为1，则方向梯度直方图的第二个通道数的计数加1，若梯度幅值为2，则方向梯度直方图的第二个通道数的计数就加2，以此计算得到一个m维的特征向量；
本实施例中，把梯度方向平均划分成9个区间，则最终计算得到一个9维的特征向量；
2.3.3)把块内n个单元的特征向量级联得到一个n×m维向量，再把该样本屏幕图像包含的所有块的特征向量级联，得到样本屏幕图像的方向梯度直方图。即在本实施例中，把块内4个单元的特征向量级联得到一个36维向量。
3)利用支持向量回归网络，将所有样本屏幕图像的特征信息结合主观质量分数进行训练，得到屏幕图像特征信息与主观质量分数的映射关系模型；
训练映射关系模型的步骤为：
按列合并样本屏幕图像的特征信息并得到特征矩阵，将特征矩阵与其对应的主观质量分数输入支持向量回归网络进行训练，得到屏幕图像特征信息与主观质量分数的映射关系模型。
4)输入待测屏幕图像，按照步骤2)计算待测屏幕图像的方向梯度直方图，并转换成列向量，得到相应特征信息。
5)将得到的待测屏幕图像的特征信息结合映射关系模型，输入支持向量回归网络，输出待测屏幕图像的质量分数。
上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。