一种基于灰度差分统计的无参考图像质量评价方法及系统与流程
本发明涉及图像研究领域，并且更具体地，涉及一种基于灰度差分统计的无参考图像质量评价方法及系统。
背景技术：
互联网技术的发展和普及，丰富了人们的日常，方便了人与人之间的交流沟通，特别是图像和视频等多媒体内容的大量传输，给我们带来了极大的视觉享受。但是在图像的采集、传输和存储等过程中，图像常常被引入不同类型和不同程度的失真，导致图像质量的下降，影响了图像的观看效果。为了提高图像处理系统和图像传输系统的性能，需要对图像的质量进行有效的评判，因此，建立合理有效的图像质量评价方法十分重要。
图像质量评价算法可以分为主观图像质量评价方法和客观图像质量评价方法。主观图像质量评价方法要求被试直接观看图像并对图像的质量进行评价，这种方法耗时耗力，因此不适宜应用在实际的图像处理和图像传输系统中。客观图像质量评价方法通过建立数学模型，对图像的质量进行计算，可以实现大量图像质量的实时评价。根据可利用的参考图像信息的多少，图像质量评价方法可以分为以下三种：全参考、半参考和无参考图像质量评价方法。在工程应用中，一般无法获得原始图像，因此，无参考图像质量评价是图像质量评价领域研究的重点。
技术实现要素：
本发明提供了一种基于灰度差分统计的无参考图像质量评价方法及系统，以解决对图像质量评价的确定问题。
为了解决上述问题，根据本发明的一个方面，提供了一种基于灰度差分统计的无参考图像质量评价方法，所述方法包括：
根据预设次数n对所述训练数据集中的每个失真图像连续进行n次低通滤波和下采样处理，分别获取所述训练数据集中的每个失真图像的第2至n+1尺度图像；
计算训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱；
计算所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱的灰度差值，并对所述灰度差值进行统计，获取灰度差概率分布函数；
基于灰度差概率分布函数，构造统计量，获取所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的特征向量；
将所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的特征向量和每个失真图像的主观质量分数利用支持向量回归机svm进行训练，确定特征向量和主观质量分数的映射关系模型；
利用所述特征向量和主观质量分数的映射关系模型对测试图像的质量分数进行评价，获取评价结果。
优选地，其中所述预设次数为4次。
优选地，其中所述局部而知模式的半径为1，邻域点个数为8。
优选地，其中所述计算所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱的灰度差分值，并对所述灰度拆分值进行统计，获取灰度差概率分布函数，包括：
记失真图像为i(x,y)，对应的局部二值模式图谱为ilbp，(x,y)为ilbp图像中的一点，点(x,y)对应的灰度值为g(x,y)，与(x,y)间隔为
利用上述方法获取训练数据集中的每个失真图像和对应的第2至n+1尺度图像的所有像素点的灰度差值；
对所述灰度差值的所有可能取值进行统计，获取间隔为
优选地，其中所述间隔
优选地，其中所述特征向量包括：对比度、角二阶矩、熵和平均值，
所述对比度的计算公式为：
所述角二阶矩的计算公式为：
所述熵的计算公式为：
所述平均值的计算公式为：
其中，con为对比度，asm为角二阶矩，ent为熵，mean为平均值，i为灰度差值，
根据本发明的另一个发明，提供了一种基于灰度差分统计的无参考图像质量评价系统，所述系统包括：多次尺度图像获取单元、二值模式图谱获取单元、灰度差概率分布函数获取单元、特征向量获取单元、映射关系模型确定单元和评价单元，
所述多次尺度图像获取单元，用于根据预设次数n对所述训练数据集中的每个失真图像连续进行n次低通滤波和下采样处理，分别获取所述训练数据集中的每个失真图像的第2至n+1尺度图像；
所述二值模式图谱获取单元，用于计算训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱；
所述灰度差概率分布函数获取单元，用于计算所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱的灰度差值，并对所述灰度差值进行统计，获取灰度差概率分布函数；
所述特征向量获取单元，用于基于灰度差概率分布函数，构造统计量，获取所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的特征向量；
所述映射关系模型确定单元，用于将所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的特征向量和每个失真图像的主观质量分数利用支持向量回归机svm进行训练，确定特征向量和主观质量分数的映射关系模型；
所述评价单元，用于利用所述特征向量和主观质量分数的映射关系模型对测试图像的质量分数进行评价，获取评价结果。
优选地，其中所述预设次数为4次。
优选地，其中，所述局部而知模式的半径为1，邻域点个数为8。
优选地，其中所述灰度差概率分布函数获取单元，计算所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱的灰度差分值，并对所述灰度拆分值进行统计，获取灰度差概率分布函数，包括：
记失真图像为i(x,y)，对应的局部二值模式图谱为ilbp，(x,y)为ilbp图像中的一点，点(x,y)对应的灰度值为g(x,y)，与(x,y)间隔为
利用上述方法获取训练数据集中的每个失真图像和对应的第2至n+1尺度图像的所有像素点的灰度差值；
对所述灰度差值的所有可能取值进行统计，获取间隔为
优选地，其中所述间隔
优选地，其中所述特征向量包括：对比度、角二阶矩、熵和平均值，
所述对比度的计算公式为：
所述角二阶矩的计算公式为：
所述熵的计算公式为：
所述平均值的计算公式为：
其中，con为对比度，asm为角二阶矩，ent为熵，mean为平均值，i为灰度差值，
本发明提供了一种基于灰度差分统计的无参考图像质量评价方法及系统，通过计算失真图像的局部二值模式特征图；计算局部二值模式图像的灰度差分并统计获取灰度差概率分布函数；获取图像的特征向量，将特征向量和每个失真图像的主观质量分数利用支持向量回归机svm进行训练，确定特征向量和主观质量分数的映射关系模型，并利用所述映射关系模型对图像质量进行评价。本发明方法的图像质量评价结果与人类视觉系统具有很高的一致性，有效地评价了图像的质量，对图像处理系统和图像传输系统的性能改善具有很大的现实意义。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的基于灰度差分统计的无参考图像质量评价方法100的示意图；以及
图2为根据本发明实施方式的基于灰度差分统计的无参考图像质量评价系统200的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的基于灰度差分统计的无参考图像质量评价方法100的示意图。如图1所示，本发明实施方式的基于灰度差分统计的无参考图像质量评价方法100，根据预设次数对所述训练数据集中的每个失真图像连续进行n次低通滤波和下采样处理，分别获取所述训练数据集中的每个失真图像的第2至n+1尺度图像；计算训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱；计算局部二值模式图谱的灰度差值，并对所述灰度差值进行统计，获取灰度差概率分布函数；基于灰度差概率分布函数，构造统计量，获取所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的特征向量；将所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的特征向量和每个失真图像的主观质量分数利用支持向量回归机svm进行训练，确定特征向量和主观质量分数的映射关系模型；利用所述特征向量和主观质量分数的映射关系模型对测试图像的质量分数进行评价，获取评价结果。图像纹理是一种重要的图像特征，并且图像纹理的变化与图像失真类型、图像失真程度密切相关。因此，根据本发明的实施方式通过提取图像的纹理特征，利用支持向量回归机svm建立图像质量评价模型，实现无参考图像质量评价。所述方法100从步骤101处开始，在步骤101根据预设次数n对所述训练数据集中的每个失真图像连续进行n次低通滤波和下采样处理，分别获取所述训练数据集中的每个失真图像的第2至n+1尺度图像。优选地，其中所述预设次数为4次。优选地，其中所述局部而知模式的半径为1，邻域点个数为8。
优选地，在步骤102计算训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱。
优选地，在步骤103计算所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱的灰度差值，并对所述灰度差值进行统计，获取灰度差概率分布函数。
优选地，其中所述计算所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱的灰度差分值，并对所述灰度拆分值进行统计，获取灰度差概率分布函数，包括：
记失真图像为i(x,y)，对应的局部二值模式图谱为ilbp，(x,y)为ilbp图像中的一点，点(x,y)对应的灰度值为g(x,y)，与(x,y)间隔为
利用上述方法获取训练数据集中的每个失真图像和对应的第2至n+1尺度图像的所有像素点的灰度差值；
对所述灰度差值的所有可能取值进行统计，获取间隔为
优选地，在步骤104基于灰度差概率分布函数，构造统计量，获取所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的特征向量。优选地，其中所述特征向量包括：对比度、角二阶矩、熵和平均值，
所述对比度的计算公式为：
所述角二阶矩的计算公式为：
所述熵的计算公式为：
所述平均值的计算公式为：
其中，con为对比度，asm为角二阶矩，ent为熵，mean为平均值，i为灰度差值，
在本发明的实施方式中，基于灰度差概率分布函数，分别构造对比度、角二阶矩、熵和平均值4个统计量，4个统计量的计算方法和描述的图像特征具体如下：
对比度描述了图像清晰度和图像纹理沟纹的深浅。图像越清晰，沟纹越深，则对比度的值越大。反之，模糊的图像对比度值小。将对比度记为con,计算方法如下式：
角二阶矩反映了图像的灰度分布的均匀程度，图像的灰度分布越均匀，角二阶矩越小。将角二阶矩记为asm，计算公式如(3)所示：
熵度量了图像的信息量，熵较大时，表明图像分布不均匀。将熵记为ent，具体计算方法如下：
平均值反映了图像灰度值的总体分布情况，图像的亮度区域越多，平均值越大。将平均值记为mean，公式如下：
对训练集中的每个失真图像连续进行四次低通滤波和下采样，分别得到训练集中的每个失真图像的第2,3,4和5尺度的图像，对5个尺度上的图像分别完成四个特征提取过程，最终的到每个失真图像的特征向量为20维。
优选地，在步骤105将所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的特征向量和每个失真图像的主观质量分数利用支持向量回归机svm进行训练，确定特征向量和主观质量分数的映射关系模型。
优选地，在步骤106利用所述特征向量和主观质量分数的映射关系模型对测试图像的质量分数进行评价，获取评价结果。
为了验证本发明的实施方式的基于灰度差分统计的无参考图像质量评价方法的性能，将其在liveⅱ数据库上进行测试。采用图像质量评价领域的3个通用性能指标测试本发明方法的性能，即皮尔森相关系数(plcc)、斯皮尔曼相关系数(srocc)和均方根误差(rmse)。其中，srocc值衡量客观预测分数与主观评价分数的单调性，越接近于1，表示评价结果越好。plcc值表征客观预测分数与主观评价分数的相关性，值越接近于1表示预测分数与主观质量分数相关性越高。均方根误差是客观预测分数与主观评价分数之间的绝对误差，均方根误差越接近于0，表明客观预测越准确。
本发明的实验方法设置如下：在liveⅱ数据库随机取80％的图像作为训练集，其余图像为测试集；提取训练集和测试集图像的特征向量，将训练集图像的主观质量分数和图像特征向量输入支持向量回归机中进行训练学习，获得特征向量与主观质量分数的映射关系模型；将测试图像的特征向量输入此回归模型，获得测试图像的预测质量分数；计算预测质量分数与主观质量分数的plcc、srocc和rmse值；将上述过程重复1000次，取各性能参数的中值作为本实施方式的基于灰度差分统计的无参考图像质量评价方法的最终性能。
在liveⅱ数据库上测试得到的3个性能指标如表1所示，可以看出，rmse值较小，说明本发明方法的图像质量评价结果比较准确。在单失真数据集和整个数据库上测试得到的plcc和srocc值均在0.89以上，说明本发明的图像质量评价结果与主观评价结果较为一致。
表1liveⅱ数据库上1000迭代测试中的plcc、srocc和rmse中值
实验结果表明，本发明的图像质量评价模型评价结果准确，与人眼视觉系统一致性高，能够有效地评价图像的质量，对图像处理系统和图像传输系统的性能改善具有很大的现实意义。
图2为根据本发明实施方式的基于灰度差分统计的无参考图像质量评价系统200的结构示意图。如图2所示，所述基于灰度差分统计的无参考图像质量评价系统200包括：多次尺度图像获取单元201、二值模式图谱获取单元202、灰度差概率分布函数获取单元203、特征向量获取单元204、映射关系模型确定单元205和评价单元206。
优选地，所述多次尺度图像获取单元201，用于根据预设次数n对所述训练数据集中的每个失真图像连续进行n次低通滤波和下采样处理，分别获取所述训练数据集中的每个失真图像的第2至n+1尺度图像。优选地，其中所述预设次数为4次。
优选地，其中，所述局部而知模式的半径为1，邻域点个数为8。
优选地，所述二值模式图谱获取单元202，用于计算训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱。
优选地，所述灰度差概率分布函数获取单元203，用于计算所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱的灰度差值，并对所述灰度差值进行统计，获取灰度差概率分布函数。优选地，其中所述灰度差概率分布函数获取单元，计算所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的局部二值模式图谱的灰度差分值，并对所述灰度拆分值进行统计，获取灰度差概率分布函数，包括：
记失真图像为i(x,y)，对应的局部二值模式图谱为ilbp，(x,y)为ilbp图像中的一点，点(x,y)对应的灰度值为g(x,y)，与(x,y)间隔为
利用上述方法获取训练数据集中的每个失真图像和对应的第2至n+1尺度图像的所有像素点的灰度差值；
对所述灰度差值的所有可能取值进行统计，获取间隔为
优选地，其中所述间隔
优选地，所述特征向量获取单元204，用于基于灰度差概率分布函数，构造统计量，获取所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的特征向量。优选地，其中所述特征向量包括：对比度、角二阶矩、熵和平均值，
所述对比度的计算公式为：
所述角二阶矩的计算公式为：
所述熵的计算公式为：
所述平均值的计算公式为：
其中，con为对比度，asm为角二阶矩，ent为熵，mean为平均值，i为灰度差值，
优选地，所述映射关系模型确定单元205，用于将所述训练数据集中的每个失真图像和对应的第2至n+1尺度图像的特征向量和每个失真图像的主观质量分数利用支持向量回归机svm进行训练，确定特征向量和主观质量分数的映射关系模型。
优选地，所述评价单元206，用于利用所述特征向量和主观质量分数的映射关系模型对测试图像的质量分数进行评价，获取评价结果。
本发明的实施例的基于灰度差分统计的无参考图像质量评价系统200与本发明的另一个实施例的基于灰度差分统计的无参考图像质量评价方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
- 还没有人留言评论。精彩留言会获得点赞！