本发明涉及一种图像质量评价方法，尤其是涉及一种眼底图像无参考质量评价方法。
背景技术：
：眼底图像由专门的眼底相机拍摄获取，眼底图像包括视网膜中视盘、黄斑和血管等主要生理结构，是医学影像中一类重要的图像。其中，视盘在正常的眼底图像中表现为近似圆形的亮色区域，与背景区域的对比度最强，为视神经和血管的起始区域；黄斑由于其含有丰富的叶黄素，因此在眼底图像中表现为暗色区域，且该区域无血管结构，在黄斑的正中央有一个向内凹陷的区域称为中央凹；血管由视盘区域开始并延伸到整个眼球内部，呈现树状分布在整个眼底图像中，在视盘区域的血管最粗、密度最大，且基本沿垂直方向延伸。质量优的眼底图像能够帮助眼科医生诊断各种眼底疾病，也能帮助诊断与视网膜病变相关的全身性疾病。然而在成像过程中，往往会存在光照偏亮、光照偏暗、光照不均匀、模糊、对比度低及布局不合理等问题，导致所获取的眼底图像不能用于诊断而需要重新拍摄，大大降低了效率且增加了医疗诊断成本。因此，在拍摄眼底图像的同时自动评价图像质量并推荐是否需要重拍就变得至关重要。技术实现要素：本发明所要解决的技术问题是提供一种眼底图像无参考质量评价方法，其能够有效地提高客观评价结果与主观感知之间的相关性，利用其能够准确地自动评价眼底图像质量以确定是否需要重新拍摄眼底图像。本发明解决上述技术问题所采用的技术方案为：一种眼底图像无参考质量评价方法，其特征在于包括训练阶段和测试阶段两个过程；所述的训练阶段过程的具体步骤为：①_1、选取n幅眼底图像构成训练图像集，记为{ik|1≤k≤n}；其中，n为正整数，n>1，k为正整数，1≤k≤n，ik表示{ik|1≤k≤n}中的第k幅眼底图像，{ik|1≤k≤n}中的每幅眼底图像的宽度为w，且高度为h；①_2、计算{ik|1≤k≤n}中的每幅眼底图像的亮度特征矢量，将ik的亮度特征矢量记为并计算{ik|1≤k≤n}中的每幅眼底图像的自然度特征矢量，将ik的自然度特征矢量记为计算{ik|1≤k≤n}中的每幅眼底图像的结构布局特征矢量，将ik的结构布局特征矢量记为其中，的维数为3×1，的维数为1×1，的维数为1×1；①_3、将{ik|1≤k≤n}中的每幅眼底图像的亮度特征矢量、自然度特征矢量和结构布局特征矢量按序排列构成{ik|1≤k≤n}中的每幅眼底图像的特征矢量，将ik的特征矢量记为fk，其中，fk的维数为5×1，符号“[]”为矢量表示符号，表示将和连接起来形成一个特征矢量，为的转置；①_4、将{ik|1≤k≤n}中的所有眼底图像各自的特征矢量和主观质量推荐值构成训练样本数据集合，训练样本数据集合中包含n个特征矢量和n个主观质量推荐值；然后采用支持向量回归作为机器学习的方法，对训练样本数据集合中的所有特征矢量进行训练，使得经过训练得到的回归函数值与主观质量推荐值之间的误差最小，拟合得到最优的权重矢量wopt和最优的偏置项bopt；接着利用最优的权重矢量wopt和最优的偏置项bopt，构造质量预测模型，记为f(f)，其中，f()为函数表示形式，f用于表示眼底图像的特征矢量，且作为质量预测模型的输入矢量，(wopt)t为wopt的转置，为f的线性函数；所述的测试阶段过程的具体步骤为：②对于任意一幅用作测试的眼底图像itest，按照步骤①_2至步骤①_3的过程，以相同的操作，获取itest的特征矢量，记为ftest；然后根据训练阶段构造的质量预测模型对ftest进行测试，预测得到ftest对应的预测值，将该预测值作为itest的质量客观评价预测值，记为qtest，其中，itest的宽度为w'，且高度为h'，ftest的维数为5×1，为ftest的线性函数。所述的步骤①_2中的的获取过程为：①_2a1、计算ik的暗通道掩膜图像，记为将中坐标位置为(x,y)的像素点的像素值记为其中，1≤x≤w，1≤y≤h，ik(x,y)表示ik中坐标位置为(x,y)的像素点的像素值，tlow为暗通道阈值；并计算ik的亮通道掩膜图像，记为将中坐标位置为(x,y)的像素点的像素值记为其中，thigh为亮通道阈值；①_2b1、计算中的所有像素点的像素值的均值，作为ik的暗通道比重特征，记为并计算中的所有像素点的像素值的均值，作为ik的亮通道比重特征，记为①_2c1、将ik划分成多个尺寸大小为9×9像素且步长为1像素的相互重叠的子块；然后从ik中的所有子块中随机选择m个子块；接着将选择的每个子块中的所有像素点的像素值组成列向量，将选择的第t个子块中的所有像素点的像素值组成的列向量记为yt；其中，m为正整数，1000≤m≤m*，m*表示ik中包含的子块的总个数，t为正整数，1≤t≤m，yt的维数为81×1；①_2d1、计算ik的非均匀亮度特征，记为其中，μt表示yt中的所有元素的值的均值，也即表示选择的第t个子块中的所有像素点的像素值的均值，符号“||||”为求欧氏距离符号；①_2e1、将和按序排列构成的矢量作为ik的亮度特征矢量其中，的维数为3×1，符号“[]”为矢量表示符号，表示将和连接起来形成一个矢量，为的转置。所述的步骤①_2中的的获取过程为：①_2a2、选取n'幅主观质量推荐值为优的眼底图像构成训练集；然后采用自然图像质量预测器从训练集中提取出训练集的原始多元高斯模型，记为(μ,c)；其中，n'为正整数，n'>1，μ表示(μ,c)的均值特征，c表示(μ,c)的协方差矩阵特征；①_2b2、将ik划分成m'个互不重叠的尺寸大小为64×64像素的子块；然后采用自然图像质量预测器从ik中的每个子块中提取出ik中的每个子块的原始多元高斯模型，将ik中的第t'个子块的原始多元高斯模型记为(μt',ct')；其中，m'为正整数，符号为向下取整操作符号，t'为正整数，1≤t'≤m'，μt'表示(μt',ct')的均值特征，ct'表示(μt',ct')的协方差矩阵特征；①_2c2、根据(μ,c)和ik中的每个子块的原始多元高斯模型，计算ik中的每个子块的自然度质量评价分值，将ik中的第t'个子块的自然度质量评价分值记为qt'，其中，(μ-μt')t为(μ-μt')的转置，为的逆；①_2d2、计算ik的自然度质量评价分值，记为然后直接将作为ik的自然度特征矢量其中，的维数为1×1。所述的步骤①_2中的的获取过程为：①_2a3、采用log-gabor滤波器对ik进行滤波处理，得到ik中的每个像素点在不同中心频率和不同方向因子下的频率响应，将ik中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应记为gω,θ(x,y)，gω,θ(x,y)＝eω,θ(x,y)+joω,θ(x,y)；其中，1≤x≤w，1≤y≤h，ω表示log-gabor滤波器的中心频率，θ表示log-gabor滤波器的方向因子，eω,θ(x,y)为gω,θ(x,y)的实部，oω,θ(x,y)为gω,θ(x,y)的虚部，符号“j”为虚数表示符号；①_2b3、计算ik的相位一致性图，记为{pck(x,y)}，将{pck(x,y)}中坐标位置为(x,y)的像素点的像素值记为pck(x,y)，其中，①_2c3、计算ik的二值血管图，记为{bk(x,y)}，将{bk(x,y)}中坐标位置为(x,y)的像素点的像素值记为bk(x,y)，其中，tpc为二值化阈值；①_2d3、计算ik的视盘中心位置，记为其中，表示求取使得的值最小时的(x',y')，δ表示水平偏移位置，ε表示垂直偏移位置，表示ik中以坐标位置(x',y')为中心、半径为100像素的圆形区域，bk(x'+δ,y'+ε)表示{bk(x,y)}中坐标位置为(x'+δ,y'+ε)的像素点的像素值；①_2e3、令sk表示ik的结构布局指标；然后判断是否落在规定的区域内，如果是，则令sk＝1，否则，令sk＝0；再直接将sk作为ik的结构布局特征矢量其中，的维数为1×1。所述的步骤①_2e3中，规定的区域定义为：将ik划分成8×8个互不重叠的尺寸大小为像素的区域，将ik中的第p个区域记为然后水平扫描ik，找出ik中的第25个区域第26个区域第27个区域第30个区域第31个区域第32个区域第33个区域第34个区域第35个区域第38个区域第39个区域第40个区域再将找出的所有区域构成的集合作为规定的区域其中，符号为向下取整操作符号，p为正整数，1≤p≤64。与现有技术相比，本发明的优点在于：本发明方法考虑了亮度、自然度和结构布局对眼底图像质量的影响，提取出暗通道比重特征、亮通道比重特征、非均匀亮度特征、自然度质量评价分值和结构布局指标构成特征矢量，然后利用支持向量回归对训练图像集中的所有眼底图像的特征矢量进行训练，构造质量预测模型；在测试阶段，通过计算用作测试的眼底图像的特征矢量，并根据训练阶段构造的质量预测模型，预测得到该眼底图像的质量客观评价预测值，由于获得的特征矢量信息能够较好地反映眼底图像的质量变化情况，因此有效地提高了客观评价结果与主观感知之间的相关性。附图说明图1为本发明方法的总体实现框图。具体实施方式以下结合附图实施例对本发明作进一步详细描述。本发明提出的一种眼底图像无参考质量评价方法，其总体实现框图如图1所示，其包括训练阶段和测试阶段两个过程。所述的训练阶段过程的具体步骤为：①_1、选取n幅眼底图像构成训练图像集，记为{ik|1≤k≤n}；其中，n为正整数，n>1，如取n＝1000，k为正整数，1≤k≤n，ik表示{ik|1≤k≤n}中的第k幅眼底图像，{ik|1≤k≤n}中的每幅眼底图像的宽度为w，且高度为h。在本实施例中，随机选择宁波大学建立的眼底图像数据库中的一部分眼底图像构成训练图像集。①_2、计算{ik|1≤k≤n}中的每幅眼底图像的亮度特征矢量，将ik的亮度特征矢量记为并计算{ik|1≤k≤n}中的每幅眼底图像的自然度特征矢量，将ik的自然度特征矢量记为计算{ik|1≤k≤n}中的每幅眼底图像的结构布局特征矢量，将ik的结构布局特征矢量记为其中，的维数为3×1，的维数为1×1，的维数为1×1。在本实施例中，步骤①_2中的的获取过程为：①_2a1、计算ik的暗通道掩膜图像，记为将中坐标位置为(x,y)的像素点的像素值记为其中，1≤x≤w，1≤y≤h，ik(x,y)表示ik中坐标位置为(x,y)的像素点的像素值，tlow为暗通道阈值，在本实施例中取tlow＝50。并计算ik的亮通道掩膜图像，记为将中坐标位置为(x,y)的像素点的像素值记为其中，thigh为亮通道阈值，在本实施例中取thigh＝240。①_2b1、计算中的所有像素点的像素值的均值，作为ik的暗通道比重特征，记为并计算中的所有像素点的像素值的均值，作为ik的亮通道比重特征，记为①_2c1、将ik划分成多个尺寸大小为9×9像素且步长为1像素的相互重叠的子块；然后从ik中的所有子块中随机选择m个子块；接着将选择的每个子块中的所有像素点的像素值组成列向量，将选择的第t个子块中的所有像素点的像素值组成的列向量记为yt；其中，m为正整数，1000≤m≤m*，m*表示ik中包含的子块的总个数，在本实施例中取m＝1000，t为正整数，1≤t≤m，yt的维数为81×1。①_2d1、计算ik的非均匀亮度特征，记为其中，μt表示yt中的所有元素的值的均值，也即表示选择的第t个子块中的所有像素点的像素值的均值，符号“||||”为求欧氏距离符号。①_2e1、将和按序排列构成的矢量作为ik的亮度特征矢量其中，的维数为3×1，符号“[]”为矢量表示符号，表示将和连接起来形成一个矢量，为的转置。在本实施例中，步骤①_2中的的获取过程为：①_2a2、选取n'幅主观质量推荐值为优的眼底图像构成训练集；然后采用现有的自然图像质量预测器(naturalimagequalityevaluator，niqe)从训练集中提取出训练集的原始多元高斯(pristinemultivariategaussian，mvg)模型，记为(μ,c)；其中，n'为正整数，n'>1，在本实施例中取n'＝100，μ表示(μ,c)的均值特征，c表示(μ,c)的协方差矩阵特征。①_2b2、将ik划分成m'个互不重叠的尺寸大小为64×64像素的子块；然后采用现有的自然图像质量预测器(naturalimagequalityevaluator，niqe)从ik中的每个子块中提取出ik中的每个子块的原始多元高斯模型，将ik中的第t'个子块的原始多元高斯模型记为(μt',ct')；其中，m'为正整数，符号为向下取整操作符号，t'为正整数，1≤t'≤m'，μt'表示(μt',ct')的均值特征，ct'表示(μt',ct')的协方差矩阵特征。①_2c2、根据(μ,c)和ik中的每个子块的原始多元高斯模型，计算ik中的每个子块的自然度质量评价分值，将ik中的第t'个子块的自然度质量评价分值记为qt'，其中，(μ-μt')t为(μ-μt')的转置，为的逆。①_2d2、计算ik的自然度质量评价分值，记为然后直接将作为ik的自然度特征矢量其中，的维数为1×1。在本实施例中，步骤①_2中的的获取过程为：①_2a3、采用log-gabor滤波器对ik进行滤波处理，得到ik中的每个像素点在不同中心频率和不同方向因子下的频率响应，将ik中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应记为gω,θ(x,y)，gω,θ(x,y)＝eω,θ(x,y)+joω,θ(x,y)；其中，1≤x≤w，1≤y≤h，ω表示log-gabor滤波器的中心频率，θ表示log-gabor滤波器的方向因子，eω,θ(x,y)为gω,θ(x,y)的实部，oω,θ(x,y)为gω,θ(x,y)的虚部，符号“j”为虚数表示符号。①_2b3、计算ik的相位一致性图，记为{pck(x,y)}，将{pck(x,y)}中坐标位置为(x,y)的像素点的像素值记为pck(x,y)，其中，①_2c3、计算ik的二值血管图，记为{bk(x,y)}，将{bk(x,y)}中坐标位置为(x,y)的像素点的像素值记为bk(x,y)，其中，tpc为二值化阈值，在本实施例中取tpc＝0.45。①_2d3、计算ik的视盘中心位置，记为其中，表示求取使得的值最小时的(x',y')，δ表示水平偏移位置，ε表示垂直偏移位置，表示ik中以坐标位置(x',y')为中心、半径为100像素的圆形区域，bk(x'+δ,y'+ε)表示{bk(x,y)}中坐标位置为(x'+δ,y'+ε)的像素点的像素值。①_2e3、令sk表示ik的结构布局指标；然后判断是否落在规定的区域内，如果是，则令sk＝1，否则，令sk＝0；再直接将sk作为ik的结构布局特征矢量其中，的维数为1×1。在本实施例中，步骤①_2e3中，规定的区域定义为：将ik划分成8×8个互不重叠的尺寸大小为像素的区域，将ik中的第p个区域记为然后水平扫描ik，找出ik中的第25个区域第26个区域第27个区域第30个区域第31个区域第32个区域第33个区域第34个区域第35个区域第38个区域第39个区域第40个区域再将找出的所有区域构成的集合作为规定的区域其中，符号为向下取整操作符号，p为正整数，1≤p≤64。①_3、将{ik|1≤k≤n}中的每幅眼底图像的亮度特征矢量、自然度特征矢量和结构布局特征矢量按序排列构成{ik|1≤k≤n}中的每幅眼底图像的特征矢量，将ik的特征矢量记为fk，其中，fk的维数为5×1，符号“[]”为矢量表示符号，表示将和连接起来形成一个特征矢量，为的转置。①_4、将{ik|1≤k≤n}中的所有眼底图像各自的特征矢量和主观质量推荐值构成训练样本数据集合，训练样本数据集合中包含n个特征矢量和n个主观质量推荐值；然后采用支持向量回归作为机器学习的方法，对训练样本数据集合中的所有特征矢量进行训练，使得经过训练得到的回归函数值与主观质量推荐值之间的误差最小，拟合得到最优的权重矢量wopt和最优的偏置项bopt；接着利用最优的权重矢量wopt和最优的偏置项bopt，构造质量预测模型，记为f(f)，其中，f()为函数表示形式，f用于表示眼底图像的特征矢量，且作为质量预测模型的输入矢量，(wopt)t为wopt的转置，为f的线性函数。所述的测试阶段过程的具体步骤为：②对于任意一幅用作测试的眼底图像itest，按照步骤①_2至步骤①_3的过程，以相同的操作，获取itest的特征矢量，记为ftest；然后根据训练阶段构造的质量预测模型对ftest进行测试，预测得到ftest对应的预测值，将该预测值作为itest的质量客观评价预测值，记为qtest，其中，itest的宽度为w'，且高度为h'，w'可与w相同或不相同，h'可与h相同或不相同，ftest的维数为5×1，为ftest的线性函数。为进一步说明本发明方法的可行性和有效性，对本发明方法进行试验。在本实施例中，采用宁波大学建立的眼底图像数据库作为图像数据库，宁波大学建立的眼底图像数据库包括1000幅眼底图像，每幅眼底图像指定一个值为1或0的主观质量推荐值，1表示推荐质量为优，0表示推荐质量为劣。本发明利用评估分类质量的4个常用指标，即灵敏性(sensitivity)、特异性(specificity)、准确性(accuracy)、roc曲线下的面积(auc)，如果灵敏性、特异性、准确性和roc曲线下的面积越接近100％，则说明本发明方法的客观评价结果与主观质量推荐值之间的相关性越好。表1给出了本发明方法得到的质量客观评价预测值与主观质量推荐值之间的相关性，从表1中可以看出，即使采用不同比例的眼底图像构成训练图像集，采用本发明方法得到的眼底图像的质量客观评价预测值与主观质量推荐值之间的相关性是很高的，足以说明本发明方法的有效性。表1采用本发明方法得到的质量客观评价预测值与主观质量推荐值之间的相关性指标80％眼底图像60％眼底图像40％眼底图像20％眼底图像sensitivity94.55％94.58％94.41％94.01％specificity89.11％88.82％87.99％84.38％accuracy92.07％91.95％91.49％89.62％auc91.88％91.68％91.20％89.21％当前第1页12