一种无参考图像客观质量评价方法技术

本发明专利技术公开了一种无参考图像客观质量评价方法，其通过深入挖掘人眼视觉对图像结构的感知特性，对失真图像分别实施高斯平滑梯度滤波和拉普拉斯算子高斯滤波，对应得到高斯平滑梯度滤波图像和拉普拉斯算子高斯滤波图像，接着对两幅滤波图像分别进行局部二值化模式操作，得到各自的局部二值化模式特征图像，然后求两幅局部二值化模式特征图像各自的边缘概率特征和条件概率特征，最后根据边缘概率特征和条件概率特征，采用支持向量回归预测待评价的失真图像的客观质量评价预测值，得到的客观质量评价预测值能够准确地反映人眼视觉主观感知质量，即能够有效地提高客观评价结果与主观感知的相关性。

【技术实现步骤摘要】
一种无参考图像客观质量评价方法
本专利技术涉及一种图像质量评价方法，尤其是涉及一种无参考图像客观质量评价方法。
技术介绍
图像质量是评价图像处理系统及算法优劣的主要性能指标。数字图像质量评价方法可以分为两类：主观评价方法和客观评价方法。前者是由观察者对图像质量进行评分，得到平均评价分用以衡量图像质量；后者利用数学模型计算图像质量。主观评价方法的实验结果比较可靠，但费时费力。客观评价方法又可分为三类：全参考图像客观质量评价方法、半参考图像客观质量评价方法和无参考图像客观质量评价方法，当前研究最多的是全参考图像客观质量评价方法，但是多数应用中无法获得相应的参考图像，而且人类视觉无需参考图像也可以对图像质量做出评价，因此，无参考图像客观质量评价方法的研究更具实用价值。
技术实现思路
本专利技术所要解决的技术问题是提供一种无参考图像客观质量评价方法，其能够充分考虑到图像结构改变对视觉质量的影响，从而提高客观评价结果与主观感知的相关性。本专利技术解决上述技术问题所采用的技术方案为：一种无参考图像客观质量评价方法，其特征在于包括以下步骤：①令{Id(i,j)}表示待评价的失真图像，其中，1≤i≤W,1≤j≤H，W表示{Id(i,j)}的宽度，H表示{Id(i,j)}的高度，Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值；②对{Id(i,j)}实施高斯平滑梯度滤波，得到{Id(i,j)}的高斯平滑梯度滤波图像，记为{Gd(i,j)}；并对{Id(i,j)}实施拉普拉斯算子高斯滤波，得到{Id(i,j)}的拉普拉斯算子高斯滤波图像，记为{Ld(i,j)}；其中，Gd(i,j)表示{Gd(i,j)}中坐标位置为(i,j)的像素点的像素值，Ld(i,j)表示{Ld(i,j)}中坐标位置为(i,j)的像素点的像素值；③采用局部二值化模式操作对{Gd(i,j)}进行处理，得到{Gd(i,j)}的局部二值化模式特征图像，记为{LBPG(i,j)}；同样，采用局部二值化模式操作对{Ld(i,j)}进行处理，得到{Ld(i,j)}的局部二值化模式特征图像，记为{LBPL(i,j)}；其中，LBPG(i,j)表示{LBPG(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPG(i,j)∈[1,P+2]，LBPL(i,j)表示{LBPL(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPL(i,j)∈[1,P+2]，P表示局部二值化模式操作中的邻域参数；④根据{LBPG(i,j)}和{LBPL(i,j)}，将{LBPG(i,j)}中像素值为m的所有像素点与{LBPL(i,j)}中像素值为n的所有像素点的联合概率函数值记为Km,n，Km,n＝Pc(LBPG(i,j)＝＝m,LBPL(i,j)＝＝n)，其中，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1，P表示局部二值化模式操作中的邻域参数，Pc(,)表示联合概率函数；⑤根据联合概率函数值Km,n，计算{LBPG(i,j)}和{LBPL(i,j)}各自的边缘概率特征，对应记为PG(LBPG(i,j)＝m)和PL(LBPL(i,j)＝n)，并根据联合概率函数值Km,n，计算{LBPG(i,j)}和{LBPL(i,j)}各自的条件概率特征，对应记为QG(LBPG(i,j)＝m)和QL(LBPL(i,j)＝n)，其中，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1；⑥采用n”幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图像集合，该失真图像集合包括多幅失真图像；然后利用主观质量评价方法分别评价出该失真图像集合中的每幅失真图像的主观评分，将该失真图像集合中的第x幅失真图像的主观评分记为DMOSx；再按照步骤①至步骤⑤的操作，以相同的方式获取该失真图像集合中的每幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像的边缘概率特征和条件概率特征、每幅失真图像的拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的边缘概率特征和条件概率特征，将该失真图像集合中的第x幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像的边缘概率特征和拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的边缘概率特征对应记为和将该失真图像集合中的第x幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像的条件概率特征和拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的条件概率特征对应记为和其中，n”>1，1≤x≤X，X表示该失真图像集合中包含的失真图像的总幅数，0≤DMOSx≤100，表示该失真图像集合中的第x幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像中坐标位置为(i,j)的像素点的像素值，表示该失真图像集合中的第x幅失真图像的拉普拉斯算子高斯滤波图像的局部二值化模式特征图像中坐标位置为(i,j)的像素点的像素值，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1；⑦将该失真图像集合中的所有失真图像分成两部分，分别构成训练集和测试集；然后利用支持向量回归对训练集中的所有失真图像各自的主观评分及各自的高斯平滑梯度滤波图像的局部二值化模式特征图像的边缘概率特征和拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的边缘概率特征、各自的高斯平滑梯度滤波图像的局部二值化模式特征图像的条件概率特征和拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的条件概率特征进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对测试集中的每幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像的边缘概率特征和拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的边缘概率特征、高斯平滑梯度滤波图像的局部二值化模式特征图像的条件概率特征和拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的条件概率特征进行测试，预测得到测试集中的每幅失真图像的客观质量评价预测值，将测试集中的第k'幅失真图像的客观质量评价预测值记为Qk'，Qk'＝f(xk')，其中，1≤k'≤t'，t'表示测试集中包含的失真图像的总幅数，X表示该失真图像集合中包含的失真图像的总幅数，f()为函数表示形式，Qk'是xk'的函数，xk'为输入，xk'为测试集中的第k'幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像的边缘概率特征、测试集中的第k'幅失真图像的拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的边缘概率特征、测试集中的第k'幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像的条件概率特征、测试集中的第k'幅失真图像的拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的条件概率特征中的一个，(Wopt)T为Wopt的转置矢量，为xk′的线性函数。所述的步骤③中局部二值化模式操作中的邻域参数P取值为8，局部半径参数R取值为1。与现有技术相比，本专利技术的优点在于：通过深入挖掘人眼视觉对图像结构的感知特性，对失真图像分别实施高斯平滑梯度滤波和拉普拉斯算子高斯滤波，对应得到高斯平滑梯度滤波图像和拉普拉斯算子高斯滤波图像，接着对两幅滤波图像分别进行本文档来自技高网...

【技术保护点】
一种无参考图像客观质量评价方法，其特征在于包括以下步骤：①令{Id(i,j)}表示待评价的失真图像，其中，1≤i≤W,1≤j≤H，W表示{Id(i,j)}的宽度，H表示{Id(i,j)}的高度，Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值；②对{Id(i,j)}实施高斯平滑梯度滤波，得到{Id(i,j)}的高斯平滑梯度滤波图像，记为{Gd(i,j)}；并对{Id(i,j)}实施拉普拉斯算子高斯滤波，得到{Id(i,j)}的拉普拉斯算子高斯滤波图像，记为{Ld(i,j)}；其中，Gd(i,j)表示{Gd(i,j)}中坐标位置为(i,j)的像素点的像素值，Ld(i,j)表示{Ld(i,j)}中坐标位置为(i,j)的像素点的像素值；③采用局部二值化模式操作对{Gd(i,j)}进行处理，得到{Gd(i,j)}的局部二值化模式特征图像，记为{LBPG(i,j)}；同样，采用局部二值化模式操作对{Ld(i,j)}进行处理，得到{Ld(i,j)}的局部二值化模式特征图像，记为{LBPL(i,j)}；其中，LBPG(i,j)表示{LBPG(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPG(i,j)∈[1,P+2]，LBPL(i,j)表示{LBPL(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPL(i,j)∈[1,P+2]，P表示局部二值化模式操作中的领域参数；④根据{LBPG(i,j)}和{LBPL(i,j)}，将{LBPG(i,j)}中像素值为m的所有像素点与{LBPL(i,j)}中像素值为n的所有像素点的联合概率函数值记为Km,n，Km,n＝Pc(LBPG(i,j)＝＝m,LBPL(i,j)＝＝n)，其中，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1，P表示局部二值化模式操作中的领域参数，Pc(,)表示联合概率函数；⑤根据联合概率函数值Km,n，计算{LBPG(i,j)}和{LBPL(i,j)}各自的边缘概率特征，对应记为PG(LBPG(i,j)＝m)和PL(LBPL(i,j)＝n)，并根据联合概率函数值Km,n，计算{LBPG(i,j)}和{LBPL(i,j)}各自的条件概率特征，对应记为QG(LBPG(i,j)＝m)和QL(LBPL(i,j)＝n)，QG(LBPG(i,j)=m)=1P+2Σn=0P+1Km,n,]]>QL(LBPL(i,j)=n)=1P+2Σm=0P+1Km,n;]]>其中，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1；⑥采用n″幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图像集合，该失真图像集合包括多幅失真图像；然后利用主观质量评价方法分别评价出该失真图像集合中的每幅失真图像的主观评分，将该失真图像集合中的第x幅失真图像的主观评分记为DMOSx；再按照步骤①至步骤⑤的操作，以相同的方式获取该失真图像集合中的每幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像的边缘概率特征和条件概率特征、每幅失真图像的拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的边缘概率特征和条件概率特征，将该失真图像集合中的第x幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像的边缘概率特征和拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的边缘概率特征对应记为和将该失真图像集合中的第x幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像的条件概率特征和拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的条件概率特征对应记为和其中，n″>1，1≤x≤X，X表示该失真图像集合中包含的失真图像的总幅数，0≤DMOSx≤100，表示该失真图像集合中的第x幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像中坐标位置为(i,j)的像素点的像素值，表示该失真图像集合中的第x幅失真图像的拉普拉斯算子高斯滤波图像的局部二值化模式特征图像中坐标位置为(i,j)的像素点的像素值，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1；⑦将该失真图像集合中的所有失真图像分成两部分，分别构成训练集和测试集；然后利用支持向量回归对训练集中的所有失真图像各自的主观评分及各自的高斯平滑梯度滤波图像的局部二值化模式特征图像的边缘概率特征和拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的边缘概率特征、各自的高斯平滑梯度滤波图像的局部二值化模式特征图像的条件概率特征和拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的条件概率特征进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对测试集中的每...

【技术特征摘要】
1.一种无参考图像客观质量评价方法，其特征在于包括以下步骤：①令{Id(i,j)}表示待评价的失真图像，其中，1≤i≤W,1≤j≤H，W表示{Id(i,j)}的宽度，H表示{Id(i,j)}的高度，Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值；②对{Id(i,j)}实施高斯平滑梯度滤波，得到{Id(i,j)}的高斯平滑梯度滤波图像，记为{Gd(i,j)}；并对{Id(i,j)}实施拉普拉斯算子高斯滤波，得到{Id(i,j)}的拉普拉斯算子高斯滤波图像，记为{Ld(i,j)}；其中，Gd(i,j)表示{Gd(i,j)}中坐标位置为(i,j)的像素点的像素值，Ld(i,j)表示{Ld(i,j)}中坐标位置为(i,j)的像素点的像素值；③采用局部二值化模式操作对{Gd(i,j)}进行处理，得到{Gd(i,j)}的局部二值化模式特征图像，记为{LBPG(i,j)}；同样，采用局部二值化模式操作对{Ld(i,j)}进行处理，得到{Ld(i,j)}的局部二值化模式特征图像，记为{LBPL(i,j)}；其中，LBPG(i,j)表示{LBPG(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPG(i,j)∈[1,P+2]，LBPL(i,j)表示{LBPL(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPL(i,j)∈[1,P+2]，P表示局部二值化模式操作中的邻域参数；④根据{LBPG(i,j)}和{LBPL(i,j)}，将{LBPG(i,j)}中像素值为m的所有像素点与{LBPL(i,j)}中像素值为n的所有像素点的联合概率函数值记为Km,n，Km,n＝Pc(LBPG(i,j)＝＝m,LBPL(i,j)＝＝n)，其中，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1，P表示局部二值化模式操作中的邻域参数，Pc(,)表示联合概率函数；⑤根据联合概率函数值Km,n，计算{LBPG(i,j)}和{LBPL(i,j)}各自的边缘概率特征，对应记为PG(LBPG(i,j)＝m)和PL(LBPL(i,j)＝n)，并根据联合概率函数值Km,n，计算{LBPG(i,j)}和{LBPL(i,j)}各自的条件概率特征，对应记为QG(LBPG(i,j)＝m)和QL(LBPL(i,j)＝n)，其中，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1；⑥采用n”幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图像集合，该失真图像集合包括多幅失真图像；然后利用主观质量评价方法分别评价出该失真图像集合中的每幅失真图像的主观评分，将该失真图像集合中的第x幅失真图像的主观评分记为DMOSx；再按照步骤①至步骤⑤的操作，以相同的方式获取该失真图像集合中的每幅失真图像的高斯平滑梯度滤波图像的局部二值化模式特征图像的边缘概率特征和条件概率特征、每幅失真图像的拉普拉斯算子高斯滤波图像的局部二值化模式特征图像的边缘概率特征和条件概率特征，...

【专利技术属性】
技术研发人员：周武杰，王中鹏，陈寿法，戴芹，邱薇薇，吴茗蔚，鲁琛，郑卫红，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江;33