一种基于梯度信息的无参考图像质量评价方法技术

技术编号:12030595 阅读:122 留言:0更新日期:2015-09-10 17:09
本发明专利技术公开了一种基于梯度信息的无参考图像质量评价方法,其通过深入挖掘人眼视觉对图像结构的感知特性,对失真图像实施梯度滤波,得到梯度信息的幅值图像和相位图像;接着对上述二幅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;然后求取幅值图像和相位图像中像素值为不同值的所有像素点的条件概率特征;最后根据条件概率特征,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;优点是由于充分考虑到了梯度结构改变对视觉质量的影响,因此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,能够有效地提高客观评价结果与主观感知之间的相关性。

【技术实现步骤摘要】
一种基于梯度信息的无参考图像质量评价方法
本专利技术涉及一种图像质量评价方法,尤其是涉及一种基于梯度信息的无参考图像质量评价方法。
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。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:全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法,当前研究最多的是全参考图像质量评价方法,但是该类方法要求评价时必须要有原始参考图像进行比较,且参考图像须是清晰质量较好的,而在一些实际应用场景中无法获得参考图像,这就制约了该类方法的使用。无参考图像质量评价方法不需要原始参考图像,只需待测图像就可以进行评价,可以适应较多的应用场合。因此无参考图像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基于梯度信息的无参考图像质量评价方法,其能够充分考虑到梯度结构改变对视觉质量的影响,从而能够提高客观评价结果与主观感知之间的相关性。本专利技术解决上述技术问题所采用的技术方案为:一种基于梯度信息的无参考图像质量评价方法,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)}实施梯度滤波,得到{Id(i,j)}的梯度信息的幅值图像和{Id(i,j)}的梯度信息的相位图像,对应记为{Md(i,j)}和其中,Md(i,j)表示{Md(i,j)}中坐标位置为(i,j)的像素点的像素值,表示中坐标位置为(i,j)的像素点的像素值;③采用局部二值化模式操作对{Md(i,j)}进行处理,得到{Md(i,j)}的局部二值化模式特征图像,记为{LBPM(i,j)};同样,采用局部二值化模式操作对进行处理,得到的局部二值化模式特征图像,记为其中,LBPM(i,j)表示{LBPM(i,j)}中坐标位置为(i,j)的像素点的像素值,LBPM(i,j)∈[0,P+1],表示中坐标位置为(i,j)的像素点的像素值,P表示局部二值化模式操作中的领域参数;④获取{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点与中像素值为0至P+1中的每个值的所有像素点的联合概率函数值,将{LBPM(i,j)}中像素值为m的所有像素点与中像素值为n的所有像素点的联合概率函数值记为其中,m=0,1,...,P,P+1,n=0,1,...,P,P+1,Pc()为联合概率函数;⑤计算{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征,将{LBPM(i,j)}中像素值为m的所有像素点的条件概率特征记为QM(LBPM(i,j)==m),并计算中像素值为0至P+1中的每个值的所有像素点的条件概率特征,将中像素值为n的所有像素点的条件概率特征记为其中,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梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、每幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征,将该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为m的所有像素点的条件概率特征记为QM,x(LBPM,x(i,j)==m),将该失真图像集合中的第x幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为n的所有像素点的条件概率特征记为其中,n”>1,x的初始值为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,m=0,1,...,P,P+1,n=0,1,...,P,P+1,LBPM,x(i,j)表示该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像{LBPM,x(i,j)}中坐标位置为(i,j)的像素点的像素值,LBPM,x(i,j)∈[0,P+1],表示该失真图像集合中的第x幅失真图像的梯度信息的相位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,⑦将该失真图像集合作为训练集;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梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、各自的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点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{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征进行测试,预测得到{Id(i,j)}的客观质量评价预测值,记为Q,Q=f(y),其中,Q是y的函数,f()为函数表示形式,y为输入,y表示{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征,(Wopt)T为Wopt的转置矢量,为y的线性函数。所述的步骤②中采用高斯导数函数作为梯度算子的梯度滤波器对{Id(i,j)}实施梯度滤波。所述的步骤③中局部二值化模式操作中的领域参数P取值为8。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,对失真图像实施梯度滤波,得到梯度信息的幅值图像和相位图像;接着对上述二幅图像分别进行局部二值化模式(LocalBinaryPattern)操作,得到各自的局部二值化模式特征图像;然后求取幅值图像和相位图像中像素值为不同值的所有像素点的条件概率特征;最后根据条件概率特征,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,由于充分考虑到了梯度结构改变对视觉质量的影响,因此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之间的相关性。附图说明图1为本专利技术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专利技术作进一步详细描述。本专利技术提出的一种基于梯度信息的无参考图像质量评价方法,其总体实现框图如图1所示,其处理过程为:首先,对失真图像实施梯度滤波,得到梯度信息的幅值图像和相位图像;接着对上述二幅图像分别进行局部二值化模式(LocalB本文档来自技高网...
一种基于梯度信息的无参考图像质量评价方法

【技术保护点】
一种基于梯度信息的无参考图像质量评价方法,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)}实施梯度滤波,得到{Id(i,j)}的梯度信息的幅值图像和{Id(i,j)}的梯度信息的相位图像,对应记为{Md(i,j)}和其中,Md(i,j)表示{Md(i,j)}中坐标位置为(i,j)的像素点的像素值,表示中坐标位置为(i,j)的像素点的像素值;③采用局部二值化模式操作对{Md(i,j)}进行处理,得到{Md(i,j)}的局部二值化模式特征图像,记为{LBPM(i,j)};同样,采用局部二值化模式操作对进行处理,得到的局部二值化模式特征图像,记为其中,LBPM(i,j)表示{LBPM(i,j)}中坐标位置为(i,j)的像素点的像素值,LBPM(i,j)∈[0,P+1],表示中坐标位置为(i,j)的像素点的像素值,P表示局部二值化模式操作中的领域参数;④获取{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点与中像素值为0至P+1中的每个值的所有像素点的联合概率函数值,将{LBPM(i,j)}中像素值为m的所有像素点与中像素值为n的所有像素点的联合概率函数值记为其中,m=0,1,…,P,P+1,n=0,1,…,P,P+1,Pc()为联合概率函数;⑤计算{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征,将{LBPM(i,j)}中像素值为m的所有像素点的条件概率特征记为QM(LBPM(i,j)==m),并计算中像素值为0至P+1中的每个值的所有像素点的条件概率特征,将中像素值为n的所有像素点的条件概率特征记为其中,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梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、每幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征,将该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为m的所有像素点的条件概率特征记为QM,x(LBPM,x(i,j)==m),将该失真图像集合中的第x幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为n的所有像素点的条件概率特征记为其中,n”>1,x的初始值为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,m=0,1,…,P,P+1,n=0,1,…,P,P+1,LBPM,x(i,j)表示该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像{LBPM,x(i,j)}中坐标位置为(i,j)的像素点的像素值,LBPM,x(i,j)∈[0,P+1],表示该失真图像集合中的第x幅失真图像的梯度信息的相位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,⑦将该失真图像集合作为训练集;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梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、各自的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点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{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征进行测试,预测得到{Id(i,j)}的客观质量评价预测值,记为Q,Q=f(y),其中,Q是y的函数,f()为函数表示形式,y为输入,y表示{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征,(Wopt)T为Wopt的转置矢量,为y的线性函数。...

【技术特征摘要】
1.一种基于梯度信息的无参考图像质量评价方法,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)}实施梯度滤波,得到{Id(i,j)}的梯度信息的幅值图像和{Id(i,j)}的梯度信息的相位图像,对应记为{Md(i,j)}和其中,Md(i,j)表示{Md(i,j)}中坐标位置为(i,j)的像素点的像素值,表示中坐标位置为(i,j)的像素点的像素值;③采用局部二值化模式操作对{Md(i,j)}进行处理,得到{Md(i,j)}的局部二值化模式特征图像,记为{LBPM(i,j)};同样,采用局部二值化模式操作对进行处理,得到的局部二值化模式特征图像,记为其中,LBPM(i,j)表示{LBPM(i,j)}中坐标位置为(i,j)的像素点的像素值,LBPM(i,j)∈[0,P+1],表示中坐标位置为(i,j)的像素点的像素值,P表示局部二值化模式操作中的领域参数;④获取{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点与中像素值为0至P+1中的每个值的所有像素点的联合概率函数值,将{LBPM(i,j)}中像素值为m的所有像素点与中像素值为n的所有像素点的联合概率函数值记为其中,m=0,1,…,P,P+1,n=0,1,…,P,P+1,Pc()为联合概率函数;⑤计算{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征,将{LBPM(i,j)}中像素值为m的所有像素点的条件概率特征记为QM(LBPM(i,j)==m),并计算中像素值为0至P+1中的每个值的所有像素点的条件概率特征,将中像素值为n的所有像素点的条件概率特征记为其中,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梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、每幅失真图像的梯度信息的相位图像的局部二值化模式特征图...

【专利技术属性】
技术研发人员:周武杰孙丽慧陈寿法翁剑枫郑卫红施祥李鑫张磊吴洁雯
申请(专利权)人:浙江科技学院
类型:发明
国别省市:浙江;33

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1