The present invention discloses an objective method for evaluating the quality of full reference image based on depth fusion of visual multi-features, which includes a deeper level of information processing based on visual multi-channel salient gradient features, a visual multi-channel gradient histogram and a visual multi-channel gradient singular value complementary evaluation algorithm. To mine multi-sensory gradient information for depth evaluation of distorted image quality, and the depth fusion processing of the re-evaluation results. Firstly, a BP neural network visual multi-channel image quality fusion evaluation model is constructed to fuse the multi-channel evaluation results of each attention information for the first time. Then, a regression algorithm is designed to fuse the initial fusion evaluation of each attention feature layer by layer from the inner layer to the outer layer, and finally the distorted image is obtained. The multiple visual features of quality are fused to deal with the evaluation results. This method solves the problem of unstable evaluation and lack of subjectivity in the existing evaluation methods.
【技术实现步骤摘要】
一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法
本专利技术涉及图像处理
,具体涉及一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法。
技术介绍
图像作为一种广泛应用的信号,其在信息获取、传递和处理等各个领域均具有举足轻重的地位。当前,随着云计算能力的提升和人工智能研究的兴起,基于图像终端处理平台的各种应用业务获得了前所未有的发展,然而,图像信号易受污染,因此,图像质量评价的研究意义重大。图像质量评价研究领域中,客观方法以自动连续的高效工作方式而成为了该领域的研究热点,其中,全参考图像质量评价的研究意义尤其重要。传统经典评价算法如均方根误差RMSE、信噪比SNR以及峰值信噪比PSNR等评价结果和人眼主观测试差距较大。仿生学评价算法如Dalay算法,Safranek-Johnson算法,离散余弦变换算法以及Watson小波变换算法等建模复杂,速度慢,且有许多系统性缺陷制约导致建模效率较低。近些年出现的一些工程学评价方法及其改进算法,例如结构相似度SSIM方法,信息保真度IFC方法,奇异值分解SVD方法等,但这些方法的评价标准不相同,使得其评价结果数据没有可比性,例如,SSIM取值范围在{0,1}之间且取值越大说明图像质量越高,而IFC和SVD的取值范围则不受限,SVD越大说明图像质量越低,而IFC越大则说明图像质量越高;另外,实验证明,反映这些方法性能的一些重要评价指标水平尚有待提高,例如斯皮尔曼等级排序相关系数SROCC、均方根误差RMSE和皮尔逊相关系数PLCC等。最近几年,将视觉系统特性融入图像质量评价成为了研究热点,例如 ...
【技术保护点】
1.一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法,其特征在于,包括:步骤1,选取一个图像质量数据库,对其中包含的参考图像和失真图像进行预处理得到相应的图像灰度矩阵;步骤2,将失真图像分为训练集和测试集,并计算测试集中所有失真图像灰度矩阵的梯度特征评价结果;步骤3,提取所有参考图像灰度矩阵和失真图像灰度矩阵的视觉多通道梯度特征信息视图,并计算所有失真图像灰度矩阵的视觉通道梯度特征评价;步骤4,设计视觉多通道梯度特征‑直方图误差深度信息处理评价算法,并计算所有失真图像质量的视觉多通道梯度‑直方图深度信息评价;步骤5,设计视觉多通道梯度特征‑奇异值分解误差深度信息处理评价算法,并计算所有失真图像质量的视觉多通道梯度‑奇异值深度信息评价;步骤6,构建BP神经网络视觉多通道图像质量融合评价模型;步骤7,利用训练集中所有失真图像灰度矩阵的视觉通道梯度特征评价对构建的BP神经网络视觉多通道图像质量融合评价模型进行训练后,将测试集中的失真图像灰度矩阵的视觉通道梯度特征评价输入到训练好的BP神经网络视觉多通道图像质量融合评价模型进行预测,输出失真图像质量的视觉多通道梯度特征融合评价结果, ...
【技术特征摘要】
1.一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法,其特征在于,包括:步骤1,选取一个图像质量数据库,对其中包含的参考图像和失真图像进行预处理得到相应的图像灰度矩阵;步骤2,将失真图像分为训练集和测试集,并计算测试集中所有失真图像灰度矩阵的梯度特征评价结果;步骤3,提取所有参考图像灰度矩阵和失真图像灰度矩阵的视觉多通道梯度特征信息视图,并计算所有失真图像灰度矩阵的视觉通道梯度特征评价;步骤4,设计视觉多通道梯度特征-直方图误差深度信息处理评价算法,并计算所有失真图像质量的视觉多通道梯度-直方图深度信息评价;步骤5,设计视觉多通道梯度特征-奇异值分解误差深度信息处理评价算法,并计算所有失真图像质量的视觉多通道梯度-奇异值深度信息评价;步骤6,构建BP神经网络视觉多通道图像质量融合评价模型;步骤7,利用训练集中所有失真图像灰度矩阵的视觉通道梯度特征评价对构建的BP神经网络视觉多通道图像质量融合评价模型进行训练后,将测试集中的失真图像灰度矩阵的视觉通道梯度特征评价输入到训练好的BP神经网络视觉多通道图像质量融合评价模型进行预测,输出失真图像质量的视觉多通道梯度特征融合评价结果,并对该结果进行偏置处理;步骤8,利用训练集中所有失真图像质量的视觉多通道梯度-直方图深度信息评价对构建的BP神经网络视觉多通道图像质量融合评价模型进行训练后,将测试集中的失真图像质量的视觉多通道梯度-直方图深度信息评价输入到训练好的BP神经网络视觉多通道图像质量融合评价模型进行预测,输出失真图像质量的视觉多通道梯度-直方图深度信息融合评价结果,并对该结果进行偏置处理;步骤9,利用训练集中所有失真图像质量的视觉多通道梯度-奇异值深度信息评价对构建的BP神经网络视觉多通道图像质量融合评价模型进行训练后,将测试集中的失真图像质量的视觉多通道梯度-奇异值深度信息评价输入到训练好的BP神经网络视觉多通道图像质量融合评价模型进行预测,输出失真图像质量的视觉多通道梯度-奇异值深度信息融合评价结果,并对该结果进行偏置处理;步骤10,对步骤2、步骤7、步骤8以及步骤9所得结果进行融合,获得失真图像质量的视觉多重特征深度融合处理评价结果。2.如权利要求1所述的基于视觉多重特征深度融合处理的全参考图像质量客观评价方法,其特征在于,步骤1中,所述预处理包括依次进行灰度化处理和高斯低通滤波处理。3.如权利要求1所述的基于视觉多重特征深度融合处理的全参考图像质量客观评价方法,其特征在于,步骤2中,训练集与测试集中失真图像数量的比例为1/3~1。4.如权利要求1所述的基于视觉多重特征深度融合处理的全参考图像质量客观评价方法,其特征在于,步骤2中,采用以下公式计算失真图像灰度矩阵的梯度特征评价GSM(s,o):GSM(s,o)=mean[GSM(i,j)]式中,mean[·]代表求平均值,GSM(i,j)代表梯度特征评价视图,GSM(i,j)的计算公式如下:GSM(i,j)=L(i,j)α1·G(i,j)α2式中,L(i,j)和G(i,j)分别代表灰度评价视图和梯度评价视图,α1,α2代表L(i,j)和G(i,j)的权重系数,L(i,j)和G(i,j)的定义分别如下:式中,x(i,j)和y(i,j)分别代表参考图像灰度矩阵和失真图像灰度矩阵,gx(i,j)和gy(i,j)分别代表x(i,j)和y(i,j)的梯度特征视图,C1和C2为保证算法稳定性的常数因子;gx(i,j)和gy(i,j)的算法如下:式中,gx(i)与gx(j)分别表示gx(i,j)水平方向投影和垂直方向投影,gy(i)与gy(j)分别表示gy(i,j)水平方向投影和垂直方向投影,gx(i)、gx(j)、gy(i)、gy(j)的计算公式分别如下:式中,*表示卷积运算。5.如权利要求1所述的基于视觉多重特征深度融合处理的全参考图像质量客观评价方法,其特征在于,步骤3中,所述失真图像灰度矩阵的视觉多通道信息视图的梯度特征评价VG(s,o)采用以下公式获得:式中,mean[·]代表求平均值,VG(s,o)(i,j)代表视觉通道(s,o)的梯度特征评价视图,VG(s,o)(i,j)的计算公式如下:式中,RG(s,o)(i,j)、DG(s,o)(i,j)分别为x(i,j)、y(i,j)的视觉通道(s,o)的梯度特征视图,C3为保证算法稳定性的常数因子,对算法的评价结果性能无影响;RG(s,o)(i,j)、...
【专利技术属性】
技术研发人员:丰明坤,王中鹏,葛丁飞,吴茗蔚,林志洁,施祥,孙丽慧,向桂山,
申请(专利权)人:浙江科技学院,
类型:发明
国别省市:浙江,33
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。