基于图像信息量自然场景统计特征的图像质量评价方法技术

本发明专利技术公开了一种基于图像信息量自然场景统计特征的图像质量评价方法，主要解决现有技术的对图像进行质量评价时不符合人类视觉主观感知特性的问题。其法包括：1)基于互信息理论将图像分割成不重叠的子块，建立图像亮度分布和图像子块间的联系；2)把图像转换为显著信息量、实际信息量和缠绕信息量；3)分别在三种信息量上进行亮度归一化系数特征，梯度模值特征和高斯‑拉普拉斯信号特征的提取；4)在上述特征的基础上，通过支持向量机的方法构建图量评价模型。实验结果表明，本发明专利技术与主观质量评价具有较高一致性，评价性能优于现有部分参考质量评价方法及部分全参考质量评价方法，可用于图像压缩、存储、传输中对图像的处理。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别是一种图像质量评价方法，可用于图像压缩、存储、传输中对图像的处理。
技术介绍
在大数据时代，图像数据量急速增长，在日常生活的各个方面发挥着越来越重要的作用。比如在社交、电商以及媒体网站上，图像是信息表达和传递的重要媒介。此外，微博、微信等通讯软件的广泛应用，以及智能手机的迅速发展，使得图像在人们的信息交流中也扮演着重要角色。此外，图像也是国家安全体系的重要组成部分。例如，视频监控在治安管理及刑事取证等方面发挥着重要作用，卫星遥感图像也是土地资源管理、军事战略制定的重要依据。但是，由于成像系统的不完善和处理技术的不先进等原因，图像在获取、传输、处理和记录的过程中会产生各种各样的失真，导致最终获取的图像存在一定的降质，这些降质会对人们认识客观物质世界带来很大的困难。因此，需要设计合理的图像质量评价方法，用于对图像处理系统的参数优化、性能评估和质量检测，进而为军事、民事等实际应用服务。近年来，随着人们在生理学上对人类视觉系统的深入研究，人类视觉系统的许多独特机制被一一发现，这些独特机制为图像质量评价提供了一个新的研究思路，许多学者也根据它们提出了各种图像质量评价算法模型。另一方面，机器学习理论的兴起和突破便于人们可以不用耗费大量时间探究图像特征和图像质量之间的具体映射关系，以设计出更加有效、更加合理、更加简便的图像质量模型。基于图像自然场景统计特征的图像质量评价方法，是假设自然图像具有一定的统计特性，而失真会对这些统计特性产生影响，使得图像看起来“不自然”。因此，可以基于自然图像的统计特性提取特征，进而预测图像的视觉感知质量。Moorthy等人提出了一种基于两阶段框架的通用无参考质量评价方法，该方法首先利用广义高斯模型对图像每个子带的小波系数建模，提取广义高斯模型的参数来表征小波系数的分布情况，通过提取的统计特征生成训练集数据，用来学习图像失真类型的分类器，并对每一种图像失真类型训练一个质量评价算法；对于测试图像，先将提取的特征输入分类器判断其失真类型，然后利用对应的质量评价算法估计其质量。Mitta等人基于一种全新的空域自然场景统计模型，该算法利用局部亮度归一化系数作为模型特征来量化自然图像中“自然性”的损失程度，仅在图像的空间域来进行系数的提取，并采用支持向量机回归来预测图像质量。算法简单快捷，取得了很好的评价效果。上述现有基于自然场景统计特征图像质量评价模型都是基于在图像空间域或是变换域提取自然场景统计特征，图像空间域或变换域的自然场景统计特征在描述图像时由于太过注重图像内容本身，而忽略了人类视觉系统在感知图像时的生理特性，导致基于自然场景统计特征的图像质量评价算法与人类视觉的心理学存在差异，并且存在模型的预测质量不符合人类视觉感知结果的情况，降低了图像质量评价的性能。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，结合人类视觉系统感知生理特性，提出了一种基于图像信息量自然场景统计特征的图像质量评价方法，以解决传统基于自然场景统计特征图像质量评价方法中忽视人类视觉系统在感知图像时的生理特性这一情形，实现对图像质量有效、准确的评测。实现本专利技术的技术方案是：基于互信息增益最大化把图像进行分割成不重叠的图像子块，建立图像亮度分布和图像子块之间的关系，并根据互信息将图像转换为图像的显著信息、实际信息和缠绕信息，在每个信息量上分别提取对应的自然场景统计特征，通过支持向量机的方法建立起图像信息量自然场景统计特征和图像主观质量分数之间的映射关系，对图像进行质量评测。其实现步骤包括如下：(1)对图像进行无重叠的划分，建立图像亮度信息和位置信息之间的联系：(1a)在信息通道中，定义输入X和输出Y之间的互信息为：I(X;Y)=Σx∈Xp(x)Σy∈Yp(y|x)logp(y|x)p(y)]]>其中，x,y分别为X,Y内的元素，p(x)＝P[X＝x]为x的概率分布，p(y)＝P[Y＝y]为y的概率分布，p(y|x)＝P[Y＝y|X＝x]为在x已知的条件下y的概率分布；(1b)将输入X随机分成X1和X2两部分，Y1,Y2分别为X1,X2对应互信息的输出，定义互信息增益最大化准则为：max[IX,Y]＝I(X1；Y1)-I(X2；Y2)逐点分割输入X，找到使互信息增益最大的分割位置；(1c)对于一幅图像I，将图像像素亮度值集合记为：B＝{b1,...,bi,...,b255本文档来自技高网...

【技术保护点】
基于图像信息量自然场景统计特征的图像质量评价方法，包括如下步骤：(1)对图像进行无重叠的划分，建立图像亮度信息和位置信息之间的联系：(1a)在信息通道中，定义输入X和输出Y之间的互信息为：I(X;Y)=Σx∈Xp(x)Σy∈Yp(y|x)logp(y|x)p(y)]]>其中，x,y分别为X,Y内的元素，p(x)＝P[X＝x]为x的概率分布，p(y)＝P[Y＝y]为y的概率分布，p(y|x)＝P[Y＝y|X＝x]为在x已知的条件下y的概率分布；(1b)将输入X随机分成X1和X2两部分，Y1,Y2分别为X1,X2对应互信息的输出，定义互信息增益最大化准则为：max[IX,Y]＝I(X1；Y1)‑I(X2；Y2)逐点分割输入X，找到使增益最大的分割位置；(1c)对于一幅图像I，将图像像素亮度值集合记为：B＝{b1,…,bi,...,b255}，i＝0,1,…,255，使用图像亮度值分布B作为输入，采取水平或者竖直的划分方式，用互信息增益最大化原则确定最佳分块位置，循环对图像进行分割，得到块内亮度差异最小，块间亮度差异最大的无重叠图像子块集合R：R＝{r1,...,rj,…,rk},j＝1,2,...,k,k为分块数目；(2)基于互信息将图像I转换为图像的显著信息量I1，实际信息量I2和缠绕信息量I3这三种信息量：I1=Σr∈Rp(r|b)logp(r|b)p(r)]]>I2=-Σr∈Rp(r)log p(r)+Σr∈Rp(r|b)log p(r|b)]]>I3=Σr∈Rp(r)(-Σb∈Bp(b)log p(b)+Σb∈Bp(b|r)log p(b|r))]]>其中p(b)代表图像像素值的概率分布，p(r)代表图像分块集的概率分布，p(r|b)代表在图像像素值为b时图像分块r的概率分布，p(b|r)表示在图像分块r中像素值b的概率分布；(3)获取一幅图像的统计特征向量F：(3a)对上述三个图像信息量I1,I2,I3分别进行亮度归一化系数特征，梯度模值特征和高斯‑拉普拉斯信号的提取，分别得到如下统计特征：显著信息量I1的亮度归一化系数特征α1,β1，梯度模值特征PG1和高斯‑拉普拉斯信号特征PL1；实际信息量I2的亮度归一化系数特征α2,β2，梯度模值特征PG2和高斯‑拉普拉斯信号特征PL2；缠绕信息量I3的亮度归一化系数特征α3,β3，梯度模值特征PG3和高斯‑拉普拉斯信号特征PL3；(3b)联合(3a)的各统计特征得到一幅图像的特征向量F：F＝{α1,α2,α3,β1,β2,β3,PG1,PG2,PG3,PL1,PL2,PL3}；(4)由步骤(1),(2),(3)对训练图像库中的所有图像进行统计特征的提取，得到训练图像特征集，利用支持向量机的方法在图像特征集与对应的图像主观质量分数集之间进行训练，建立如下图像质量评价模型：其中，Q代表图像质量分数，W是模型中的权重矩阵，T表示转置，表示RBF核函数，F表示特征向量，γ是模型中的偏差项；(5)对于任意一幅图像，由步骤(1),(2),(3)提取这幅图像的统计特征向量F，将F作为输入代入到步骤(4)的图像质量评价模型中，得到该图像的质量分数Q。...

【技术特征摘要】
1.基于图像信息量自然场景统计特征的图像质量评价方法，包括如下步骤：(1)对图像进行无重叠的划分，建立图像亮度信息和位置信息之间的联系：(1a)在信息通道中，定义输入X和输出Y之间的互信息为：I(X;Y)=Σx∈Xp(x)Σy∈Yp(y|x)logp(y|x)p(y)]]>其中，x,y分别为X,Y内的元素，p(x)＝P[X＝x]为x的概率分布，...

【专利技术属性】
技术研发人员：路文，李帅，徐红强，齐晶晶，贾长城，何立火，王颖，王斌，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61