基于特征字典的无参考图像质量评价方法技术

本发明专利技术公开了一种基于特征字典的无参考图像质量评价方法，主要解决计算机对噪声图像的评价与人眼感知不符的问题。其实现步骤是：1.随机选择60幅自然图像，计算所有图像中每个像素的局部模式；2.采用加权K‑means方法对所得局部模式聚类，并由聚类中心构成特征字典；3.基于特征字典提取训练样本集中每幅训练图像的特征；4.根据训练图像的特征和相应的主观质量值，通过支持向量回归训练回归模型；5.基于特征字典提取测试图像的特征；6.将测试图像的特征输入上述回归模型，预测图像质量；7.根据质量值得出测试图像的质量评价。本发明专利技术的评价结果与人眼感知一致，可用于鉴别自然图像、遥感图像等的质量，衡量成像设备的性能等。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别涉及一种无参考的图像质量评价方法，可用于计算机自动鉴别自然图像、遥感图像的质量。技术背景随着信息技术的发展，互联网和各行业快速融合，数字图像和视频作为信息的主要载体，在越来越多的应用场合中发挥着重要作用。每时每刻，大量的图像或视频被获取、压缩和传输。但是，图像在这些处理过程中不可避免的会引入噪声，比如图像获取时成像设备本身的热噪声、抖动造成的模糊噪声，图像压缩时有损压缩方式带来的图像失真，图像传输时信道的干扰噪声等。一幅“干净”的图像被噪声污染后，会降低人眼感知的舒适度，甚至会影响人们对图像内容的正确理解。因此，为了衡量成像设备的性能、指导图像压缩等目的，希望计算机能自动评价一幅图像的质量好坏。于是，需要设计一种和人眼视觉特性一致的图像质量评价算法显得至关重要。在过去的几十年里，图像质量评价取得了极大的进展，大量的评价算法被提出。一般来说，根据评价时所需参考图像的信息量，现有算法可分为三类：全参考图像质量评价算法、部分参考图像质量评价算法和无参考图像质量评价算法。全参考图像质量评价算法需要参考图像的全部信息，通常能够根据较低的计算复杂度取得很好的性能，比如被广泛使用的峰值信噪比PSNR。部分参考图像质量评价算法则需要参考图像的部分信息，所需的这部分信息通常是从参考图像中提取的特征。在实际情况中，有时我们并不能获取到参考图像的任何信息，因此全参考和部分参考图像质量评价算法的应用受到限制。无参考图像质量评价算法由于不需要参考图像的任何信息，所以成为质量评价领域的研究热点。目前，无参考图像质量评价算法的一个主流趋势是基于自然场景统计模型。自然场景统计理论认为自然图像的统计分布满足某些统计规律性。然而，当自然图像被噪声污染后，统计特性会被改变。因此，基于自然场景统计模型的评价算法旨在通过衡量图像统计特性的变化来预测图像质量。Mittal等人在文章“No-Reference Image Quality Assessment in the Spatial Domain,”IEEE Transactions on Image Processing,vol.21,no.12,pp.4695-4708,2012中利用广义高斯分布和非对称广义高斯分布来拟合图像的空域像素分布，并将拟合参数作为图像特征进行图像质量评价。Zhang等人在文章“A Feature-Enriched Completely Blind Image Quality Evaluator,”IEEE Transactions on Image Processing,vol.24,no.8,pp.2579-2591,2015中基于自然场景统计特性的图像特征和图像的结构信息，提出一种新颖的质量评价方法。尽管基于自然场景统计模型的评价算法普遍具有良好的性能，但是它们存在一个共同的问题：这类算法都假设噪声图像也满足和自然图像一样的统计分布。然而，研究表明噪声的引入会破坏这种统计规律性，噪声图像的统计分布不能完全符合自然图像的统计分布，这将影响图像质量评价的准确度。无参考图像质量评价算法另一个主流趋势是基于学习的模型，这类算法通常使用神经网络或支持向量机将图像特征映射到人眼主观分数上，从而预测图像质量。Li等人在文章“Blind Image Quality Assessment Using a General Regression Neural Network,”IEEE Transactions on Neural Networks,vol.22,no.5,pp.793-799,2011中提出通过广义回归神经网络将图像的三种特征：相位一致性、熵和梯度信息映射到主观分数来评价图像质量。Xue等人在文章“Blind Image Quality Assessment Using Joint Statistics of Gradient Magnitude and Laplacian Features,”IEEE Transactions on Image Processing,vol.23,no.11,pp.4850-4862,2014中通过提取图像的梯度信息和拉普拉斯特征的联合分布，并利用支持向量机回归模型SVR来预测图像质量。在以上这些特征中，尽管熵能有效衡量图像的信息量，但是不能反映图像的局部特征。梯度和拉普拉斯特征表征了图像很重要的局部结构信息，但对于图像的方向信息和空域相关性却不能很好地表达。众所周知，质量评价算法的性能好坏很大程度上取决于图像特征。然而，如何提取对噪声类型和强度敏感的特征至今仍是一个开放性问题。
技术实现思路
本专利技术目的在于提出一种基于特征字典的无参考图像质量评价方法，以解决上述已有技术中存在的不足，提高对图像质量评估的准确率。本专利技术的技术方案是这样实现的：本专利技术通过对选定的一组自然图像的局部模式值进行聚类构建特征字典，基于该字典能够将图像表示为一个统计直方图进行图像特征提取，并在一组训练样本上通过支持向量回归学习回归模型，最终预测测试图像的质量值，其实现步骤包括如下：(1)随机选择60幅自然图像，计算所有图像中每个像素的局部模式；(2)通过加权K-means方法对所得局部模式进行聚类，用所有聚类中心构建特征字典(3)给定包含L幅噪声图像的训练样本集计算第j幅训练图像的局部模式，并投影到特征字典上得到训练图像的特征yj，1≤j≤L；(4)采用支持向量回归SVR方法对训练样本集Ψ中所有训练图像的特征yj及其对应的主观质量值进行训练，得到回归模型(5)对于测试图像计算其所有像素的局部模式，并将这些局部模式投影到特征字典上得到测试图像的特征u；(6)根据回归模型和测试图像的特征u，使用支持向量回归SVR方法预测出测试图像的质量值Q；(7)根据质量值Q对待测试图像的质量进行判断：若Q＝0，则表示该测试图像没有被噪声污染；若0<Q≤0.25，则表示该测试图像被噪声轻度污染；若0.25<Q≤0.75，则表示该测试图像被噪声中度污染；若0.75<Q≤1，则表示该测试图像被噪声重度污染。本专利技术与现有技术相比，具有如下优点：1)本专利技术充分考虑了人眼视觉系统感知外界场景时的稀疏特性，利用稀疏字典对图像进行特征提取，该特征表示方法与人眼视觉特性一致。2)本专利技术采用较大的图像块计算局部模式，有效地表征图像中重要的局部结构信息，能反映出不同的噪声类型和强度，提高了评价结果的准确性。附图说明图1是本专利技术的实现流程示意图。图2是本专利技术中构建字典所使用的60幅自然图像。具体实施方式参照图1，本专利技术的实现步骤如下：步骤1，随机选择60幅自然图像，计算所有图像中每个像素的局部模式。(1a)从自然图像数据库中随机选择60幅包含不同场景和内容的自然图像，本实例所选择的自然图像如图2所示；(1b)通过下式计算计算这60幅自然图像中每个像素的局部模式： p m , n = [ c m , n 1 , 本文档来自技高网...

【技术保护点】
一种基于特征字典的无参考图像质量评价方法，包括如下步骤：(1)随机选择60幅自然图像，计算所有图像中每个像素的局部模式；(2)通过加权K‑means方法对所得局部模式进行聚类，用所有聚类中心构建特征字典(3)给定包含L幅噪声图像的训练样本集计算第j幅训练图像的局部模式，并投影到特征字典上得到训练图像的特征yj，1≤j≤L；(4)采用支持向量回归SVR方法对训练样本集Ψ中所有训练图像的特征yj及其对应的主观质量值进行训练，得到回归模型(5)对于测试图像计算其所有像素的局部模式，并将这些局部模式投影到特征字典上得到测试图像的特征u；(6)根据回归模型和测试图像的特征u，使用支持向量回归SVR方法预测出测试图像的质量值Q；(7)根据质量值Q对待测试图像的质量进行判断：若Q＝0，则表示该测试图像没有被噪声污染；若0<Q≤0.25，则表示该测试图像被噪声轻度污染；若0.25<Q≤0.75，则表示该测试图像被噪声中度污染；若0.75<Q≤1，则表示该测试图像被噪声重度污染。

【技术特征摘要】
1.一种基于特征字典的无参考图像质量评价方法，包括如下步骤：(1)随机选择60幅自然图像，计算所有图像中每个像素的局部模式；(2)通过加权K-means方法对所得局部模式进行聚类，用所有聚类中心构建特征字典(3)给定包含L幅噪声图像的训练样本集计算第j幅训练图像的局部模式，并投影到特征字典上得到训练图像的特征yj，1≤j≤L；(4)采用支持向量回归SVR方法对训练样本集Ψ中所有训练图像的特征yj及其对应的主观质量值进行训练，得到回归模型(5)对于测试图像计算其所有像素的局部模式，并将这些局部模式投影到特征字典上得到测试图像的特征u；(6)根据回归模型和测试图像的特征u，使用支持向量回归SVR方法预测出测试图像的质量值Q；(7)根据质量值Q对待测试图像的质量进行判断：若Q＝0，则表示该测试图像没有被噪声污染；若0<Q≤0.25，则表示该测试图像被噪声轻度污染；若0.25<Q≤0.75，则表示该测试图像被噪声中度污染；若0.75<Q≤1，则表示该测试图像被噪声重度污染。2.如权利要求1所述的方法，其中步骤(1)计算随机选择的60幅自然图像中每个像素的局部模式，通过下式计算： p m , n = [ c m , n 1 , c m , n 2 , ... c m , n v , ... , c m , n 24 ] ]]>其中，pm,n表示第m幅图像Im中第n个像素的局部模式，1≤m≤60，1≤n≤Nm，Nm是图像Im中的像素个数，v是以像素为中心的5×5邻域像素的编号，1≤v≤24，表示像素与其第v个邻域像素的灰度值比较结果： c m , n v = 1 , s m , n v > s m , n 0 0 , s m , n v ≤ s m , n 0 . ]]>3.如权利要求1所述的方法，其中所述步骤(2)，按如下步骤进行：(2a)针对60幅自然图像的所有局部模式pm,n，1≤m≤60，1≤n≤Nm，统计各个相同的局部模式出现的次数；(2b)采用加权K-means方法对各局部模式及其出现的次数进行聚类，得到K个聚类中心di，1≤i≤K，并由这些聚类中心构成一个特征字典4.如权利要求1所述的方法，其步骤(3)中计算第j幅训练图像的局部模式，并投影到特征字典上得到训练图像的特征yj，通过如下步骤实现：(3a)计算训练样本集Ψ中第j幅训练图像的第l个像素的局部模式qj,l： q ...

【专利技术属性】
技术研发人员：吴金建，张亚中，谢雪梅，石光明，
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