基于统计相似性和双向显著性保真度的图像重定向质量评价方法技术

本发明专利技术公开了一种基于统计相似性和双向显著性保真度的图像重定向质量评价方法，其特征包括：1、获取原始图像和重定向图像的log‑Gabor域的自然场景统计特征，并得到两者自然场景统计特征之间的差值，作为自然场景差值统计特征；2、获取前向显著性信息丢失值和后向显著性信息丢失值；3、获取图像的显著性结构失真值；4、由自然场景差值统计特征、前向显著性信息丢失值、后向显著性信息丢失值、显著性结构失真值构成重定向质量评价特征；5、利用支持向量回归模型对重定向质量评价特征进行训练和预测，从而得到质量评价模型。本发明专利技术考虑了自然场景统计特征变化，并且从两个方向对图像显著性保真度进行衡量，能够更加准确地预测重定向图像主观视觉质量。

【技术实现步骤摘要】

本专利技术涉及视频信号处理、图像视频质量评价领域，具体的说是一种基于统计相似性和双向显著性保真度的图像重定向质量评价方法。
技术介绍
随着移动终端的流行，日常生活中产生了越来越多不同分辨率的设备屏幕，比如手机、平板和电脑都具有不同的分辨率。移动终端的流行也带了一个问题：同一张图像如何在不同分辨率屏幕上呈现最佳显示效果。这就需要根据屏幕分辨率的不同对图像视频内容进行自适应的处理。为了解决同一张图像在不同分辨率屏幕上显示不匹配的问题，很多研究人员提出了各种各样的图像重定向算法，比如裁剪(cropping)、缩放(scaling)、变形(warping)和基于内容感知(content-aware)的雕缝算法(seam-carving)等等，得到的图像质量好坏可能有较大差异。重定向后的图像质量的客观评价准则，对于选择最佳重定向算法和优化重定向算法具有不可或缺的重要意义，保证良好的用户体验质量能有效促进移动多媒体应用的更好普及。目前关于图像重定向后的质量评价算法的研究还处于起步阶段很多图像重定向质量评价算法的预测准确度并不如人意，性能常常受到不同图像失真的影响。在2011年国际顶级期刊IEEETransactionsonPatternAnalysisandMachineIntelligence上发表文章《Siftflow:Densecorrespondenceacrossscenesanditsapplications》该文章提出一种SIFT-flow算法进行衡量两幅图像之间的结构相似性，但是算法忽略了重定向图像中的信息丢失失真。在2000年国际顶级期刊InternationalJournalofComputerVision上发表文章《Theearthmover'sdistanceasametricforimageretrieval》该文章提出一种衡量两个分布相互变换之间的最小损失度量算法EMD，该算法衡量了两个图像之间特征分布的距离，但是也忽略了重定向图像中的信息丢失失真。
技术实现思路
本专利技术为了克服现有技术中的不足之处，提出了一种基于统计相似性和双向显著性保真度的图像重定向质量评价模型，以期能够更准确地预测重定向图像的质量，从而帮助重定向算法获得更符合人眼视觉质量的重定向图像。本专利技术为达到上述专利技术目的，采用如下技术方案：本专利技术一种基于统计相似性和双向显著性保真度的图像重定向质量评价方法的特点是按如下步骤进行：步骤1：获取log-Gabor域的自然场景统计特征；步骤1.1：获得去相关性后的梯度图步骤1.1.1：对输入图像进行Ω个方向和S个尺度的log-Gabor滤波，得到幅度响应集合As,o表示第o个方向和第s个尺度上的幅度响应；1≤o≤Ω；1≤s≤S；步骤1.1.2：利用式(1)建立所述第o个方向和第s个尺度上的幅度响应As,o上任一像素点(x,y)的四个方向的梯度值，包括：水平梯度值Hs,o(x,y)、垂直梯度值Vs,o(x,y)、主对角梯度值D1s,o(x,y)、副对角梯度值D2s,o(x,y)；从而得到幅度响应As,o的四个方向的梯度图{Hs,o,Vs,o,D1s,o,D2s,o本文档来自技高网...

【技术保护点】
一种基于统计相似性和双向显著性保真度的图像重定向质量评价方法，其特征是按如下步骤进行：步骤1：获取log‑Gabor域的自然场景统计特征；步骤1.1：获得去相关性后的梯度图步骤1.1.1：对输入图像进行Ω个方向和S个尺度的log‑Gabor滤波，得到幅度响应集合As,o表示第o个方向和第s个尺度上的幅度响应；1≤o≤Ω；1≤s≤S；步骤1.1.2：利用式(1)建立所述第o个方向和第s个尺度上的幅度响应As,o上任一像素点(x,y)的四个方向的梯度值，包括：水平梯度值Hs,o(x,y)、垂直梯度值Vs,o(x,y)、主对角梯度值D1s,o(x,y)、副对角梯度值D2s,o(x,y)；从而得到幅度响应As,o的四个方向的梯度图{Hs,o,Vs,o,D1s,o,D2s,o}；Hs,o(x,y)=As,o(x,y)-As,o(x,y+1)Vs,o(x,y)=As,o(x,y)-As,o(x+1,y)D1s,o(x,y)=As,o(x,y)-As,o(x+1,y+1)D2s,o(x,y)=As,o(x,y)-As,o(x-1,y+1)---(1)]]>式(1)中，As,o(x,y)表示第o个方向和第s个尺度上的幅度响应As,o在点(x,y)上的像素值；步骤1.1.3：以Ms,o表示所述四个方向的梯度图{Hs,o,Vs,o,D1s,o,D2s,o}中的任一方向的梯度图，则利用式(2)所示的除法标准化变换方法去除所述梯度图Ms,o中像素点(x,y)的相关性，得到去相关性后的像素点从而得到去相关性后的梯度图M^s,o(x,y)=Ms,o(x,y)β+Σi=-IIΣj=-JJGi,j(x,y)Ms,o(x+i,y+j)---(2)]]>式(2)中，Gi,j(x,y)表示在(x+i,y+j)位置上像素点的高斯加权系数，Ms,o(x+i,y+j)表示梯度图Ms,o中在(x+i,y+j)位置上的像素点；[‑I,I]和[‑J,J]分别表示在(x,y)位置周围的所有高斯加权区域的长度和高度；β表示防止分母为0的常数；步骤1.2：获取滤波器方向内统计特征；步骤1.2.1：从所述四个方向的梯度图{Hs,o,Vs,o,D1s,o,D2s,o}中选择与所述第o个方向和第s个尺度上的幅度响应As,o具有相同方向的梯度图，记为利用广义高斯分布模型对所述具有相同方向的梯度图的统计直方图进行拟合，得到第o个方向和第s个尺度上的形状参数ρs,o和方差σ2s,o；步骤1.2.2：利用式(3)获得滤波器方向内统计特征F1：F1=Σs=1S(ρs,1,σ2s,1,ρs,2,σ2s,2,...,ρs,o,σ2s,o,...,ρs,Ω,σ2s,Ω)---(3)]]>步骤1.3：获取梯度方向间统计特征；步骤1.3.1：利用式(4)获得所述第o个方向和第s个尺度上的在(x,y)位置上的最大边缘响应值Maxs,o(x,y)和最小边缘响应值Mins,o(x,y)，从而得到第o个方向和第s个尺度上的最大边缘响应图Maxs,o和最小边缘响应图Mins,o：{Maxs,o(x,y)=max{Hs,o(x,y),Vs,o(x,y),D1s,o(x,y),D2s,o(x,y)}Mins,o(x,y)=min{Hs,o(x,y),Vs,o(x,y),D1s,o(x,y),D2s,o(x,y)}---(4)]]>步骤1.3.2：利用除法标准化变换方法去除所述最大边缘响应图Maxs,o和最小边缘响应图Mins,o的图内相关性；得到去相关性后的最大边缘响应图和最小边缘响应图步骤1.3.3：利用非对称广义高斯分布模型对所述去相关性后的最大边缘响应图和最小边缘响应图的统计直方图进行拟合，得到第o个方向和第s个尺度上的形状参数ρ′s,o、左方差和右方差步骤1.3.4：利用式(5)获得梯度方向间统计特征F2：F2=Σs=1s(ρmax′)s,1,(σ2max,l)s,1,(σ2max,r)s,1,(ρmin′)s,1,(σ2min,l)s,1,(σ2max,r)s,1,...,(ρmax′)s,o,(σ2max,l)s,o,(σ2max,r)s,o,(ρmin′)s,o,(σ2min,l)s,o,(σ2max,r)s,o,...,(ρmax′)s,Ω,(σ2max,l)s,Ω,(σ2max,r)s,Ω,(...

【技术特征摘要】
1.一种基于统计相似性和双向显著性保真度的图像重定向质量评价方法，其特征是按如下步骤进行：步骤1：获取log-Gabor域的自然场景统计特征；步骤1.1：获得去相关性后的梯度图步骤1.1.1：对输入图像进行Ω个方向和S个尺度的log-Gabor滤波，得到幅度响应集合As,o表示第o个方向和第s个尺度上的幅度响应；1≤o≤Ω；1≤s≤S；...

【专利技术属性】
技术研发人员：陈志波，林剑新，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34