The invention discloses a non reference noise image quality evaluation method based on wavelet high frequency sub-band statistical characteristics. The invention can solve the problem that the existing algorithm has little discrimination to the noise size and can not judge the different kinds of noise images, thereby effectively realizing the non reference quality evaluation of the image. The invention firstly by calculating the statistical characteristic of image wavelet coefficients of noise probability distribution, to characterize the image noise level, statistical feature size is a good measure of image quality in different degree of noise distortion. The more serious the image noise is, the smaller the statistical feature is. Therefore, this method can well compensate the deficiency, reference noise evaluation algorithm based on RUT transform or DCT and can be applied to the additive Gauss white noise, additive Gauss noise, impulse noise, color noise and high frequency noise image mask.
【技术实现步骤摘要】
基于小波统计特征的无参考噪声图像质量评价方法
本专利技术涉及图像处理技术和机器视觉
,具体涉及一种基于小波高频子带统计特征的无参考噪声图像质量评价方法。
技术介绍
随着相机技术、人工智能技术和互联网技术的快速发展,图像获取变得越来越容易,而且人类对影像的质量要求也越来越高。在图像采集、传输、压缩以及存储等过程中,图像信号经常受到很多失真的干扰,包括噪声、模糊、压缩块效应等。其中,噪声是最常见的一种失真类型,比如夜间拍照由于光线不足会有很多加性高斯噪声出现,在信号传输过程中易受到随机噪声的破坏等,进而降低获取图像的质量,影响人类视觉审美体验。所以,有必要对噪声污染图像建立一种质量量化机制,评判图像的好坏,进而指导设备参数调节设置。现有的噪声图像质量评价算法,依据是否借助无失真图像做参考,可以分为全参考评价和无参考评价算法。PSNR(PeakSignal-to-NoiseRatio)和MSE(Mean-Square-Error)作为全参考噪声评价算法的代表,虽然可以比较好地评判诸如加性高斯白噪声(AdditiveGaussianWhiteNoise,AWGN)和高频噪声(HighFrequencyNoise)等噪声污染图像,但是它们也有以下两方面缺陷:第一,全参考算法需要利用无失真图像信息,而实际应用中,无失真图像很难获取,所以该类算法比较难实际应用;第二,PSNR和MSE无法很好评价严重噪声带来的结构失真,只能评价图像像素值的失真。因此,很多国内外学者进行了噪声图像质量评价的无参考研究,提出了很多算法,这些算法也可以分为两类:一类是通用无参考评价模型, ...
【技术保护点】
一种基于小波高频子带统计特征的无参考噪声图像质量评价方法,其特征在于,包括如下步骤:步骤1,将待评价图像转化为灰度图像,对灰度图像进行小波分解;步骤2,将小波分解得到的高频子带系数组合成新的系数矩阵,计算新的系数矩阵的矩阵元素分布峰态值;步骤3,以步骤2得到的分布峰态值为待评价图像的特征值,对待评价图像进行质量评价。
【技术特征摘要】
1.一种基于小波高频子带统计特征的无参考噪声图像质量评价方法,其特征在于,包括如下步骤:步骤1,将待评价图像转化为灰度图像,对灰度图像进行小波分解;步骤2,将小波分解得到的高频子带系数组合成新的系数矩阵,计算新的系数矩阵的矩阵元素分布峰态值;步骤3,以步骤2得到的分布峰态值为待评价图像的特征值,对待评价图像进行质量评价。2.如权利要求1所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法,其特征在于,所述步骤1中,将待评价图像转化为灰度图像后,计算灰度图像的均值;将灰度图像减去所述均值,得到差值图像;对差值图像进行一级小波分解。3.如权利要求1所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法,其特征在于,采用DaubechiesD8小波进行小波分解。4.如权利要求1所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法,其特征在于,所述步骤3中,利用超限学习机、BP神经网络或SVM算法回归模型对待评价图像进行评价。5.如权...
【专利技术属性】
技术研发人员:邓宸伟,王水根,周士超,李震,赵保军,
申请(专利权)人:北京理工大学,
类型:发明
国别省市:北京,11
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。