基于威布尔统计特征的内容不敏感模糊图像质量评价方法技术

本发明专利技术公开了一种基于威布尔统计特征的内容不敏感模糊图像质量评价方法。使用本发明专利技术能够很好解决现有算法对相同模糊程度但内容不同的模糊图像评价不准确的问题。本发明专利技术取待评价图像的边缘梯度幅值矩阵，对边缘梯度幅值矩阵采用威布尔分布进行建模拟合，得到梯度的威布尔分布形状和尺度参数，同时计算威布尔分布形状的偏斜度值，提取的形状、尺度和偏斜度参数可以很好地区分不同模糊程度图像的梯度幅值分布；然后对具有相同内容图像的威布尔分布形状、尺度和偏斜度做分离归一化，减少参数与图像内容之间的关系，到达与图像内容不敏感的目的；最后利用归一化后的威布尔分布形状、尺度和偏斜度为特征值，对待评价图像进行质量评价。

Fuzzy image quality evaluation method based on Weibull statistical feature insensitive

The invention discloses a content insensitive fuzzy image quality evaluation method based on Weibull statistical characteristics. The invention can solve the problem that the fuzzy image of the same fuzzy degree but different content is not accurately evaluated by the prior algorithm. The invention takes the evaluation of edge gradient amplitude matrix of the image, the edge gradient magnitude matrix of the model fitting Weibull distribution, shape and scale parameters of the Weibull distribution gradient, skewness value and calculate the Weibull distribution form, extract the shape, scale and skewness of gradient amplitude distribution parameters can be well separated in different degree of ambiguity image; then the content of the image with the same shape and size of Weibull distribution and skewness of the separation of normalization, reduce the relationship between parameters and image content, image content and reach is not sensitive to the normalized; Weibull distribution shape, scale and skewness as feature values, treat the evaluation of image quality evaluation.

【技术实现步骤摘要】
基于威布尔统计特征的内容不敏感模糊图像质量评价方法
本专利技术涉及图像处理
，具体涉及一种基于威布尔统计特征的内容不敏感模糊图像质量评价方法。
技术介绍
数字多媒体技术和互联网技术的迅猛发展，使得多媒体内容可以成为现代人们日常娱乐、通信的主要内容，比如，高分辨率电视(HighDefinitionTelevision，HDTV)、流媒体网络电视(StreamingInternetProtocolTV，IPTV)、爱奇艺、优酷、Youtube、Flickr等视频网站。如此海量的数据和庞大的需求使得人类对多媒体影像的观赏质量要求越来越高，同时触发多媒体信号采集、压缩、传输、增强以及重构等技术的大力研究。在多媒体采集、处理等过程中，信号经常受到很多外界不利因素的干扰，包括噪声、模糊、压缩块效应等。其中，图像模糊是最常见的一种失真类型，通常包括失焦模糊和运动模糊两种。失焦模糊是由于相机焦点不在物体上导致的，而运动模糊则是由于相机和物体存在相对运动。无论是哪种模糊都会使得被模糊物体的边缘失去锐度，结构变得不清晰，严重影响人类视觉体验。因此，期望能够建立一种客观的图像模糊评价机制，对模糊图像质量评判打分，进而指导采集、处理等过程。现有的图像质量评价算法，依据是否借助无失真图像做参考，可以分为全参考、部分参考和无参考评价算法。全参考评价算法可以利用无失真图像的所有信息，部分参考评价算法则只能通过无失真图像的部分信息做参考，而无参考评价算法无需利用无失真图像的信息。从效果进行比较，全参考评价模型由于可以利用全部的信息，往往有最好的效果；而从实用的角度比较，由于实际中无失真图像很多时候是获取不到的，此时，只有无参考评价模型适用。所以，研究无参考模糊图像质量评价算法具有重要的实际作用。最近一些年，国内外很多专家学者进行了模糊图像无参考质量评价方面的研究，提出了一系列算法，根据特征提取方法的不同，可以分为基于空间域的、基于变换域的和基于梯度的三种类型算法。基于空间域特征提取的无参考模糊评价算法，一般提取图像边缘宽度和纹理等特征作为图像模糊的表征。该类方法中，无论是空间域计算水平和竖直方向图像边缘的延伸度，还是计算像素变化协方差的模型，都很容易受到边缘提取精度和边缘锐度建模精度的影响，容易产生误差。同时，这些模型提取的特征描述对图像内容敏感，可能导致相同模糊程度的但内容不同的两幅图像计算得到的特征表征差别比较大。基于变换域的无参考模糊评判模型基于模糊导致图像高频能量减少的理论提出对图像进行傅里叶变换、离散余弦变换、离散小波变换或稀疏变换等。其中一些算法通过变换系数计算得到能量损失程度，另外一些算法则从变换系数中提取自然场景统计特征(NaturalSceneStatistics,NSS)。这类方法同样受到图像内容的影响，无论是能量还是NSS特征，对无失真的图像平滑区域和纹理区域结果差别很大，无法客观衡量图像模糊与否。而基于图像梯度域方法的提出是来源于模糊会导致图像梯度下降的理论。有的方法通过提取梯度计算边缘的宽度，有的方法结合边缘梯度幅值的标准差和梯度幅值，也有一些方法提取梯度分布的统计特性。然而，这些方法在提取特征的过程中没有考虑图像内容对特征值的影响，给评价结果带来误差。因此，有必要研究一种对图像内容不敏感的模糊评价算法，对相同模糊程度不同图像内容的图像评价结果一样，有效解决现有评价算法存在的问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于威布尔统计特征的内容不敏感模糊图像质量评价方法，能够很好解决现有算法对相同模糊程度但内容不同的模糊图像评价不准确的问题。本专利技术的基于威布尔统计特征的内容不敏感模糊图像质量评价方法，包括如下步骤：步骤1，将待评价图像转化为灰度图像，提取灰度图像的梯度幅值矩阵；步骤2，采用威布尔分布模型对步骤1获得的梯度幅值矩阵进行建模拟合，得到梯度的威布尔分布形状和尺度参数，并计算威布尔分布形状的偏斜度；步骤3，提取训练样本集中与待评价图像内容相同的模糊图像，并将这些模糊图像和待评价图像的威布尔分布形状、尺度和偏斜度进行分离归一化；步骤4，以待评价图像的归一化后的威布尔分布形状、尺度和偏斜度为特征值，对待评价图像进行质量评价。进一步地，利用评价模型进行评价，并事先利用训练样本集对评价模型进行训练，其中，对训练样本集中具有相同内容的样本图像的威布尔分布形状、尺度和偏斜度进行分离归一化，然后以训练样本集中样本图像的主观质量评价值作为目标值，将目标值和对应样本图像的归一化后的特征值作为输入，进行训练。进一步地，所述步骤4中，采用BP神经网络、SVM算法、超限学习机或稀疏超限学习机回归模型对待评价图像进行评价。进一步地，利用改进的稀疏超限学习机回归模型对待评价图像进行评价；其中，改进的稀疏超限学习机的优化目标是：其中，γ是学习机输出层权重，||||2表示二范数，||||1表示一范数；H为学习机网络隐层输出矩阵，Y为训练目标值，C是训练误差项的惩罚因子，λ1、λ2为控制系数；λ1用于控制类间距离；λ2用于控制学习机的稀疏性；C的取值在[100,…,1010]范围内，λ1和λ2在0～10之间取值。进一步地，所述稀疏超限学习机的网络隐层节点数取样本数的0.5-2倍。进一步地，所述步骤1中，分别用水平x方向和竖直y方向的Prewitt滤波器hx、hy计算图像在水平方向和竖直方向的梯度，然后计算每个像素点(i,j)的梯度幅值GM(i,j)：其中，表示卷积。进一步地，进一步地，所述步骤2中，偏斜度η的计算方法为：其中，GM为灰度图像的梯度幅值矩阵；μ3是GM的三阶矩，σ是GM的标准差，n是矩阵GM中的元素个数；GMi为矩阵GM中第i个元素，为矩阵GM中所有元素的均值。有益效果：1、该方法提出基于威布尔统计建模的无参考模糊图像质量评价模型，提取的形状、尺度和偏斜度参数可以很好地区分不同模糊程度图像的梯度幅值分布。2、本方法对威布尔模型参数进行分离归一化处理，有效降低特征与图像内容之间的关联程度，使得无参考模糊评价模型对图像内容不敏感，模型评价结果相比于传统算法更加准确，同时具有更好的实用性。3、本方法和传统计算图像边缘宽度的算法相比，不容易受到特征提取模型准确性和图像其他噪声的干扰，评价结果也更准确。4、本方法在拟合威布尔统计特征和图像客观质量分数之间对应关系时，与传统人为设计的拟合函数或传统机器学习方法不同，本方法采用了一种无需通过训练可以随机生成学习权重的系数超限学习机学习算法，比BP、SVM和原始ELM算法具有更好的学习效果。附图说明图1为本专利技术的实施流程图。图2为威布尔分布模型中形状(β)和尺度(γ)参数影响的示意图。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。本专利技术提供了一种基于威布尔统计特征的内容不敏感模糊图像质量评价方法，首先提取待评价图像的边缘梯度幅值矩阵，对边缘梯度幅值矩阵采用威布尔分布进行建模拟合，得到梯度的威布尔分布形状和尺度参数，同时计算威布尔分布形状的偏斜度值；然后对具有相同内容图像的威布尔分布形状、尺度和偏斜度做分离归一化，减少参数与图像内容之间的关系，到达与图像内容不敏感的目的；最后利用归一化后的威布尔分布形状、尺度和偏斜度为特征值，对待评价图像进行质量评价。具体流程如本文档来自技高网...

【技术保护点】
一种基于威布尔统计特征的内容不敏感模糊图像质量评价方法，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，提取灰度图像的梯度幅值矩阵；步骤2，采用威布尔分布模型对步骤1获得的梯度幅值矩阵进行建模拟合，得到梯度的威布尔分布形状和尺度参数，并计算威布尔分布形状的偏斜度；步骤3，提取训练样本集中与待评价图像内容相同的模糊图像，并将这些模糊图像和待评价图像的威布尔分布形状、尺度和偏斜度进行分离归一化；步骤4，以待评价图像的归一化后的威布尔分布形状、尺度和偏斜度为特征值，对待评价图像进行质量评价。

【技术特征摘要】
1.一种基于威布尔统计特征的内容不敏感模糊图像质量评价方法，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，提取灰度图像的梯度幅值矩阵；步骤2，采用威布尔分布模型对步骤1获得的梯度幅值矩阵进行建模拟合，得到梯度的威布尔分布形状和尺度参数，并计算威布尔分布形状的偏斜度；步骤3，提取训练样本集中与待评价图像内容相同的模糊图像，并将这些模糊图像和待评价图像的威布尔分布形状、尺度和偏斜度进行分离归一化；步骤4，以待评价图像的归一化后的威布尔分布形状、尺度和偏斜度为特征值，对待评价图像进行质量评价。2.如权利要求1所述的基于威布尔统计特征的内容不敏感模糊图像质量评价方法，其特征在于，利用评价模型进行评价，并事先利用训练样本集对评价模型进行训练，其中，对训练样本集中具有相同内容的样本图像的威布尔分布形状、尺度和偏斜度进行分离归一化，然后以训练样本集中样本图像的主观质量评价值作为目标值，将目标值和对应样本图像的归一化后的特征值作为输入，进行训练。3.如权利要求1或2所述的基于威布尔统计特征的内容不敏感模糊图像质量评价方法，其特征在于，所述步骤4中，采用BP神经网络、SVM算法、超限学习机或稀疏超限学习机回归模型对待评价图像进行评价。4.如权利要求1或2所述的基于威布尔统计特征的内容不敏感模糊图像质量评价方法，其特征在于，利用改进的稀疏超限学习机回归模型对待评价图像进行评价；其中，改进的稀疏超限学习机的优化目标是：其中，γ是学习机输出层权重，||||2表示二范数，||||1表示一范数...

【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