一种基于预注意机制和空间依赖性的无参考图像质量评价方法技术

本发明专利技术涉及一种图像质量评价方法，特别涉及一种基于预注意机制和空间依赖性的无参考图像质量评价方法，属于图像分析领域。本方法首先将输入图像分解为彩色信息和灰度信息，其中彩色信息通过SCIELAB颜色空间变换得到，同时应用尺度空间对灰度信息做进一步的处理。其次，应用灰度色调共生矩阵从这两部分信息中提取特征向量。然后，利用支持向量机和BP神经网络分别对特征进行训练，得到预测模型，应用预测模型和测试及对应的特征向量，进行质量预测和评估。本方法具有主观一致性高，数据库独立性高，稳定性高的特点，可以嵌入到图像/视频处理相关的应用系统中，具有很强的应用价值。

【技术实现步骤摘要】
一种基于预注意机制和空间依赖性的无参考图像质量评价方法
本专利技术涉及一种图像质量评价方法，特别涉及一种基于预注意机制和空间依赖性的无参考图像质量评价方法，属于图像分析领域。
技术介绍
近些年来，随着科学技术的发展，图像产生和传播的成本变得越来越低，这使得图像作为一种优秀的信息传播的媒介，在我们的日常生活中变得越来越普遍，越来越不可缺少。然而，图像在场景采集、编码、网络传输、解码、后期处理、压缩存储和放映的各个阶段都会不可避免的引入失真，例如，在场景采集过程中由于设备参数设定、镜头晃动等因素引起的模糊失真；图像压缩存储引起的压缩失真等等。而失真的引入则会大大降低人们的视觉体验，严重的还会影响到人们的身心健康。如何遏制低质量图像的传播，保证人们的视觉体验，成为了一个亟待解决的问题。使图像产生和传播的媒体具有自动评价图像质量高低的能力，从而改善媒体输出端图像的质量，对于解决这个问题具有重要意义。综上所述，对于客观无参考图像质量评价模型的研究具有重要的理论价值和现实意义。本专利技术提出了一种基于预注意机制和空间依赖性的无参考图像质量评价方法，其参考的已有理论和技术为Treisman等人提出的特征融合理论以及Haralick等人提出的灰度色调共生矩阵。(一)特征融合理论Treisman等人提出了特征融合理论，对早期视觉感知过程醉了分析和总结。该理论将人的视觉感知过程分为两个阶段：预注意阶段和注意阶段。在预注意阶段，人眼的感知系统会首先生成当前感知场景的一幅模糊的概略图，这幅模糊图主要包含了感知场景的一些基本的信息，包括结构信息，颜色信息，灰度信息以及方向信息等。这副模糊图会为后续的感知过程提供一些先验知识。而更细节的，更复杂的感知活动会在注意阶段完成。(二)灰度色调共生矩阵Haralick等人在对图像分类等问题进行了研究的基础上，提出了灰度色调共生矩阵，用于捕捉图像中的各像素点之间的空间相关性以及统计特性。灰度色调共生矩阵的数学表示如下：其中，Qθ，d(i,j)代表方向参数为θ，距离参数为d的灰度色调共生矩阵，代表与角度为θ，距离为d的点。灰度色调共生矩阵实际上是对图像中具有特定空降关系的像素对个数的统计，为了将二维的矩阵转化为一维的特征表示，Haralick等人还提出了14个特征描述符，这里列出本专利技术中应用到的四个特征描述符的数学表示：其中，R代表输入图像的值空间大小。CON代表对比度，是对点对之间相关性的表征，通常用于描述图像纹理的清晰程度；ASM代表角二阶矩，反映了图像的均匀程度和纹理的粗细程度；ENT代表熵，是对图像纹理强度的表征；IDM代表逆差矩，反映了图像中纹理的规则程度。
技术实现思路
本专利技术的目的是为了解决无参考图像质量评价中人眼视觉感知系统模拟方法不够完善，对图像中颜色信息的利用不充分，主观一致性差，数据库独立性差，算法稳定性差等问题。本专利技术方法是通过以下技术方案实现的：一种基于预注意机制和空间依赖性的无参考图像质量评价方法，其具体步骤如下：步骤一、将输入的待测图像分解为颜色信息和灰度信息两部分，其中颜色信息采用SCIELAB颜色空间变换得到；步骤二、应用尺度空间对灰度信息做处理，处理方法如下：其中，(x,y)为坐标，I(x,y)代表灰度图中的像素，g(x,y；σ)代表高斯核函数，σ是它的标准差，S(x,y；σ)代表尺度空间处理后的灰度图。原始灰度图以及尺度空间处理后的灰度图都将用于后续的特征提取。步骤三、计算彩色信息图和灰度信息图的灰度色调共生矩阵，完成特征提取，灰度色调共生矩阵的计算方法如下：其中，Qθ,d(i,j)代表方向参数为θ，距离参数为d的灰度色调共生矩阵，与均代表图中的点，代表与角度为θ，距离为d的点；特征描述符的计算方法如下：其中，R代表输入图像的值空间大小。CON代表对比度，是对点对之间相关性的表征，通常用于描述图像纹理的清晰程度；ASM代表角二阶矩，反映了图像的均匀程度和纹理的粗细程度；ENT代表熵，是对图像纹理强度的表征；IDM代表逆差矩，反映了图像中纹理的规则程度。步骤四、采用步骤一，步骤二和步骤三的方法对数据库中的每一幅彩色图像进行处理，即可得到每一幅彩色图像对应的质量特征向量；在此基础上利用基于学习的机器学习方法，在训练集上进行训练，在测试集上进行测试，把质量特征向量映射为对应的质量分数，机器学习的方法包括采用支持向量机(SVR)，神经网络等机器学习方法；进而利用现有的算法性能指标(SRCC、KRCC等)对算法的优劣进行评估。有益效果本专利技术提出的基于预注意机制和空间依赖性的无参考图像质量评价方法，与已有技术相比具有主观一致性高，数据库独立性高，算法稳定性高等特点；可以与图像/视频处理相关应用系统协同使用，可以嵌入实际的应用系统(比如视频的放映系统、网络传输系统等)中，实时的监控图像/视频的质量；可以用于评价各种图像/视频处理算法、工具(比如立体图像的压缩编码、图像/视频采集工具等)的优劣；可以用于图像/视频作品的质量审核，防止劣质图像制品危害观众的身心健康。附图说明图1是本专利技术的基于预注意机制和空间依赖性的无参考图像质量评价方法的流程图；图2是本专利技术以及其他2D质量评价方法在LIVE数据上进行测试的盒形图。具体实施方式下面结合附图和具体实施例对本专利技术方法的实施方式做详细的说明。实施例本方法的流程如图1所示，具体实施过程为：根据步骤一、将输入的待测图像分解为颜色信息和灰度信息两部分，其中颜色信息采用SCIELAB颜色空间变换得到，经过变换之后会得到彩色信息图A和B。根据步骤二、应用尺度空间对灰度信息做处理，计算方法如下：其中，(x,y)为坐标，I(x,y)代表灰度图中的像素，g(x,y；σ)代表高斯核函数，σ是它的标准差，S(x,y；σ)代表尺度空间处理后的灰度图。原始灰度图以及尺度空间处理后的灰度图都将用于后续的特征提取。根据步骤三、对步骤一和步骤二中得到的四张信息图，计算其灰度色调共生矩阵灰度色调共生矩阵的计算方法如下：其中，Qθ,d(i,j)代表方向参数为θ，距离参数为d的灰度色调共生矩阵，代表与角度为θ，距离为d的点。在本专利技术中，方向参数设置为θ＝(0°，45°，90°，135°)，距离参数设置为d＝1。在计算得到灰度色调共生矩阵后，要从每个灰度色调共生矩阵提取特征描述符，完成特征提取。特征描述符的计算方法如下：其中，R代表输入图像的值空间大小。根据步骤四、采用步骤一，步骤二和步骤三的方法对数据库中的每一幅彩色图像进行处理，计算得到每一幅彩色图像对应的质量特征向量；然后利用基于学习的机器学习方法，在训练集上进行训练，在测试集上进行测试，把质量特征向量映射为对应的质量分数，机器学习的方法包括采用支持向量机(SVR)，神经网络等机器学习方法；进而利用现有的算法性能指标(SRCC、KRCC等)对算法的优劣进行评估。我们在四个图像质量评价数据库上实施了我们的算法，包括LIVE,TID2013,CSIQ,VLC。这些数据库的基本信息列举在了表一中。同时，我们选取了八种算法公开，性能优秀的质量评价算法与我们的方法进行比较，包括三种全参考算法：PSNR,SSIM,VIF。五种无参考算法：SSEQ,GWH-GLBP,DIIVINE,BRISQUE,BIQA。为了消除训练数本文档来自技高网...

【技术保护点】
一种基于预注意机制和空间依赖性的无参考图像质量评价方法，其特征在于：步骤一、将输入的待测图像分解为颜色信息和灰度信息两部分，其中颜色信息采用SCIELAB颜色空间变换得到；步骤二、应用尺度空间对灰度信息做处理；步骤三、计算彩色信息图和灰度信息图的灰度色调共生矩阵，完成特征提取；步骤四、采用步骤一，步骤二和步骤三的方法对数据库中的每一幅彩色图像进行处理，即可得到每一幅彩色图像对应的质量特征向量；在此基础上利用基于学习的机器学习方法，在训练集上进行训练，在测试集上进行测试，把质量特征向量映射为对应的质量分数，进而利用现有的算法性能指标对算法的优劣进行评估。

【技术特征摘要】
1.一种基于预注意机制和空间依赖性的无参考图像质量评价方法，其特征在于：步骤一、将输入的待测图像分解为颜色信息和灰度信息两部分，其中颜色信息采用SCIELAB颜色空间变换得到；步骤二、应用尺度空间对灰度信息做处理；步骤三、计算彩色信息图和灰度信息图的灰度色调共生矩阵，完成特征提取；步骤四、采用步骤一，步骤二和步骤三的方法对数据库中的每一幅彩色图像进行处理，即可得到每一幅彩色图像对应的质量特征向量；在此基础上利用基于学习的机器学习方法，在训练集上进行训练，在测试集上进行测试，把质量特征向量映射为对应的质量分数，进而利用现有的算法性能指标对...

【专利技术属性】
技术研发人员：刘利雄，王天舒，黄华，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11