【技术实现步骤摘要】
一种无参考图像质量评价方法及系统
本专利技术涉及图像质量评价
，特别涉及一种无参考图像质量评价方法及系统。
技术介绍
随着互联网技术、数字媒体技术以及通信领域的快速发展，作为人眼感知重要信息源的数字图像在人们信息交流中发挥了重要作用；加之智能手机、平板电脑等电子设备的普及程度提高，为图像的采集和传播提供了极大的便利。但是，在图像的获取、压缩、处理、传输和显示等过程中，极易对图像造成不同程度的失真。失真图像不仅会影响观感，而且可能造成信息的丢失。为了衡量图像质量是否满足特定应用的要求，需要建立有效的图像质量评价机制。图像质量评价分为主观评价和客观评价。主观评价中需要不同观察者对同一图片进行主观评分，去掉极值后取均值作为图像质量的主观分数；客观评价则分为全参考、半参考和无参考评价三种方式。无参考图像质量评价过程中，不需要失真图像的原始无损图像作为参考，相较于全参考和半参考的图像质量评价方法，有更高的实用价值。近年来无参考图像质量评价领域发展迅速，出现了很多优秀的方法：[1]评估自然图像失真程度的监督方法(BRISQ...
【技术保护点】
1.一种无参考图像质量评价方法，其特征在于，包括：/nS11：确定训练图像的特征；/nS12：采用多元高斯模型对所述S11中的训练图像的特征进行拟合，得到训练模型；/nS13：确定测试图像的特征；/nS14：采用多元高斯模型对所述S13中的测试图像的特征进行拟合，得到测试模型；/nS15：通过对所述训练模型以及所述测试模型进行比较，确定测试图像的质量评价，并对质量评价的准确程度进行衡量。/n
【技术特征摘要】
1.一种无参考图像质量评价方法，其特征在于，包括：
S11：确定训练图像的特征；
S12：采用多元高斯模型对所述S11中的训练图像的特征进行拟合，得到训练模型；
S13：确定测试图像的特征；
S14：采用多元高斯模型对所述S13中的测试图像的特征进行拟合，得到测试模型；
S15：通过对所述训练模型以及所述测试模型进行比较，确定测试图像的质量评价，并对质量评价的准确程度进行衡量。
2.根据权利要求1所述的无参考图像质量评价方法，其特征在于，所述S11包括：
S111：提取所述训练图像的自然图像统计特征；
S112：提取所述训练图像的相位一致性特征；
S113：提取所述训练图像的梯度特征；
S114：提取所述训练图像的卡洛南-洛伊变换特征；
进一步地，所述S13包括：
S131：提取所述测试图像的自然图像统计特征；
S132：提取所述测试图像的相位一致性特征；
S133：提取所述测试图像的梯度特征；
S134：提取所述测试图像的卡洛南-洛伊变换特征。
3.根据权利要求2所述的无参考图像质量评价方法，其特征在于，所述S111之前还包括：
S110：将所述训练图像进行多尺度分块；
进一步地，所述S131之前还包括：
S130：将所述训练图像进行多尺度分块。
4.根据权利要求2所述的无参考图像质量评价方法，其特征在于，所述S111以及所述S131中的自然图像统计特征提取方法为：
计算和输入图像尺寸一致的二维自然图像统计特征系数IN，其中输入图像将转到灰度空间进行计算；
其中，I表示输入图像，x和y表示图像坐标对应的图像颜色信息，μ表示图像均值，σ表示图像标准差，计算如下：
其中，w表示图像在二维圆对称高斯加权函数采样的3个标准差，得到7×7的滤波器归一化后对图像进行滤波，得到均值μ，使用零均广义高斯函数对得到的IN进行拟合：
其中，
其中，α控制函数的扩散程度，σ为形状参数，Г为函数其中，a＞0；得到二维自然图像统计特征；
再将IN(x,y)分别和临近的水平、竖直以及主副对角线四个方向上的系数分别计算乘积I(i,j)I(i,j+1)，I(i,j)I(i+1,j)，I(i,j)I(i+1,j+1)和I(i,j)I(i+1,j-1)，再将得到的四个乘积矩阵重塑到一维后分别使用非对称广义高斯分布函数进行拟合：
其中，
其中，βl，βr分别代表非对称高斯分布左右的形状，γ为形状参数，η描述左右分布之间的差异，得到十六维非对称广义高斯分布拟合的特征，共得到十八维自然图像统计特征FN。
5.根据权利要求4所述的无参考图像质量评价方法，其特征在于，所述S112以及S132中的相位一致性特征提取方法为：
计算时须将输入图像从RGB色彩空间变换到O1，O2和O3色彩空间进行计算:
二维信号的相位一致性是由一维推广而来的，对二维信号在方向θj和尺度n下...
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。