一种失真图像质量评价方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种失真图像质量评价方法、装置、计算机设备及存储介质。该方法包括：提取训练图像中的结构信息特征、提取训练图像中的纹理信息特征以及提取训练图像中的颜色信息特征；将结构信息特征、纹理信息特征以及颜色信息特征进行整合得到特征向量；根据多个训练图像的特征向量和对应的评分值，构建评价模型；获取待测图像的结构信息特征、纹理信息特征以及颜色信息特征并输入评价模型，输出待测图像的质量得分。本发明专利技术对失真图像的结构特征、纹理特征和颜色特征进行提取，并将这些特征进行整合得到特征向量，然后将特征向量与评分值构建出用于对图形进行质量评价的评价模型，具有在网络模型预测评估基础上拟合人眼主观感知的优点。

【技术实现步骤摘要】
一种失真图像质量评价方法、装置、计算机设备及存储介质
本专利技术涉及图像处理领域，尤其涉及一种失真图像质量评价方法、装置、计算机设备及存储介质。
技术介绍
随着5G时代的到来，图像是人类感知和机器模式识别的重要信息源，图像质量评价(ImageQualityAssessment，IQA)对所获取信息的准确性和有效性起着决定作用；然而，图像在获取、压缩、处理、传输、显示等过程中，难免出现失真和退化的情况，这些情况当中，相对于传输与处理过程中的图像失真，获取过程中的图像失真更为复杂、类型不唯一且难以预判。针对上述问题，现有技术通常采用图像质量客观评价方法对图像进行质量评价，主要通过算法对图像质量进行评价，结合人类系统的感知原理，通过数学建模来评价图像质量；客观评价方法可以方便、快捷、容易实现并能结合到应用系统中。在现有的图像质量客观评价中，以对无失真原始图像的依赖程度由高到低可分为三种：全参考图像质量评价方法(Full-ferenceImagequalityassessment，FR-IQA)、部分参考图像质量评价方法(Reduced-referenceImagequalityassessment，RR-IQA)和无参考图像质量评价方法(No-referenceImagequalityassessment，NR-IQA)。其中前两种方法在图像质量评价时需要与参考原始图像信息作为对比，由此才能得出图像质量评价的结果。而无参考图像质量评价方法则不需要任何参考图像信息，无参考型图像质量评价方法也叫做盲图像质量评价(Blindimagequalityassessment，BIQA)。相关技术中，针对无失真原始图像并不存在或难以获取的情况，无参考图像质量评价方法仍然面临巨大的挑战：一方面，研究人员通常倾向于关注部分特征，而没有考虑特征组合；另一方面，提取的特征不能深刻地反映图像的性质。
技术实现思路
本专利技术的目的是提供一种失真图像质量评价方法、装置、计算机设备及存储介质，旨在解决现有无参考图像质量评价方法仍然存在研究的特征单一而导致信息局限的问题。为解决上述技术问题，本专利技术的目的是通过以下技术方案实现的：提供一种失真图像质量评价方法，其包括：提取训练图像中的结构信息特征、提取所述训练图像中的纹理信息特征以及提取所述训练图像中的颜色信息特征；将所述结构信息特征、纹理信息特征以及颜色信息特征进行整合得到特征向量；根据多个所述训练图像的特征向量和对应的评分值，构建评价模型；获取待测图像的结构信息特征、纹理信息特征以及颜色信息特征并输入所述评价模型，输出所述待测图像的质量得分。另外，本专利技术要解决的技术问题是还在于提供一种失真图像质量评价装置，其包括：提取单元，用于提取训练图像中的结构信息特征、提取所述训练图像中的纹理信息特征以及提取所述训练图像中的颜色信息特征；整合单元，用于将所述结构信息特征、纹理信息特征以及颜色信息特征进行整合得到特征向量；构建单元，用于根据多个所述训练图像的特征向量和对应的评分值，构建评价模型；评价单元，用于获取待测图像的结构信息特征、纹理信息特征以及颜色信息特征并输入所述评价模型，输出所述待测图像的质量得分。另外，本专利技术实施例还提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的失真图像质量评价方法。另外，本专利技术实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的失真图像质量评价方法。为解决上述技术问题，本专利技术的目的是通过以下技术方案实现的：提供一种失真图像质量评价方法、装置、计算机设备及存储介质，其中，该方法包括提取训练图像中的结构信息特征、提取训练图像中的纹理信息特征以及提取训练图像中的颜色信息特征；将结构信息特征、纹理信息特征以及颜色信息特征进行整合得到特征向量；根据多个训练图像的特征向量和对应的评分值，构建评价模型；获取待测图像的结构信息特征、纹理信息特征以及颜色信息特征并输入评价模型，输出待测图像的质量得分。本专利技术实施例对失真图像的结构特征、纹理特征和颜色特征进行提取，并将这些特征进行整合得到特征向量，然后将特征向量与评分值构建出用于对图形进行质量评价的评价模型，具有在网络模型预测评估基础上拟合人眼主观感知的优点。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的失真图像质量评价方法的流程示意图；图2为本专利技术实施例提供的失真图像质量评价方法的子流程示意图；图3为本专利技术实施例提供的失真图像质量评价方法的又一子流程示意图；图4为本专利技术实施例提供的失真图像质量评价方法的又一子流程示意图；图5为本专利技术实施例提供的失真图像质量评价装置的示意性框图；图6为本专利技术实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。请参阅图1，图1为本专利技术实施例提供的失真图像质量评价方法的流程图；如图1所示，该方法包括步骤S101～S104。S101、提取训练图像中的结构信息特征、提取所述训练图像中的纹理信息特征以及提取所述训练图像中的颜色信息特征。具体的，如图2所示，所述提取训练图像中的结构信息特征包括：S201、按如下公式计算所述训练图像的梯度值GM；其中I为训练图像的数字矩阵，T为转置矩阵；S202、将所述训练图像的梯度值进行线性归一化处理，得到梯度幅度特征图；S203、提取所述训练图像中像素分布在暗区和亮区的二维特征；S20本文档来自技高网...

【技术保护点】
1.一种失真图像质量评价方法，其特征在于，包括：/n提取训练图像中的结构信息特征、提取所述训练图像中的纹理信息特征以及提取所述训练图像中的颜色信息特征；/n将所述结构信息特征、纹理信息特征以及颜色信息特征进行整合得到特征向量；/n根据多个所述训练图像的特征向量和对应的评分值，构建评价模型；/n获取待测图像的结构信息特征、纹理信息特征以及颜色信息特征并输入所述评价模型，输出所述待测图像的质量得分。/n

【技术特征摘要】
1.一种失真图像质量评价方法，其特征在于，包括：
提取训练图像中的结构信息特征、提取所述训练图像中的纹理信息特征以及提取所述训练图像中的颜色信息特征；
将所述结构信息特征、纹理信息特征以及颜色信息特征进行整合得到特征向量；
根据多个所述训练图像的特征向量和对应的评分值，构建评价模型；
获取待测图像的结构信息特征、纹理信息特征以及颜色信息特征并输入所述评价模型，输出所述待测图像的质量得分。


2.根据权利要求1所述的失真图像质量评价方法，其特征在于，所述提取所述训练图像中的结构信息特征，包括：
按如下公式计算所述训练图像的梯度值GM；

其中I为训练图像的数字矩阵，T为转置矩阵；
将所述训练图像的梯度值进行线性归一化处理，得到梯度幅度特征图；
提取所述训练图像中像素分布在暗区和亮区的二维特征；
整合所述梯度幅度特征图和二维特征，得到所述训练图像的结构信息特征。


3.根据权利要求1所述的失真图像质量评价方法，其特征在于，所述提取所述训练图像中的纹理信息特征，包括：
分解所述训练图像得到低频、第一中频、第二中频以及高频四个子带；
选取所述第一中频、第二中频以及高频三个子带，按如下公式分别计算三个子带的对数能量ELH、EHL、EHH：



其中，SLH为第一中频，SHL为第二中频，SHH为高频，SXY表示SLH，SHL，SHH中的一个子带，N表示子带中DWT系数的个数，i为行像素灰度值，j为列像素灰度值；
根据所述第一中频、第二中频以及高频三个子带的对数能量ELH、EHL、EHH，得到所述训练图像的纹理特征；
将所述训练图像下采样到原尺寸的一半得到下采样图像，并计算下采样图像的纹理特征，并根据所述训练图像和下采样图像的纹理特征构建所述训练图像的纹理信息特征。


4.根据权利要求1所述的失真图像质量评价方法，其特征在于，所述提取所述训练图像中的颜色信息特征，包括：
从颜色信息的全局出发，计算所述训练图像的颜色矩并进行特征提取，得到特征f1；
从颜色信息的局部出发，获取所述训练图像中的相邻像素间的关系，得到当前像素的MSCN直方图和当前像素与4个相邻像素之间的图像参数；
根据所述当前像素的MSCN直方图和当前像素与4个相邻像素之间的图像参数计算三个颜色通道的特征向量，得到特征f2；
将所述MSCN直方图转化为色调分量，得到第一颜色特征，再将所述训练图像下采样到原始尺寸的一半后得到下采样图像，并获取所述下采样图像的MSCN直方图，将...

【专利技术属性】
技术研发人员：岳广辉，李思莹，周天薇，韩婉婉，李苑，汪天富，李浩，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44