一种对全景图像无参考多层感知质量的评价方法技术

本发明专利技术属于水下图像处理技术领域，具体涉及一种对全景图像无参考多层感知质量的评价方法，包括：分析全景图像的频率域特征，得到频域信息；计算显著性图，获得全景图像的显著性信息；在颜色分量中分析像素的依赖性，得到图像的颜色信息；将上述所有的信息作为特征输入到回归模型中进行训练及预测，最终得到全景图像的质量分数。本方法从多个方面研究全景图像的特性，能够从多个层面无参考感知全景图像的质量并进行预测。与其他的无参考图像质量评价方法相比，具有更可靠的准确性。具有更可靠的准确性。

【技术实现步骤摘要】
一种对全景图像无参考多层感知质量的评价方法


[0001]本专利技术涉及图像质量评价
，具体领域为一种对全景图像无参考多层感知质量的评价方法。

技术介绍

[0002]全景图像可以为观看者同时提供各个方向的视图，进而越来越受到观众和研究者的关注。与普通图像不同，全景图像以球形的形式捕获和显示信息，具有更广阔的视野和更高的分辨率，因此在处理、编码和压缩过程中不可避免地会引入畸变，影响观看者的体验。因而，建立一个能够有效并且准确地判断全景图像质量的评价方法至关重要。
[0003]全景图像质量评价方法大致可以分为全参考、半参考和无参考方法。全参考度量方法需要所有的参考图像的信息，半参考只需要部分参考图像的信息，而无参考方法可在没有任何参考图像信息的情况下预测图像的质量。在现有的研究中，建立了许多基于普通二维图像的评价指标，如结构相似度(SSIM)、峰值信噪比(PSNR)、视觉信息保真度(VIF)等。但将传统图像质量评价模型直接用于评估全景图像的质量时并不能取得良好的性能。因此，后来有人提出了全参考全景图像质量评价方法。但在实际情况下，参考图像通常难以获得。所以，不需要任何参考信息的全景图像质量评价模型越来越受到研究者的关注。
[0004]然而，目前的研究方法并没有全方面的考虑全景图像的特性也没有达到很好的性能，导致无法形成一个可靠准确的无参考感知全景图像质量的评价方法。

技术实现思路

[0005]本专利技术的目的在于提供一种对全景图像无参考多层感知质量的评价方法，解决上述
技术介绍
中提及的技术问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种对全景图像无参考多层感知质量的评价方法，方法包括步骤如下：
[0007]S1：分析全景图像的频率域特征，得到频域信息；
[0008]S2：计算显著性图，获得全景图像的显著性信息；
[0009]S3：在颜色分量中分析像素的依赖性，得到图像的颜色信息；
[0010]S4：将S1、S2和S3所获得的信息作为特征输入到回归模型中进行训练及预测，最终得到全景图像的质量分数。
[0011]优选的，所述S1包括：将输入的全景图像转换到频率域，分离图像的高频和低频信息。
[0012]优选的，利用信息熵统计图像的低频分量；利用灰度共生矩阵和方差提取其高频特征。
[0013]优选的，所述灰度共生矩阵计算了水平、垂直、主对角、副对角四个方向像素间的关系来概括高频特征。
[0014]优选的，所述S2包括：将输入的图像与其计算的显著性图进行加权处理。
[0015]优选的，对加权后的显著性图利用MSCN提取其显著性特征。
[0016]优选的，所述S3包括：将输入的RGB图像利用局部二值模式算子计算其不同颜色分量之间的像素依赖性，利用其直方图信息表达全景图像的颜色特征。
[0017]优选的，所述S4中的回归模型为SVR，并且选择RBF作为核函数。
[0018]本专利技术的有益效果是：一种对全景图像无参考多层感知质量的评价方法，提取的频域特征，通过利用低频和高频的互补关系来全面有效地描述图像的频域内容，并且GLCM被用于揭示高频中蕴含的信息，能更好的反映出图像中隐藏在相邻像素中的丰富的细节特征。
[0019]本方法提供的对全景图像无参考多层感知质量的评价方法，提出了一种新颖的基于超像素分割的显著性图像的特征提取方法，有效地反映在显著性信息中存在的影响图像质量的畸变。
[0020]本方法提供的对全景图像无参考多层感知质量的评价方法，从不同的颜色分量中提取颜色信息，准确地描述了隐藏在全景图像多个颜色通道间的色彩不自然。
[0021]本方法结合频域信息、显著性信息和颜色信息所提供的对全景图像无参考多层感知质量的评价方法，通过计算出全景图像频域特征、显著性特征和颜色特征，从多个层面感知全景图像的质量，模型的性能包括皮尔逊线性相关系数(the Pearson linear correlation coefficient PLCC)、斯皮尔曼等级相关系数(Spearman rank
‑
order corre lation coefficient SRCC)、肯德尔等级相关系数(Kendall's rank correlation coefficient KRCC)和根均方误差(root mean square error RMSE)，均优于现有的其它技术。
附图说明
[0022]图1是实施例对全景图像无参考多层感知质量的评价方法的流程图；
[0023]图2是实施例模型测试图像的MOS与预测分数的关系；
[0024]图3是实现实施例的对全景图像无参考多层感知质量的评价方法的框架图。
具体实施方式
[0025]下面将结合本专利技术实施例，对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
[0026]实施例
[0027]如图1所示为本专利技术实施例对全景图像无参考多层感知质量的评价方法的流程图。
[0028]本实施例的对全景图像无参考多层感知质量评价方法包括：
[0029]S1：分析全景图像的频率域特征，得到频域信息
[0030]输入图像信号通过小波变换，从空间域转换到频率域，并分离出其高频图像和低频图像；
[0031]进一步地，对于低频分量图像利用信息熵统计图像的低频信息，按如下公式计算：
[0032]E(i)＝∑
j∈i
p(j)log2p(j)
ꢀꢀ
(1)
[0033]其中，j表示低频图像i中的像素，p(j)是经验概率密度函数。
[0034]进一步地，对于高频分量，利用灰度共生矩阵(GLCM)和方差提取其高频特征。
[0035]计算四个方向的GLCM分别为：水平、垂直、主对角、副对角四个方向，利用2个统计量概括高频特征，其公式如下：
[0036][0037][0038]其中，d和θ分别为GLCM的距离参数和方向参数，p
d,θ
(i,j)按如下公式计算：
[0039][0040]S2：计算显著性图，获得全景图像的显著性信息；
[0041]将图像进行超像素分割，对分割后的全景图像计算其显著性图；
[0042]进一步地，利用输入图像对计算的显著性图像加权处理，对加权后显著性图像利用MSCN来概括其显著性特征。
[0043]利用MSCN的系数对全景图像的显著性信息有效表述，并通过以下公式建模：
[0044][0045][0046]其中，γ()为gamma函数，按如下公式进行：
[0047][0048]利用上述GGD和AGGD的参数表达基本统计特征；利用图像熵直方图特征表达统计像素间的依赖关系。...

【技术保护点】

【技术特征摘要】
1.一种对全景图像无参考多层感知质量的评价方法，其特征在于，方法包括步骤如下：S1：分析全景图像的频率域特征，得到频域信息；S2：计算显著性图，获得全景图像的显著性信息；S3：在颜色分量中分析像素的依赖性，得到图像的颜色信息；S4：将S1、S2和S3所获得的信息作为特征输入到回归模型中进行训练及预测，最终得到全景图像的质量分数。2.根据权利要求1所述的一种对全景图像无参考多层感知质量的评价方法，其特征在于，所述S1包括：将输入的全景图像转换到频率域，分离图像的高频和低频信息。3.根据权利要求1所述的一种对全景图像无参考多层感知质量的评价方法，其特征在于，利用信息熵统计图像的低频分量；利用灰度共生矩阵和方差提取其高频特征。4.根据权利要求3所述的一种对全景图像无参考多层感知质量的评价方法，其特征在于，...

【专利技术属性】
技术研发人员：武靖恺，韩少野，刘允，张宝生，蒋金河，代红梅，付立军，李鑫，张冬冬，周程，
申请(专利权)人：中国铁塔股份有限公司辽宁省分公司，
类型：发明
国别省市：