基于整体和高影响区域分析的无参考屏幕内容图像质量评价方法技术

本发明专利技术涉及基于整体和高影响区域分析的无参考屏幕内容图像质量评价方法，与现有技术相比解决了分数融合方法和所提取的统计特征无法全面反映图像质量的缺陷。本发明专利技术包括下列步骤：屏幕内容图像的划分；高影响区域的划分；结构特征的提取；颜色特征的提取；整体图像分数和高影响区域分数的获得；最终的视觉质量分数的获得。本发明专利技术采用以整体图像分数为主导，利用高影响区域的分数对整体分数进行局部调整的分数融合策略，不仅充分考虑到两个区域的差异性，更加保证了图像的整体性，相较于现有的文本和图像两区域分数融合策略，更能够准确反映图像的感知质量。反映图像的感知质量。反映图像的感知质量。

【技术实现步骤摘要】
基于整体和高影响区域分析的无参考屏幕内容图像质量评价方法


[0001]本专利技术涉及图像质量分析
，具体来说是基于整体和高影响区域分析的无参考屏幕内容图像质量评价方法。

技术介绍

[0002]近年来，随着网络传输性能的提高，各种多媒体应用和广播业务得到了广泛的发展。在远程教育、远程办公、屏幕共享、在线广告等许多场景中，用户都需要与本地显示界面进行交互，因此终端用户期望更高质量的屏幕内容图像。
[0003]但是，由于设备性能、存储或传输过程中的信息丢失等因素，捕获的屏幕内容图像可能会产生各种类型的失真，即对比度变化、JPEG压缩等。毫无疑问，图像的质量下降将对消费者的用户体验产生直接影响。
[0004]在过去的几十年里，关于图像质量评价的研究主要集中在自然图像上。然而，研究发现，从自然图像中提取的平均去对比度归一化系数很好地遵循广义高斯分布，而从屏幕内容图像中提取的平均去对比度归一化系数的分布曲线波动很大，且部分失真类型并不影响统计分布。因此，针对自然图像设计的无参考质量评价方法并不能直接应用于屏幕内容图像。
[0005]屏幕内容图像主要是由文本区域和图像区域组成，而人眼对于图像的不同区域会有不一样的感知。因此，考虑不同区域对于屏幕内容图像的视觉影响十分关键。然而，大部分无参考屏幕内容图像质量评价方法都侧重于仅对整个图像进行特征提取。此外，在基于分割的方法中，通常分别预测文本和图像区域的质量分数，然后利用自适应加权策略将分数融合得到最终的质量得分。但这种融合方式可能会导致对象失去完整性，使得最终结果不准确。其次，现有的无参考屏幕内容图像质量评价方法在测量图像结构时，仅考虑到空间强度和分布，忽略了方向信息。因此，对于屏幕内容图像结构信息的测量仍可以进一步优化。
[0006]综上所述，如何设计一种有效的屏幕内容图像质量评估方法，用于提高体验质量、优化多媒体处理系统，成为急需解决的技术问题。

技术实现思路

[0007]本专利技术的目的是为了解决现有技术中分数融合方法和所提取的统计特征无法全面反映图像质量的缺陷，提供一种基于整体和高影响区域分析的无参考屏幕内容图像质量评价方法来解决上述问题。
[0008]为了实现上述目的，本专利技术的技术方案如下：
[0009]一种基于整体和高影响区域分析的无参考屏幕内容图像质量评价方法，包括以下步骤：
[0010]屏幕内容图像的划分：先通过局部图像活动度量算法获得屏幕内容图像的粗文本
层；通过基于文本连接组件的细化过程将粗文本层进一步分割出纯文本区域，其余区域则认定为图像区域；
[0011]高影响区域的划分：通过信息熵在纯文本和图像区域之间选择出对整体质量影响更高的高影响区域；
[0012]结构特征的提取：将相位一致、局部二值模式和多种梯度特征相结合，得到梯度加权直方图，对屏幕内容图像和高影响区域提取出相同的结构特征；
[0013]颜色特征的提取：基于对立颜色空间计算饱和度和颜色熵，对屏幕内容图像和高影响区域提取出相同的颜色特征；
[0014]整体图像分数和高影响区域分数的获得：利用AdaBoosting BP神经网络训练回归模型得到整体图像分数和高影响区域分数；
[0015]最终的视觉质量分数的获得：通过加权策略用高影响区域的分数对整体分数进行局部调整，以此获得最终的视觉质量分数。
[0016]所述高影响区域的划分包括以下步骤：
[0017]分别计算纯文本区域和图像区域的信息熵，所述信息熵公式表示为：
[0018][0019]其中，p(h)是像素强度h的概率，
[0020]得到纯文本区域信息熵的值p
tex
和图像区域信息熵的值p
pic
；
[0021]比较纯文本区域和图像区域信息熵的值：
[0022]当p
tex
≥p
pic
，则文本区域被认定为高影响区域；当p
tex
＜p
pic
，则图像区域被认定为高影响区域。
[0023]所述结构特征的提取包括以下步骤：
[0024]针对屏幕内容图像和高影响区域，输入灰度图像I
gray
(i，j)，采用log
‑
Gabor滤波器对其进行小波变换，
[0025]log
‑
Gabor滤波器利用高斯函数作为展开函数，将滤波器扩展到二维，由高斯函数扩展的二维log
‑
Gabor滤波器有如下传递函数：
[0026][0027]其中，θ
o
＝oπ/0，o＝{0，1，...，O
‑
1}是滤波器的方向角，O为方向的数量，并且σ
θ
决定滤波器的角度带宽，ω0表示滤波器的中心频率，σ
r
为控制滤波器的带宽；
[0028]计算振幅A
no
(i，j)和相位角
[0029]在给定小波尺度n和方向o下的振幅A
no
(i，j)和相位角的公式定义如下：
[0030][0031][0032]其中，其中，和
分别表示二维Log
‑
Gabor的偶数对称余弦和奇数对称正弦小波；
[0033]计算相位一致PC(i，j)，
[0034]PC(i，j)在各种尺度以及方向上的计算方法如下：
[0035][0036]其中，ε是一个为了避免分母为0而引入的常量；
[0037]计算相位一致图中每个像素的局部二值模式来获取结构在相位一致域中的空间分布PLBP，计算如下：
[0038][0039]其中，PC
t
是周围像素的值，PC
c
是中心像素的值，n是中心像素周围等间距相邻像素的数量，设置为8，r是领域的半径，设置为1；
[0040]公式W(
·
)和θ(
·
)的定义如下：
[0041][0042][0043]由于n被设置为8，因此LBP映射的值范围为[0，9]，这意味着有10种分布模式；
[0044]计算相位一致域内具有相同局部二值模式的梯度幅度、相对梯度幅度和梯度方向的像素累积值，即具有梯度加权的PLBP直方图，计算过程如下：
[0045][0046]其中，f(
·
)为Kronecker函数，M和N分别表示图像的高和宽，m是PLBP的可能模式，范围为0到9；
[0047]G(i，j)∈{GM(i，j)，RGM(i，j)，GO(i，j)}是每个像素的PLBP的权重，G(i，j)的计算过程如下：
[0048][0049][0050][0051]其中，和表示水平
梯度和垂直梯度，dx
′
和dy
′
是dx和dy经过平均滤波器滤波后的局部平均梯度，滤波器的尺寸是3x3；
[0052]从一个失真屏幕内容本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于整体和高影响区域分析的无参考屏幕内容图像质量评价方法，其特征在于，包括以下步骤：11)屏幕内容图像的划分：先通过局部图像活动度量算法获得屏幕内容图像的粗文本层；通过基于文本连接组件的细化过程将粗文本层进一步分割出纯文本区域，其余区域则认定为图像区域；12)高影响区域的划分：通过信息熵在纯文本和图像区域之间选择出对整体质量影响更高的高影响区域；13)结构特征的提取：将相位一致、局部二值模式和多种梯度特征相结合，得到梯度加权直方图，对屏幕内容图像和高影响区域提取出相同的结构特征；14)颜色特征的提取：基于对立颜色空间计算饱和度和颜色熵，对屏幕内容图像和高影响区域提取出相同的颜色特征；15)整体图像分数和高影响区域分数的获得：利用AdaBoosting BP神经网络训练回归模型得到整体图像分数和高影响区域分数；16)最终的视觉质量分数的获得：通过加权策略用高影响区域的分数对整体分数进行局部调整，以此获得最终的视觉质量分数。2.根据权利要求1所述的基于整体和高影响区域分析的无参考屏幕内容图像质量评价方法，其特征在于，所述高影响区域的划分包括以下步骤：21)分别计算纯文本区域和图像区域的信息熵，所述信息熵公式表示为：其中，p(h)是像素强度h的概率，得到纯文本区域信息熵的值p
tex
和图像区域信息熵的值p
pic
；22)比较纯文本区域和图像区域信息熵的值：当p
tex
≥p
pic
，则文本区域被认定为高影响区域；当p
tex
＜p
pic
，则图像区域被认定为高影响区域。3.根据权利要求1所述的基于整体和高影响区域分析的无参考屏幕内容图像质量评价方法，其特征在于，所述结构特征的提取包括以下步骤：31)针对屏幕内容图像和高影响区域，输入灰度图像I
gray
(i,j)，采用log
‑
Gabor滤波器对其进行小波变换，log
‑
Gabor滤波器利用高斯函数作为展开函数，将滤波器扩展到二维，由高斯函数扩展的二维log
‑
Gabor滤波器有如下传递函数：其中，θ
o
＝oπ/O,o＝{0,1,...,O
‑
1}是滤波器的方向角，O为方向的数量，并且σ
θ
决定滤波器的角度带宽，ω0表示滤波器的中心频率，σ
r
为控制滤波器的带宽；32)计算振幅A
no
(i,j)和相位角在给定小波尺度n和方向o下的振幅A
no
(i,j)和相位角的公式定义如下：
其中，其中，和分别表示二维Log
‑
Gabor的偶数对称余弦和奇数对称正弦小波；33)计算相位一致PC(i,j)，PC(i,j)在各种尺度以及方向上的计算方法如下：其中，ε是一个为了避免分母为0而引入的常量；34)计算相位一致图中每个像素的局部二值模式来获取结构在相位一致域中的空间分布PLBP,计算如下：其中，PC
t
是周围像素的值，PC
c
是中心像素的值，n是中心像素周围等间距相邻像素的数量，设置为8，r是领域的半径，设置为1；公式W(
·
)和θ(
·
)的定义如下：)的定义如下：由于n被设置为8，因此LBP映射的值范围为[0,9]，这意味着有10种分布模式；35)计算相位一致域内具有相同局部二值模式的梯度幅度、相对梯度幅度和梯度方向的像素累积值，即具有梯度加权的PLBP直方图，计算过程如下：其中，f(
·
)为Kronecker函数，M和N分别表示图像的高和宽，m是PLBP的可能模式，范围...

【专利技术属性】
技术研发人员：杨杨，徐卓然，张志翔，张卫明，
申请(专利权)人：安徽大学，
类型：发明
国别省市：