基于改良自然場景統計模型的無參考圖像質量評價方法技術

本發明專利技術公開了一種基于改良自然場景統計模型的無參考圖像質量評價方法，主要解決計算機對噪聲圖像的評價與人眼感知不符的問題。其實現步驟是：1.給定包含多種類型噪聲圖像的訓練集，提取其中每幅噪聲圖像的特征；2.根據訓練集中噪聲圖像的特征、噪聲類型及主觀質量值，采用支持向量機分別訓練分類和回歸模型；3.計算測試圖像的特征；4.根據分類模型和測試圖像的特征，計算測試圖像屬于各種噪聲類型的概率；5.根據回歸模型和測試圖像的特征，計算測試圖像屬于各種噪聲類型時的質量值；6.計算測試圖像最終的質量值；7.根據質量值得出測試圖像的質量評價。本發明專利技術的評價結果與人眼感知一致，可用于對自然圖像、遙感圖像的質量準確鑒別。

【技術實現步驟摘要】

本專利技術屬于圖像處理
，特別涉及一種無參考的圖像質量評價方法，可用于鑒別自然圖像、遙感圖像等的質量。技術背景隨著信息技術的發展，互聯網和各行業快速融合。數字圖像和視頻作為信息的主要載體，在越來越多的應用場合中發揮著重要作用。每時每刻，大量的圖像或視頻被獲取、壓縮和傳輸。但是，在這些過程中不可避免的會引入噪聲，比如圖像獲取時成像設備本身的熱噪聲、抖動造成的模糊噪聲，圖像壓縮時有損壓縮方式帶來的圖像失真，圖像傳輸時信道的干擾噪聲等。一幅“干凈”的圖像被噪聲污染后，會降低人眼感知的舒適度，甚至會影響人們對圖像內容的正確理解。因此，為了衡量成像設備的性能、指導圖像壓縮過程中的壓縮比，希望計算機能自動評價一幅圖像的質量好壞。于是，設計一種和人眼視覺特性一致的圖像質量評價算法顯得至關重要。在過去的幾十年里，圖像質量評價取得了極大的進展，大量的評價算法被提出。一般來說，根據所需參考圖像的信息量，現有算法可分為三類：全參考圖像質量評價算法，部分參考圖像質量評價算法和無參考圖像質量評價算法。全參考質量評價算法需要參考圖像的全部信息，通過較低的計算復雜度就能取得很好的性能，比如被廣泛使用的峰值信噪比PSNR。部分參考圖像質量評價算法則需要參考圖像的部分信息，通常是從圖像提取的特征。在實際情況中，有時并不能獲取到原圖像的任何信息，因此全參考和部分質量評價算法的應用受到限制。由于無參考質量評價算法不需要原圖像的任何信息，所以成為質量評價領域的研究熱點。目前，無參考圖像質量評價算法的一個主流趨勢是基于自然場景統計模型。自然場景統計理論認為自然圖像的統計分布滿足某些統計規律性，當其被噪聲污染后，統計特性會被改變。因此，基于自然場景統計模型的評價算法旨在通過計算統計特性的變化來衡量圖像質量。A.Mittal等人在文章“No-Reference Image Quality Assessment in the Spatial Domain,”IEEE Transaction on Image Processing,vol.21,no.12,pp.4695-4708,2012中利用廣義高斯分布和非對稱廣義高斯分布來擬合圖像的空域像素分布，并將擬合參數作為圖像特征進行圖像質量評價。Zhang等人在文章“A Feature-Enriched Completely Blind Image Quality Evaluator,”IEEE Transaction on Image Processing,vol.24,no.8,pp.2579-2591,2015中結合自然場景統計特性的圖像特征和圖像結構信息，提出一種新穎的質量評價方法。盡管基于自然場景統計模型的評價算法普遍具有良好的性能，但是它們存在一個共同的問題。這類算法都假設噪聲圖像也滿足和自然圖像一樣的統計分布，然而研究表明噪聲的引入會破壞這種統計規律性。因此，在真實分布和擬合分布之間存在著擬合誤差，這將影響對圖像質量評價的準確度。無參考圖像質量評價算法另一個主流趨勢則基于學習的模型。這類算法通常使用神經網絡或支持矢量機將圖像特征映射到主觀分數上，從而預測圖像質量。Li等人在文章“Blind Image Quality Assessment Using a General Regression Neural Network,”IEEE Transactions on Neural Networks,vol.22,no.5,pp.793-799,2011中提出通過廣義回歸神經網絡將圖像的三種特征：相位一致性、熵和梯度信息映射到主觀打分來評價圖像質量。Xue等人在文章“Blind Image Quality Assessment Using Joint Statistics of Gradient Magnitude and Laplacian Features,”IEEE Transaction on Image Processing,vol.23,no.11,pp.4850-4862,2014中通過圖像梯度信息和拉普拉斯特征的聯合分布來預測圖像質量。在以上這些特征中，熵雖然能有效的衡量圖像的信息量，但是不能反映圖像的局部特征。梯度和拉普拉斯特征表征了圖像很重要的局部結構信息，然而對于圖像的方向信息和空域相關性卻不能很好地表達。眾所周知，質量評價算法的性能好壞很大程度上取決于圖像特征。然而，如何提取對噪聲類型和強度敏感的特征至今仍是一個開放性問題。
技術實現思路
本專利技術目的在于針對上述已有技術中存在的不足，提出一種基于改良自然場景統計模型的無參考圖像質量評價方法，以充分考慮自然場景統計模型中存在的擬合誤差，準確的估計出噪聲圖像的質量值。本專利技術的技術方案是這樣實現的：本專利技術提出的改良自然場景統計模型通過廣義高斯分布來擬合訓練集中的噪聲圖像和測試圖像，并同時利用該模型的擬合參數和擬合誤差進行特征提取，根據訓練集中噪聲圖像的噪聲類型、圖像特征以及主觀質量值，采用機器學習的方法訓練分類模型和回歸模型，然后計算測試圖像屬于每種噪聲類型的概率和質量值，最后綜合預測出測試圖像的質量值，其實現步驟包括如下：(1)給定一組包含K種噪聲類型，每種噪聲類型均包含L幅噪聲圖像的訓練集其中表示第j種噪聲類型的第i幅噪聲圖像，1≤i≤L，1≤j≤K，并提取訓練集中噪聲圖像的特征(2)采用支持向量機SVM對訓練集Ψ中噪聲圖像的特征及其相應的噪聲類型編號j進行訓練，得到分類模型(3)采用支持向量回歸SVR對訓練集Ψ中第j類噪聲圖像的特征及其相應的主觀質量值進行訓練，得到K個回歸模型(4)計算測試圖像U的特征(5)根據分類模型和測試圖像的特征采用支持向量機SVM計算測試圖像屬于第j種噪聲類型的概率pj；(6)根據第j個回歸模型和測試圖像的特征采用支持向量回歸SVR計算測試圖像屬于第j種噪聲類型時的質量值qj；(7)根據上述概率pj和質量值qj，計算測試圖像最終的質量值Q；(8)根據質量值Q對測試圖像U的質量進行判斷：若Q＝0，則表示該測試圖像U沒有被噪聲污染；若0<Q≤0.25，則表示該測試圖像U被噪聲輕度污染；若0.25<Q≤0.75，則表示該測試圖像U被噪聲中度污染；若0.75<Q≤1，則表示該測試圖像U被噪聲重度污染。本專利技術與現有技術相比，具有如下優點：1)本專利技術首次分析自然場景統計模型中存在的擬合誤差對無參考圖像質量評價算法的影響，充分利用擬合誤差所反映的噪聲特性進行質量評價，使得評價結果與人眼感知一致。2)本專利技術提出一種基于改良自然場景統計模型的無參考圖像質量評價算法，通過該模型的擬合參數和擬合誤差同時提取圖像特征，提高了評價精度。附圖說明圖1是本專利技術的實現流程示意圖。具體實施方式參照圖1，本專利技術的實現步驟如下：步驟1，提取訓練集中噪聲圖像的特征。(1a)給定一組包含K種噪聲類型，每種噪聲類型均包含L幅噪聲圖像的訓練集對訓練集Ψ中第j種噪聲類型的第i幅噪聲圖像按如下公式進行歸一化： Y ‾ j i ( m , n ) 本文檔來自技高網...

【技術保護點】
一種基于改良自然場景統計模型的無參考圖像質量評價方法，包括：(1)給定一組包含K種噪聲類型，每種噪聲類型均包含L幅噪聲圖像的訓練集其中表示第j種噪聲類型的第i幅噪聲圖像，1≤i≤L，1≤j≤K，并提取訓練集中噪聲圖像的特征(2)采用支持向量機SVM對訓練集Ψ中噪聲圖像的特征及其相應的噪聲類型編號j進行訓練，得到分類模型(3)采用支持向量回歸SVR對訓練集Ψ中第j類噪聲圖像的特征及其相應的主觀質量值進行訓練，得到K個回歸模型(4)計算測試圖像U的特征(5)根據分類模型和測試圖像的特征采用支持向量機SVM計算測試圖像屬于第j種噪聲類型的概率pj；(6)根據第j個回歸模型和測試圖像的特征采用支持向量回歸SVR計算測試圖像屬于第j種噪聲類型時的質量值qj；(7)根據上述概率pj和質量值qj，計算測試圖像最終的質量值Q；(8)根據質量值Q對測試圖像U的質量進行判斷：若Q＝0，則表示該測試圖像U沒有被噪聲污染；若0<Q≤0.25，則表示該測試圖像U被噪聲輕度污染；若0.25<Q≤0.75，則表示該測試圖像U被噪聲中度污染；若0.75<Q≤1，則表示該測試圖像U被噪聲重度污染。

【技術特征摘要】
1.一種基于改良自然場景統計模型的無參考圖像質量評價方法，包括：(1)給定一組包含K種噪聲類型，每種噪聲類型均包含L幅噪聲圖像的訓練集其中表示第j種噪聲類型的第i幅噪聲圖像，1≤i≤L，1≤j≤K，并提取訓練集中噪聲圖像的特征(2)采用支持向量機SVM對訓練集Ψ中噪聲圖像的特征及其相應的噪聲類型編號j進行訓練，得到分類模型(3)采用支持向量回歸SVR對訓練集Ψ中第j類噪聲圖像的特征及其相應的主觀質量值進行訓練，得到K個回歸模型(4)計算測試圖像U的特征(5)根據分類模型和測試圖像的特征采用支持向量機SVM計算測試圖像屬于第j種噪聲類型的概率pj；(6)根據第j個回歸模型和測試圖像的特征采用支持向量回歸SVR計算測試圖像屬于第j種噪聲類型時的質量值qj；(7)根據上述概率pj和質量值qj，計算測試圖像最終的質量值Q；(8)根據質量值Q對測試圖像U的質量進行判斷：若Q＝0，則表示該測試圖像U沒有被噪聲污染；若0<Q≤0.25，則表示該測試圖像U被噪聲輕度污染；若0.25<Q≤0.75，則表示該測試圖像U被噪聲中度污染；若0.75<Q≤1，則表示該測試圖像U被噪聲重度污染。2.如權利要求1所述的方法，其步驟(1)中提取訓練集Ψ中噪聲圖像的特征按如下步驟進行：(1a)對訓練集中的噪聲圖像按如下公式進行歸一化： Y ‾ j i ( m , n ) = Y j i ( m , n ) - μ j i σ j i + 1 ]]>其中，是噪聲圖像中坐標為(m,n)的像素值，是歸一化后的噪聲圖像中坐標為(m,n)的像素值，1≤m≤M，1≤n≤N，M、N分別表示噪聲圖像的行和列像素個數，和分別表示噪聲圖像的均值和方差： μ j i = 1 M N Σ m = 1 M Σ n = 1 N Y j i ( m , n ) σ j i = 1 M N Σ m = 1 M Σ n = 1 N ( Y j i ( m , n ) - μ j i ) 2 ...

【專利技術屬性】
技術研發人員：謝雪梅，張亞中，吳金建，石光明，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：陜西;61