CN104104943A - 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 - Google Patents

Abstract

一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法，其特征在于按如下步骤进行：(一)选择LIVE2数据库中的JPEG2000图像作为训练样本；(二)将该库中的图像转化为相位一致图像；(三)计算相位一致图像的信息熵、对比度和同质性；(四)把图像的信息熵、对比度和同质性3个参数作为输入，DMOS的值作为输出，在LIVE2数据库上对广义回归神经网络进行训练学习；(五)用训练好的广义回归神经网络对待评价图像质量进行预测，得分作为图像的质量评价指标。本发明是一种不需要参考图像，评价JPEG2000图像质量好坏的方法，并且评价结果符合人类视觉主观认识结果。

Description

一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法

技术领域

本发明涉及图像处理领域，具体地讲，是一种不需要参考图像进行JPEG2000压缩图像质量评价的方法。

背景技术

按照评价过程需要多少原始参考图像信息，客观图像质量评价方法又可以分为三大类：全参考(Full-Reference，FR)图像质量评价法，部分参考(Reduced-Reference，RR)图像质量评价法和无参考(No-Reference，NR)图像质量评价法。全参考和部分参考图像质量评价方法需要参考图像的全部或部分信息，而在很多应用场合没有或无法获得参考图像的全部或部分信息，因此无参考图像质量评价方法更加实用。

发明内容

本发明的目的在于提供一种快速JPEG2000压缩图像质量评价方法，能够在不需要参考图像的情况下，评价JPEG2000压缩图像质量的好坏。

为了实现上述目的，本发明的技术方案如下：一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法，其特征在于按如下步骤进行：

(一)选择LIVE2数据库中的JPEG2000图像作为训练样本；

(二)将该库中的图像转化为相位一致图像；

相位一致图像由以下公式计算得到：

$\mathrm{PC}\left(x\right)=\frac{{\mathrm{\Σ}}_o|E_o\left(x\right)-T_o|}{{\mathrm{\Σ}}_o{\mathrm{\Σ}}_n{A}_{\mathrm{no}}\left(x\right)+\mathrm{\ϵ}}---\left(1\right)$

式(1)中，T_o是噪声补偿因子，o表示方向，ε为非常小的正数，取常量，防止分母为零。

(三)计算相位一致图像的信息熵、对比度和同质性；

(1)信息熵(Entropy，简记为ENT)：

$\mathrm{Entropy}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}P(i,j){\log }_{2}P(i,j)---\left(2\right)$

(2)对比度(Contrast，简记为CON)：

$\mathrm{Contrast}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-j)}^{2}P(i,j)---\left(3\right)$

(3)同质性(Homogemeity，简记为HOM)：

$\mathrm{Homogemeity}=\mathrm{\Σ\Σ}\frac{P(i,j)}{1+|i-j|}---\left(4\right)$

式中P(i，j)为相位一致图像的灰度共生矩阵。

(四)把相位一致图像的信息熵、对比度和同质性3个参数作为输入，图像的DMOS值作为输出，在LIVE2数据库上对广义回归神经网络进行训练学习；

(五)用训练好的广义回归神经网络对待评价图像质量进行预测，得分作为图像的质量评价指标。

本发明的优点是：本发明不需要参考图像就可以快速评价一幅JPEG2000压缩图像的质量好坏，且与人类主观视觉感知一致性较好，方法简单。

附图说明

图1是本发明流程图。

具体实施方式

下面结合附图和实施例进一步对本发明加以说明。

实施例：

如图1所示：一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法，其特征在于按如下步骤进行：

(一)选择LIVE2数据库中的JPEG2000图像作为训练样本；

(二)将该库中的图像转化为相位一致图像；

相位一致图像由以下公式计算得到：

$\mathrm{PC}\left(x\right)=\frac{{\mathrm{\Σ}}_o|E_o\left(x\right)-T_o|}{{\mathrm{\Σ}}_o{\mathrm{\Σ}}_n{A}_{\mathrm{no}}\left(x\right)+\mathrm{\ϵ}}---\left(1\right)$

式(1)中，T_o是噪声补偿因子，o表示方向，ε为非常小的正数，取常量，

防止分母为零。

(三)计算相位一致图像的信息熵、对比度和同质性；

(1)信息熵(Entropy，简记为ENT)：

$\mathrm{Entropy}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}P(i,j){\log }_{2}P(i,j)---\left(2\right)$

(2)对比度(Contrast，简记为CON)：

$\mathrm{Contrast}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-j)}^{2}P(i,j)---\left(3\right)$

(3)同质性(Homogemeity，简记为HOM)：

$\mathrm{Homogemeity}=\mathrm{\Σ\Σ}\frac{P(i,j)}{1+|i-j|}---\left(4\right)$

式中P(i，j)为相位一致图像的灰度共生矩阵。

(四)把相位一致图像的信息熵、对比度和同质性3个参数作为输入，图像的DMOS值作为输出，在LIVE2数据库上对广义回归神经网络进行训练学习；

(五)用训练好的广义回归神经网络对待评价图像质量进行预测，得分作为图像的质量评价指标。

为了验证本发明方法的优越性，下面在真实模糊数据库上测试。本实验是在美国德州大学Austin分校LIVE实验室图像质量评价数据库(http://live.ece.utexas.edu/research/quality/)上进行的，该数据库中共有779幅失真图像，同时给出了该779幅失真图像的主观得分值(MOS)。为了测试本发明与主观感知的一致性，我们选择了两种度量准则：(1)斯皮尔曼等级次序关系系数(SROCC)，反映客观评测预测成绩的单调性；(2)相关系数(CC)，反映客观评测的精确性。SROCC和CC的值在0-1的范围之内，值越接近1，说明性能指标越好。最终测试结果显示在表1，从表中可以看出，本文提出的方法在live2数据库上，具有非常好的性能指标。

表1在LIVE2数据库上的性能指标

Claims (3)

1.一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法，其特征在于按如下步骤进行：

(一)选择LIVE2数据库中的JPEG2000图像作为训练样本；

(二)将该库中的图像转化为相位一致图像；

(三)计算相位一致图像的信息熵、对比度和同质性；

(四)以上述3个参数作为输入，图像的DMOS值作为输出，在LIVE2数据库上对广义回归神经网络进行训练学习；

(五)用训练好的广义回归神经网络对待评价图像质量进行预测，得分作为图像的质量评价指标。

2.根据权利要求1所述基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法，其特征在于：在步骤(二)中，相位一致图像由以下公式计算得到：

$\mathrm{PC}\left(x\right)=\frac{{\mathrm{\Σ}}_o|E_o\left(x\right)-T_o|}{{\mathrm{\Σ}}_o{\mathrm{\Σ}}_n{A}_{\mathrm{no}}\left(x\right)+\mathrm{\ϵ}}$ 式中，T_o是噪声补偿因子，o表示方向，ε为非常小的正数，取常量。

3.根据权利要求1所述基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法，其特征在于：在步骤(三)中，三个参数的值分别由下述公式计算得到：

(1)信息熵： $\mathrm{Entropy}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}P(i,j){\log }_{2}P(i,j);$

(2)对比度： $\mathrm{Contrast}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-j)}^{2}P(i,j);$

(3)同质性： $\mathrm{Homogemeity}=\mathrm{\Σ\Σ}\frac{P(i,j)}{1+|i-j|};$

式中P(i，j)为相位一致图像的灰度共生矩阵。