CN104794503A - 一种分数傅立叶变换和广义伽玛分布的图像质量评价方法 - Google Patents

Abstract

本发明涉及一种基于分数阶傅里叶变换和广义伽玛分布的无参考图像质量评价方法。本发明的具体步骤是：首先，对图像数据库进行分数阶傅里叶变换得到变换系数；其次，对水平，垂直和对角方向的变换系数直方图用广义伽马分布建模，用参数估计方法得到均值，方差，形状和索引参数组成特征向量；然后，将图像数据库分成测试图像和训练图像，用训练图像的特征向量用于训练分类支持向量机和预测支持向量回归机；最后，将测试图像的特征向量送到分类支持向量机中用于分类，并送到特定类的支持向量回归机中用于客观图像质量预测。本发明采用分数阶傅里叶变换对图像进行变换，用广义伽马分布对变换系数直方图进行建模，提高了客观图像质量评价的精度。

Description

一种分数傅立叶变换和广义伽玛分布的图像质量评价方法

(一).技术领域

本发明属于图像处理领域，公开了一种基于分数傅立叶变换和广义伽玛分布的无参考图像质量评价方法。

(二).背景技术

图像质量评价可分成主观图像质量评价方法和客观图像质量评价方法。主观评价方法根据观察者的感受进行打分，虽然准确，但存在着成本高昂和费时等缺点，客观图像质量评价方法采用计算模型自动预测图像质量，成本低，耗时短，具有很好的应用价值。客观图像质量评价方法可分成全参考，半参考和无参考三种类型。全参考图像质量评价方法利用原始图像的完整信息作为评价的参考，半参考图像质量评价方法利用原始图像的部分信息作为评价参考，无参考图像质量评价方法完全利用待评价图像的本身信息进行图像质量评价。本发明涉及一种无参考图像质量评价方法。BIQI(Blind Image Quality Indices)是一种常用的无参考图像质量评价方法，BIQI首先对图像进行二维小波变换得到小波系数，在用广义高斯分布建模小波系数，估计得到广义高斯分布的均值，方差，形状参数，并将均值，方差和形状参数组成特征向量，将特征向量用训练好的支持向量机进行分类，将失真图像分类到JPEG，JPEG2000，WN，BLUR和FF类型中的某个类型。分类完毕后，特征向量被输入到训练好的支持向量回归机中，得到输入图像的主观质量分值。BIQI算法在图像质量评价中得到广泛应用，但BIQI算法中的广义高斯分布不能很好地建模小波系数，导致预测输出的主观质量分值与实际的主观质量分值存在较大的偏差。与广义高斯分布相比，广义伽玛分布比广义高斯分布多出一个索引形状参数，当满足一定条件时，广义伽玛分布变成广义高斯分布，因此广义伽玛分布比广义高斯分布能更好地建模小波系数。因此，可得到更好的预测主观质量分值。此外，BIQI中采用小波变换对图像进行处理，但小波变换的滤波系数固定，不能很好地反映图像的时频特性，因此可采用分数阶傅里叶变换对图像进行处理，改变分数阶傅立叶变换的阶数，可得到图像的不同阶数下的时频分析，相比小波变换，分数阶傅立叶变换有更好的灵活性，因此用分数阶傅里叶变换代替小波变换，得到的预测输出的主观质量分值与实际图像主观质量分值更吻合。

(三).发明内容

本发明的目的是提供一种预测更精确的无参考图像质量评价方法。

本发明采用的技术方案是：一.将图像数据库划分成训练图像和测试图像两类，对训练图像和测试图像分别进行二维离散分数阶傅立叶变换得到分数阶傅立叶系数，分数阶傅立叶变换的阶数取为0.25，0.5，0.75和1。二.对不同分数阶下的分数傅立叶系数采用广义伽马分布进行建模，得到每个分数阶下水平，垂直和对角三个方向广义伽马分布的均值，方差，形状参数和索引形状参数，并组成每个图像的特征向量。三.将训练图像的特征向量和训练图像所属的失真类别送到分类支持向量机中进行训练，得到训练好的分类支持向量机，用于将图像分成JPEG，JPEG2000，WN，BLUR和FF五个不同的失真类。四.将训练图像分成JPEG，JPEG2000，WN，BLUR和FF五个不同的失真类，每一类的图像的特征向量和主观MOS分值送到支持向量回归机中进行训练，得到训练好的支持向量回归机，用于预测每一类的客观图像质量。五.将测试图像的特征向量送到第三步训练好的支持向量机中进行分类，将图像分类到JPEG，JPEG2000，WN，BLUR和FF五个失真类中的某一类。六.将测试图像的特征向量送到第五步训练得到的某个失真类的支持向量回归机中，得到测试图像预测的客观图像质量分值。

下面详细给出该发明技术方案的各个细节说明：

步骤(1)：对输入训练图像和测试图像进行分数傅里叶变换，具体是：

将图像数据库分成训练图像和测试图像两部分，对训练图像和测试图像分别进行二维离散分数阶傅立叶变换，二维分数阶傅里叶变换采用的阶数分别取为0.25，0.5，0.75和1。二维分数阶傅里叶变换采用串联的一维分数阶傅里叶行变换和一维分数阶傅里叶列变换实现，若训练图像和测试图像记为X，Λ₁和Λ₂表示分数傅里叶行变换系数矩阵和分数傅里叶列变换系数矩阵，则图像的二维p阶傅里叶变换系数可表示为：Y^p为二维傅立叶变换系数。其中p为分数阶傅里叶变换的阶数。

步骤(2)：用广义伽玛分布对二维分数傅立叶系数进行建模，具体是：

将阶数为0.25，0.5，0.75和1的二维分数阶傅立叶系数划分成水平，垂直和对角三个方向的系数，分别得到水平，垂直和对角方向的分数傅里叶变换系数直方图，再用广义伽玛分布对水平，垂直和对角方向的分数傅立叶系数进行建模，采用期望值最大化方法得到广义伽玛分布的均值，方差，形状参数和索引形状参数。设建模水平方向，垂直方向和对角方向二维分数阶傅里叶变换系数的广义伽玛分布的均值，方差，形状参数和索引形状参数分别为：{μ_h，σ_h，α_h，β_h}，{μ_v，σ_v，α_v，β_v}及{μ_d，σ_d，α_d，β_d}。则构成图像的48x1维特征向量为：其中p=0.25，0.5，0.75和1。

步骤(3)：将训练图像的特征向量送到用于分类的支持向量机中进行训练，具体是：

为了将测试图像分类到JPEG，JPEG2000，WN，BLUR和FF五个失真类中，将步骤1和步骤2中提取的训练图像特征向量和训练图像所属的失真类别送到支持向量机中进行训练，得到训练好的支持向量机用于对输入图像进行分类。

步骤(4)：将每一类训练图像的特征向量和对应的主观MOS分值送到支持向量回归机中进行训练，具体是：

将JPEG，JPEG2000，WN，BLUR和FF五个失真类中的某一类图像的特征向量和对应图像的主观MOS分值送到支持向量回归机中进行训练，得到某一失真类的训练好的支持向量回归机。步骤(5)：将测试图像的特征向量送到训练好的支持向量机中进行分类，具体是：

将步骤(1)和步骤(2)提取的测试图像特征向量送到步骤(3)中训练好的用于分类的支持向量机中进行分类，将输入测试图像分类到JPEG，JPEG2000，WN，BLUR和FF五个失真类中的某一类中。

步骤(6)：将测试图像的特征向量送到训练好的支持向量回归机中得到测试图像的主观分值，具体是：

将测试图像的特征向量送到步骤(3)中训练好的支持向量机中进行分类，将测试图像分类到JPEG，JPEG2000，WN，BLUR和FF五个失真类的某一类后，将测试图像的特征向量送到该类的训练好的支持向量回归机中，输出得到测试图像的对应客观MOS分值。

(四).附图说明

图1为训练图像的特征提取和支持向量机及支持向量回归机训练流程图。

图2为测试图像的特征提取和主观分值预测流程图。

(五).具体实施方式

以下结合附图和实施实例对本发明详细说明。

具体采用LIVE数据库作为实验数据库，将LIVE数据库图像分成两部分：25*5=125幅图像用作训练图像，4*5=20幅图像用作测试图像。

步骤(1)对输入训练图像和测试图像进行分数傅里叶变换：将训练图像剪切成2^N×2^N大小的图像，其中其中w为图像的宽度，h为图像的高度。再将剪切的2^N×2^N图像进行N×N大小的二维分数傅里叶变换，分数阶傅里叶变换的阶数选择为0.25，0.5，0.75和1。二维分数阶傅里叶变换的公式如下：

$F_p^N={\mathrm{\Λ}}_{p,\mathrm{\μ}}^N\·W^N\·{\mathrm{\Λ}}_{p,t}^N$

其中，W^N表示输入图像矩阵，和表示二维分数傅里叶变换系数矩阵。表示二维分数傅里叶变换系数。

步骤(2)用广义伽玛分布对二维分数傅立叶系数进行建模：对训练图像进行分数阶傅立叶变换后，得到p=0.25，p=0.5，p=0.75和p=1阶的二维分数傅里叶变换系数，再将二维分数傅立叶变换系数划分成水平，垂直和对角三个部分的系数。对不同阶数的水平，垂直和对角方向的分数傅立叶系数分别采用广义伽马分布建模，然后估计广义伽马分布的均值，方差，形状参数和索引形状参数。对于每个分数阶，可以产生3个方向的傅立叶系数，每个方向的傅立叶系数采用广义伽玛分布建模后估计出4个参数；对于4个不同的分数阶，产生48个参数组成48x1维的特征向量。将训练图像的特征向量训练用于分类的支持向量机和用于预测主观质量分值的支持向量回归机。具体流程如图1所示。

步骤(3)将训练图像的特征向量送到用于分类的支持向量机中进行训练：将步骤(2)中训练图像的特征向量和该图像所属的失真类别(JPEG，JPEG2000，WN，BLUR和FF)送到用于分类的支持向量机中，对支持向量机进行训练，得到训练好的支持向量机。支持向量机可以通过调用libsvm中的函数实现。

步骤(4)将每一类训练图像的特征向量和对应的主观MOS分值送到支持向量回归机中进行训练：将JPEG，JPEG2000，WN，BLUR和FF五类中某一类训练图像提取的特征向量和图像的主观MOS分值送到支持向量回归机中进行训练，得到训练好的支持向量回归机。支持向量回归机可以调用libsvm中的函数实现。

步骤(5)将测试图像的特征向量送到训练好的支持向量机中进行分类：采用步骤(1)和步骤(2)中的方法提取出测试图像的特征向量，将测试图像的特征向量送到步骤(3)中训练好的支持向量机中，将测试图像分类到JPEG，JPEG2000，WN，BLUR和FF五类的某一失真类中。测试图像特征向量提取和支持向量机分类的流程如图2所示。

步骤(6)将测试图像的特征向量送到训练好的支持向量回归机中得到测试图像的主观分值：步骤(5)对测试图像进行分类后，将测试图像的特征向量送到步骤(4)中训练好的对应失真类别的支持向量回归机中进行主观MOS分值预测。支持向量回归机用于主观MOS分值预测的过程如图2所示。

Claims (4)

1.一种分数阶傅立叶变换和广义伽玛分布的图像质量评价方法，其特征在于：

用分数傅里叶变换得到图像的分数阶傅立叶变换系数，用广义伽玛分布建模分数阶傅立叶变换系数，并用参数估计的方法得到特征参数，用特征参数构造出图像的特征向量。

用获取的特征向量和训练图像的失真类别对分类支持向量机进行训练，得到训练好的分类支持向量机。

将获取的特征向量和训练图像的主观图像质量评价分值送到支持向量回归机中进行训练，得到训练好的支持向量回归机。

提取出测试图像的特征向量，并将特征向量送到训练好的分类支持向量机中用于将测试图像分类到不同的失真类中，并将特征向量送到训练好的支持向量回归机中，得到测试图像的主观图像质量评价分值。

2.根据权利要求1所述的方法，其特征在于，用分数傅里叶变换得到图像的分数傅立叶系数，用广义伽玛分布建模分数阶傅立叶系数并得到特征参数，用特征参数构造出图像的特征向量，具体包括：

采用二维离散分数阶傅里叶变换对图像进行处理得到分数阶傅立叶变换系数，将分数阶傅立叶变换系数分成水平，垂直和对角三个区域。

对水平，垂直和对角三个区域的分数阶傅立叶变换系数分别采用广义伽玛分布进行建模，用参数估计方法得到广义伽玛分布的均值，方差，形状参数和索引形状参数组成特征向量。

3.根据权利要求2所述的方法，其特征在于，采用二维离散分数阶傅里叶变换对图像进行处理得到分数阶傅立叶变换系数，将分数阶傅立叶变换系数分成水平，垂直和对角三个区域。具体包括：

将图像分成大小为32x32的图像块，对每个图像块采用二维分数阶傅里叶变换得到变换系数，将每个块的变换系数分成水平，垂直和对角三个区域。

组合所有块的水平，垂直和对角变换系数，并得到图像的水平，垂直和对角变换系数直方图。

4.根据权利要求2所述的方法，其特征在于，采用广义伽玛分布对水平，垂直和对角方向的分数阶傅立叶变换系数进行建模，用参数估计方法得到广义伽玛分布的均值，方差，形状参数和索引形状参数组成特征向量。

分别采用四种不同阶数的二维离散分数阶傅里叶变换对图像进行处理得到分数阶傅立叶变换系数后，得到水平，垂直和对角方向的分数阶傅立叶变换系数直方图，采用广义伽玛分布建模三个方向的分数阶傅立叶变换系数直方图。

采用参数估计方法得到广义伽玛分布的均值，方差，形状参数和索引形状参数，将三个方向上四个分数阶的广义伽玛分布的均值，方差，形状参数和索引形状参数组合构成图像的48维特征向量。