CN105894507A - 基于图像信息量自然场景统计特征的图像质量评价方法 - Google Patents

Abstract

本发明公开了一种基于图像信息量自然场景统计特征的图像质量评价方法，主要解决现有技术的对图像进行质量评价时不符合人类视觉主观感知特性的问题。其法包括：1)基于互信息理论将图像分割成不重叠的子块，建立图像亮度分布和图像子块间的联系；2)把图像转换为显著信息量、实际信息量和缠绕信息量；3)分别在三种信息量上进行亮度归一化系数特征，梯度模值特征和高斯‑拉普拉斯信号特征的提取；4)在上述特征的基础上，通过支持向量机的方法构建图量评价模型。实验结果表明，本发明与主观质量评价具有较高一致性，评价性能优于现有部分参考质量评价方法及部分全参考质量评价方法，可用于图像压缩、存储、传输中对图像的处理。

Description

基于图像信息量自然场景统计特征的图像质量评价方法

技术领域

本发明属于图像处理技术领域，特别是一种图像质量评价方法，可用于图像压缩、存储、传输中对图像的处理。

背景技术

在大数据时代，图像数据量急速增长，在日常生活的各个方面发挥着越来越重要的作用。比如在社交、电商以及媒体网站上，图像是信息表达和传递的重要媒介。此外，微博、微信等通讯软件的广泛应用，以及智能手机的迅速发展，使得图像在人们的信息交流中也扮演着重要角色。此外，图像也是国家安全体系的重要组成部分。例如，视频监控在治安管理及刑事取证等方面发挥着重要作用，卫星遥感图像也是土地资源管理、军事战略制定的重要依据。但是，由于成像系统的不完善和处理技术的不先进等原因，图像在获取、传输、处理和记录的过程中会产生各种各样的失真，导致最终获取的图像存在一定的降质，这些降质会对人们认识客观物质世界带来很大的困难。因此，需要设计合理的图像质量评价方法，用于对图像处理系统的参数优化、性能评估和质量检测，进而为军事、民事等实际应用服务。

近年来，随着人们在生理学上对人类视觉系统的深入研究，人类视觉系统的许多独特机制被一一发现，这些独特机制为图像质量评价提供了一个新的研究思路，许多学者也根据它们提出了各种图像质量评价算法模型。另一方面，机器学习理论的兴起和突破便于人们可以不用耗费大量时间探究图像特征和图像质量之间的具体映射关系，以设计出更加有效、更加合理、更加简便的图像质量模型。

基于图像自然场景统计特征的图像质量评价方法，是假设自然图像具有一定的统计特性，而失真会对这些统计特性产生影响，使得图像看起来“不自然”。因此，可以基于自然图像的统计特性提取特征，进而预测图像的视觉感知质量。

Moorthy等人提出了一种基于两阶段框架的通用无参考质量评价方法，该方法首先利用广义高斯模型对图像每个子带的小波系数建模，提取广义高斯模型的参数来表征小波系数的分布情况，通过提取的统计特征生成训练集数据，用来学习图像失真类型的分类器，并对每一种图像失真类型训练一个质量评价算法；对于测试图像，先将提取的特征输入分类器判断其失真类型，然后利用对应的质量评价算法估计其质量。

Mitta等人基于一种全新的空域自然场景统计模型，该算法利用局部亮度归一化系数作为模型特征来量化自然图像中“自然性”的损失程度，仅在图像的空间域来进行系数的提取，并采用支持向量机回归来预测图像质量。算法简单快捷，取得了很好的评价效果。

上述现有基于自然场景统计特征图像质量评价模型都是基于在图像空间域或是变换域提取自然场景统计特征，图像空间域或变换域的自然场景统计特征在描述图像时由于太过注重图像内容本身，而忽略了人类视觉系统在感知图像时的生理特性，导致基于自然场景统计特征的图像质量评价算法与人类视觉的心理学存在差异，并且存在模型的预测质量不符合人类视觉感知结果的情况，降低了图像质量评价的性能。

发明内容

本发明的目的在于针对上述已有技术的不足，结合人类视觉系统感知生理特性，提出了一种基于图像信息量自然场景统计特征的图像质量评价方法，以解决传统基于自然场景统计特征图像质量评价方法中忽视人类视觉系统在感知图像时的生理特性这一情形，实现对图像质量有效、准确的评测。

实现本发明的技术方案是：基于互信息增益最大化把图像进行分割成不重叠的图像子块，建立图像亮度分布和图像子块之间的关系，并根据互信息将图像转换为图像的显著信息、实际信息和缠绕信息，在每个信息量上分别提取对应的自然场景统计特征，通过支持向量机的方法建立起图像信息量自然场景统计特征和图像主观质量分数之间的映射关系，对图像进行质量评测。其实现步骤包括如下：

(1)对图像进行无重叠的划分，建立图像亮度信息和位置信息之间的联系：

(1a)在信息通道中，定义输入X和输出Y之间的互信息为：

$I(X;Y)=\underset{x\∈X}{\Σ}p\left(x\right)\underset{y\∈Y}{\Σ}p\left(y\right|x)log\frac{p\left(y\right|x)}{p\left(y\right)}$

其中，x,y分别为X,Y内的元素，p(x)＝P[X＝x]为x的概率分布，p(y)＝P[Y＝y]为y的概率分布，p(y|x)＝P[Y＝y|X＝x]为在x已知的条件下y的概率分布；

(1b)将输入X随机分成X₁和X₂两部分，Y₁,Y₂分别为X₁,X₂对应互信息的输出，定义互信息增益最大化准则为：

max[I_X,Y]＝I(X₁；Y₁)-I(X₂；Y₂)

逐点分割输入X，找到使互信息增益最大的分割位置；

(1c)对于一幅图像I，将图像像素亮度值集合记为：B＝{b₁,...,b_i,...,b₂₅₅}，i＝0,1,...,255，使用图像亮度值分布B作为输入，采取水平或者竖直的划分方式，用互信息增益最大化原则确定最佳分块位置，循环对图像进行分割，得到块内亮度差异最小，块间亮度差异最大的无重叠图像子块集合R：R＝{r₁，...，r_j，...，r_k},j＝1,2,...,k,k为图像分块的数目；

(2)基于互信息将图像I转换为图像的显著信息量I₁，实际信息量I₂和缠绕信息量I₃这三种信息量：

$I_1=\underset{r\∈R}{\Σ}p\left(r\right|b)log\frac{p\left(r\right|b)}{p\left(r\right)}$

$I_2=-\underset{r\∈R}{\Σ}p\left(r\right)\log p\left(r\right)+\underset{r\∈R}{\Σ}p\left(r\right|b)\log p\left(r\right|b)$

$I_3=\underset{r\∈R}{\Σ}p\left(r\right)(-\underset{b\∈B}{\Σ}p(b\left)\log p\right(b)+\underset{b\∈B}{\Σ}p(b|r\left)\log p\right(b|r\left)\right)$

其中p(b)代表图像像素值的概率分布，p(r)代表图像分块集的概率分布，p(r|b)代表在图像像素值为b时图像分块r的概率分布，p(b|r)表示在图像分块r中像素值b的概率分布；

(3)获取一幅图像的统计特征向量F：

(3a)对上述三个图像信息量I₁,I₂,I₃分别进行亮度归一化系数特征，梯度模值特征和高斯-拉普拉斯信号的提取，分别得到如下统计特征：

显著信息量I₁的亮度归一化系数特征α₁,β₁，梯度模值特征P_G1和高斯-拉普拉斯信号特征P_L1；

实际信息量I₂的亮度归一化系数特征α₂,β₂，梯度模值特征P_G2和高斯-拉普拉斯信号特征P_L2；

缠绕信息量I₃的亮度归一化系数特征α₃,β₃，梯度模值特征P_G3和高斯-拉普拉斯信号特征P_L3；

(3b)联合(3a)的各统计特征得到一幅图像的特征向量F：

F＝{α₁,α₂,α₃,β₁,β₂,β₃,P_G1,P_G2,P_G3,P_L1,P_L2,P_L3}；

(4)由步骤(1),(2),(3)对训练图像库中的所有图像进行统计特征的提取，得到训练图像特征集，利用支持向量机的方法在图像特征集与对应的图像主观质量分数集之间进行训练，建立如下图像质量评价模型：

其中，Q代表图像质量分数，W是模型中的权重矩阵，T表示转置，表示RBF核函数，F表示特征向量，γ是模型中的偏差项；

(5)对于任意一幅图像，由步骤(1),(2),(3)提取这幅图像的统计特征向量F，将F作为输入代入到步骤(4)的图像质量评价模型中，得到该图像的质量分数Q。

本发明具有以下优点：

1)本发明探索并研究了图像信息量的统计特性，并针对图像信息量特性统计了一些无参考统计特征用于图像质量的预测，与其它方法相比，本发明的实验结果在图像质量评价准确度上有较明显的改进，与人类主观质量评价结果具有较高的一致性。

2)本发明把图像转换成相应的显著信息量、实际信息量和缠绕信息量，使用显著信息的自然场景统计特征捕捉图像视觉感知生理特性的变化；用实际信息的自然场景统计特征捕捉图像细节信息变化，用缠绕信息的自然场景统计特征捕捉图像的结构信息，符合人类视觉感知特性，更具有合理性。

3)本发明把图像空间域的自然场景统计特征推广到图像信息量上，并证明了它的有效。

附图说明

图1是本发明的实现流程图；

图2是本发明中信息通道B→R的输入输出图，其中左侧为输入，右侧为输出；

图3是本发明中信息通道R→B的输入输出图，其中左侧为输入，右侧为输出；

图4是对本发明的合理性仿真实验结果图；

图5是对本发明的鲁棒性仿真实验结果图。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤1.对图像进行分割，使用互信息增益最大化原则将图像划分成块内亮度差异最小，块间亮度差异最大的不重叠的子块。

1.1)在信息通道中，定义输入X和输出Y之间的互信息为：

$I(X;Y)=\underset{x\∈X}{\Σ}p\left(x\right)\underset{y\∈Y}{\Σ}p\left(y\right|x)log\frac{p\left(y\right|x)}{p\left(y\right)}$

其中，x,y分别为X,Y内的元素，p(x)＝P[X＝x]为x的概率分布，p(y)＝P[Y＝y]为y的概率分布，p(y|x)＝P[Y＝y|X＝x]为在x已知的条件下y的概率分布；

(1.2)将输入X随机分成X₁和X₂两部分，Y₁,Y₂分别为X₁,X₂对应互信息的输出，定义互信息增益最大化准则为：max[I_X,Y]＝I(X₁；Y₁)-I(X₂；Y₂)，逐点分割输入X，找到使互信息增益最大的分割位置；

(1.3)对于一幅图像I，将图像像素亮度值集合记为：B＝{b₁,...,b_i,...,b₂₅₅}，i＝0,1,...,255，使用图像亮度值分布B作为输入，采取水平或者竖直的划分方式，用互信息增益最大化原则确定最佳分块位置，循环对图像进行分割，得到图像子块内亮度差异最小，图像子块间亮度差异最大的无重叠图像子块集合R：R＝{r₁,...,r_j,...,r_k},j＝1,2,...,k,k为图像分块的数目；

在图像分块的过程中，将图像亮度值分布作为输入，图像分块集作为输出的过程定义为信息通道B→R，如图2所示；将图像分块集作为输入，图像亮度值分布作为输出的过程定义为信息通道R→B，如图3所示。

步骤2.将图像I转换为图像的显著信息量I₁，实际信息量I₂和缠绕信息量I₃这三种信息量，建立图像块与图像亮度分布之间的联系。

2.1)根据互信息的定义，获得图像像素集与图像分块集之间的互信息为：

$I(B;R)=\underset{b\&Element;B}{\&Sigma;}p\left(b\right)\underset{r\&Element;R}{\&Sigma;}p\left(r\right|b)log\frac{p\left(r\right|b)}{p\left(r\right)}---<1>$

根据式<1>定义显著信息量I₁为：

$I_1=\underset{r\&Element;R}{\&Sigma;}p\left(r\right|b)log\frac{p\left(r\right|b)}{p\left(r\right)};$

其中，p(b)＝P[B＝b]，表示图像像素值的概率分布；p(r)＝P[R＝r]，表示图像分块集的概率分布；p(r|b)＝P[R＝r|B＝b]，表示在图像像素值为b时图像分块r的概率分布；

2.2)对图像像素集与图像分块集之间的互信息进行如下分解：

$\begin{array}{c}I(B;R)=\underset{b\&Element;B}{\&Sigma;}p\left(b\right)\underset{r\&Element;R}{\&Sigma;}p\left(r\right|b)log\frac{p\left(r\right|b)}{p\left(r\right)}\\ =\underset{b\&Element;B}{\&Sigma;}p\left(b\right)(-\underset{r\&Element;R}{\&Sigma;}p(r\left)\log p\right(r)+\underset{r\&Element;R}{\&Sigma;}p(r|b\left)\log p\right(r|b\left)\right)\end{array}---<2>$

根据式<2>定义实际信息量I₂为：

$I_2=-\underset{r\&Element;R}{\&Sigma;}p\left(r\right)\log p\left(r\right)+\underset{r\&Element;R}{\&Sigma;}p\left(r\right|b)\log p\left(r\right|b);$

2.3)定义缠绕信息量I₃为：

$I_3=\underset{r\&Element;R}{\&Sigma;}p\left(r\right|b)(-\underset{b\&Element;B}{\&Sigma;}p(b\left)\log p\right(b)+\underset{b\&Element;B}{\&Sigma;}p(b|r\left)\log p\right(b|r\left)\right);$

其中，p(b|r)＝P[B＝b|R＝r]表示在图像分块r中图像像素值b的概率分布。

步骤3.在步骤2的三个图像信息量上分别进行特征提取，获取一幅图像的统计特征向量F。

3.1)提取显著信息量I₁的亮度归一化系数特征α₁,β₁，梯度模值特征P_G1和高斯-拉普拉斯信号特征P_L1：

3.1.1)对显著信息量I₁进行归一化操作，得到显著信息量I₁的亮度归一化系数其中中第i行第j列的值为：

$\stackrel{\&OverBar;}{I_1}(i,j)=\frac{I_1(i,j)-\mathrm{\&mu;}(i,j)}{\mathrm{\&sigma;}(i,j)+1}---<3>$

式<3>中,I₁(i,j)为I₁中第i行第j列的值，

表示第i行第j列点临近像素的均值，

表示第i行第j列点临近像素的标准差,

w_r,l是一个局部高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽；

3.1.2)根据显著信息量I₁的亮度归一化系数的归一化直方图服从广义高斯分布的特性，由如下广义高斯分布公式计算显著信息量I₁的亮度归一化系数特征：

$g(t,{\mathrm{\&alpha;}}_1,{\mathrm{\&sigma;}}^2)=\frac{{\mathrm{\&alpha;}}_1}{2{\mathrm{\&beta;}}_1\mathrm{\&Gamma;}(1/{\mathrm{\&alpha;}}_1)}\exp (-{\left(\frac{\left|t\right|}{{\mathrm{\&beta;}}_1}\right)}^{{\mathrm{\&alpha;}}_1})---<4>$

式<4>中，t为实数，t∈(-∞,+∞)，为高斯分布函数的取值范围；α₁为形状参数，用于控制高斯分布的形状；σ为标准差，用于控制高斯分布的方差；为高斯分布尺度参数；Γ(·)是伽马函数；

使用形状参数α₁和尺度参数β₁作为显著信息量I₁的亮度归一化系数特征；

3.1.3)对显著信息量I₁进行卷积滤波，得到显著信息量I₁的梯度模值G_I1和高斯-拉普拉斯信号L_I1：

$G_{I1}=\sqrt{{\&lsqb;I_1\&CircleTimes;h_x\&rsqb;}^2+{\&lsqb;I_1\&CircleTimes;h_y\&rsqb;}^2}---<5>$

$L_{I1}=I_1\&CircleTimes;h_{LOG}---<6>$

式<5>和式<6>中，是线性卷积算子，h_d,d∈{x,y}是高斯梯度滤波模板，分别沿x方向和y方向计算梯度；h_LOG为高斯-拉普拉斯滤波算子式；

3.1.4)对G_I1和L_I1进行联合自适应归一化操作，得到归一化后的梯度归一化模值和高斯-拉普拉斯归一化信号

${\stackrel{\&OverBar;}{G}}_{I1}=G_{I1}/(N_{I1}+\mathrm{\&epsiv;})---<7>$

${\stackrel{\&OverBar;}{L}}_{I1}=L_{I1}/(N_{I1}+\mathrm{\&epsiv;})---<8>$

式<7>与式<8>中，N_I1是G_I1和L_I1加权平均得到的归一化因子，其第i行第j列的值为：ω_r,l为高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽，G_I1(i+l,j+k)为G_I1第i+l行第j+k列的值，L_I1(i+l,j+k)为L_I1第i+l行第j+k列的值，ε是极小的正常数；

3.1.5)将量化为M个等级g_1m，m＝1,...,M，将量化为N个等级l_1n，n＝1,...,N，计算和的联合概率直方图K_m,n：

$K_{m,n}=P({\stackrel{\&OverBar;}{G}}_{I1}=g_{1m}\&cap;{\stackrel{\&OverBar;}{L}}_{I1}=l_{1n})---<9>$

3.1.6)计算K_m,n的边缘概率分布，得到显著信息量I₁的梯度模值特征P_G1和高斯-拉普拉斯信号特征P_L1：

$P_{G1}={\mathrm{\&Sigma;}}_{m=1}^M{K}_{m,n}---<10>$

$P_{L1}={\mathrm{\&Sigma;}}_{n=1}^N{K}_{m,n}---<11>$

3.2)提取实际信息量I₂的亮度归一化系数特征α₂,β₂，梯度模值特征P_G2和高斯-拉普拉斯信号特征P_L2，按如下步骤进行：

3.2.1)对实际信息量I₂进行归一化操作，得到实际信息量I₂的亮度归一化系数其中中第p行第q列的值为：

${\stackrel{\&OverBar;}{I}}_2(p,q)=\frac{I_2(p,q)-\mathrm{\&mu;}(p,q)}{\mathrm{\&sigma;}(p,q)+1}---<12>$

式<12>中,I₂(m,n)为I₂中第p行第q列的值，

表示第p行第q列点临近像素的均值，

表示第p行第q列点临近像素的标准差,w_r,l是一个局部高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽；

3.2.2)根据实际信息量I₂的亮度归一化系数的归一化直方图服从广义高斯分布的特性，由如下广义高斯分布公式计算实际信息量I₂的亮度归一化系数特征：

$g(t,{\mathrm{\&alpha;}}_2,{\mathrm{\&sigma;}}^2)=\frac{{\mathrm{\&alpha;}}_2}{2{\mathrm{\&beta;}}_2\mathrm{\&Gamma;}(1/{\mathrm{\&alpha;}}_2)}\exp (-{\left(\frac{\left|t\right|}{{\mathrm{\&beta;}}_2}\right)}^{{\mathrm{\&alpha;}}_2})---<13>$

式<13>中，t为实数，t∈(-∞,+∞)，为高斯分布函数的取值范围；α₂为形状参数，用于控制高斯分布的形状；σ为标准差，用于控制高斯分布的方差，为高斯分布尺度参数；г(·)是伽马函数；

使用形状参数α₂和尺度参数β₂作为实际信息量I₂的亮度归一化系数特征；

3.2.3)对实际信息量I₂进行卷积滤波，得到实际信息量I₂的梯度模值G_I2和高斯-拉普拉斯信号L_I2：

$G_{I2}=\sqrt{{\&lsqb;I_2\&CircleTimes;h_x\&rsqb;}^2+{\&lsqb;I_2\&CircleTimes;h_y\&rsqb;}^2}---<14>$

$L_{I2}=I_2\&CircleTimes;h_{LOG}---<15>$

式<14>和<15>中，是线性卷积算子，h_d,d∈{x,y}是高斯梯度滤波模板，分别沿x方向和y方向计算梯度；h_LOG为高斯-拉普拉斯滤波算子式；

3.2.4)对G_I2和L_I2进行联合自适应归一化操作，得到归一化后的梯度归一化模值和高斯-拉普拉斯归一化信号

${\stackrel{\&OverBar;}{G}}_{I2}=G_{I2}/(N_{I2}+\mathrm{\&epsiv;})---<16>$

${\stackrel{\&OverBar;}{L}}_{I2}=L_{I2}/(N_{I2}+\mathrm{\&epsiv;})---<17>$

式<16>与式<17>中，N_I2是G_I2和L_I2加权平均得到的归一化因子，其第p行第q列的值为：ω_r,l为高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽，G_I2(p+l,q+k)为G_I2第p+l行第q+k列的值，L_I2(p+l,q+k)为第p+l行第q+k列的值，ε是极小的正常数；

3.2.5)将量化为M个等级g_2m，m＝1,...,M，将量化为N个等级l_2n，n＝1,...,N，计算和的联合概率直方图K_m,n：

$K_{m,n}=P({\stackrel{\&OverBar;}{G}}_{I2}=g_{2m}\&cap;{\stackrel{\&OverBar;}{L}}_{I2}=l_{2n})---<18>$

3.2.6)计算K_m,n的边缘概率分布，得到实际信息量I₃的梯度模值特征P_G2和高斯-拉普拉斯信号特征P_L2：

$P_{G2}={\mathrm{\&Sigma;}}_{m=1}^M{K}_{m,n}---<19>$

$P_{L2}={\mathrm{\&Sigma;}}_{n=1}^N{K}_{m,n}---<20>$

3.3)提取缠绕信息量I₃的亮度归一化系数特征α₃,β₃，梯度模值特征P_G3和高斯-拉普拉斯信号特征P_L3，按如下步骤进行：

3.3.1)对缠绕信息量I₃进行归一化操作，得到缠绕信息量I₃的亮度归一化系数其中中第u行第v列的值为：

$\stackrel{\&OverBar;}{I_3}(u,v)=\frac{I_3(u,v)-\mathrm{\&mu;}(u,v)}{\mathrm{\&sigma;}(u,v)+1}---<21>$

式<21>中,I₃(u,v)为I₃中第u行第v列的值，

表示第u行第v列点临近像素的均值，

表示第u行第v列点临近像素的标准差,

w_r,l是一个局部高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽；

3.3.2)根据缠绕信息量I₃的亮度归一化系数的归一化直方图服从广义高斯分布的特性，由如下广义高斯分布公式计算缠绕信息量I₃的亮度归一化系数特征，形状参数α₃和尺度参数β₃：

$g(t,{\mathrm{\&alpha;}}_3,{\mathrm{\&sigma;}}^2)=\frac{{\mathrm{\&alpha;}}_3}{2{\mathrm{\&beta;}}_3\mathrm{\&Gamma;}(1/{\mathrm{\&alpha;}}_3)}\exp (-{\left(\frac{\left|t\right|}{{\mathrm{\&beta;}}_3}\right)}^{{\mathrm{\&alpha;}}_3})---<22>$

式<22>中，t为实数，t∈(-∞,+∞)，为高斯分布函数的取值范围；α₃为形状参数，用于控制高斯分布的形状；σ为标准差，用于控制高斯分布的方差；为高斯分布尺度参数；Γ(·)是伽马函数；

将形状参数α₃和尺度参数β₃作为缠绕信息量I₃的亮度归一化系数特征；

3.3.3)对缠绕信息量I₃进行卷积滤波，得到缠绕信息量I₃的梯度模值G_I3和高斯-拉普拉斯信号L_I3：

$G_{I3}=\sqrt{{\&lsqb;I_3\&CircleTimes;h_x\&rsqb;}^2+{\&lsqb;I_3\&CircleTimes;h_y\&rsqb;}^2}---<23>$

$\begin{array}{cc}{L}_{I3}=I_3\&CircleTimes;h_{LOG}& v\end{array}---<24>$

式<23>和式<24>中，是线性卷积算子，h_d,d∈{x,y}是高斯梯度滤波模板，分别沿x方向和y方向计算梯度；h_LOG为高斯-拉普拉斯滤波算子式；

3.3.4)对G_I3和L_I3进行联合自适应归一化操作，得到归一化后的梯度归一化模值和高斯-拉普拉斯归一化信号

${\stackrel{\&OverBar;}{G}}_{I3}=G_{I3}/(N_{I3}+\mathrm{\&epsiv;})---<25>$

${\stackrel{\&OverBar;}{L}}_{I3}=L_{I3}/(N_{I3}+\mathrm{\&epsiv;})---<25>$

式<25>与<26>中，N_I3是G_I3和L_I3加权平均得到的归一化因子，其第u行第v列的值为：ω_r,l为高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽，G_I3(u+l,v+k)为G_I3第u+l行第v+k列的值，L_I3(u+l,v+k)为L_I3第u+l行第v+k列的值，ε是极小的正常数；

3.3.5)将量化为M个等级g_3m，m＝1,...,M，将量化为N个等级l_3n，n＝1,...,N，计算和的联合概率直方图K_m,n：

$K_{m,n}=P({\stackrel{\&OverBar;}{G}}_{I3}=g_{3m}\&cap;{\stackrel{\&OverBar;}{L}}_{I3}=l_{3n})---<27>$

3.3.6)计算K_m,n的边缘概率分布，得到缠绕信息量I₃的梯度模值特征P_G3和高斯-拉普拉斯信号特征P_L3：

$P_{G3}={\mathrm{\&Sigma;}}_{m=1}^M{K}_{m,n}---<28>$

$P_{L3}={\mathrm{\&Sigma;}}_{n=1}^N{K}_{m,n}---<29>$

3.4)联合步骤3.1)，3.2)，3.3)中的各统计特征，得到一幅图像的特征向量F：

F＝{α₁,α₂,α₃,β₁,β₂,β₃,P_G1,P_G2,P_G3,P_L1,P_L2,P_L3}。

步骤4.由步骤1，2，3对训练图像库中的所有图像进行统计特征的提取，得到训练图像特征集，利用支持向量机的方法在图像特征集与对应的图像主观质量分数集之间进行训练，建立如下图像质量评价模型：

式<30>中，Q代表图像质量分数，W是模型中的权重矩阵，T表示转置，表示RBF核函数，F表示特征向量，为模型的输入，γ是模型中的偏差项。

步骤5.对于任意一幅图像，由步骤1，2，3提取这幅图像的统计特征向量F，将F作为输入代入到步骤4的图像质量评价模型中，得到该图像的质量分数Q。

本发明的优点可通过以下实验进一步说明

1.评测条件：

为了对本发明提出的部分参考视频质量评价方法的有效性进行评测，使用了三个公开图像数据库，它们分别是：

1.美国TEXAS大学的LIVE II图像数据库，该库包含29张高精度无损彩色原始图像，892张对应的失真图像，其中，失真图像共有五种失真类型，分别是JPEG压缩失真175张，JP2K压缩失真169张，高斯白噪声失真145张，高斯模糊失真145张，快通道衰减失真145张。

2.乌克兰航空航天大学TID2013图像数据库，该库包含25张彩色原始图像，3000幅失真图像，其中，失真图像共有25种失真类型，每种失真图像125张，每一张原始图像有5张不同等级的失真图像；

3.美国俄克拉荷马州立大学的CSIQ数据库，该库包含30幅原始图像，866幅失真图像，其中，失真图像共有6种失真类型，分别是JPEG压缩失真，JPEG2000压缩失真，加性粉红高斯噪声失真，高斯模糊失真，全局对比度下降失真和白噪声失真。

2.仿真实验：

实验1，一致性验证。

为了测试本发明提出的图像质量客观评价结果与主观质量评价的一致性，选择以下四个度量准则：一是Pearson线性相关系数PLCC，二是Spearman等级次序相关系数ROCC，三是非线性回归分析后的均方根误差RMSE，其中PLCC和ROCC越大越好，RMSE越小越好。

将本发明与现有通用的PSNR，SSIM，FSIM，BIQI，DIIVINE，BLIINDS2图像质量评价方法进行性能比较，对比结果如表1：

表1本发明和其它算法在三个数据库上的性能对比

从表1可见，本发明与人类视觉系统感知具有较高的一致性，在三个公开数据库上都取得了较好的效果，验证了本发明的有效性。

实验2，合理性验证。

为了验证本发明的合理性，选取一组失真图像，失真图像的失真类型有高斯模糊失真，椒盐噪声失真，高斯白噪声失真和JPEG压缩失真，使用本发明提出的图像质量评价模型对失真图像进行图像质量评价，结果如图4所示。其中图4a为高斯白噪声失真图像质量预测图，图4b为JPEG压缩失真图像质量预测图，图4c为高斯模糊失真图像质量预测图，图4d为椒盐噪声失真图像质量预测图。

通过图4可以看出，在本发明的图像质量评价框架下，失真图像的质量评价值因失真程度的增强而逐渐下降，这一结果与图像的主观质量评价结果相符，该实验验证了本发明的合理性。

实验3，鲁棒性验证。

为了验证本发明的鲁棒性，在CSIQ图像数据库中选用不同百分比的图像数据作为训练图像集，剩余的图像数据作为测试图像集，检验本发明的性能。

随机选用CSIQ图像数据库总图像数据的10％到90％分别作为训练图像集，剩余的图像数据作为测试图像集，对于同一个百分比运行1000次，取1000次性能准则的平均值作为当训练集为这个百分比时本发明的性能，结果如图5所示。其中图5a为本发明在CSIQ图像数据库上随着训练集数量变化其PLCC系数的变化情况，纵坐标为性能数值，横坐标为训练集的百分比；图5b为本发明在CSIQ图像数据库上随着训练集数量变化其ROCC系数的变化情况，纵坐标为性能数值，横坐标为训练集的百分比。

通过图5可以看出，本发明在CSIQ图像数据库上具有良好的鲁棒性，当训练集百分比为10％时其PLCC性能与ROCC性能超过了0.8，且在训练集百分比为50％时，PLCC值就已经趋于稳定，只是随着百分比的增加PLCC性能与ROCC性能有一定的缓慢提升，该实验验证了本发明的鲁棒性。

Claims (4)

1.基于图像信息量自然场景统计特征的图像质量评价方法，包括如下步骤：

(1)对图像进行无重叠的划分，建立图像亮度信息和位置信息之间的联系：

(1a)在信息通道中，定义输入X和输出Y之间的互信息为：

$I(X;Y)=\underset{x\&Element;X}{\&Sigma;}p\left(x\right)\underset{y\&Element;Y}{\&Sigma;}p\left(y\right|x)log\frac{p\left(y\right|x)}{p\left(y\right)}$

其中，x,y分别为X,Y内的元素，p(x)＝P[X＝x]为x的概率分布，p(y)＝P[Y＝y]为y的概率分布，p(y|x)＝P[Y＝y|X＝x]为在x已知的条件下y的概率分布；

(1b)将输入X随机分成X₁和X₂两部分，Y₁,Y₂分别为X₁,X₂对应互信息的输出，定义互信息增益最大化准则为：

max[I_X,Y]＝I(X₁；Y₁)-I(X₂；Y₂)

逐点分割输入X，找到使增益最大的分割位置；

(1c)对于一幅图像I，将图像像素亮度值集合记为：B＝{b₁,…,b_i,...,b₂₅₅}，i＝0,1,…,255，使用图像亮度值分布B作为输入，采取水平或者竖直的划分方式，用互信息增益最大化原则确定最佳分块位置，循环对图像进行分割，得到块内亮度差异最小，块间亮度差异最大的无重叠图像子块集合R：R＝{r₁,...,r_j,…,r_k},j＝1,2,...,k,k为分块数目；

(2)基于互信息将图像I转换为图像的显著信息量I₁，实际信息量I₂和缠绕信息量I₃这三种信息量：

$I_1=\underset{r\&Element;R}{\&Sigma;}p\left(r\right|b)log\frac{p\left(r\right|b)}{p\left(r\right)}$

$I_2=-\underset{r\&Element;R}{\&Sigma;}p\left(r\right)\log p\left(r\right)+\underset{r\&Element;R}{\&Sigma;}p\left(r\right|b)\log p\left(r\right|b)$

$I_3=\underset{r\&Element;R}{\&Sigma;}p\left(r\right)(-\underset{b\&Element;B}{\&Sigma;}p(b)\log p\left(b\right)+\underset{b\&Element;B}{\&Sigma;}p\left(b\right|r)\log p\left(b\right|r))$

其中p(b)代表图像像素值的概率分布，p(r)代表图像分块集的概率分布，p(r|b)代表在图像像素值为b时图像分块r的概率分布，p(b|r)表示在图像分块r中像素值b的概率分布；

(3)获取一幅图像的统计特征向量F：

(3a)对上述三个图像信息量I₁,I₂,I₃分别进行亮度归一化系数特征，梯度模值特征和高斯-拉普拉斯信号的提取，分别得到如下统计特征：

显著信息量I₁的亮度归一化系数特征α₁,β₁，梯度模值特征P_G1和高斯-拉普拉斯信号特征P_L1；

实际信息量I₂的亮度归一化系数特征α₂,β₂，梯度模值特征P_G2和高斯-拉普拉斯信号特征P_L2；

缠绕信息量I₃的亮度归一化系数特征α₃,β₃，梯度模值特征P_G3和高斯-拉普拉斯信号特征P_L3；

(3b)联合(3a)的各统计特征得到一幅图像的特征向量F：

F＝{α₁,α₂,α₃,β₁,β₂,β₃,P_G1,P_G2,P_G3,P_L1,P_L2,P_L3}；

(4)由步骤(1),(2),(3)对训练图像库中的所有图像进行统计特征的提取，得到训练图像特征集，利用支持向量机的方法在图像特征集与对应的图像主观质量分数集之间进行训练，建立如下图像质量评价模型：

其中，Q代表图像质量分数，W是模型中的权重矩阵，T表示转置，表示RBF核函数，F表示特征向量，γ是模型中的偏差项；

(5)对于任意一幅图像，由步骤(1),(2),(3)提取这幅图像的统计特征向量F，将F作为输入代入到步骤(4)的图像质量评价模型中，得到该图像的质量分数Q。

2.根据权利要求1所述的方法，其中步骤(3a)提取显著信息量I₁的亮度归一化系数特征α₁,β₁，梯度模值特征P_G1和高斯-拉普拉斯信号特征P_L1，按如下步骤进行：

(3a1)对显著信息量I₁进行归一化操作，得到显著信息量I₁的亮度归一化系数其中中第i行第j列的值为：

$\stackrel{\&OverBar;}{I_1}(i,j)=\frac{I_1(i,j)-\mathrm{\&mu;}(i,j)}{\mathrm{\&sigma;}(i,j)+1}$

其中,I₁(i,j)为I₁中第i行第j列的值，

表示第i行第j列点临近像素的均值，

表示第i行第j列点临近像素的标准差,

w_r,l是一个局部高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽；

(3a2)根据显著信息量I₁的亮度归一化系数的归一化直方图服从广义高斯分布的特性，由如下广义高斯分布公式计算显著信息量I₁的亮度归一化系数特征：

$g(t,{\mathrm{\&alpha;}}_1,{\mathrm{\&sigma;}}^2)=\frac{{\mathrm{\&alpha;}}_1}{2{\mathrm{\&beta;}}_1\mathrm{\&Gamma;}(1/{\mathrm{\&alpha;}}_1)}\exp (-{\left(\frac{\left|t\right|}{{\mathrm{\&beta;}}_1}\right)}^{{\mathrm{\&alpha;}}_1})$

其中，t为实数，t∈(-∞,+∞)，为高斯分布函数的取值范围；α₁为形状参数，用于控制高斯分布的形状；σ为标准差，用于控制控制高斯分布的方差；为高斯分布尺度参数；Γ(·)是伽马函数；

使用形状参数α₁和尺度参数β₁作为显著信息量I₁的亮度归一化系数特征；

(3a3)对显著信息量I₁进行卷积滤波，得到显著信息量I₁的梯度模值G_I1和高斯-拉普拉斯信号L_I1：

$G_{I1}=\sqrt{{\&lsqb;I_1\&CircleTimes;h_x\&rsqb;}^2+{\&lsqb;I_1\&CircleTimes;h_y\&rsqb;}^2}$

$L_{I1}=I_1\&CircleTimes;h_{LOG}$

其中，是线性卷积算子，h_d,d∈{x,y}是高斯梯度滤波模板，分别沿x方向和y方向计算梯度，h_LOG为高斯-拉普拉斯滤波算子式；

(3a4)对G_I1和L_I1进行联合自适应归一化操作，得到归一化后的梯度归一化模值和高斯-拉普拉斯归一化信号

${\stackrel{\&OverBar;}{G}}_{I1}=G_{I1}/(N_{I1}+\mathrm{\&epsiv;})$

${\stackrel{\&OverBar;}{L}}_{I1}=L_{I1}/(N_{I1}+\mathrm{\&epsiv;})$

其中，N_I1是G_I1和L_I1加权平均得到的归一化因子，其第i行第j列的值为：ω_r,l为高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽，G_I1(i+l,j+k)为G_I1第i+l行第j+k列的值，L_I1(i+l,j+k)为L_I1第i+l行第j+k列的值，ε是极小的正常数；

(3a5)将量化为M个等级，记为：g_1m,m＝1,...,M，将量化为N个等级，记为：l_1n,n＝1,...,N，计算和的联合概率直方图K_m,n：

$K_{m,n}=P({\stackrel{\&OverBar;}{G}}_{I1}=g_{1m}\&cap;{\stackrel{\&OverBar;}{L}}_{I1}=l_{1n})$

(3a6)计算K_m,n的边缘概率分布，得到显著信息量I₁的梯度模值特征P_G1和高斯-拉普拉斯信号特征P_L1：

$P_{G1}={\mathrm{\&Sigma;}}_{m=1}^M{K}_{m,n}$

$P_{L1}={\mathrm{\&Sigma;}}_{n=1}^N{K}_{m,n}.$

3.根据权利要求1所述的方法，其中步骤(3a)提取实际信息量I₂的亮度归一化系数特征α₂,β₂，梯度模值特征P_G2和高斯-拉普拉斯信号特征P_L2，按如下步骤进行：

(3a7)对实际信息量I₂进行归一化操作，得到实际信息量I₂的亮度归一化系数其中中第p行第q列的值为：

$\stackrel{\&OverBar;}{I_2}(p,q)=\frac{I_2(p,q)-\mathrm{\&mu;}(p,q)}{\mathrm{\&sigma;}(p,q)+1},$

其中,I₂(m,n)为I₂中第p行第q列的值，

表示第p行第q列点临近像素的均值，

表示第p行第q列点临近像素的标准差,w_r,l是一个局部高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽；

(3a8)根据实际信息量I₂的亮度归一化系数的归一化直方图服从广义高斯分布的特性，由如下广义高斯分布公式计算实际信息量I₂的亮度归一化系数特征：

$g(t,{\mathrm{\&alpha;}}_2,{\mathrm{\&sigma;}}^2)=\frac{{\mathrm{\&alpha;}}_2}{2{\mathrm{\&beta;}}_2\mathrm{\&Gamma;}(1/{\mathrm{\&alpha;}}_2)}\exp (-{\left(\frac{\left|t\right|}{{\mathrm{\&beta;}}_2}\right)}^{{\mathrm{\&alpha;}}_2})$

其中，t为实数，t∈(-∞,+∞)，为高斯分布函数的取值范围；α₂为形状参数，用于控制高斯分布的形状；σ为标准差，用于控制控制高斯分布的方差；为高斯分布尺度参数；Γ(·)是伽马函数；

使用形状参数α₂和尺度参数β₂作为实际信息量I₂的亮度归一化系数特征；

(3a9)对实际信息量I₂进行卷积滤波，得到实际信息量I₂的梯度模值G_I2和高斯-拉普拉斯信号L_I2：

$G_{I2}=\sqrt{{\&lsqb;I_2\&CircleTimes;h_x\&rsqb;}^2+{\&lsqb;I_2\&CircleTimes;h_y\&rsqb;}^2}$

$L_{I2}=I_2\&CircleTimes;h_{LOG}$

其中，是线性卷积算子，h_d,d∈{x,y}是高斯梯度滤波模板，分别沿x方向和y方向计算梯度，h_LOG为高斯-拉普拉斯滤波算子式；

(3a10)对G_I2和L_I2进行联合自适应归一化操作，得到归一化后的梯度归一化模值和高斯-拉普拉斯归一化信号

${\stackrel{\&OverBar;}{G}}_{I2}=G_{I2}/(N_{I2}+\mathrm{\&epsiv;})$

${\stackrel{\&OverBar;}{L}}_{I2}=L_{I2}/(N_{I2}+\mathrm{\&epsiv;})$

其中，N_I2是G_I2和L_I2加权平均得到的归一化因子，其第p行第q列的值为：ω_r,l为高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽，G_I2(p+l,q+k)为G_I2第p+l行第q+k列的值，L_I2(p+l,q+k)为第p+l行第q+k列的值，ε是极小的正常数；

(3a11)将量化为M个等级，记为：g_2m,m＝1,...,M，将量化为N个等级，记为：l_2n,n＝1,...,N，计算和的联合概率直方图K_m,n：

$K_{m,n}=P({\stackrel{\&OverBar;}{G}}_{I2}=g_{2m}{\&cap;\stackrel{\&OverBar;}{L}}_{I2}=l_{2n})$

(3a12)计算K_m,n的边缘概率分布，得到实际信息量I₃的梯度模值特征P_G2和高斯-拉普拉斯信号特征P_L2：

$P_{G2}={\mathrm{\&Sigma;}}_{m=1}^M{K}_{m,n}$

$P_{L2}={\mathrm{\&Sigma;}}_{n=1}^N{K}_{m,n}.$

4.根据权利要求1所述的方法，其中步骤(3a)提取缠绕信息量I₃的亮度归一化系数特征α₃,β₃，梯度模值特征P_G3和高斯-拉普拉斯信号特征P_L3，按如下步骤进行：

(3a13)对缠绕信息量I₃进行归一化操作，得到缠绕信息量I₃的亮度归一化系数其中中第u行第v列的值为：

$\stackrel{\&OverBar;}{I_3}(u,v)=\frac{I_3(u,v)-\mathrm{\&mu;}(u,v)}{\mathrm{\&sigma;}(u,v)+1},$

其中,I₃(u,v)为I₃中第u行第v列的值，

表示第u行第v列点临近像素的均值，

表示第u行第v列点临近像素的标准差,w_r,l是一个局部高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽；

(3a14)根据缠绕信息量I₃的亮度归一化系数的归一化直方图服从广义高斯分布的特性，由如下广义高斯分布公式计算缠绕信息量I₃的亮度归一化系数特征：

$g(x,{\mathrm{\&alpha;}}_3,{\mathrm{\&sigma;}}^2)=\frac{{\mathrm{\&alpha;}}_3}{2{\mathrm{\&beta;}}_3\mathrm{\&Gamma;}(1/{\mathrm{\&alpha;}}_3)}\exp \left(-{\left(\frac{\left|x\right|}{{\mathrm{\&beta;}}_3}\right)}^{{\mathrm{\&alpha;}}_3}\right)$

其中，t为实数，t∈(-∞,+∞)，为高斯分布函数的取值范围；α₃为形状参数，用于控制高斯分布的形状；σ为标准差，用于控制控制高斯分布的方差；为高斯分布尺度参数；Γ(·)是伽马函数；

使用形状参数α₃和尺度参数β₃作为缠绕信息量I₃的亮度归一化系数特征；

(3a15)对缠绕信息量I₃进行卷积滤波，得到缠绕信息量I₃的梯度模值G_I3和高斯-拉普拉斯信号L_I3：

$G_{I3}=\sqrt{{\&lsqb;I_3\&CircleTimes;h_x\&rsqb;}^2+{\&lsqb;I_3\&CircleTimes;h_y\&rsqb;}^2}$

$L_{I3}=I_3\&CircleTimes;h_{LOG}$

其中，是线性卷积算子，h_d,d∈{x,y}是高斯梯度滤波模板，分别沿x方向和y方向计算梯度，h_LOG为高斯-拉普拉斯滤波算子式；

(3a16)对G_I3和L_I3进行联合自适应归一化操作，得到归一化后的梯度归一化模值和高斯-拉普拉斯归一化信号

${\stackrel{\&OverBar;}{G}}_{I3}=G_{I3}/(N_{I3}+\mathrm{\&epsiv;})$

${\stackrel{\&OverBar;}{L}}_{I3}=L_{I3}/(N_{I3}+\mathrm{\&epsiv;})$

其中，N_I3是G_I3和L_I3加权平均得到的归一化因子，其第u行第v列的值为：ω_r,l为高斯对称卷积窗，r＝-R,…,R,l＝-L,…,L，R和L分别是卷积窗的长和宽，G_I3(u+l,v+k)为G_I3第u+l行第v+k列的值，L_I3(u+l,v+k)为L_I3第u+l行第v+k列的值，ε是极小的正常数；

(3a17)将量化为M个等级，记为：g_3m,m＝1,...,M，将量化为N个等级，记为：l_3n,n＝1,...,N，计算和的联合概率直方图K_m,n：

$K_{m,n}=P({\stackrel{\&OverBar;}{G}}_{I3}=g_{3m}{\&cap;\stackrel{\&OverBar;}{L}}_{I3}=l_{3n})$

(3a18)计算K_m,n的边缘概率分布，得到缠绕信息量I₃的梯度模值特征P_G3和高斯-拉普拉斯信号特征P_L3：

$P_{G3}={\mathrm{\&Sigma;}}_{m=1}^M{K}_{m,n}$

$P_{L3}={\mathrm{\&Sigma;}}_{n=1}^N{K}_{m,n}.$