CN106447647A - 一种压缩感知恢复图像的无参考质量评价方法 - Google Patents

Abstract

本发明涉及一种压缩感知恢复图像的无参考质量评价方法，该方法包括：针对压缩感知恢复图像的失真特性，提取了图像的3个局部特征和5个全局特征来评价图像的质量。其中，局部特征包括了图像的清晰度，对比度和同质性这3个特征；全局特征包括利用广义高斯模型拟合MSCN系数，提取了4个关于图像“自然性”的特征，以及利用奇异值分解得到的1个特征。最后，利用支持向量机对上述的8个特征进行训练，得到特征模型，从而应用这个模型，预测图像的质量分数。该方法的评价结果优于国际主流方法，并且与人眼主观感知具有很高的一致性。

Description

一种压缩感知恢复图像的无参考质量评价方法

技术领域

本发明涉及一种压缩感知恢复图像的无参考质量评价方法，属于图像质量评价领域。

背景技术

图像质量评价从方法上分为两种：(1)主观评价方法：由观测者对图像质量进行评价；(2)客观评价方法：采用算法对图像质量进行评价。其中主观评价方法与人的主观感受相符，但它费时费力，无法满足实际应用需求；客观评价方法具有方便、快捷等特点，容易实现并能结合到应用系统中，但它和人的主观感受往往有偏差。通常说到的图像质量评价是指客观评价算法,其目的是获得与主观评价结果相一致的客观评价值。

主观质量评价是凭观测者的主观感受来评价被测试图像的质量，通常采用的是连续双激励质量度量法，即向观测者连续给出原始图像和失真图像，由观测者根据自己的主观感受给出打分值。目前主观质量评价还没有完全统一的标准，国际上一些高校和科研机构提供了图像质量数据库，这些数据库中给出了参考图像以及其对应不同程度失真图像的主观评价结果。这些图像数据库中的主观评价结果包括观测者的平均意见得分(MeanOpinion Score,MOS)和差异平均意见得分(Difference Mean Opinion Score,DMOS)。MOS越大(DMOS越小)表示图像的质量越好，MOS越小(DMOS越大)表示图像质量越差。另外，一些图像数据库还提供了图像主观评价的标准差。常见的图像数据库包括LIVE图像数据库、CSIQ图像数据库、TID2008图像数据库、TID2013图像数据库。通常使用这些数据库的主观评价结果来检验客观质量评价算法优劣。

从技术上，客观图像质量评价方法可以分为全参考型(Full-reference,FR)、部分参考型(Reduced-reference,RR)和无参考型(No-reference,NR)。全参考型方法在评价图像质量时往往需要采用一幅具有相同分辨率的无失真图像作为参考；部分参考型方法则是从参考图像中提取一定的数量的边信息，通过将测试图像中信息与边信息进行比较确定图像质量。全参考型和部分参考型方法在评价图像质量时都需要参考图像的信息(全部或部分)，而在实际环境中这些信息可能没有或者很难获得，在这种情况下全参考型和部分参考型方法就无法判断图像质量。相比而言，无参考型方法仅利用失真图像本身来计算质量分数，因此在无法获得参考图像的情况下，这种方法更符合实际环境的需要。当然，由于仅有失真图像可用，无参考图像质量评价方法的设计也更具挑战性。

无参考型这类方法首先从待评价的图像中提取与失真有关的特征，然后对特征的强度进行描述，最后结合HVS的特性生成质量分数。无参考图像质量评价算法又可以进一步分为针对特定失真的方法和通用型方法。针对特定失真的方法一般仅评价图像中的块效应、模糊等具体的失真。通用型方法则在未知图像失真类型的情况下对图像中的失真进行综合评价，进而判断图像中失真的整体强度。

压缩感知，也被称为压缩采样，稀疏采样，压缩传感。它作为一个新的采样理论，通过开发信号的稀疏特性，在远小于Nyquist采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号。压缩感知理论一经提出，就引起学术界和工业界的广泛关注。随着压缩感知理论的提出，学者们提出了很多压缩感知图像恢复算法，制造了大量压缩感知回复图像。与压缩感知图像恢复算法相比，恢复图像的质量评价的研究较为落后。恢复图像的质量评价对压缩感知恢复算法的参数选择和设计具有重要的指导意义。然而，目前尚没有针对压缩感知恢复图像的质量评价算法

现有的算法只有和通用的方法进行比较。通用的算法很多。例如：从图像的小波域中统计特性，提取统计特征并利用分类器判断失真类型，然后利用对应回归模型估算质量，或者根据分类器测度每种失真程度，然后综合每种失真模型的评价结果。或再此基础上，采取尺度空间方向小波分解获取子带系数，提取出88个统计特征，然后用支持向量机来回归预测图像质量模型。还有从空间域的角度研究图像统计特性，采用支持向量回归的方式建立统计特征与主观评价之间的映射，进而估算图像质量。或在此基础上，通过测量失真图像统计特征与自然图像统计特征之间的距离来预测图像质量。

对于评价算法的优劣有标准的参数来评价，包括：相关系数(Pearson linearcorrelation coefficient,PLCC)为非线性回归后的线性相关系数，用于定量度量客观分数与主观分数的一致程度；2)均方误差根(Root mean squared error，RMSE)为非线性回归后的标准差，也用于定量度量客观分数与主观分数的一致性程度；3)Spearman相关系数(Spearman rank order correlation coefficient，SRCC),用于衡量方法的单调性。PLCC,SRCC越大越好，RMSE越小越好。现有的通用方法在这三个参数上的表现较差，与主观分数之间的一致性和单调性上结果表现平平。

发明内容

本发明的目的在于提供一种压缩感知恢复图像的无参考质量评价方法，该方法在没有参考图像的情况下，对压缩感知恢复图像进行质量评价，所得客观质量分数与主观分数一致性较高，更符合人眼感知特性。

为了实现上述目的，本发明包括一下步骤：步骤一：建立压缩感知恢复图像库，该图像库中图像数量不少于10张，利用LPC-SI算法，计算出图像库中所有图像的清晰度特征值X＝(x_ij)_M*N，取清晰度特征值中所有元素的平均值，即其中i＝1,2,,,M,j＝1,2,,,N,作为描述图像清晰度的1个局部特征；

步骤二：对所有图像进行预处理，得到各个图像的MSCN系数，再计算图像的灰度共生矩阵G，然后提取图像的对比度和同质性作为图像的两个描述纹理的局部特征，即F2＝∑_i∑_j(i-j)² G(i，j),

步骤三:利用广义高斯模型拟合MSCN系数分布，提取广义高斯模型的平均值α和方差σ²作为两个描述图像自然性的全局特征，然后，对所有图像进行下采样，得到分辨率减半的图像，再利用广义高斯模型，提取平均值和方差作为两个描述图像自然性的全局特征，其中，采用的广义高斯模型定义如下：

其中，

步骤四：利用奇异值分解将所有图像进行分解，得到图像的奇异值向量矩阵V，设置阀值K，该K值小于奇异值的最大值且大于奇异值的最小值，计算奇异值大于阈值k的个数A所占奇异值总个数B的比例，即F8＝A/B作为1个全局特征；

步骤五：特征提取完后，利用支持向量机SVR，对压缩感知恢复图像库中的40％以上的图像进行训练，结合训练图像的MOS，得到一个关于特征的模型；

步骤六：处理所需评估的单幅图像，如为彩色图像先彩色图像转化为灰度图像，按步骤一至步骤四中提取特征的方法提取图像的八个特征，利用步骤五得到的模型对该图像的八个特征进行计算得到该图像的质量分数

该方法的PLCC,SRCC高于现有的通用无参考算法。RMSE小于现有的通用无参考算法，说明本发明在评价压缩感知恢复图像质量上具有很高的准确性。

附图说明

图1是本发明算法流程图；

图2原始图像；

图3压缩感知恢复图像。

具体实施方式

下面结合附图对本发明做详细描述。

如图2和图3所示，图3像有明显的失真。针对图像中的失真特点，提取图像的特征。进而，通过特征的集合来用SVR训练出来一个模型。通过这个模型，来预测图像的质量分数。

如图1所示，步骤一：实验是在‘压缩感知恢复图像数据库’中进行的。数据库中共有300幅(512*512)经过10种压缩感知恢复算法，采用3种不同压缩程度得到的恢复图像。它们包含了不同种类和程度的失真。利用模糊评价算法LPC-SI，计算出所有图像的清晰度特征值X＝(x_ij)_M*N。取清晰度特征值中所有元素的平均值，即其中i＝1,2,,,M,j＝1,2,,,N,作为描述图像清晰度的1个局部特征。(利用原方法LPC-SI得到特征图后，对每个像素加权后得到一个数，但对比后发现直接平均作为特征值，效果更优)步骤二：对所有图像进行预处理，得到图像的MSCN系数。给定一张失真图像I(i,j)(i∈1,2,…,M，j∈1,2,…,N),首先计算局部规范化的灰度值：

其中i和j是空间坐标，M,N是图像的高度和宽度，M＝N＝512，C是常数，为了避免分母趋于0，取C＝1，且

分别表示局部均值场和局部均方差场，ω＝{ω_k,l|k＝-K,…,K,l＝-L,…,L}为二维圆形对称的Gaussian权函数，K＝L＝3。这种变换后的灰度值就是MSCN系数。再计算MSCN系数的灰度共生矩阵G(i,j)，然后提取图像的对比度和同质性作为图像的两个描述纹理的局部特征，即

F2＝∑_i∑_j(i-j)² G(i，j)

步骤三:利用广义高斯模型拟合MSCN系数分布，提取广义高斯模型的平均值α和方差σ²作为2个描述图像自然性的全局特征。然后，对所有图像进行下采样，得到分辨率减半的图像，再利用广义高斯模型，提取平均值和方差作为两个描述图像自然性的全局特征。其中，采用的广义高斯模型定义如下：

其中，

步骤四：利用奇异值分解将图像进行分解，得到所有图像的奇异值向量矩阵V，构造一阈值k，k值小于奇异值的最大值，且大于奇异值的最小值，计算奇异值大于k的个数A所占奇异值总个数B的比例，对于图3的计算选取K值为2500，即F8＝A/B作为1个全局特征。

步骤五：特征提取完后，利用支持向量机SVR，对压缩感知恢复图像数据库中的某一比例的图像进行训练，该比例大于等于40％，且小于100％，结合训练图像的MOS,得到一个关于特征的模型。

步骤六：按步骤一至步骤四的提取特征的方法提取图3的八个特征得到(F1＝0.052；F2＝13.6995；F3＝0.5225；F4＝1.927；F5＝0.1257；F6＝1.84；F7＝0.1561；F8＝0.1758)，利用步骤五得到的模型对该图像的八个特征进行计算得到该图像的质量分数(2.7729)。

实验结果及性能

图像评估方法的优劣行业内有通用的方法。一般的，图像客观质量评价分数与图像主观质量分数之间呈现非线性关系，所以采用下面的logistic非线性回归方程对主客观评价进行非线性回归

其中，x代表客观质量评价分数，选择合适的τ₁τ₂τ₃τ₄τ₅使得f(x)与主观质量评价分数的误差最小。用回归曲线与客观的统计指标作为评价客观评价方法性能的指标：包括：1)相关系数(PLCC)；2)均方误差根(RMSE)；3)Spearman相关系数。

为了得到评价本算法的这三个参数。在通过以上步骤一至步骤五之后，进行步骤七：即利用训练得到的模型，对数据库中图像进行质量预测(本算法采用80％为训练图像，20％为测试图像)，得到测试图像质量分数，再利用五参数拟合函数，将所得的质量分数和对应的MOS进行拟合，得到评价指标PLCC,SRCC,RMSE。

最后，执行步骤八，即在图像库中随机选取与步骤七相同比例的训练图像执行步骤七1000次，计算每次的结果，然后取中位数，得到最终的PLCC,SRCC,RMSE。

对图像库中图像进行多种算法评估，将其结果进行比较，用以对比本方法与现有通用无参考算法在压缩感知恢复图像数据库上的性能。见表一

从表一中可以看出，本方法的PLCC,SRCC远远高于现有的通用无参考算法。本算法的PLCC为0.8812，排名第一，性能排名第二的是BRISQUE,其PLCC为0.6642；本算法的SRCC为0.8729，排名第一，性能排名第二的是BRISQUE，其SRCC为0.6677。说明本发明在评价压缩感知恢复图像质量上具有很高的准确性和单调性。

为进一步说明本方法的有效性和优越性，我们还做了关于训练量多少对实验结果的影响，见表二。

从表二可以看出：1)随着训练量的下降，算法性能有所下降，一般基于SVR的方法都是采用80％(20％)的模式，所以我们也采用这一模式代表本方法的性能；2)即便训练量只有40％，但是算法的性能(PLCC,SRCC)仍然好于最优的通用无参考算法BRISQUE。这说明本算法的优越性和有效性。

Claims (1)

1.一种压缩感知恢复图像的无参考质量评价方法，其特征在于，包括以下步骤：

步骤一：建立压缩感知恢复图像库，该图像库中图像数量不少于10张，利用LPC-SI算法，计算出图像库中所有图像的清晰度特征值X＝(x_ij)_M*N，取清晰度特征值中所有元素的平均值，即其中i＝1,2,,,M,j＝1,2,,,N,作为描述图像清晰度的1个局部特征；

步骤二：对所有图像进行预处理，得到各个图像的MSCN系数，再计算图像的灰度共生矩阵G，然后提取图像的对比度和同质性作为图像的两个描述纹理的局部特征，即F2＝∑_i∑_j(i-j)²G(i，j)

步骤三:利用广义高斯模型拟合MSCN系数分布，提取广义高斯模型的平均值α和方差σ²作为两个描述图像自然性的全局特征，然后，对所有图像进行下采样，得到分辨率减半的图像，再利用广义高斯模型，提取平均值和方差作为两个描述图像自然性的全局特征，其中，采用的广义高斯模型定义如下：

其中，

步骤四：利用奇异值分解将所有图像进行分解，得到图像的奇异值向量矩阵V，设置阀值K，该K值小于奇异值的最大值且大于奇异值的最小值，计算奇异值大于阈值k的个数A所占奇异值总个数B的比例，即F8＝A/B作为1个全局特征；

步骤五：特征提取完后，利用支持向量机SVR，对压缩感知恢复图像库中的40％以上的图像进行训练，结合训练图像的MOS，得到一个关于特征的模型；

步骤六：处理所需评估的单幅图像，如为彩色图像先将彩色图像转化为灰度图像，按步骤一至步骤四中提取特征的方法提取图像的八个特征，利用步骤五得到的模型对该图像的八个特征进行计算得到该图像的质量分数。