CN106683079A - 一种基于结构失真的无参考图像客观质量评价方法 - Google Patents
一种基于结构失真的无参考图像客观质量评价方法 Download PDFInfo
- Publication number
- CN106683079A CN106683079A CN201611152622.1A CN201611152622A CN106683079A CN 106683079 A CN106683079 A CN 106683079A CN 201611152622 A CN201611152622 A CN 201611152622A CN 106683079 A CN106683079 A CN 106683079A
- Authority
- CN
- China
- Prior art keywords
- image
- order
- designated
- training set
- wave filter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013441 quality evaluation Methods 0.000 title abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000001303 quality assessment method Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 16
- 230000008447 perception Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于结构失真的无参考图像客观质量评价方法，其先获取待评价的失真图像在八个不同方向下和在无方向下的一阶滤波图像，再获得一阶滤波图像的最大值图像；并获取待评价的失真图像在八个不同方向下和在无方向下的二阶滤波图像，再获得二阶滤波图像的最大值图像；然后获取一阶滤波图像的最大值图像、在八个不同方向下和在无方向下的二阶滤波图像、二阶滤波图像的最大值图像各自的局部模式特征图像，进而获得各自的直方图统计特征向量；接着根据构造得到的支持向量回归训练模型，对所有直方图统计特征向量进行测试，预测得到客观质量评价预测值；优点是能够有效地提高客观评价结果与主观感知之间的相关性。
Description
技术领域
本发明涉及一种图像质量评价方法，尤其是涉及一种基于结构失真的无参考图像客观质量评价方法。
背景技术
图像是人类获取信息的重要途径，图像质量表示图像向人或设备提供信息的能力，直接关系着所获取信息的充分性与准确性。然而，图像在获取、处理、传输和存储的过程中，由于各种因素影响将不可避免的产生降质问题，这给信息的获取或图像的后期处理带来了极大困难。因此，建立有效的图像质量评价机制非常重要，如在图像去噪、图像融合等处理过程中可用于各种算法的性能比较、参数选择；在图像编码与通信领域可用于指导整个图像的传输过程并评估系统性能。
图像质量评价方法可以分为两类：主观评价方法和客观评价方法。前者是由观察者对图像质量进行评分，得到平均评价分用以衡量图像质量；后者利用数学模型计算图像质量。主观评价方法的实验结果比较可靠，但费时费力。客观评价方法又可分为三类：全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法，当前研究最多的是全参考图像质量评价方法，但是多数应用中无法获得相应的原始图像，因此，无参考图像质量评价方法的研究更具实用价值。
无参考图像质量评价方法可分为特定失真评价方法和通用评价方法两种，特定失真评价方法只能对某种特定失真类型的图像进行评价，例如JPEG、JPEG2K及Gblur失真等，无法对其它失真类型的图像及多种处理技术处理后的图像进行质量评价；通用评价方法可以同时对多种失真类型的图像进行评价。
现有的通用无参考图像质量评价方法并没有充分考虑结构失真对视觉质量的影响，因此，如何在评价过程中有效地提取视觉结构特征信息，在评价过程中与人眼视觉特性结合，通过一阶和二阶局部结构特征提取和机器学习等方法，使得客观评价结果更加符合人类视觉感知系统，是图像进行客观质量评价过程中需要研究解决的问题。
发明内容
本发明所要解决的技术问题是提供一种基于结构失真的无参考图像客观质量评价方法，其能够充分考虑到图像结构改变对视觉质量的影响，从而能够有效地提高客观评价结果与主观感知之间的相关性。
本发明解决上述技术问题所采用的技术方案为：一种基于结构失真的无参考图像客观质量评价方法，其特征在于包括以下步骤：
①令{Id(i,j)}表示待评价的失真图像，其中，1≤i≤W,1≤j≤H，W表示{Id(i,j)}的宽度，H表示{Id(i,j)}的高度，Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值；
②利用八个不同方向的滤波器分别对{Id(i,j)}实施一阶滤波，得到{Id(i,j)}在八个不同方向下的一阶滤波图像，将{Id(i,j)}在方向为θ下的一阶滤波图像记为其中，八个不同方向的滤波器分别为0°方向的滤波器、45°方向的滤波器、90°方向的滤波器、135°方向的滤波器、180°方向的滤波器、225°方向的滤波器、270°方向的滤波器、315°方向的滤波器，θ∈{0°，45°，90°，135°，180°，225°，270°，315°}，表示中坐标位置为(i,j)的像素点的像素值；
并利用无方向的滤波器对{Id(i,j)}实施一阶滤波，得到{Id(i,j)}在无方向下的一阶滤波图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值；
然后根据{Id(i,j)}在八个不同方向下的一阶滤波图像和获取{Id(i,j)}的一阶滤波图像的最大值图像，记为将中坐标位置为(i,j)的像素点的像素值记为 其中，max()为取最大值函数，符号“| |”为取绝对值符号；
③利用八个不同方向的滤波器分别对{Id(i,j)}实施二阶滤波，得到{Id(i,j)}在八个不同方向下的二阶滤波图像，将{Id(i,j)}在方向为θ下的二阶滤波图像记为其中，八个不同方向的滤波器分别为0°方向的滤波器、45°方向的滤波器、90°方向的滤波器、135°方向的滤波器、180°方向的滤波器、225°方向的滤波器、270°方向的滤波器、315°方向的滤波器，θ∈{0°，45°，90°，135°，180°，225°，270°，315°}，表示中坐标位置为(i,j)的像素点的像素值；
并利用无方向的滤波器对{Id(i,j)}实施二阶滤波，得到{Id(i,j)}在无方向下的二阶滤波图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值；
然后根据{Id(i,j)}在八个不同方向下的二阶滤波图像和获取{Id(i,j)}的二阶滤波图像的最大值图像，记为将中坐标位置为(i,j)的像素点的像素值记为
④采用局部三元模式算法对进行处理，得到的局部模式特征图像，记为其中，局部三元模式算法中的领域参数P取值为8，表示中坐标位置为(i,j)的像素点的像素值，
同样，采用局部三元模式算法对{Id(i,j)}在八个不同方向下的二阶滤波图像进行处理，得到{Id(i,j)}在八个不同方向下的二阶滤波图像的局部模式特征图像，将的局部模式特征图像记为其中，表示中坐标位置为(i,j)的像素点的像素值，
采用局部三元模式算法对进行处理，得到的局部模式特征图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值，
采用局部三元模式算法对进行处理，得到的局部模式特征图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值，
⑤采用直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为其中，的维数为1×m'维，m'＝P+2；
同样，采用直方图统计方法对{Id(i,j)}在八个不同方向下的二阶滤波图像的局部模式特征图像进行统计操作，得到{Id(i,j)}在八个不同方向下的二阶滤波图像的局部模式特征图像的直方图统计特征向量，将的直方图统计特征向量记为其中，的维数为1×m'维；
采用直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为其中，的维数为1×m'维；
采用直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为其中，的维数为1×m'维；
⑥采用n”幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图像集合，将该失真图像集合作为训练集，训练集包括多幅失真图像；然后利用主观质量评价方法评价出训练集中的每幅失真图像的主观评分值，将训练集中的第j幅失真图像的主观评分记为DMOSj；再按照步骤①至步骤⑤的操作，以相同的方式获取训练集中的每幅失真图像对应的11个直方图统计特征向量，将训练集中的第j幅失真图像对应的11个直方图统计特征向量依次记为 其中，n”>1，1≤j≤N'，N'表示训练集中包含的失真图像的总幅数，0≤DMOSj≤100， 对应表示训练集中的第j幅失真图像的一阶滤波图像的最大值图像、训练集中的第j幅失真图像在方向为0°下的二阶滤波图像、训练集中的第j幅失真图像在方向为45°下的二阶滤波图像、训练集中的第j幅失真图像在方向为90°下的二阶滤波图像、训练集中的第j幅失真图像在方向为135°下的二阶滤波图像、训练集中的第j幅失真图像在方向为180°下的二阶滤波图像、训练集中的第j幅失真图像在方向为225°下的二阶滤波图像、训练集中的第j幅失真图像在方向为270°下的二阶滤波图像、训练集中的第j幅失真图像在方向为315°下的二阶滤波图像、训练集中的第j幅失真图像在无方向下的二阶滤波图像、训练集中的第j幅失真图像的二阶滤波图像的最大值图像各自的局部模式特征图像的直方图统计特征向量， 的维数均为1×m'维；
⑦利用支持向量回归对训练集中的所有失真图像各自的主观评分值及对应的11个直方图统计特征向量进行训练，使得经过训练得到的回归函数值与主观评分值之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对 进行测试，预测得到{Id(i,j)}的客观质量评价预测值，记为Q，其中， 对应表示{Id(i,j)}在方向为0°下的二阶滤波图像、{Id(i,j)}在方向为45°下的二阶滤波图像、{Id(i,j)}在方向为90°下的二阶滤波图像、{Id(i,j)}在方向为135°下的二阶滤波图像、{Id(i,j)}在方向为180°下的二阶滤波图像、{Id(i,j)}在方向为225°下的二阶滤波图像、{Id(i,j)}在方向为270°下的二阶滤波图像和{Id(i,j)}在方向为315°下的二阶滤波图像各自的局部模式特征图像的直方图统计特征向量，Q是x的函数，f()为函数表示形式，x为输入变量，x表示 (Wopt)T为Wopt的转置矢量，为x的线性函数。
所述的步骤④中的局部三元模式算法中的局部半径参数R取值为1、阈值T取值为5。
与现有技术相比，本发明的优点在于：
1)本发明方法克服一阶多方向视觉机制的局限性，加入了更符合人眼视觉特性的二阶多方向视觉机制，提取失真图像的多方向二阶滤波图像，利用这些滤波后的图像来模拟人眼视觉特性，使得本发明方法能够充分考虑到视觉感知特性。
2)本发明方法在充分利用了人眼视觉感知特性的基础上，考虑到人眼对失真具有一定不可察觉性，采用带阈值的局部三元模式算法获取视觉感知特征信息即直方图统计特征向量，视觉感知特征信息能够有效地表示主观视觉特性，因此能有效地提高客观评价结果与主观感知之间的相关性。
附图说明
图1为本发明方法的总体实现框图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于结构失真的无参考图像客观质量评价方法，其总体实现框图如图1所示，其包括以下步骤：
①令{Id(i,j)}表示待评价的失真图像，其中，1≤i≤W,1≤j≤H，W表示{Id(i,j)}的宽度，H表示{Id(i,j)}的高度，Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值。
②利用现有的八个不同方向的滤波器分别对{Id(i,j)}实施一阶滤波，得到{Id(i,j)}在八个不同方向下的一阶滤波图像，将{Id(i,j)}在方向为θ下的一阶滤波图像记为其中，八个不同方向的滤波器分别为0°方向的滤波器、45°方向的滤波器、90°方向的滤波器、135°方向的滤波器、180°方向的滤波器、225°方向的滤波器、270°方向的滤波器、315°方向的滤波器，θ∈{0°，45°，90°，135°，180°，225°，270°，315°}，表示中坐标位置为(i,j)的像素点的像素值。
并利用现有的无方向的滤波器对{Id(i,j)}实施一阶滤波，得到{Id(i,j)}在无方向下的一阶滤波图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值。
然后根据{Id(i,j)}在八个不同方向下的一阶滤波图像和获取{Id(i,j)}的一阶滤波图像的最大值图像，记为将中坐标位置为(i,j)的像素点的像素值记为 其中，max()为取最大值函数，符号“| |”为取绝对值符号。
③利用现有的八个不同方向的滤波器分别对{Id(i,j)}实施二阶滤波，得到{Id(i,j)}在八个不同方向下的二阶滤波图像，将{Id(i,j)}在方向为θ下的二阶滤波图像记为其中，八个不同方向的滤波器分别为0°方向的滤波器、45°方向的滤波器、90°方向的滤波器、135°方向的滤波器、180°方向的滤波器、225°方向的滤波器、270°方向的滤波器、315°方向的滤波器，θ∈{0°，45°，90°，135°，180°，225°，270°，315°}，表示中坐标位置为(i,j)的像素点的像素值。
并利用现有的无方向的滤波器对{Id(i,j)}实施二阶滤波，得到{Id(i,j)}在无方向下的二阶滤波图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值。
然后根据{Id(i,j)}在八个不同方向下的二阶滤波图像和获取{Id(i,j)}的二阶滤波图像的最大值图像，记为将中坐标位置为(i,j)的像素点的像素值记为
④采用现有的局部三元模式(Local Trinary Pattern，LTP)算法对进行处理，得到的局部模式特征图像，记为其中，局部三元模式算法中的领域参数P取值为8、局部半径参数R取值为1、阈值T取值为5，表示中坐标位置为(i,j)的像素点的像素值，
同样，采用现有的局部三元模式(Local Trinary Pattern，LTP)算法对{Id(i,j)}在八个不同方向下的二阶滤波图像进行处理，得到{Id(i,j)}在八个不同方向下的二阶滤波图像的局部模式特征图像，将的局部模式特征图像记为其中，表示中坐标位置为(i,j)的像素点的像素值，
采用现有的局部三元模式(Local Trinary Pattern，LTP)算法对进行处理，得到的局部模式特征图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值，
采用现有的局部三元模式(Local Trinary Pattern，LTP)算法对进行处理，得到的局部模式特征图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值，
⑤采用现有的直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为其中，的维数为1×m'维，m'＝P+2，中的第m个元素为
同样，采用现有的直方图统计方法对{Id(i,j)}在八个不同方向下的二阶滤波图像的局部模式特征图像进行统计操作，得到{Id(i,j)}在八个不同方向下的二阶滤波图像的局部模式特征图像的直方图统计特征向量，将的直方图统计特征向量记为其中，的维数为1×m'维，中的第m个元素为
采用现有的直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为其中，的维数为1×m'维，中的第m个元素为
采用现有的直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为其中，的维数为1×m'维，中的第m个元素为
⑥采用n”幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图像集合，将该失真图像集合作为训练集，训练集包括多幅失真图像；然后利用现有的主观质量评价方法评价出训练集中的每幅失真图像的主观评分值，将训练集中的第j幅失真图像的主观评分记为DMOSj；再按照步骤①至步骤⑤的操作，以相同的方式获取训练集中的每幅失真图像对应的11个直方图统计特征向量，将训练集中的第j幅失真图像对应的11个直方图统计特征向量依次记为 其中，n”>1，如取n”＝3，1≤j≤N'，N'表示训练集中包含的失真图像的总幅数，0≤DMOSj≤100， 对应表示训练集中的第j幅失真图像的一阶滤波图像的最大值图像、训练集中的第j幅失真图像在方向为0°下的二阶滤波图像、训练集中的第j幅失真图像在方向为45°下的二阶滤波图像、训练集中的第j幅失真图像在方向为90°下的二阶滤波图像、训练集中的第j幅失真图像在方向为135°下的二阶滤波图像、训练集中的第j幅失真图像在方向为180°下的二阶滤波图像、训练集中的第j幅失真图像在方向为225°下的二阶滤波图像、训练集中的第j幅失真图像在方向为270°下的二阶滤波图像、训练集中的第j幅失真图像在方向为315°下的二阶滤波图像、训练集中的第j幅失真图像在无方向下的二阶滤波图像、训练集中的第j幅失真图像的二阶滤波图像的最大值图像各自的局部模式特征图像的直方图统计特征向量，的维数均为1×m'维。
⑦支持向量回归(Support Vector Regression，SVR)是基于结构风险最小化准则的新型机器学习方法和统计学理论，其可以有效地抑制过拟合问题，因此本发明利用支持向量回归对训练集中的所有失真图像各自的主观评分值及对应的11个直方图统计特征向量进行训练，使得经过训练得到的回归函数值与主观评分值之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对 进行测试，预测得到{Id(i,j)}的客观质量评价预测值，记为Q，Q＝f(x)，其中， 对应表示{Id(i,j)}在方向为0°下的二阶滤波图像、{Id(i,j)}在方向为45°下的二阶滤波图像、{Id(i,j)}在方向为90°下的二阶滤波图像、{Id(i,j)}在方向为135°下的二阶滤波图像、{Id(i,j)}在方向为180°下的二阶滤波图像、{Id(i,j)}在方向为225°下的二阶滤波图像、{Id(i,j)}在方向为270°下的二阶滤波图像和{Id(i,j)}在方向为315°下的二阶滤波图像各自的局部模式特征图像的直方图统计特征向量，Q是x的函数，f()为函数表示形式，x为输入变量，x表示 (Wopt)T为Wopt的转置矢量，为x的线性函数。
为了进一步验证本发明方法的可行性和有效性，进行实验。
在此，采用LIVE图像库来分析利用本发明方法得到的失真图像的客观质量评价预测值与主观评分值之间的相关性。这里，利用评估图像质量评价方法的3个常用客观参量作为评价指标，即非线性回归条件下的Pearson相关系数(Pearson linear correlationcoefficient，PLCC)、Spearman相关系数(Spearman rank order correlationcoefficient，SROCC)、均方误差(root mean squared error，RMSE)，PLCC和RMSE反映失真图像的客观评价结果的准确性，SROCC反映其单调性。
利用本发明方法计算LIVE图像库中的每幅失真图像的客观质量评价预测值，再利用现有的主观质量评价方法获得LIVE图像库中的每幅失真图像的主观评分值。将按本发明方法计算得到的失真图像的客观质量评价预测值做五参数Logistic函数非线性拟合，PLCC和SROCC值越高，RMSE值越低说明客观评价方法的客观评价结果与主观评分值之间的相关性越好。反映本发明方法的质量评价性能的PLCC、SROCC和RMSE相关系数如表1所列。从表1所列的数据可知，按本发明方法得到的失真图像的客观质量评价预测值与主观评分值之间的相关性是很好的，表明客观评价结果与人眼主观感知的结果较为一致，足以说明本发明方法的可行性和有效性。
表1利用本发明方法得到的失真图像的客观质量评价预测值与主观评分值之间的相关性
Claims (2)
1.一种基于结构失真的无参考图像客观质量评价方法，其特征在于包括以下步骤：
①令{Id(i,j)}表示待评价的失真图像，其中，1≤i≤W,1≤j≤H，W表示{Id(i,j)}的宽度，H表示{Id(i,j)}的高度，Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值；
②利用八个不同方向的滤波器分别对{Id(i,j)}实施一阶滤波，得到{Id(i,j)}在八个不同方向下的一阶滤波图像，将{Id(i,j)}在方向为θ下的一阶滤波图像记为其中，八个不同方向的滤波器分别为0°方向的滤波器、45°方向的滤波器、90°方向的滤波器、135°方向的滤波器、180°方向的滤波器、225°方向的滤波器、270°方向的滤波器、315°方向的滤波器，θ∈{0°，45°，90°，135°，180°，225°，270°，315°}，表示中坐标位置为(i,j)的像素点的像素值；
并利用无方向的滤波器对{Id(i,j)}实施一阶滤波，得到{Id(i,j)}在无方向下的一阶滤波图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值；
然后根据{Id(i,j)}在八个不同方向下的一阶滤波图像和获取{Id(i,j)}的一阶滤波图像的最大值图像，记为将中坐标位置为(i,j)的像素点的像素值记为 其中，max()为取最大值函数，符号“| |”为取绝对值符号；
③利用八个不同方向的滤波器分别对{Id(i,j)}实施二阶滤波，得到{Id(i,j)}在八个不同方向下的二阶滤波图像，将{Id(i,j)}在方向为θ下的二阶滤波图像记为其中，八个不同方向的滤波器分别为0°方向的滤波器、45°方向的滤波器、90°方向的滤波器、135°方向的滤波器、180°方向的滤波器、225°方向的滤波器、270°方向的滤波器、315°方向的滤波器，θ∈{0°，45°，90°，135°，180°，225°，270°，315°}，表示中坐标位置为(i,j)的像素点的像素值；
并利用无方向的滤波器对{Id(i,j)}实施二阶滤波，得到{Id(i,j)}在无方向下的二阶滤波图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值；
然后根据{Id(i,j)}在八个不同方向下的二阶滤波图像和获取{Id(i,j)}的二阶滤波图像的最大值图像，记为将中坐标位置为(i,j)的像素点的像素值记为
④采用局部三元模式算法对进行处理，得到的局部模式特征图像，记为其中，局部三元模式算法中的领域参数P取值为8，表示中坐标位置为(i,j)的像素点的像素值，
同样，采用局部三元模式算法对{Id(i,j)}在八个不同方向下的二阶滤波图像进行处理，得到{Id(i,j)}在八个不同方向下的二阶滤波图像的局部模式特征图像，将的局部模式特征图像记为其中，表示中坐标位置为(i,j)的像素点的像素值，
采用局部三元模式算法对进行处理，得到的局部模式特征图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值，
采用局部三元模式算法对进行处理，得到的局部模式特征图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值，
⑤采用直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为其中，的维数为1×m'维，m'＝P+2；
同样，采用直方图统计方法对{Id(i,j)}在八个不同方向下的二阶滤波图像的局部模式特征图像进行统计操作，得到{Id(i,j)}在八个不同方向下的二阶滤波图像的局部模式特征图像的直方图统计特征向量，将的直方图统计特征向量记为其中，的维数为1×m'维；
采用直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为其中，的维数为1×m'维；
采用直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为其中，的维数为1×m'维；
⑥采用n”幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图像集合，将该失真图像集合作为训练集，训练集包括多幅失真图像；然后利用主观质量评价方法评价出训练集中的每幅失真图像的主观评分值，将训练集中的第j幅失真图像的主观评分记为DMOSj；再按照步骤①至步骤⑤的操作，以相同的方式获取训练集中的每幅失真图像对应的11个直方图统计特征向量，将训练集中的第j幅失真图像对应的11个直方图统计特征向量依次记为 其中，n”>1，1≤j≤N'，N'表示训练集中包含的失真图像的总幅数，0≤DMOSj≤100， 对应表示训练集中的第j幅失真图像的一阶滤波图像的最大值图像、训练集中的第j幅失真图像在方向为0°下的二阶滤波图像、训练集中的第j幅失真图像在方向为45°下的二阶滤波图像、训练集中的第j幅失真图像在方向为90°下的二阶滤波图像、训练集中的第j幅失真图像在方向为135°下的二阶滤波图像、训练集中的第j幅失真图像在方向为180°下的二阶滤波图像、训练集中的第j幅失真图像在方向为225°下的二阶滤波图像、训练集中的第j幅失真图像在方向为270°下的二阶滤波图像、训练集中的第j幅失真图像在方向为315°下的二阶滤波图像、训练集中的第j幅失真图像在无方向下的二阶滤波图像、训练集中的第j幅失真图像的二阶滤波图像的最大值图像各自的局部模式特征图像的直方图统计特征向量， 的维数均为1×m'维；
⑦利用支持向量回归对训练集中的所有失真图像各自的主观评分值及对应的11个直方图统计特征向量进行训练，使得经过训练得到的回归函数值与主观评分值之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对 进行测试，预测得到{Id(i,j)}的客观质量评价预测值，记为Q，其中， 对应表示{Id(i,j)}在方向为0°下的二阶滤波图像、{Id(i,j)}在方向为45°下的二阶滤波图像、{Id(i,j)}在方向为90°下的二阶滤波图像、{Id(i,j)}在方向为135°下的二阶滤波图像、{Id(i,j)}在方向为180°下的二阶滤波图像、{Id(i,j)}在方向为225°下的二阶滤波图像、{Id(i,j)}在方向为270°下的二阶滤波图像和{Id(i,j)}在方向为315°下的二阶滤波图像各自的局部模式特征图像的直方图统计特征向量，Q是x的函数，f()为函数表示形式，x为输入变量，x表示 (Wopt)T为Wopt的转置矢量，为x的线性函数。
2.根据权利要求1所述的一种基于结构失真的无参考图像客观质量评价方法，其特征在于所述的步骤④中的局部三元模式算法中的局部半径参数R取值为1、阈值T取值为5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611152622.1A CN106683079B (zh) | 2016-12-14 | 2016-12-14 | 一种基于结构失真的无参考图像客观质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611152622.1A CN106683079B (zh) | 2016-12-14 | 2016-12-14 | 一种基于结构失真的无参考图像客观质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106683079A true CN106683079A (zh) | 2017-05-17 |
| CN106683079B CN106683079B (zh) | 2019-05-17 |
Family
ID=58869169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611152622.1A Active CN106683079B (zh) | 2016-12-14 | 2016-12-14 | 一种基于结构失真的无参考图像客观质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106683079B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274388A (zh) * | 2017-05-22 | 2017-10-20 | 浙江科技学院 | 一种基于全局信息的无参考屏幕图像质量评价方法 |
| CN108399620A (zh) * | 2018-03-19 | 2018-08-14 | 嘉兴学院 | 一种基于低秩稀疏矩阵分解的图像质量评价方法 |
| CN110996096A (zh) * | 2019-12-24 | 2020-04-10 | 嘉兴学院 | 一种基于结构相似性差异度的色调映射图像质量评价方法 |
| US11176648B2 (en) | 2019-07-23 | 2021-11-16 | Beijing Xiaomi Mobile Software Co., Ltd. | Image capturing method and device, computer readable storage medium |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104036501A (zh) * | 2014-06-03 | 2014-09-10 | 宁波大学 | 一种基于稀疏表示的立体图像质量客观评价方法 |
| CN104658001A (zh) * | 2015-03-10 | 2015-05-27 | 浙江科技学院 | 一种无参考非对称失真立体图像客观质量评价方法 |
| CN104902268A (zh) * | 2015-06-08 | 2015-09-09 | 浙江科技学院 | 基于局部三元模式的无参考立体图像客观质量评价方法 |
-
2016
- 2016-12-14 CN CN201611152622.1A patent/CN106683079B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104036501A (zh) * | 2014-06-03 | 2014-09-10 | 宁波大学 | 一种基于稀疏表示的立体图像质量客观评价方法 |
| CN104658001A (zh) * | 2015-03-10 | 2015-05-27 | 浙江科技学院 | 一种无参考非对称失真立体图像客观质量评价方法 |
| CN104902268A (zh) * | 2015-06-08 | 2015-09-09 | 浙江科技学院 | 基于局部三元模式的无参考立体图像客观质量评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周武杰 等: "基于视觉感知和零水印的部分参考立体图像质量评价模型", 《电子与信息学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274388A (zh) * | 2017-05-22 | 2017-10-20 | 浙江科技学院 | 一种基于全局信息的无参考屏幕图像质量评价方法 |
| CN108399620A (zh) * | 2018-03-19 | 2018-08-14 | 嘉兴学院 | 一种基于低秩稀疏矩阵分解的图像质量评价方法 |
| CN108399620B (zh) * | 2018-03-19 | 2022-04-19 | 嘉兴学院 | 一种基于低秩稀疏矩阵分解的图像质量评价方法 |
| US11176648B2 (en) | 2019-07-23 | 2021-11-16 | Beijing Xiaomi Mobile Software Co., Ltd. | Image capturing method and device, computer readable storage medium |
| CN110996096A (zh) * | 2019-12-24 | 2020-04-10 | 嘉兴学院 | 一种基于结构相似性差异度的色调映射图像质量评价方法 |
| CN110996096B (zh) * | 2019-12-24 | 2021-05-25 | 嘉兴学院 | 一种基于结构相似性差异度的色调映射图像质量评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106683079B (zh) | 2019-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
| CN108665460B (zh) | 基于组合神经网络和分类神经网络的图像质量评价方法 | |
| CN104902267B (zh) | 一种基于梯度信息的无参考图像质量评价方法 | |
| CN105574901B (zh) | 一种基于局部对比度模式的通用无参考图像质量评价方法 | |
| CN104658002B (zh) | 一种无参考图像客观质量评价方法 | |
| Narvekar et al. | A no-reference image blur metric based on the cumulative probability of blur detection (CPBD) | |
| Saad et al. | A DCT statistics-based blind image quality index | |
| CN104658001B (zh) | 一种无参考非对称失真立体图像客观质量评价方法 | |
| Wang et al. | Novel spatio-temporal structural information based video quality metric | |
| CN106709958A (zh) | 一种基于灰度梯度和颜色直方图的图像质量评价方法 | |
| CN106683079B (zh) | 一种基于结构失真的无参考图像客观质量评价方法 | |
| Liu et al. | A multi-metric fusion approach to visual quality assessment | |
| CN107146216A (zh) | 一种基于梯度自相似度的无参考图像客观质量评价方法 | |
| CN105357519B (zh) | 基于自相似度特征的无参考立体图像质量客观评价方法 | |
| CN104902268B (zh) | 基于局部三元模式的无参考立体图像客观质量评价方法 | |
| CN104036493B (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
| CN106791822B (zh) | 一种基于单双目特征学习的无参考立体图像质量评价方法 | |
| CN107146220B (zh) | 一种通用型无参考图像质量评价方法 | |
| CN106651829B (zh) | 一种基于能量和纹理分析的无参考图像客观质量评价方法 | |
| CN108053396A (zh) | 一种多失真图像质量的无参考评价方法 | |
| CN104376565A (zh) | 基于离散余弦变换和稀疏表示的无参考图像质量评价方法 | |
| CN105282543A (zh) | 一种基于立体视觉感知的全盲立体图像质量客观评价方法 | |
| CN110717892B (zh) | 一种色调映射图像质量评价方法 | |
| Tang et al. | Training-free referenceless camera image blur assessment via hypercomplex singular value decomposition | |
| CN106210710B (zh) | 一种基于多尺度字典的立体图像视觉舒适度评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210923 Address after: 510670 room 517, No. 91 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Fangwei Intellectual Property Operation Co.,Ltd. Address before: 310023 No. 318 stay Road, Xihu District, Zhejiang, Hangzhou Patentee before: ZHEJIANG University OF SCIENCE AND TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220915 Address after: 314500 02, No. 4, South Zaoqiang street, No. 1, Nanmen Gongnong Road, Chongfu Town, Tongxiang City, Jiaxing City, Zhejiang Province Patentee after: Jiaxing Zhixu Information Technology Co.,Ltd. Address before: 510670 room 517, No. 91 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee before: Guangzhou Fangwei Intellectual Property Operation Co.,Ltd. |
|
| TR01 | Transfer of patent right |