CN106778917A - 基于小波统计特征的无参考噪声图像质量评价方法 - Google Patents

Abstract

本发明公开了一种基于小波高频子带统计特征的无参考噪声图像质量评价方法。使用本发明能够很好解决现有算法对噪声大小区分度小、无法对多种不同类型噪声图像评判的问题，有效实现对图像的无参考质量评价。本发明首先通过计算噪声图像小波高频子带系数概率分布的统计特征，对图像噪声程度进行表征，统计特征的大小可以很好地衡量不同噪声程度失真的图像质量。图像噪声越严重，统计特征越小。因此，该方法可以很好地弥补基于DCT或RUT变换的无参考噪声评价算法的不足，并且，可适用于加性高斯白噪声、加性高斯颜色噪声、脉冲噪声、掩膜噪声和高频噪声图像。

Description

基于小波统计特征的无参考噪声图像质量评价方法

技术领域

本发明涉及图像处理技术和机器视觉技术领域，具体涉及一种基于小波高频子带统计特征的无参考噪声图像质量评价方法。

背景技术

随着相机技术、人工智能技术和互联网技术的快速发展，图像获取变得越来越容易，而且人类对影像的质量要求也越来越高。在图像采集、传输、压缩以及存储等过程中，图像信号经常受到很多失真的干扰，包括噪声、模糊、压缩块效应等。其中，噪声是最常见的一种失真类型，比如夜间拍照由于光线不足会有很多加性高斯噪声出现，在信号传输过程中易受到随机噪声的破坏等，进而降低获取图像的质量，影响人类视觉审美体验。所以，有必要对噪声污染图像建立一种质量量化机制，评判图像的好坏，进而指导设备参数调节设置。

现有的噪声图像质量评价算法，依据是否借助无失真图像做参考，可以分为全参考评价和无参考评价算法。PSNR(Peak Signal-to-Noise Ratio)和MSE(Mean-Square-Error)作为全参考噪声评价算法的代表，虽然可以比较好地评判诸如加性高斯白噪声(Additive Gaussian White Noise,AWGN)和高频噪声(High Frequency Noise)等噪声污染图像，但是它们也有以下两方面缺陷：第一，全参考算法需要利用无失真图像信息，而实际应用中，无失真图像很难获取，所以该类算法比较难实际应用；第二，PSNR和MSE无法很好评价严重噪声带来的结构失真，只能评价图像像素值的失真。

因此，很多国内外学者进行了噪声图像质量评价的无参考研究，提出了很多算法，这些算法也可以分为两类：一类是通用无参考评价模型，可以评判噪声、模糊、压缩、丢包等失真类型；另一类是噪声图像特定的无参考评价模型。由于需要同时对多种失真类型建模或要求所建模型同时对多种失真类型适用，通用无参考评价算法往往所用模型比较复杂或者模型对某些失真类型特性无法很好建模描述，出现评价效果不好的情况。对于现有的噪声特定无参考评价算法，该类算法设计思路通常是估算噪声方差大小，方差越大，噪声越大，图像质量越差。因此，特定评价算法要求模型对噪声特性的表述要很准确，同时方差估算过程也要求误差很小。然而，目前所提的基于DCT(Discrete Cosine Transform)和RUT(Random Unitary Transform)变换的评价方法，由于DCT和RUT不能很好表征图像变化比较大或奇异的内容，而大部分图像噪声都出现在图像变化大或奇异的高频区域，因此，这两种算法对图像所受噪声污染程度的区分度不好，导致估算得到的噪声方差不准确，影响评价准确性。

因此，对图像中噪声的准确建模和特征提取是噪声图像质量评估的核心任务。而且，在图像不同处理过程中受到的噪声类型也不同，除了大部分现有算法研究的加性高斯白噪声外，还包括加性高斯颜色噪声、脉冲噪声、掩膜噪声和高频噪声等。所以，研究一种对上述不同噪声同时适用的有效特征建模方法非常有意义，同时也是一个难题。

发明内容

有鉴于此，本发明提供了一种基于小波高频子带统计特征的无参考噪声图像质量评价方法，能够很好解决现有算法对噪声大小区分度小、无法对多种不同类型噪声图像评判的问题，有效实现对图像的无参考质量评价。

本发明的基于小波高频子带统计特征的无参考噪声图像质量评价方法，包括如下步骤：

步骤1，将待评价图像转化为灰度图像，对灰度图像进行小波分解；

步骤2，将小波分解得到的高频子带系数组合成新的系数矩阵，计算新的系数矩阵的矩阵元素分布峰态值；

步骤3，以步骤2得到的分布峰态值为待评价图像的特征值，对待评价图像进行质量评价。

进一步地，所述步骤1中，将待评价图像转化为灰度图像后，计算灰度图像的均值；将灰度图像减去所述均值，得到差值图像；对差值图像进行一级小波分解。

进一步地，采用Daubechies D8小波进行小波分解。

进一步地，所述步骤3中，利用超限学习机、BP神经网络或SVM算法回归模型对待评价图像进行评价。

进一步地，利用超限学习机进行评价时，事先利用训练样本集对超限学习机进行训练，其中，以训练样本集中样本图像的主观质量评价值作为目标值，将样本图像的目标值和特征值作为输入，对超限学习机进行训练。

进一步地，所述超限学习机的网络隐层节点数取训练样本集中样本总个数的0.5～2倍。

进一步地，步骤2中，所述分布峰态值计算方法如下：

其中，K(C)为系数矩阵C的矩阵元素分布峰态值；n为系数矩阵C中元素的总个数；C_i为系数矩阵C中的第i个元素，为系数矩阵C中所有元素的均值。

有益效果：

(1)本发明通过计算噪声图像小波高频子带系数概率分布的统计特征，对图像噪声程度进行表征，统计特征的大小可以很好地衡量不同噪声程度失真的图像质量。图像噪声越严重，统计特征越小。因此，该方法可以很好地弥补基于DCT或RUT变换的无参考噪声评价算法的不足。

(2)本发明和传统无参考噪声图像特定评价方法相比，传统方法的做法是通过特征量去估算噪声的方差大小，而该发明中的算法无需估算噪声的方差，直接通过提取有效特征评价图像质量，可以避免方差估计中可能引入的误差。

(3)本方法在拟合统计特征特征和图像客观质量分数之间对应关系时，与传统人为设计的拟合函数或传统机器学习方法不同，本方法采用超限学习机学习算法，只需要设置隐含层节点个数，实现简单，且具有很好的学习效果，此外，超限学习机具有很低的计算复杂度。

(4)本发明具有很好的鲁棒性。一方面，算法只需对图像做一级小波分解就能达到做多级小波分解几乎一样的效果，可以大大降低计算复杂度，节约时间。另一方面，超限学习机的训练学习效果对学习机神经元个数具有很好的鲁棒性。

(5)本发明提出的无参考噪声图像评价算法具有更好的通用性，不仅可以很好评判现有算法普遍评判的加性高斯白噪声图像，而且可以对包括加性高斯颜色噪声、脉冲噪声、掩膜噪声和高频噪声在内的四种其他噪声图像进行质量评价，评判效果也很好，和人眼主观评价结果一致性很好。

附图说明

图1为本发明流程图。

图2为本发明示例差值噪声图像及其Daubechies一级小波变换子带。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种基于小波高频子带统计特征的无参考噪声图像质量评价方法，首先对图像进行小波分解，然后利用小波分解得到的高频子带构建新的小波系数矩阵，求取新的系数矩阵的矩阵元素分布峰态值，以分布峰态值作为图像的特征值，对图像进行质量评价。具体流程图如1所示，包括如下步骤：

步骤1、对待评价图像进行小波分解。

首先，判断待评价图像是否是灰度图像，若不是灰度图像，则将彩色图像转换成灰度图像，对灰度图像进行小波分解。

考虑到图像中常见的5种噪声(加性高斯白噪声、加性高斯颜色噪声、脉冲噪声、掩膜噪声和高频噪声)大部分是加性噪声，会对原始图像的灰度值造成直接影响，因此，为了更好地提取图像中的噪声，本实施例将原始灰度图像和灰度图像的像素值均值作差，得到差值图像。如此，差值图像小波分解后的高频子带中所包含的图像低频内容就会比原始灰度图像小波分解对应的高频子带中所包含的图像低频内容少，更有利于噪声建模。

在进行小波分解时，本实施例采用在JPEG2000压缩标准中使用很广泛的Daubechies D8(也称为db4)小波。在选择进行几级小波分解时，通过实验发现，对于差值图像，多级小波分解的最终评价结果相对于一级小波分解的评价结果在效果上提升很小，然而引入的计算复杂度却高很多。因此，本发明对差值图像只做一级小波分解，可以得到一个低频子带CA和三个高频子带(一个水平高频子带CH，一个垂直高频子带CV和一个对角线高频子带CD)。

由于上述五种噪声都属于高频信号，几乎出现在小波分解的高频子带里，低频子带分量很少，所以，只对三个高频子带进行后续建模。图2是示例噪声差值图像及其一级小波分解子带结果。图2(a)中矩形框标注的是加性高斯噪声污染明显区域，对应图2(b)中CH、CV和CD三个子带中矩形框所标的三个区域。而低频子带CA中没有明显的噪声污染区域。因此，本发明只保留CH、CV和CD三个高频子带用来提取特征。

步骤2、将步骤1获得高频子带的系数组合成一个新的系数矩阵，求解所述新的系数矩阵的矩阵元素的分布峰态值。该矩阵的分布峰态值就是待评价图像的特征值。

以差值图像的一级小波分解为例，将一级小波分解得到的三个高频子带CH、CV和CD组合成一个新的系数矩阵C＝[CH CV CD]，计算新的系数矩阵C的矩阵元素的分布峰态值。

随机变量的统计特征是一个常用的概率统计特征，可以很好地描述一个随机变量统计概率分布的峰部的尖度以及分布形态的拖尾程度。标准正太分布的统计特征为3。统计特征越大，对应的分布越尖，拖尾越长；相反，统计特征越小，对应的分布尖度越扁，拖尾越短。本发明发现，有噪声的图像，其小波高频子带统计特征比无噪声图像统计特征小，对应的分布峰度低拖尾短。并且，噪声越严重，统计特征越小，小波高频子带系数分布越扁胖，拖尾越短。

系数矩阵C矩阵元素的分布峰态值即为系数矩阵C的概率密度分布统计特征K(C)：

其中，n为系数矩阵C中元素的总个数；是C的四阶累积函数，同理，是C的二阶累积函数，μ₄(C)是C的四阶矩，σ是标准差；C_i为系数矩阵C中的第i个元素，为系数矩阵C中所有元素的均值。

该分布峰态值K(C)可以作为图像噪声失真程度的一个表征，作为特征变量对待评价图像进行评价。

步骤3，以步骤2得到的统计特征为待评价图像的特征值，对待评价图像进行质量评价。

可以采用传统的BP(Back Propagation)神经网络和SVM(Support VectorMachine)算法拟合图像统计特征和其质量得分的关系，对待评价图像进行图像质量评价打分。

本实施例在拟合图像统计特征特征和其质量得分的关系时，采用了一种比较新颖的超限学习机(Extreme Learning Machine,ELM)机器学习方法，该方法只需要设置隐含层节点个数，然后利用训练样本集的噪声图像样本的主观质量评价值以及噪声图像样本的统计特征，即可进行权值训练，获得训练好的超限学习机，在进行图像质量评价时，只需要输入待评价图像的统计特征，即可得到该图像的质量评分，相比于传统BP(BackPropagation)神经网络和SVM(Support Vector Machine)算法，该超限学习机一方面具有更低的计算复杂度，另一方面也具有和SVM相当甚至更好的学习效果。

其中，超限学习机训练时，将训练集中噪声图像样本的主观质量评价值作为目标值，该噪声图像样本的统计特征作为特征变量，输入到超限学习机中，根据训练集样本数目选择一个合适的网络隐层节点数(一般取样本总个数的0.5-2倍数值)，训练得到超限学习机模型参数。

在进行图像质量评价时，将待评价图像的统计特征作为特征变量，以随机产生的一个数作为目标值，输入到训练好的超限学习机中计算得到待评价图像的客观质量分数。

自此，就完成了基于小波高频子带统计特征的噪声图像无参考质量评价。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，包括如下步骤：

步骤1，将待评价图像转化为灰度图像，对灰度图像进行小波分解；

步骤2，将小波分解得到的高频子带系数组合成新的系数矩阵，计算新的系数矩阵的矩阵元素分布峰态值；

步骤3，以步骤2得到的分布峰态值为待评价图像的特征值，对待评价图像进行质量评价。

2.如权利要求1所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，所述步骤1中，将待评价图像转化为灰度图像后，计算灰度图像的均值；将灰度图像减去所述均值，得到差值图像；对差值图像进行一级小波分解。

3.如权利要求1所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，采用Daubechies D8小波进行小波分解。

4.如权利要求1所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，所述步骤3中，利用超限学习机、BP神经网络或SVM算法回归模型对待评价图像进行评价。

5.如权利要求4所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，利用超限学习机进行评价时，事先利用训练样本集对超限学习机进行训练，其中，以训练样本集中样本图像的主观质量评价值作为目标值，将样本图像的目标值和特征值作为输入，对超限学习机进行训练。

6.如权利要求5所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，所述超限学习机的网络隐层节点数取训练样本集中样本总个数的0.5～2倍。

7.如权利要求1～6任意一项所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，步骤2中，所述分布峰态值计算方法如下：

$K\left(C\right)=\frac{\frac{1}{n}{\Σ}_{i=1}^n{(C_i-\stackrel{\‾}{C})}^4}{{\left(\frac{1}{n}{\Σ}_{i=1}^n{\left(C_i-\stackrel{\‾}{C}\right)}^2\right)}^2}-3$

其中，K(C)为系数矩阵C的矩阵元素分布峰态值；n为系数矩阵C中元素的总个数；C_i为系数矩阵C中的第i个元素，为系数矩阵C中所有元素的均值。