CN106780446A - 一种无参考混合失真图像质量评价方法 - Google Patents
一种无参考混合失真图像质量评价方法 Download PDFInfo
- Publication number
- CN106780446A CN106780446A CN201611092705.6A CN201611092705A CN106780446A CN 106780446 A CN106780446 A CN 106780446A CN 201611092705 A CN201611092705 A CN 201611092705A CN 106780446 A CN106780446 A CN 106780446A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- distortion
- distorted image
- mixing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012880 independent component analysis Methods 0.000 claims abstract description 13
- 238000011084 recovery Methods 0.000 claims abstract description 5
- 238000000926 separation method Methods 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims abstract description 3
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000013441 quality evaluation Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种无参考混合失真图像质量评价方法,包括以下步骤:提取噪声底层特征,利用独立分量分析对混合失真图像进行噪声和失真图像的分离;分别提取单一失真图像底层特征,利用SVC建立失真分类器;对分离出噪声的失真图像和噪声进行失真的底层特征提取,并通过失真分类器判断存在的失真类型,利用噪声分类器判断分离出的噪声类型;使用每种失真的底层特征进行非线性加权组合作为总的混合失真图像的质量特征;对混合失真特征使用SVM进行训练、测试得出质量分数;设定质量阈值分数并进行自适应判断,若图像质量分数低于阈值,利用单一失真图像复原算法,逐一地复原图像,在复原过程中,运用解耦模型解除失真间的耦合关系,并对复原后图像,进行质量再评价。
Description
技术领域
本发明属于混合失真图像质量评价技术领域,涉及一种无参考混合失真图像质量评价方法。
背景技术
图像质量评价是图像处理领域至关重要的关键技术和热门研究点,图像在存储、压缩、编码等过程中无可避免地会造成质量的损坏。图像质量评价和图像质量改善在人们生产生活中有着广泛的应用。如在安防领域,全天候视频监控系统采集的原始图像质量的准确性和可靠性受到气候、设备或者其他人为因素等严重的影响。
图像质量评价主要分为全参考图像质量评价(Full Reference Assessment)、半参考图像质量评价(Reduced Reference Assessment)和无参考图像质量评价(NoReference Assessment)。现实生活中,由于往往得不到参考图像的信息,所以对于无参考图像质量的评价更为符合实际情况。在无参考图像质量评价体系中,目前研究最为普遍的是对单一失真图像的评价,即失真图像只受某一种失真类型的干扰,形成了诸如基于自然场景统计、基于支持向量机和基于神经网络等较为高效的方法。但图像除了受某种失真类型的影响外,更多是同时受多种失真类型混合干扰的影响,目前针对混合失真图像质量评价的研究相对较少,大多方法都从整体对图像进行评价,而未从每种具体失真类型特点出发,因此难形成一种有效且客观的质量评价模型和体系。
发明内容
有鉴于此,本发明的目的在于提供一种无参考混合失真图像质量评价方法,该方法能够解决对混合失真图像失真类型判定不准确,质量评价准确性不高等问题。
为达到上述目的,本发明提供如下技术方案:
一种无参考混合失真图像质量评价方法,该方法包括以下步骤:
S1:提取噪声底层特征,对失真图像总体噪声水平进行估计,利用独立分量分析(ICA)对混合失真图像进行噪声和失真图像的分离,并判定噪声程度;
S2:分别提取常见单一失真图像底层特征,利用SVC建立失真分类器,同时建立常见噪声类型的分类器;
S3:对分离出噪声的失真图像和噪声进行常见失真的底层特征提取,并通过失真分类器判断存在的失真类型,利用噪声分类器判断分离出的噪声类型;
S4:对存在的失真类型,使用每种失真的底层特征进行非线性加权组合作为总的混合失真图像的质量特征;
S5:对混合失真特征使用SVM进行训练、测试得出质量分数Q;
S6:设定质量阈值分数并进行自适应判断,若图像质量分数低于阈值,利用现有单一失真图像复原算法,逐一地复原图像,在复原过程中,运用解耦模型解除失真间的耦合关系,并对复原后图像,进行质量再评价。
进一步,在步骤S1中,利用ICA独立分量分析法对输入的失真图像进行噪声的分离,ICA算法思想为:
X(t)=AS(t)+N(t) (1)
其中,t为离散时刻,A为混合矩阵,X为观测信号,在本发明中为混合失真图像,S为未知的原信号,即待获得的去噪后图像,N为噪声信号。
进一步,在步骤S3中,对分离出来的失真图像,提取常用的单一失真底层特征,如对于JPEG2000利用自然场景图像在不同尺度下的小波系数的衰减规律,提取相应指标。得到所有常见失真的底层特征集,并根据训练好的分类器,输入提取的特征,根据特征匹配的精确度判定其失真的存在及其失真类型;其中,对于分离出来的噪声进行噪声度量:
式中∑y表示图像块的方差矩阵,λmin(∑)表示矩阵的最小特征值。
进一步,在步骤S5中,采用带权重的Minkowski和度量方法得到总的客观评价指标:
quality=(a·blockq+b·ringq+c·blurq+......+n·noiseq)1/q (3)
其中,quality为图像总的客观评价分数,block、ring、blur、noise等代表块效应、振铃效应、模糊、噪声等失真的特征度量值,a、b、c等代表对于特征度量值的权重,q为归一化参数,使得到的评价值与DMOS主观分数具有相同范围。
本发明的有益效果在于:本发明提供了一种无参考混合失真图像质量评价的方法,从图像失真类型本身出发,利用图像底层特征对失真进行分类,结合解耦和独立分量分析的思想,提出一种针对混合失真图像质量评价的模型体系。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明所述方法的流程示意图;
图2为本发明所述图像质量获得流程框图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明主要分为三部分,第一部分为待评价图像所含失真类型的分类;第二部分为混合失真图像质量评价特征的提取和构造,得出图像质量分数;第三部分为在图像复原过程中引入解耦模型,消除失真之间的相互耦合影响。
图1为本发明所述方法的流程示意图,如图所示,具体包括以下步骤:
1、失真类型判定
1)对常见图像失真类型分别提取底层质量特征,运用SVC构建先验的失真分类器,供后续步骤使用;
2)利用ICA独立分量分析法对输入的失真图像进行噪声的分离,ICA算法思想为:
X(t)=AS(t)+N(t) (1)其中,t为离散时刻,A为混合矩阵,X为观测信号,在本发明中为混合失真图像,S为未知的原信号,即待获得的去噪后图像,N为噪声信号。
3)对分离出来的失真图像,提取常用的单一失真底层特征,如对于JPEG2000利用自然场景图像在不同尺度下的小波系数的衰减规律,提取相应指标。得到所有常见失真的底层特征集,并根据1)中训练好的分类器,输入提取的特征,根据特征匹配的精确度判定其失真的存在及其失真类型。其中,对于分离出来的噪声进行噪声度量:
式中Σy表示图像块的方差矩阵,λmin(Σ)表示矩阵的最小特征值。
2、质量分数的构造
在本实施例中,采用带权重的Minkowski和度量方法得到总的客观评价指标:
quality=(a·blockq+b·ringq+c·blurq+......+n·noiseq)1/q (3)
其中,quality为图像总的客观评价分数,block、ring、blur、noise等代表块效应、振铃效应、模糊、噪声等失真的特征度量值,a、b、c等代表对于特征度量值的权重,q为归一化参数,是得到的评价值与DMOS主观分数具有相同范围。图2为本发明所述图像质量获得流程框图。
3、图像复原过程的优化
图像评价不是一个孤立的研究内容,评价是为了给后续的图像处理做铺垫,是整个图像处理过程中的一环,因此本发明提出质量达标阈值,当图像质量的低于阈值时,视为不合格,进行图像质量复原。目前,针对各种失真的图像复原算法已有诸多研究,也取得了较有效的效果,但是由于是混合失真图像,在进行单一失真复原的过程中难免可能对其他失真造成影响,因此本发明引入解耦模型,解除各失真之间的耦合关系,以免复原过程中造成不必要的影响,在本实施例中,解耦模型目前只针对两种混合失真的处理,但基本原理相同,具有客观的理论价值。主要的步骤包括:(1)失真类型的确定;(2)引入失真检测方法表征失真信号;(3)利用非线性拟合的方式找出不同输入与输出之间关系;(4)建立系统模型并求得解耦模型。
解耦模型所涉及的公式为:
其中,y1(s)为输出信号,x1(s)为控制信号,G11(s)x1(s)与之对应的匹配信号,D21(s)G12(s)x1(s)为自耦合信号,x2(s)为控制信号,G12(s)x2(s)是干扰信号,D12(s)G21(s)x2(s)为解耦信号。当耦合信号与解耦信号互相抵消,则解除了控制信号x1(s)对控制信号x2(s)的耦合。
其中,完全解耦条件为:
因此,根据式(5)可将式(4)简化为如下形式:
利用上述解耦模型可解除失真之间的相互影响,可保证复原算法的有效进行。当图像复原完成,再次对其进行评价。
图2为本发明中图像质量获得流程说明图,如图所示,具体步骤包括:
1)训练-测试模型
对图像库进行相应失真类型的特征提取,所选取特征进行组合得到最终所需质量特征,结合图像的人眼主观质量评价分数,随机选用部分图像(比例可调节)利用支持向量机对特征进行训练,其余图像特征用于测试,得到评价模型;
2)客观分数输出
根据训练得到的成熟模型对输入图像质量进行判定,输出图像客观质量分数。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其做出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (4)
1.一种无参考混合失真图像质量评价方法,其特征在于:该方法包括以下步骤:
S1:提取噪声底层特征,对失真图像总体噪声水平进行估计,利用独立分量分析对混合失真图像进行噪声和失真图像的分离,并判定噪声程度;
S2:分别提取单一失真图像底层特征,利用支持向量回归(Support VectorRegression,SVC)建立失真分类器,同时建立噪声类型的分类器;
S3:对分离出噪声的失真图像和噪声进行失真的底层特征提取,并通过失真分类器判断存在的失真类型,利用噪声分类器判断分离出的噪声类型;
S4:对存在的失真类型,使用每种失真的底层特征进行非线性加权组合作为总的混合失真图像的质量特征;
S5:对混合失真特征使用支持向量机(Support Vector Machine,SVM)进行训练、测试得出质量分数Q;
S6:设定质量阈值分数并进行自适应判断,若图像质量分数低于阈值,利用现有单一失真图像复原算法,逐一地复原图像,在复原过程中,运用解耦模型解除失真间的耦合关系,并对复原后图像,进行质量再评价。
2.根据权利要求1所述的一种无参考混合失真图像质量评价方法,其特征在于:在步骤S1中,利用独立分量分析法(Independent Component Analysis,ICA)对输入的失真图像进行噪声的分离,该算法思想为:
X(t)=AS(t)+N(t) (1)
其中,t为离散时刻,A为混合矩阵,X为观测信号,在本发明中为混合失真图像,S为未知的原信号,即待获得的去噪后图像,N为噪声信号。
3.根据权利要求1所述的一种无参考混合失真图像质量评价方法,其特征在于:在步骤S3中,对分离出来的失真图像,提取单一失真底层特征,得到所有失真的底层特征集,并根据训练好的分类器,输入提取的特征,根据特征匹配的精确度判定其失真的存在及其失真类型;其中,对于分离出来的噪声进行噪声度量:
式中NL(Noise Level)表示噪声水平,∑y表示图像块的方差矩阵,λmin(∑)表示矩阵的最小特征值,表示图像方差。
4.根据权利要求1所述的一种无参考混合失真图像质量评价方法,其特征在于:在步骤S5中,采用带权重的Minkowski和度量方法得到总的客观评价指标:
quality=(a·blockq+b·ringq+c·blurq+......+n·noiseq)1/q (3)
其中,quality为图像总的客观评价分数,block、ring、blur、noise等代表块效应、振铃效应、模糊、噪声等失真的特征度量值,a、b和c等代表对于特征度量值的权重,q为归一化参数,使得到的评价值与人眼主观分数值(Difference Mean Opinion Score,DMOS)具有相同范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611092705.6A CN106780446A (zh) | 2016-12-01 | 2016-12-01 | 一种无参考混合失真图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611092705.6A CN106780446A (zh) | 2016-12-01 | 2016-12-01 | 一种无参考混合失真图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106780446A true CN106780446A (zh) | 2017-05-31 |
Family
ID=58913754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611092705.6A Pending CN106780446A (zh) | 2016-12-01 | 2016-12-01 | 一种无参考混合失真图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780446A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798676A (zh) * | 2017-10-23 | 2018-03-13 | 北京工业大学 | 基于多尺度自然场景统计建立的无参考图像质量感知方法 |
CN107993200A (zh) * | 2017-11-02 | 2018-05-04 | 天津大学 | 基于深度学习的图像噪声水平估计方法 |
CN110910356A (zh) * | 2019-11-08 | 2020-03-24 | 北京华宇信息技术有限公司 | 生成图像噪声检测模型的方法、图像噪声检测方法及装置 |
CN111951207A (zh) * | 2020-08-25 | 2020-11-17 | 福州大学 | 基于深度增强学习和语义损失的图像质量增强方法 |
CN112116545A (zh) * | 2020-10-30 | 2020-12-22 | 中国科学技术大学 | 基于特征域失真分解的图像、视频复原方法 |
CN112508856A (zh) * | 2020-11-16 | 2021-03-16 | 北京理工大学 | 一种混合失真图像的失真类型检测方法 |
CN114648646A (zh) * | 2022-05-20 | 2022-06-21 | 合肥英特灵达信息技术有限公司 | 一种图像分类方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405111A (zh) * | 2015-11-30 | 2016-03-16 | 重庆邮电大学 | 基于解耦控制的混合失真图像优化方法 |
-
2016
- 2016-12-01 CN CN201611092705.6A patent/CN106780446A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405111A (zh) * | 2015-11-30 | 2016-03-16 | 重庆邮电大学 | 基于解耦控制的混合失真图像优化方法 |
Non-Patent Citations (7)
Title |
---|
STANISLAV PYATYKH等: "Image Noise Level Estimation by Principal Component Analysis", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
刘悦: "基于ICA的图像噪声消除方法研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
叶小琼: "基于失真效应的图像质量评价与分类", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
尹劲草: "空间运动图像去噪和增强的研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
易昆: "混合失真图像无参考质量评估研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
薛小波等: "基于失真类型判断的立体图像质量评价", 《浙江省电子学会2014学术年会论文集》 * |
高源: "基于视觉感知的图像质量评价算法研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798676A (zh) * | 2017-10-23 | 2018-03-13 | 北京工业大学 | 基于多尺度自然场景统计建立的无参考图像质量感知方法 |
CN107798676B (zh) * | 2017-10-23 | 2021-05-07 | 北京工业大学 | 基于多尺度自然场景统计建立的无参考图像质量感知方法 |
CN107993200A (zh) * | 2017-11-02 | 2018-05-04 | 天津大学 | 基于深度学习的图像噪声水平估计方法 |
CN110910356A (zh) * | 2019-11-08 | 2020-03-24 | 北京华宇信息技术有限公司 | 生成图像噪声检测模型的方法、图像噪声检测方法及装置 |
CN111951207A (zh) * | 2020-08-25 | 2020-11-17 | 福州大学 | 基于深度增强学习和语义损失的图像质量增强方法 |
CN111951207B (zh) * | 2020-08-25 | 2022-06-14 | 福州大学 | 基于深度增强学习和语义损失的图像质量增强方法 |
CN112116545A (zh) * | 2020-10-30 | 2020-12-22 | 中国科学技术大学 | 基于特征域失真分解的图像、视频复原方法 |
CN112508856A (zh) * | 2020-11-16 | 2021-03-16 | 北京理工大学 | 一种混合失真图像的失真类型检测方法 |
CN114648646A (zh) * | 2022-05-20 | 2022-06-21 | 合肥英特灵达信息技术有限公司 | 一种图像分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780446A (zh) | 一种无参考混合失真图像质量评价方法 | |
CN102170581B (zh) | 基于hvs的ssim与特征匹配立体图像质量评价方法 | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
CN112232476B (zh) | 更新测试样本集的方法及装置 | |
CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
CN104680541B (zh) | 基于相位一致性的遥感图像质量评价方法 | |
CN108537215A (zh) | 一种基于图像目标检测的火焰检测方法 | |
CN109727246A (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
CN106447646A (zh) | 一种用于无人机图像的质量盲评价方法 | |
CN105100789A (zh) | 一种视频质量评价方法 | |
CN103295191A (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
CN101562675B (zh) | 基于Contourlet变换的无参考型图像质量评测方法 | |
CN110033446A (zh) | 基于孪生网络的增强图像质量评价方法 | |
CN111325687B (zh) | 一种基于端对端深度网络的平滑滤波取证方法 | |
CN102595185A (zh) | 一种立体图像质量客观评价方法 | |
CN110070539A (zh) | 基于信息熵的图像质量评价方法 | |
CN106127234B (zh) | 基于特征字典的无参考图像质量评价方法 | |
CN105374047B (zh) | 基于改进的双边滤波与聚类的sar图像变化检测方法 | |
CN103778636A (zh) | 一种用于无参考图像质量评价的特征构建方法 | |
CN105894507B (zh) | 基于图像信息量自然场景统计特征的图像质量评价方法 | |
CN103338380A (zh) | 一种自适应图像质量客观评价方法 | |
CN104408473A (zh) | 基于距离度量学习的棉花品级分类方法及装置 | |
CN109886945A (zh) | 基于对比度增强的无参考对比度失真图像质量评价方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |