CN106780449A - 一种基于纹理特征的无参考图像质量评价方法 - Google Patents

Abstract

本发明涉及一种基于纹理特征的无参考图像质量评价方法。本发明的具体步骤是：首先，将图形数据库分成训练图像集和测试图像集，对每幅图像构建不同尺度下的图像，并对不同尺度下的图像求取归一化亮度图像，并对归一化亮度图像求取四个方向的归一化灰度共生矩阵，然后计算归一化灰度共生矩阵的能量，熵，对比度和相关性组合成特征向量，将特征向量和主观MOS分值送到支持向量机中进行训练，并用训练好的支持向量机对测试图像进行预测，得到客观图像质量评价结果。本发明利用纹理特征进行图像质量评价，与现有算法相比计算复杂度更低，便于实时实现，同时利用多个尺度和多个角度的灰度共生矩阵提取纹理特征，提高了预测精度。

Description

一种基于纹理特征的无参考图像质量评价方法

技术领域

本发明属于图像处理领域，涉及一种图像质量评价方法，尤其涉及一种基于纹理特征的无参考图像质量评价方法。

背景技术

图像质量评价是图像处理领域的关键问题，图像质量评价方法根据是否有人的参与可分成主观图像质量评价方法和客观图像质量评价方法。主观图像质量评价方法由人对图像进行打分，评价结果精确，但评价过程复杂，耗时时间长，难以得到实时应用。客观图像质量评价方法无需人的参与，通过特定的计算机算法自动预测图像质量，根据是否使用原始无失真图像作为参考，可将图像质量评价方法分成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。全参考算法使用参考图像的所有信息预测图像质量，半参考图像质量评价方法采用参考图像的部分信息进行图像质量预测，无参考图像质量评价方法不使用参考图像的任何信息进行图像质量评价。本发明设计一种无参考图像质量评价方法。无参考图像质量评价方法分成两类：针对特定失真类型的无参考方法和面向所有失真类型的通用型无参考方法。Moorthy提出了一种基于两步模型的无参考方法BIQI，该方法现对失真类型进行分类，再对每一类别进行质量评价。Bovik提出NIQE算法，该算法通过提取图像的归一化亮度，并用多维高斯分布建模归一化亮度直方图，再提取特征用于图像质量预测。上述算法存在着计算复杂，不能满足实时应用等缺点。针对以上缺点，本发明采用纹理特征进行图像质量评价，图像纹理是图像中存在而难以描述的特征，采用归一化亮度图像的灰度共生矩阵特征描述纹理特征，对图像提取纹理特征后，采用支持向量机对纹理特征进行预测得到客观图像质量评价结果。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于纹理特征的无参考图像质量评价方法。

本发明解决其技术问题所采用的技术方案包括如下具体步骤：

步骤1.将输入图像随机分成训练图像集和测试图像集，并对每幅输入图像进行灰度变换，将彩色图像转换成灰度图像。

步骤2.对每幅灰度图像先进行高斯滤波，得到滤波图像，然后对滤波图像进行下采样，得到不同尺度下的采样图像I。

步骤3.采用大小为N×N的高斯滤波器ω(k,l)对采样图像I进行滤波并求取均值和方差，采用公式如下：

其中，0≤i≤W，0≤j≤H，W为采样图像I的宽度，H为采样图像I的高度。μ(i,j)指采样图像I在坐标为(i,j)处的灰度均值，σ(i,j)指采样图像I在坐标为(i,j)处的灰度均方差，K和L分别为高斯滤波器的高度和宽度。

步骤4.对采样图像I进行归一化操作，采用公式如下：

其中，I(i,j)为坐标为(i,j)处采样图像I的像素取值，C为防止除数为零所加的常数，为归一化图像。

步骤5.对归一化图像求取像素距离d＝1，方向为θ＝0°，θ＝45°，θ＝90°和θ＝135°四个方向的灰度共生矩阵，具体是：

将归一化图像的灰度级缩放并四舍五入取整到[0,255]范围，同时计算方向为θ＝0°，θ＝45°，θ＝90°和θ＝135°四个方向的灰度共生矩阵，分别记为CM₀(p,q)、CM₄₅(p,q)、CM₉₀(p,q)和CM₁₃₅(p,q)，其中p和q分别为灰度共生矩阵横向和纵向上的索引值，且0≤p≤255，0≤q≤255。

步骤6.分别计算得到四个方向灰度共生矩阵的归一化灰度共生矩阵，具体计算公式如下：

步骤7.分别对四个方向的归一化灰度共生矩阵计算能量、熵、对比度和相关性，具体步骤如下：

能量计算公式为：

其中θ＝0°,45°,90°,135°。公式(8)

共生矩阵熵计算公式为：

其中θ＝0°,45°,90°,135°。公式(9)

对比度计算公式为：

其中θ＝0°,45°,90°,135°。公式(10)

相关性计算公式如下：

其中，θ＝0°,45°,90°,135°，μ_x和σ_x为NCM_θ(p,q)在横向的均值和均方差，μ_y和σ_y为NCM_θ(p,q)在纵向的均值和均方差。

步骤8.将不同尺度下四个方向的能量、熵、对比度和相关性组合成特征向量；

步骤9.将训练图像集提取的特征向量合并失真类别送到支持向量机中进行训练，得到训练好的分类支持向量机；将JPEG,JPEG2000,Blur,Noise和Fast Fading各种类型的训练图像集的特征向量合并主观MOS分值，送到五种类型的支持向量回归机中进行训练，对每个类型的训练图像集得到训练好的支持向量回归机。

步骤10.将测试图像集提取的特征向量送到分类支持向量机中输出失真类型概率p_i；并将测试图像集提取的特征向量送到五种类型的支持向量回归机中得到预测分值q_i。最终的客观图像质量评价分值Q由以下公式计算得到：

本发明有益效果如下：

本发明主要利用纹理特征进行图像质量评价，与现有算法相比计算复杂度更低，便于实时实现，同时利用多个尺度和多个角度的灰度共生矩阵提取纹理特征，提高了预测精度。

附图说明

图1为基于纹理特征的图像质量客观评价方法训练流程图。

图2为基于纹理特征的图像质量客观评价方法测试流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1和图2所示，一种基于纹理特征的无参考图像质量评价方法,具体步骤如下：

步骤1.将美国德州大学奥斯汀分校的LIVE图像数据库中的29幅原始图像及其失真图像随机分成两组：20幅原始图像及其失真图像作为训练图像集，9幅原始图像及其失真图像作为测试图像集；其中失真图像分为JPEG,JPEG2000,Blur,Noise和Fast Fading五种失真类型。将输入图像分成训练图像集和测试图像集，对训练图像集和测试图像集中的每幅图像进行特征提取；

步骤2.对每幅图像进行灰度变换，将彩色图像转换成灰度图像，然后对每幅图像采用大小为5×5，方差为1的高斯滤波器进行高斯滤波，得到滤波后的图像，然后对滤波图像进行2:1下采样，得到3个不同尺度下的采样图像。

步骤3.对不同尺度的采样图像进行亮度归一化操作，具体是：采用大小为7×7，方差为7/6的高斯滤波器ω(k,l)对图像I进行滤波，采用公式如下：

其中K＝L＝3,μ和σ为7×7邻域滤波所得均值和方差。

步骤4.对亮度图像进行归一化操作，采用公式如下：

其中C取值为1。

步骤5.对输入参考图像的不同尺度的图像求取像素距离d＝1，方向为θ＝0°，θ＝45°，θ＝90°和θ＝135°四个方向的灰度共生矩阵，具体是：

将归一化亮度矩阵的灰度级缩放并四舍五入取整到[0,255]范围，同时计算方向为θ＝0°，θ＝45°，θ＝90°和θ＝135°四个方向的灰度共生矩阵，记为CM₀(p,q)、CM₄₅(p,q)、CM₉₀(p,q)和CM₁₃₅(p,q)，其中0≤p≤255，0≤q≤255。

步骤6.计算得到四个方向灰度共生矩阵的归一化灰度共生矩阵，具体计算公式如下：

步骤7.对四个方向的归一化灰度共生矩阵计算能量、熵、对比度和相关性，具体步骤如下：

能量计算公式为：

其中θ＝0°,45°,90°,135°。公式(20)

共生矩阵熵计算公式为：

其中θ＝0°,45°,90°,135°。公式(21)

对比度计算公式为：

其中θ＝0°,45°,90°,135°。公式(22)

相关性计算公式如下：

其中θ＝0°,45°,90°,135°。公式(23)

其中μ_x和σ_x为NCM_θ(p,q)在横向的均值和均方差，μ_y和σ_y为NCM_θ(p,q)在纵向的均值和均方差。其计算公式如下：

步骤8.将三个尺度下四个方向的能量、熵、对比度和相关性组合成48×1维的特征向量；

步骤9.将训练图像集提取的特征向量合并失真类别送到支持向量机中进行训练，得到训练好的分类支持向量机；将JPEG,JPEG2000,Blur,Noise和Fast Fading各种类型的训练图像集的特征向量合并主观MOS分值，送到五种类型的支持向量回归机中进行训练，对每个类型的训练图像集得到训练好的支持向量回归机。

步骤10.将测试图像集提取的特征向量送到分类支持向量机中输出失真类型概率p_i，其中1≤i≤5；并将测试图像集提取的特征向量送到五种类型的支持向量回归机中得到预测分值q_i，其中1≤i≤5。最终的客观图像质量评价分值Q由以下公式计算得到：

其中支持向量机采用LIBSVM实现，采用svmtrain实现支持向量机的训练，采用svmpredict实现支持向量机的预测，采用svmscale实现支持向量机的缩放。

Claims (1)

1.一种基于纹理特征的无参考图像质量评价方法，其特征在于包括如下步骤：

步骤1.将输入图像随机分成训练图像集和测试图像集，并对每幅输入图像进行灰度变换，将彩色图像转换成灰度图像；

步骤2.对每幅灰度图像先进行高斯滤波，得到滤波图像，然后对滤波图像进行下采样，得到不同尺度下的采样图像I；

步骤3.采用N×N的高斯滤波器ω(k,l)对采样图像I进行滤波并求取均值和方差，采用公式如下：

其中，0≤i≤W，0≤j≤H，W为采样图像I的宽度，H为采样图像I的高度；μ(i,j)指采样图像I在坐标为(i,j)处的灰度均值，σ(i,j)指采样图像I在坐标为(i,j)处的灰度均方差，ω(k,l)坐标为(k,l)处的高斯滤波器系数，K和L分别为高斯滤波器的高度和宽度；

步骤4.对采样图像I进行归一化操作，采用公式如下：

其中，I(i,j)为坐标为(i,j)处采样图像I的像素取值，C为防止除数为零所加的常数，为归一化图像；

步骤5.对归一化图像求取像素距离d＝1，方向为θ＝0°，θ＝45°，θ＝90°和θ＝135°四个方向的灰度共生矩阵，具体是：

将归一化图像的灰度级缩放并四舍五入取整到[0,255]范围，同时计算方向为θ＝0°，θ＝45°，θ＝90°和θ＝135°四个方向的灰度共生矩阵，分别记为CM₀(p,q)、CM₄₅(p,q)、CM₉₀(p,q)和CM₁₃₅(p,q)，其中p和q分别为灰度共生矩阵横向和纵向上的索引值，且0≤p≤255，0≤q≤255；

步骤6.分别计算得到四个方向灰度共生矩阵的归一化灰度共生矩阵，具体计算公式如下：

步骤7.分别对四个方向的归一化灰度共生矩阵计算能量、熵、对比度和相关性，具体步骤如下：

能量计算公式为：

其中θ＝0°,45°,90°,135°；公式(8)

共生矩阵熵计算公式为：

其中θ＝0°,45°,90°,135°；公式(9)对比度计算公式为：

其中θ＝0°,45°,90°,135°；公式(10)

相关性计算公式如下：

其中，θ＝0°,45°,90°,135°，μ_x和σ_x为NCM_θ(p,q)在横向的均值和均方差，μ_y和σ_y为NCM_θ(p,q)在纵向的均值和均方差；

步骤8.将不同尺度下四个方向的能量、熵、对比度和相关性组合成特征向量；

步骤9.将训练图像集提取的特征向量合并失真类别送到支持向量机中进行训练，得到训练好的分类支持向量机；将JPEG,JPEG2000,Blur,Noise和Fast Fading各种类型的训练图像集的特征向量合并主观MOS分值，送到五种类型的支持向量回归机中进行训练，对每个类型的训练图像集得到训练好的支持向量回归机；

步骤10.将测试图像集提取的特征向量送到分类支持向量机中输出失真类型概率p_i；并将测试图像集提取的特征向量送到五种类型的支持向量回归机中得到预测分值q_i；最终的客观图像质量评价Q由以下公式计算得到：