CN108665433B - 一种结合多种特征的无参考自然图像质量评价方法 - Google Patents

一种结合多种特征的无参考自然图像质量评价方法 Download PDF

Info

Publication number
CN108665433B
CN108665433B CN201710213198.5A CN201710213198A CN108665433B CN 108665433 B CN108665433 B CN 108665433B CN 201710213198 A CN201710213198 A CN 201710213198A CN 108665433 B CN108665433 B CN 108665433B
Authority
CN
China
Prior art keywords
image
value
feature
probability
calculating
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.)
Active
Application number
CN201710213198.5A
Other languages
English (en)
Other versions
CN108665433A (zh
Inventor
闫允一
肖尧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710213198.5A priority Critical patent/CN108665433B/zh
Publication of CN108665433A publication Critical patent/CN108665433A/zh
Application granted granted Critical
Publication of CN108665433B publication Critical patent/CN108665433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种结合多种特征的无参考自然图像质量评价方法，通过计算得到的8个特征，然后构建一个向量fi＝[featureHBC featureNCSD featureH featureL featureHDW featureEAV featureASD featureN]T将图像的特征向量转化为无标注图像的评价概率矩阵，最终可得到无标注的图像i的评分di＝[x1 x2 x3 x4 x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5；该结合多种特征的无参考图像质量评价方法，结合多种图像特征对图像进行质量评价，能够综合考虑图像噪声、图像清晰度等特征，可以更好对图像进行分类，具有更好的普遍性，能够适应各种不同特性的图像质量评价，方便对图像进行科学的分类。

Description

一种结合多种特征的无参考自然图像质量评价方法
技术领域
本发明属于图像质量评价技术领域，具体涉及一种结合多种特征的无参考自然图像质量评价方法。
背景技术
随着近些年多媒体设备的快速发展，大众对图像质量的要求急剧提高，故图像质量评价在近年获得极大关注。图像质量评价分为全参考、半参考、无参考图像质量评价三类，由于绝大多数实际情况无法获得无失真的本体信息，所以无参考图像质量评价方法最为实用。
1、全参考算法：基本思路是通过设计特征来比较失真图像和参考图像的局部差异，然后在整幅图像上求出一个总的平均统计量，并把这个统计量与图像质量关联起来。这类方法分为有基于误差统计量和和基于HVS模型的算法，主要代表有均方误差(MSE)模型、峰值信噪比(PSNR)等均属于这类方法。该类方法研究时间最长，也最为成熟；但由于需要比较像素级差异，因此计算量较大，另外该类算法由于需要参考图，应用时灵活性差。
2、半参考算法：基本思路是首先将图像分块，然后以图像块为单位分别统计失真图像和参考图像的相关特征，最后比较这些统计特征之间的差异。这类方法又分为基于图像特征统计量的算法和基于数字水印的算法，主要代表有结构相似度(SSIM)模型、NSS模型、VIF算法。这类算法的特点是其只需从参考图像中提取部分统计量用于比较，无需原始的像素级别的信息，数据量较全参考算法更小，计算代价更小；与全参考算法一样，该类方法仍然需要参考图像，应用时灵活性差。
3、无参考算法：主要包括针对失真类型的算法和基于机器学习的算法，代表方法有频域评价算法、循环反向传播(CBP)神经网络。这类方法的特点无需参考图像，应用更广，泛化能力更强，近几年来无参考算法已经开始成为研究的热点。但目前的无参考算法无法摆脱其评价结果受图像内容的影响。
现有的无参考图像质量评价方法主要分两类，第一类主要针对一种特征进行评价，由于图像的复杂性，无法精确的模拟图像和感知质量之间的映射关系，单一类型的特征只能对特定的失真进行判定，缺乏普适性。第二类方法主要是根据统计规律来进行判定，但是图像种类繁多，不同种类的图像统计规律差异极大，此方法只能针对特定类型的图像有效。
发明内容
本发明的目的是提供一种结合多种特征的无参考图像质量评价方法。
为此，本发明提供了一种结合多种特征的无参考自然图像质量评价方法，包括如下步骤：
步骤1、输入图像，对原图进行曝光值加减处理，得到+1EV、+2EV、-1EV、-2EV的4幅图像；
步骤2、将步骤1中得到的4幅图像和原图依次转为灰度图像，得到5幅灰度图像；
步骤3、将5幅图像分别进行直方图统计，计算其直方图均衡系数
Figure BDA0001261505250000021
其中，N为总像素数，n为灰度级的数量，count(i)为灰度为i的像素数；故可以得到5个直方图均衡系数
Figure BDA0001261505250000022
步骤4、对步骤3中得到的5个直方图均衡系数构建一个4次拟合函数，并求该拟合函数的极小值点，归一化之后作为特征featureHBC；
步骤5、对步骤2得到的5幅灰度图像分别计算其均方根对比度系数
Figure BDA0001261505250000031
其中，Imax为灰度值的最大值，Imin为最小值，μ为全图的灰度均值，其余与步骤3中定义相同；
步骤6、对步骤5中5个均方根对比度值进行修正
Figure BDA0001261505250000032
其中，
Figure BDA0001261505250000033
为理想状态下的CCSD值，用修正后的5个均方根对比度构建4次拟合函数，并求极小值点，归一化之后作为特征featureNCSD；
步骤7、对步骤2得到的5幅灰度图像分别计算其熵值
Figure BDA0001261505250000034
其中，pi为灰度级为i的像素在图中出现的概率，其余定义与步骤5中相同；
步骤8、对步骤7中的5个熵值构建4次拟合函数，并求极小值点，归一化之后作为特征featureH；
步骤9、对步骤2中获得的原图的灰度图像计算其宽容度量化系数
Figure BDA0001261505250000035
Figure BDA0001261505250000036
并作为特征featureL；
步骤10、对步骤2中获得的原图的灰度图像进行分块，计算每一块图像的熵值hi，从步骤7中获取全图熵值H；取hi的中位数为hmed；
步骤11、利用步骤10中的hmed和H构建分段函数(5)，然后根据公式(6)计算分块带权值的熵值均值
Figure BDA0001261505250000041
Figure BDA0001261505250000042
其中，r＝|hmed-H|，MAX为分的块数，并将hDW归一化之后作为特征featureHDW；
步骤12、对步骤2中获得的原图的灰度图像进行8邻域点锐度均值计算
Figure BDA0001261505250000048
其中，wa为权值
Figure BDA0001261505250000043
ΔI为灰度差，N为总像素数；EAV值归一化之后转化为特征featureEAV；
步骤13、从步骤12中获取8邻域点锐度均值EAV和每一点的8邻域点锐度
Figure BDA0001261505250000044
计算其标准差
Figure BDA0001261505250000045
将ASD归一化之后转化为特征featureASD；
步骤14、对步骤2中获得的原图的灰度图像进行分割，计算每一个小块的灰度均值
Figure BDA0001261505250000046
其中，Ii为灰度值，N为小块内的像素数，然后计算小块内的标准差
Figure BDA0001261505250000047
对所有小块进行计算之后，得到所有小块的LSD值LSDi，然后进行统计，并建立K个统计区间，每个统计区间的间隔
Figure BDA0001261505250000051
然后取含LSDi最多的统计区间，将区间内的LSDi值取出来求均值DLSD,计算参数
Figure BDA0001261505250000052
作为特征featureN；
步骤15：利用上述步骤得到的8个特征构建一个向量
fi＝[featureHBC featureNCSD featureH featureL featureHDW featureEAVfeatureASD featureN]T；
步骤16、定义矩阵F＝[f1 f2 …… fn]＝[F1，F2],fj(j＝1,2,…,n)为第j张图像的特征向量，F1为人工标注数据，F2为未标注的数据；
步骤17、定义评分向量d＝[x1 x2 x3 x4 x5]T，其中，x1为评价为极差的概率，x2为评价为差的概率，x3为评价为一般的概率，x4为评价为好的概率，x5为评价为极好的概率，然后输入已标注的统计概率；
步骤18、定义矩阵
Figure BDA0001261505250000053
di(i＝1,2,…,n)指第i张图的评价结果；
步骤19、计算所有图像的特征点之间的欧氏距离ρ(fi,fj)＝||fi-fj||2，寻找每个点k近邻点；
步骤20、用K个近邻点线性表示原数据点，其误差函数
Figure BDA0001261505250000054
最小时的权值矩阵，约束条件
Figure BDA0001261505250000058
步骤21、利用步骤20中的权值矩阵wij将训练样本点映射到5维的评分空间d＝[x1x2 x3 x4 x5]中；映射方程为：
Figure BDA0001261505250000055
满足约束条件
Figure BDA0001261505250000056
其中，
Figure BDA0001261505250000057
最小化问题可转化为
Figure BDA0001261505250000061
即可求出无标注图像的评价概率矩阵D2；
步骤22、根据步骤21解得的无标注图像的评价概率矩阵D2，可得到无标注的图像i的评分di＝[x1 x2 x3 x4 x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5。若ai≤0.5则最终评价结果为极差，若0.5＜ai≤1.5则最终评价结果为差，若1.5＜ai≤2.5则最终评价结果为一般，若2.5＜ai≤3.5则最终评价结果为好，若ai≥3.5则最终评价结果为极好。
所述拟合函数的定义为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2；步骤4中，y的取值为5个对应的直方图均衡系数；步骤6中，y的取值为修正后的5个均方根；步骤8中，y的取值为5个熵值构建4次拟合函数。
所述步骤4、步骤6、步骤8中的归一化函数为y＝e-x；其中x为输入值，即对应步骤4、步骤6、步骤8的拟合函数的极小值点的绝对值，y为结果值。
所述步骤11的归一化函数为
Figure BDA0001261505250000062
其中x为输入的hDW,y为结果，n为分块的尺寸，即5或7或9。
所述步骤12的归一化函数为
Figure BDA0001261505250000063
其中x为EAV值,y为结果。
所述步骤13的归一化函数为
Figure BDA0001261505250000064
其中x为标准差ASD值,y为结果，N为总像素数。
所述步骤10中，原图的灰度图像进行分块的范围为25到81块(5*5到9*9)。
所述步骤14中，原图的灰度图像进行分割的范围为900到10000块(30*30到100*100)。
本发明的有益效果：本发明提供的这种结合多种特征的无参考图像质量评价方法，结合多种图像特征对图像进行质量评价，能够综合考虑图像噪声、图像清晰度等特征，可以更好对图像进行分类，具有更好的普遍性，能够适应各种不同特性的图像质量评价，方便对图像进行科学的分类。
以下将结合附图对本发明做进一步详细说明。
附图说明
图1是结合多种特征的无参考图像质量评价方法流程示意图。
具体实施方式
为进一步阐述本发明达成预定目的所采取的技术手段及功效，以下结合附图及实施例对本发明的具体实施方式、结构特征及其功效，详细说明如下。
为了克服现有图像质量评价针对的图像特征单一，缺乏普遍性的问题，本发明提供了一种如图1所述的种结合多种特征的无参考自然图像质量评价方法，包括如下步骤：
步骤1、输入图像，对原图进行曝光值加减处理，得到+1EV、+2EV、-1EV、-2EV的4幅图像；
步骤2、将步骤1中得到的4幅图像和原图依次转为灰度图像，得到5幅灰度图像；
步骤3、将5幅图像分别进行直方图统计，计算其直方图均衡系数
Figure BDA0001261505250000071
其中，N为总像素数，n为灰度级的数量，count(i)为灰度为i的像素数；故可以得到5个直方图均衡系数
Figure BDA0001261505250000072
步骤4、对步骤3中得到的5个直方图均衡系数构建一个4次拟合函数，拟合函数的定义为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2，y为步骤3中得到的对应的直方图均衡系数，将x,y带入拟合函数后，确定a0、a1、a2、a3、a4的值，然后该拟合函数的极小值点，将极小值点取绝对值，使用y＝e-x方程进行归一化(其中x为输入值，即拟合函数的极小值点的绝对值，y为结果值)，结果值作为特征featureHBC；
步骤5、对步骤2得到的5幅灰度图像分别计算其均方根对比度系数
Figure BDA0001261505250000081
其中，Imax为灰度值的最大值，Imin为最小值，μ为全图的灰度均值，其余与步骤3中定义相同；
步骤6、对步骤5中5个均方根对比度值进行修正
Figure BDA0001261505250000082
其中，
Figure BDA0001261505250000083
为理想状态下的CCSD值，用修正后的5个均方根对比度构建4次拟合函数，拟合函数的定义同样为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2，y为步骤5中得到的5个均方根，将x,y带入拟合函数后，确定a0、a1、a2、a3、a4的值，然后该拟合函数的极小值点，将极小值点取绝对值，使用y＝e-x方程进行归一化(其中x为输入值，即拟合函数的极小值点的绝对值，y为结果值)，归一化之后作为特征featureNCSD；
步骤7、对步骤2得到的5幅灰度图像分别计算其熵值
Figure BDA0001261505250000084
其中，pi为灰度级为i的像素在图中出现的概率，其余定义与步骤5中相同；
步骤8、对步骤7中的5个熵值构建4次拟合函数，拟合函数的定义同样为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2，y的取值为步骤7中的5个熵值，将x,y带入拟合函数后，确定a0、a1、a2、a3、a4的值，然后该拟合函数的极小值点，将极小值点取绝对值，使用y＝e-x方程进行归一化(其中x为输入值，即拟合函数的极小值点的绝对值，y为结果值)，，归一化之后作为特征featureH；
步骤9、对步骤2中获得的原图的灰度图像计算其宽容度量化系数
Figure BDA0001261505250000091
Figure BDA0001261505250000092
并作为特征featureL；
步骤10、对步骤2中获得的原图的灰度图像进行分块，分块的范围为25到81块(即：5*5到9*9)，计算每一块图像的熵值hi，从步骤7中获取全图熵值H；取hi的中位数为hmed；
步骤11、利用步骤10中的hmed和H构建分段函数(5)，然后根据公式(6)计算分块带权值的熵值均值
Figure BDA0001261505250000093
Figure BDA0001261505250000094
其中，r＝|hmed-H|，MAX为分的块数，并将hDW归一化之后作为特征featureHDW；归一化函数为
Figure BDA0001261505250000095
其中x为输入的hDW,y为结果，n为分块的尺寸，即5或7或9；
步骤12、对步骤2中获得的原图的灰度图像进行8邻域点锐度均值计算
Figure BDA0001261505250000096
其中，wa为权值
Figure BDA0001261505250000101
ΔI为灰度差，N为总像素数；EAV值归一化之后转化为特征featureEAV；归一化函数为
Figure BDA0001261505250000102
其中x为EAV值,y为结果；
步骤13、从步骤12中获取8邻域点锐度均值EAV和每一点的8邻域点锐度
Figure BDA0001261505250000103
计算其标准差
Figure BDA0001261505250000104
将ASD归一化之后转化为特征featureASD；归一化函数为
Figure BDA0001261505250000105
其中x为标准差ASD值,y为结果，N为总像素数；
步骤14、对步骤2中获得的原图的灰度图像进行分割，分割的范围为900到10000块(30*30到100*100)；计算每一个小块的灰度均值
Figure BDA0001261505250000106
其中，Ii为灰度值，N为小块内的像素数，然后计算小块内的标准差
Figure BDA0001261505250000107
对所有小块进行计算之后，得到所有小块的LSD值LSDi，然后进行统计，并建立K个统计区间，每个统计区间的间隔
Figure BDA0001261505250000108
然后取含LSDi最多的统计区间，将区间内的LSDi值取出来求均值DLSD,计算参数
Figure BDA0001261505250000109
作为特征featureN；
步骤15：利用上述步骤得到的8个特征构建一个向量
fi＝[featureHBC featureNCSD featureH featureL featureHDW featureEAVfeatureASD featureN]T；
步骤16、定义矩阵F＝[f1 f2 …… fn]＝[F1，F2],fj(j＝1,2,…,n)为第j张图像的特征向量，F1为人工标注数据，F2为未标注的数据；
步骤17、定义评分向量d＝[x1 x2 x3 x4 x5]T，其中，x1为评价为极差的概率，x2为评价为差的概率，x3为评价为一般的概率，x4为评价为好的概率，x5为评价为极好的概率，然后输入已标注的统计概率；
步骤18、定义矩阵
Figure BDA0001261505250000111
di(i＝1,2,…,n)指第i张图的评价结果；
步骤19、计算所有图像的特征点之间的欧氏距离ρ(fi,fj)＝||fi-fj||2，寻找每个点k近邻点；
步骤20、用K个近邻点线性表示原数据点，其误差函数
Figure BDA0001261505250000112
最小时的权值矩阵，约束条件
Figure BDA0001261505250000113
步骤21、利用步骤20中的权值矩阵wij将训练样本点映射到5维的评分空间d＝[x1x2 x3 x4 x5]中；映射方程为：
Figure BDA0001261505250000114
满足约束条件
Figure BDA0001261505250000115
其中，
Figure BDA0001261505250000116
最小化问题可转化为
Figure BDA0001261505250000117
即可求出无标注图像的评价概率矩阵D2；
步骤22、根据步骤21解得的无标注图像的评价概率矩阵D2，可得到无标注的图像i的评分di＝[x1 x2 x3 x4 x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5。若ai≤0.5则最终评价结果为极差，若0.5＜ai≤1.5则最终评价结果为差，若1.5＜ai≤2.5则最终评价结果为一般，若2.5＜ai≤3.5则最终评价结果为好，若ai≥3.5则最终评价结果为极好。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种结合多种特征的无参考自然图像质量评价方法，其特征在于，包括如下步骤：
步骤1、输入图像，对原图进行曝光值加减处理，得到+1EV、+2EV、-1EV、-2EV的4幅图像；
步骤2、将步骤1中得到的4幅图像和原图依次转为灰度图像，得到5幅灰度图像；
步骤3、将5幅图像分别进行直方图统计，计算其直方图均衡系数
Figure FDA0002988894700000011
其中，N为总像素数，n为灰度级的数量，count(i)为灰度为i的像素数；故可以得到5个直方图均衡系数
Figure FDA0002988894700000012
步骤4、对步骤3中得到的5个直方图均衡系数构建一个4次拟合函数，并求该拟合函数的极小值点，归一化之后作为特征featureHBC；
步骤5、对步骤2得到的5幅灰度图像分别计算其均方根对比度系数
Figure FDA0002988894700000013
其中，Imax为灰度值的最大值，Imin为最小值，μ为全图的灰度均值，其余与步骤3中定义相同；
步骤6、对步骤5中5个均方根对比度值进行修正
Figure FDA0002988894700000014
其中，
Figure FDA0002988894700000015
为理想状态下的CCSD值，用修正后的5个均方根对比度构建4次拟合函数，并求极小值点，归一化之后作为特征featureNCSD；
步骤7、对步骤2得到的5幅灰度图像分别计算其熵值
Figure FDA0002988894700000021
其中，pi为灰度级为i的像素在图中出现的概率，其余定义与步骤5中相同；
步骤8、对步骤7中的5个熵值构建4次拟合函数，并求极小值点，归一化之后作为特征featureH；
步骤9、对步骤2中获得的原图的灰度图像计算其宽容度量化系数
Figure FDA0002988894700000022
Figure FDA0002988894700000023
并作为特征featureL；
步骤10、对步骤2中获得的原图的灰度图像进行分块，计算每一块图像的熵值hi，从步骤7中获取全图熵值H；取hi的中位数为hmed；
步骤11、利用步骤10中的hmed和H构建分段函数(5)，然后根据公式(6)计算分块带权值的熵值均值
Figure FDA0002988894700000024
Figure FDA0002988894700000025
其中，r＝|hmed-H|，MAX为分的块数，并将hDW归一化之后作为特征featureHDW；
步骤12、对步骤2中获得的原图的灰度图像进行8邻域点锐度均值计算
Figure FDA0002988894700000026
其中，wa为权值
Figure FDA0002988894700000027
ΔI为灰度差，N为总像素数；EAV值归一化之后转化为特征featureEAV；
步骤13、从步骤12中获取8邻域点锐度均值EAV和每一点的8邻域点锐度
Figure FDA0002988894700000031
计算其标准差
Figure FDA0002988894700000032
将ASD归一化之后转化为特征featureASD；
步骤14、对步骤2中获得的原图的灰度图像进行分割，计算每一个小块的灰度均值
Figure FDA0002988894700000033
其中，Ii为灰度值，N为小块内的像素数，然后计算小块内的标准差
Figure FDA0002988894700000034
对所有小块进行计算之后，得到所有小块的LSD值LSDi，然后进行统计，并建立K个统计区间，每个统计区间的间隔
Figure FDA0002988894700000035
然后取含LSDi最多的统计区间，将区间内的LSDi值取出来求均值DLSD,计算参数
Figure FDA0002988894700000036
作为特征featureN；
步骤15：利用上述步骤得到的8个特征构建一个向量
fi＝[featureHBC featureNCSD featureH featureL featureHDW featureEAV featureASDfeatureN]T；
步骤16、定义矩阵F＝[f1 f2……fn]＝[F1，F2],fj为第j张图像的特征向量，其中j＝1,2,…,n，F1为人工标注数据，F2为未标注的数据；
步骤17、定义评分向量d＝[x1 x2 x3 x4 x5]T，其中，x1为评价为极差的概率，x2为评价为差的概率，x3为评价为一般的概率，x4为评价为好的概率，x5为评价为极好的概率，然后输入已标注的统计概率；
步骤18、定义矩阵
Figure FDA0002988894700000041
di指第i张图的评价结果，其中i＝1,2,…,n；
步骤19、计算所有图像的特征点之间的欧氏距离ρ(fi,fj)＝||fi-fj||2，寻找每个点k近邻点；
步骤20、用K个近邻点线性表示原数据点，其误差函数
Figure FDA0002988894700000042
最小时的权值矩阵，约束条件
Figure FDA0002988894700000043
步骤21、利用步骤20中的权值矩阵wij将训练样本点映射到5维的评分空间d＝[x1 x2 x3x4 x5]中；映射方程为：
Figure FDA0002988894700000044
满足约束条件
Figure FDA0002988894700000045
其中，
Figure FDA0002988894700000046
最小化问题可转化为
Figure FDA0002988894700000047
即可求出无标注图像的评价概率矩阵D2；
步骤22、根据步骤21解得的无标注图像的评价概率矩阵D2，可得到无标注的图像i的评分di＝[x1 x2 x3 x4 x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5，若ai≤0.5则最终评价结果为极差，若0.5＜ai≤1.5则最终评价结果为差，若1.5＜ai≤2.5则最终评价结果为一般，若2.5＜ai≤3.5则最终评价结果为好，若ai≥3.5则最终评价结果为极好。
2.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述拟合函数的定义为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2；步骤4中，y的取值为5个对应的直方图均衡系数；步骤6中，y的取值为修正后的5个均方根；步骤8中，y的取值为5个熵值构建4次拟合函数。
3.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤4、步骤6、步骤8中的归一化函数为y＝e-x；其中x为输入值，即对应步骤4、步骤6、步骤8的拟合函数的极小值点的绝对值，y为结果值。
4.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤11的归一化函数为
Figure FDA0002988894700000051
其中x为输入的hDW,y为结果，n为分块的尺寸，即5或7或9。
5.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤12的归一化函数为
Figure FDA0002988894700000052
其中x为EAV值,y为结果。
6.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤13的归一化函数为
Figure FDA0002988894700000053
其中x为标准差ASD值,y为结果，N为总像素数。
7.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤10中，原图的灰度图像进行分块的范围为25到81块，即5*5到9*9。
8.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤14中，原图的灰度图像进行分割的范围为900到10000块，即30*30到100*100。
CN201710213198.5A 2017-04-01 2017-04-01 一种结合多种特征的无参考自然图像质量评价方法 Active CN108665433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710213198.5A CN108665433B (zh) 2017-04-01 2017-04-01 一种结合多种特征的无参考自然图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710213198.5A CN108665433B (zh) 2017-04-01 2017-04-01 一种结合多种特征的无参考自然图像质量评价方法

Publications (2)

Publication Number Publication Date
CN108665433A CN108665433A (zh) 2018-10-16
CN108665433B true CN108665433B (zh) 2021-05-18

Family

ID=63783810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710213198.5A Active CN108665433B (zh) 2017-04-01 2017-04-01 一种结合多种特征的无参考自然图像质量评价方法

Country Status (1)

Country Link
CN (1) CN108665433B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113311430B (zh) * 2020-11-10 2022-06-07 电子科技大学 蜂群无人机数量估计和航迹生成方法
CN112233111A (zh) * 2020-11-18 2021-01-15 安徽国钜工程机械科技有限公司 一种基于数字图像处理的隧道缝隙检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282481A (zh) * 2008-05-09 2008-10-08 中国传媒大学 一种基于人工神经网络的视频质量评价方法
CN102629318A (zh) * 2012-03-22 2012-08-08 中国电子科技集团公司第五十八研究所 一种基于支持向量机的指纹图像分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9325985B2 (en) * 2013-05-28 2016-04-26 Apple Inc. Reference and non-reference video quality evaluation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282481A (zh) * 2008-05-09 2008-10-08 中国传媒大学 一种基于人工神经网络的视频质量评价方法
CN102629318A (zh) * 2012-03-22 2012-08-08 中国电子科技集团公司第五十八研究所 一种基于支持向量机的指纹图像分割方法

Also Published As

Publication number Publication date
CN108665433A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN110046673B (zh) 基于多特征融合的无参考色调映射图像质量评价方法
Mittal et al. Blind/referenceless image spatial quality evaluator
CN105825500B (zh) 一种对相机图像质量的评价方法与装置
CN105208374B (zh) 一种基于深度学习的无参考图像质量客观评价方法
US8472717B2 (en) Foreground image separation method
CN108074239B (zh) 一种基于先验感知质量特征图的无参考图像质量客观评价方法
CN110443800B (zh) 视频图像质量的评价方法
Göring et al. deimeq-A Deep Neural Network Based Hybrid No-reference Image Quality Model
CN108053396B (zh) 一种多失真图像质量的无参考评价方法
CN113763271B (zh) 一种基于物理噪声模型的高质量光谱去噪方法
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
CN109218716B (zh) 基于色彩统计和信息熵无参考色调映射图像质量评价方法
CN105049851A (zh) 基于色彩感知的通用无参考图像质量评价方法
CN107767363A (zh) 一种基于自然场景的无参考高动态图像质量评价算法
CN112200807B (zh) 一种视频质量诊断方法与系统
CN111242878A (zh) 基于布谷鸟搜索的矿井下图像增强方法
CN104616026A (zh) 一种面向智能视频监控的监控场景类型辨识方法
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
CN108665433B (zh) 一种结合多种特征的无参考自然图像质量评价方法
Li et al. Recent advances and challenges in video quality assessment
CN111105357A (zh) 一种失真图像的去失真方法、装置及电子设备
CN108090914A (zh) 基于统计建模与像素分类的彩色图像分割方法
Yuan et al. Color image quality assessment with multi deep convolutional networks
Priya et al. No-reference image quality assessment using statistics of sparse representations
Ponomarenko et al. Color image lossy compression based on blind evaluation and prediction of noise characteristics

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