CN108764277A - 一种无参考图像模糊质量评价算法 - Google Patents
一种无参考图像模糊质量评价算法 Download PDFInfo
- Publication number
- CN108764277A CN108764277A CN201810333338.7A CN201810333338A CN108764277A CN 108764277 A CN108764277 A CN 108764277A CN 201810333338 A CN201810333338 A CN 201810333338A CN 108764277 A CN108764277 A CN 108764277A
- Authority
- CN
- China
- Prior art keywords
- image
- lbp
- bin
- fuzzy
- feature
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种无参考图像模糊质量评价算法,步骤如下:(1)图像预处理对于彩色图像Ic,首先将其转化成灰度图I;(2)图像特征提取利用旋转不变均匀LBP算子对灰度图中每一个像素点进行编码,得到旋转不变均匀LBP图,LBP算子主要受两个指标影响:半径R和采样点P,将户设置为8,R分别设置为1和2,即分别计算在R=1,P=8和R=2,P=8两种条件下的LBP编码图,并统计相应的直方图;(3)图像特征选取(4)图像模糊质量评价。
Description
技术领域
本发明属于图像处理领域,涉及应用图像特征提取技术评价模糊图像带来的观看质量问题。
背景技术
随着电子科技、网络技术的快速发展,数字图像在人们日常生活中得到广泛应用。手持摄像机、iPai 及手机的普遍应用,使得数字图片信息爆炸性增长。然而,图片在采集的过程中,不可避免地受到散焦的影响,造成图像的模糊。因此,如何有效地评价图像的模糊对电子器件及相应图像处理软件的发展起到至关重要的作用。现阶段,图像质量评价方法可以分为主观评价方法和客观评价方法。主观方法最能反映人眼主观感受,评价结果最有说服力。然而,主观算法费时耗力且移植性差,因此不被广泛应用。客观算法简便、高效,受到研究者的青睐。根据算法对原始无失真图像的依赖程度,客观评价方法又可以分为全参考图像质量评价算法、半参考图像质量评价算法和无参考图像质量评价算法。
近几年,随着图像质量评价研究的不断深入,涌现了大量优秀的图像模糊评价算法。Li等人建立稀疏字典,对图像进行稀疏表示,认为稀疏稀疏的熵可以表示图像的失真程度;模糊会导致图像的高频成分丢失,造成图像梯度的失真,Wang等人提取图像的梯度信息,应用极限学习机进行图像质量评价。也有研究者通过计算图像结构边缘的宽度和斜率来评价图像模糊。Li等人通过提取图像矩特征,根据图像矩的高频信息来反映图像的模糊度。上述方法都在变换域进行操作,时间复杂度高,本发明试图在空间域直接提取图像特征,进行图像模糊评价。因此,本发明试图应用图像特征提取技术评价模糊图像带来的观看质量问题。
[1]Li L,Lin W,Wang X,et al.No-reference image blur assessmentbased ondiscrete orthogonal moments [J].IEEE Transactions onCybernetics,2016,46(1):39-50.
[2]Li L,Wu D,Wu J,et al.Image sharpness assessment by sparserepresentation[J].IEEE Transactions on Multimedia,2016,18(6):1085-1097.
发明内容
本发明的目的在于针对图像模糊带来的观看质量问题,提出一种应用局部二值模式(local binary pattern, LBP)特征算子,评价图像模糊的无参考图像质量评价方法。技术方案如下:
一种无参考图像模糊质量评价算法,步骤如下:
(1)图像预处理
对于彩色图像Ic,首先将其转化成灰度图I。
(2)图像特征提取
利用旋转不变均匀LBP算子对灰度图中每一个像素点进行编码,得到旋转不变均匀LBP图,LBP算子主要受两个指标影响:半径R和采样点P,将P设置为8,R分别设置为1和2,即分别计算在R=1, P=8和R=2,P=8两种条件下的LBP编码图,并统计相应的直方图。
(3)图像特征选取
将直方图中的元素称之为bin,选取直方图中bin的值作为反应图像模糊程度的特征,当R=1,P=8 时,提取第1,2,3,7个bin的值;当R=1,P=8时,提取第1,2,3,5,,6,10个bin的值作为反应图像模糊程度的特征。
(4)图像模糊质量评价
将提取的特征作为输入,图像主观评分值作为输出,通过支持向量回归建立和训练图像模糊评价模型。
本发明的有益效果在于基于LBP算子特征提取的无参考图像模糊质量评价方法,不同于传统的基于变换域的评价算法,而是通过直接在空域上提取LBP特征,并根据统计挑选能够反映图像模糊的bin进而利用机器学习的方法训练图像模糊评价模型。本算法复杂度低,需要时间短,计算效果好。本发明与主观感受的一致性强,性能优于目前存在主流算法。
附图说明
图1LBP算子示意图;
图2模糊图像在不同采样半径及采样点下的LBP统计图;图2(a)表示R=1,P=8条件下LBP编码的统计柱状图;图2(b)表示R=2,P=8条件下LBP编码的统计柱状图。
具体实施方式
为使本发明的技术方案更加清楚,下面对本发明具体实施方式做进一步地描述。
1.图像预处理
对于彩色图像Ic,首先将其转化成灰度图I。
2、图像特征提取
LBP算子通过对计算图像局部像素点之间的关系,反映了图像的局部结构信息和纹理信息。考虑到图像模糊损害图像的结构信息,本发明采用LBP算子提取图像的结构信息。直接对图像进行LBP编码会导致特征值数量较多,因此,本发明中采用旋转不变均匀LBP算子进行编码,从而降低编码值的数量,旋转不变均匀LBP算子计算公式如下:
其中,
式中:U表示0、1跳变次数,riu2表示0、1跳变次数不超过2次的旋转不变均匀LBP;P表示采样点的个数,R表示采样半径,tc表示中心像素,ti表示tc周围第i个相邻点(i=1,2,...,P),如图1所示。∑表示求和符号,|| ||表示求绝对值。式1是旋转不变均匀LBP编码公式,式2是均匀模式0、1跳变次数计算公式。
对LBP编码后的特征图进行直方图统计,统计公式如下:
式中:k表示旋转不变均匀LBP的不同编码模式。本发明中P设置为8,R分别设置为1和2,即分别计算在R=1,P=8和R=2,P=8两种条件下的LBP编码图,并统计相应的直方图,如图2所示。图中,“org”表示原始图像,“level1-1”-“level1-4”分别表示从失真最轻到失真最重的模糊图[考虑黑白图片很难分清不同颜色,特此说明。在图2中,横坐标数字(如5)上的五个柱分别对应着“org”,“level1-1”-“level1-4”]。
3、图像特征选取
本发明通过对大量模糊图像进行统计发现,LBP直方图中仅有部分信息能够反映图像的模糊程度。在图2(a)中,观察可以发现,当R=1,P=8时,bin(本发明中将直方图中的元素称之为bin)1,2,3,7 和模糊程度成单调关系;在图2(b)中,观察可以发现,当R=1,P=8时,bin(本发明中将直方图中的元素称之为bin)1,2,3,5,,6,10和模糊程度成单调关系。因此,本发明选取这些值作为反应图像模糊程度的特征。
4、图像模糊质量评价
本发明采用机器学习的方法,训练提取特征与主观评分值之间的映射关系,建立图像模糊评价模型。考虑到SVR(support vector regression)被广泛应用到无参考图像质量评价之中,本发明也采用SVR进行图像质量模型的搭建。即将提取的特征作为网络输入,主观评分值作为网络输出,通过大量样本的训练得到图像模糊评价模型。本发明中,SVR网络采用的核函数为径向基函数。
对于指定的测试图像,首先根据步骤1-3提取特征,然后将提取的特征输入到网络模型之中,便可以得到预测的图像质量分数。图像模糊算法的可靠性可以根据预测得到的分数与主观分数的一致性进行验证,一致性越高,表明效果越好。本发明采用国际上常用的衡量客观图像质量评价算法的指标评估本发明方法的性能:皮尔森线性相关系数PLCC(Pearson linear correlation coefficient,)、斯皮尔曼排序相关系数 SRCC(Spearmanrank-order correlation coefficient,)(0表示最差,1表示最好)。为了减少非线性因素对算法性能的影响,本发明在计算PLCC时采用5参数的Logistic函数对主、客观评价分数进行非线性回归。5 参数的Logistic函数公式如下:
Q(x)=μ1logistic(μ2,(x-μ3))+μ4x+μ5, (6)
式中Q表示根据Logistic函数映射后的值,x表示客观算法计算得到的分数,λ,μ1,μ2,...,μ5表示Logistic 函数的参数,这些参数根据数据集自动计算得到。
5、实验结果
本发明在国际图像质量评价库LIVE II上面进行实验验证,LIVE II数据库共包含JPEG,JPEG2000, Gaussian Blur,white nosie,及fastfading五种失真类型。为验证本发明所提到算法的性能,本发明中仅仅选择Gaussian Blur这种失真作为验证平台(共174张图)。在实际操作过程中,随机取Gaussian Blur库中 80%的图像作为训练集获取图像质量评价模型,其余20%的图像作为测试集进行性能的验证。为保证实验的客观性,在GaussianBlur库上随机选取训练集和测试集1000次,取最后1000次结果的中值作为最后的结果用于性能评估。实验结果表明,本算法在LIVE II上进行测试可以获得PLCC和SRCC的值分别为0.9769 和0.9704.此外,本算法时间复杂度低,对于一幅512×384的图像,在基于Windows7,2.6GHz处理器的64位笔记本的MATLAB 2013b平台上只需要0.19s。
本发明具有以下优点:
(1)本发明方法与主观评分具有较强的一致性强。
(2)本发明方法计算时间少。
(3)本发明方法不同于传统的基于变换域域的图像模糊评价算法,直接在空域上进行操作,性能优于目前主流算法。
Claims (1)
1.一种无参考图像模糊质量评价算法,步骤如下:
(1)图像预处理
对于彩色图像Ic,首先将其转化成灰度图I;
(2)图像特征提取
利用旋转不变均匀LBP算子对灰度图中每一个像素点进行编码,得到旋转不变均匀LBP图,LBP算子主要受两个指标影响:半径R和采样点P,将P设置为8,R分别设置为1和2,即分别计算在R=1,P=8和R=2,P=8两种条件下的LBP编码图,并统计相应的直方图;
(3)图像特征选取
将直方图中的元素称之为bin,选取直方图中bin的值作为反应图像模糊程度的特征,当R=1,P=8时,提取第1,2,3,7个bin的值;当R=1,P=8时,提取第1,2,3,5,,6,10个bin的值作为反应图像模糊程度的特征;
(4)图像模糊质量评价
将提取的特征作为输入,图像主观评分值作为输出,通过支持向量回归建立和训练图像模糊评价模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810333338.7A CN108764277A (zh) | 2018-04-13 | 2018-04-13 | 一种无参考图像模糊质量评价算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810333338.7A CN108764277A (zh) | 2018-04-13 | 2018-04-13 | 一种无参考图像模糊质量评价算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764277A true CN108764277A (zh) | 2018-11-06 |
Family
ID=64010618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810333338.7A Pending CN108764277A (zh) | 2018-04-13 | 2018-04-13 | 一种无参考图像模糊质量评价算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764277A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415223A (zh) * | 2019-07-17 | 2019-11-05 | 西安邮电大学 | 一种无参考的拼接图像质量评价方法及系统 |
CN111179238A (zh) * | 2019-12-24 | 2020-05-19 | 东华大学 | 面向子集指导一致性增强评价的子集置信比例动态选取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105208374A (zh) * | 2015-08-24 | 2015-12-30 | 宁波大学 | 一种基于深度学习的无参考图像质量客观评价方法 |
CN107392952A (zh) * | 2017-07-19 | 2017-11-24 | 天津大学 | 一种无参考混合失真图像质量评价方法 |
-
2018
- 2018-04-13 CN CN201810333338.7A patent/CN108764277A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105208374A (zh) * | 2015-08-24 | 2015-12-30 | 宁波大学 | 一种基于深度学习的无参考图像质量客观评价方法 |
CN107392952A (zh) * | 2017-07-19 | 2017-11-24 | 天津大学 | 一种无参考混合失真图像质量评价方法 |
Non-Patent Citations (9)
Title |
---|
JINJIAN WU等: "Image Quality Assessment with Degradation on Spatial Structure", 《IEEE SIGNAL PROCESSING》 * |
JINJIAN WU等: "Reduced-Reference Image Quality Assessment with Local Binary Structural Pattern", 《2014 IEEE INTERNATIONAL SYMPOSIUM ON CIRCUITS AND SYSTEMS》 * |
MIN ZHANG等: "NO REFERENCE IMAGE QUALITY ASSESSMENT BASED ON LOCAL BINARY PATTERN STATISTICS", 《2013 VISUAL COMMUNICATIONS AND IMAGE PROCESSING(VCIP)》 * |
QIAOHONG LI等: "Blind Image Quality Assessment Using Statistical Structural and Luminance Features", 《IEEE TRANSACTIONS ON MULTIMEDIA》 * |
QIAOHONG LI等: "BSD: Blind Image Quality Assessment Based on Structural Degradation", 《NEUROCOMPUTING》 * |
QINGBO WU等: "A HIGHLY EFFICIENT METHOD FOR BLIND IMAGE QUALITY ASSESSMENT", 《IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
侯春萍等: "沃尔什哈达玛变换域的无参考图像质量评价", 《湖南大学学报(自然科学版)》 * |
刘丽等: "局部二进制模式方法综述", 《中国图象图形学报》 * |
徐静涛: "基于特征学习的图像与视频质量评价研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415223A (zh) * | 2019-07-17 | 2019-11-05 | 西安邮电大学 | 一种无参考的拼接图像质量评价方法及系统 |
CN110415223B (zh) * | 2019-07-17 | 2021-10-26 | 西安邮电大学 | 一种无参考的拼接图像质量评价方法及系统 |
CN111179238A (zh) * | 2019-12-24 | 2020-05-19 | 东华大学 | 面向子集指导一致性增强评价的子集置信比例动态选取方法 |
CN111179238B (zh) * | 2019-12-24 | 2022-12-20 | 东华大学 | 面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Blind image quality assessment using statistical structural and luminance features | |
Ye et al. | No-reference image quality assessment using visual codebooks | |
Wang et al. | Reduced-reference image quality assessment using a wavelet-domain natural image statistic model | |
Fan et al. | No reference image quality assessment based on multi-expert convolutional neural networks | |
Deng et al. | Blind noisy image quality assessment using sub-band kurtosis | |
Wang et al. | A new blind image quality framework based on natural color statistic | |
CN109740592B (zh) | 基于记忆的图像质量无参评估方法 | |
CN112116568A (zh) | 一种图像质量评价方法、装置及存储介质 | |
CN108764277A (zh) | 一种无参考图像模糊质量评价算法 | |
CN110223273B (zh) | 一种结合离散余弦变换与神经网络的图像修复取证方法 | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
Tu et al. | Efficient user-generated video quality prediction | |
Deng et al. | BGT: A blind image quality evaluator via gradient and texture statistical features | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
Fu et al. | Screen content image quality assessment using Euclidean distance | |
CN111968073B (zh) | 一种基于纹理信息统计的无参考图像质量评价方法 | |
CN117201693A (zh) | 一种物联网图像压缩方法、装置、终端设备及介质 | |
CN109685757B (zh) | 一种基于灰度差分统计的无参考图像质量评价方法及系统 | |
Chen et al. | A no‐reference blurred colourful image quality assessment method based on dual maximum local information | |
CN111754459B (zh) | 基于统计深度特征的染色伪造图像检测方法及电子装置 | |
Ding et al. | Image quality assessment method based on nonlinear feature extraction in kernel space | |
Chang et al. | Image Quality Evaluation Based on Gradient, Visual Saliency, and Color Information | |
Peng et al. | Multi-Purpose Forensics of Image Manipulations Using Residual-Based Feature. | |
Duan et al. | A natural image compression approach based on independent component analysis and visual saliency detection | |
Zhang et al. | No-reference image quality assessment based on multi-order gradients statistics |
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: 20181106 |