CN108898600B - 图像质量评价方法及装置 - Google Patents

图像质量评价方法及装置 Download PDF

Info

Publication number
CN108898600B
CN108898600B CN201810759247.XA CN201810759247A CN108898600B CN 108898600 B CN108898600 B CN 108898600B CN 201810759247 A CN201810759247 A CN 201810759247A CN 108898600 B CN108898600 B CN 108898600B
Authority
CN
China
Prior art keywords
image
reference image
distorted
similarity
distorted image
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
CN201810759247.XA
Other languages
English (en)
Other versions
CN108898600A (zh
Inventor
刘金华
任桂平
吴莲发
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.)
Benxi Steel Group Information Automation Co ltd
Dragon Totem Technology Hefei Co ltd
Original Assignee
Shangrao Normal 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 Shangrao Normal University filed Critical Shangrao Normal University
Priority to CN201810759247.XA priority Critical patent/CN108898600B/zh
Publication of CN108898600A publication Critical patent/CN108898600A/zh
Application granted granted Critical
Publication of CN108898600B publication Critical patent/CN108898600B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种图像质量评价方法及装置，涉及图像处理技术领域。本申请实施例中，在基于非负矩阵分解的图像质量评价方法基础上，利用高斯混合模型刻画图像的统计分布特性，设计基于互信息的视觉内容权重，提高了图像质量评价方法的鲁棒性和稳定性。并综合非负矩阵分解技术和视觉内容权重，构建了图像质量评测函数模型，以改善图像质量评价方法的主客观一致性。

Description

图像质量评价方法及装置
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种图像质量评价方法及装置。
背景技术
随着成像、多媒体通信技术的快速发展，图像质量评价在诸如图像传输、压缩、图像恢复及数字水印等领域有着越来越重要的应用价值。由于图像通常经受一定程度的失真，如加性噪声、数据压缩、几何变形、运动模糊等造成的图像失真。那么对图像质量进行客观地评价，并对图像处理系统中的算法参数进行优化配置、失真因素分析或图像修复等，进而获取高质量的图像信号，为后续的图像理解奠定良好的基础。但现有的图像质量评价方法与人眼对图像的视觉感知特点并不一致，使得在评价图像质量过程中容易出现过拟合现象。
发明内容
有鉴于此，本发明提供了一种图像质量评价方法及装置。
本发明提供的技术方案如下：
第一方面，本发明提供了一种图像质量评价方法，该方法包括：
获得参考图像和失真图像；
使用高斯混合模型对所述参考图像和所述失真图像的小波系数进行建模；
对所述参考图像和所述失真图像分别进行非负矩阵分解，分别获得所述参考图像分解后的基矩阵和所述失真图像分解后的基矩阵；
计算所述参考图像的基矩阵和所述失真图像的基矩阵之间的相似度；
使用视觉内容权重和相似度向量信息，采用支持向量回归方法，将相似度向量信息和图像主观质量分数作为输入，建立从所述输入图像到图像客观质量分数的映射关系；
基于所述映射关系，构建图像质量分数评价函数，通过所述图像质量分数评价函数评价图像的质量。
第二方面，本发明提供了一种图像质量评价装置，包括：
图像输入模块，用于获得参考图像和失真图像；
建模模块，用于使用高斯混合模型对所述参考图像和所述失真图像的小波系数进行建模；
非负矩阵分解模块，用于对所述参考图像和所述失真图像分别进行非负矩阵分解，分别获得所述参考图像分解后的基矩阵和所述失真图像分解后的基矩阵；
相似度计算模块，用于计算所述参考图像的基矩阵和所述失真图像的基矩阵之间的相似度；
映射关系建立模块，用于使用视觉内容权重和相似度向量信息，采用支持向量回归方法，将相似度向量信息和图像主观质量分数作为输入，建立从所述输入图像到图像客观质量分数的映射关系；
函数构建模块，用于基于所述映射关系，构建图像质量分数评价函数，通过所述图像质量分数评价函数评价图像的质量。
在本申请实施例中，在基于非负矩阵分解的图像质量评价方法基础上，利用高斯混合模型刻画图像的统计分布特性，设计基于互信息的视觉内容权重，提高了图像质量评价方法的鲁棒性和稳定性。并综合非负矩阵分解技术和视觉内容权重，构建了图像质量评测函数模型，以改善图像质量评价方法的主客观一致性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为现有技术中图像质量评价方法的流程示意图。
图2为本发明实施例提供的一种图像质量评价方法的流程示意图。
图3为本发明实施例提供的一种图像质量评价方法中步骤S102的子步骤的流程示意图。
图4为本发明实施例提供的一种图像质量评价装置的功能模块示意图。
图标：100-图像质量评价装置；101-图像输入模块；102-建模模块；103-非负矩阵分解模块；104-相似度计算模块；105-映射关系建立模块；106-函数构建模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
近年来，基于机器学习的图像质量评价方法得到了广泛地研究和发展。基于机器学习的图像质量评价方法包括两类，一类是基于失真融合的图像质量评价方法，另一类是基于模型融合的图像质量评价方法。可以通过采用神经网络和支持向量回归技术来构造基于失真融合的图像质量评价方法，为了衡量图像质量的失真程度，综合应用了小波系数、DCT(Discrete Cosine Transform，离散余弦变换)系数或亮度的统计特性，最后基于支持向量回归技术来将失真融合的统计量映射到整个图像的质量评价分数中。现有技术中综合考虑了均值、方差、亮度以及对比度等特性，建立了相应的失真融合评价模型，并应用于图像质量的评价中。然而，基于均值、方差、亮度以及对比度等描述子的失真融合评价模型，与人眼对图像的视觉感知特点并不一致；另一方面，基于失真融合的图像质量评价方法在评价图像质量过程中容易出现过拟合现象，并且时间成本较高。
基于模型融合的图像质量评价方法一般是组合多个客观质量评价模型，现有技术提出了一种多度量模型融合的图像质量评价方法，其组合了结构相似度模型SSIM(structural similarity)、方差膨胀因子VIF(visual information fidelity)、峰值信噪比PSNR(Peak Signal-noise-ratio)以及特征相似度模型FSIM(feature similarity)。该方法需要收集大量的图像数据样本进行训练，计算复杂度高，在跨越不同的数据库上该方法的鲁棒性较低。
如图1所示，现有技术中基于非负矩阵分解的图像质量评价方法，其技术方案可归纳为：
1)输入参考图像和失真图像。
2)分别对参考图像和失真图像进行非负矩阵分解，并分别提取参考图像和失真图像分解后的基向量。
3)计算参考图像和失真图像基向量之间的相似度向量。
4)将图像的主观质量分数，以及参考图像和失真图像基向量之间的相似度向量作为机器学习系统(如支持向量机、支持向量回归等)的输入，建立输入到图像客观质量分数之间的映射关系。
5)根据映射关系，建立图像质量评价函数，以对图像质量进行客观评价。
由于非负矩阵分解能够较好地描述图像的高层次抽象特征，因此能够用于设计有效的图像客观质量评价模型，并且现有基于非负矩阵分解的图像质量评价方法利用了极限学习机将图像的多个特征基向量映射到最终的图像质量分数。虽然该方法取得了与主观评价较为一致的客观评价效果，但是该方法的稳定性和鲁棒性都较差。
有鉴于此，本申请实施例提供了一种图像质量评价方法，如图2所示，该方法包括以下步骤S101至步骤S106。
步骤S101，获得参考图像和失真图像。
在本申请实施例中，所述参考图像为未受噪声污染的图像，所述失真图像为经噪声污染后的降质图像，所述参考图像和所述失真图像的分辨率可以均为m×n。
步骤S102，使用高斯混合模型对所述参考图像和所述失真图像的小波系数进行建模。
详细的，如图3所示，可以通过以下子步骤实现对参考图像和失真图像的小波系数的建模。
子步骤S121，计算所述参考图像与经感知后的参考图像之间的互信息，其中，所述参考图像记为R，所述经感知后的参考图像记为E，所述参考图像与经感知后的参考图像之间的互信息为I(R；E)。
子步骤S122，计算所述失真图像与经感知后的失真图像之间的互信息，其中，所述失真图像记为D，所述经感知后的失真图像记为F，所述失真图像与经感知后的失真图像之间的互信息为I(D；F)。
子步骤S123，计算所述经感知后的参考图像与所述经感知后的失真图像之间的互信息I(E；F)。
子步骤S124，计算基于所述参考图像与经感知后的参考图像之间的互信息、所述失真图像与经感知后的失真图像之间的互信息以及所述经感知后的参考图像与所述经感知后的失真图像之间的互信息的视觉内容权重，其中，计算所述视觉内容权重采用以下公式计算：
w＝I(R；E)+I(D；F)-I(E；F) (1)
其中，w表示视觉内容权重。
其中，所述参考图像与经感知后的参考图像之间的互信息、所述失真图像与经感知后的失真图像之间的互信息以及所述经感知后的参考图像与所述经感知后的失真图像之间的互信息采用以下公式：
Figure GDA0002860213640000071
其中，CR为所述参考图像的协方差，CD为所述失真图像的协方差，CE为所述经感知后的参考图像的协方差，CF为所述经感知后的失真图像的协方差，C(R,E)为所述参考图像与所述经感知后的参考图像之间的协方差，C(D,F)为所述失真图像与所述经感知后的失真图像之间的协方差，C(E,F)为所述经感知后的参考图像与经感知后的失真图像之间的协方差。
计算上述各个协方差CR、CD、CE、CF采用以下公式：
Figure GDA0002860213640000081
其中，s表示乘法因子，g表示增益因子，
Figure GDA0002860213640000082
表示感知视觉噪声方差，
Figure GDA0002860213640000083
表示高斯噪声方差，I表示恒等矩阵。CU为零均值高斯向量U的协方差矩阵，该协方差矩阵CU表示为
Figure GDA0002860213640000084
计算所述C(R,E)、C(D,F)、C(E,F)采用以下公式计算：
Figure GDA0002860213640000085
Figure GDA0002860213640000086
Figure GDA0002860213640000087
基于所述公式(1)(2)(3)，计算所述视觉内容权重采用以下公式计算：
Figure GDA0002860213640000088
其中，
Figure GDA0002860213640000089
表示失真噪声方差，
Figure GDA00028602136400000810
表示随机失真方差，g表示增益因子，s表示乘法因子，λk表示第k个特征值，k＝1,2,...,K，K个特征值由协方差矩阵CU经特征值分解所得。协方差矩阵的计算是对参考图像和失真图像采用高斯混合模型建模的结果。
步骤S103，对所述参考图像和所述失真图像分别进行非负矩阵分解，分别获得所述参考图像分解后的基矩阵和所述失真图像分解后的基矩阵。
详细的，采用以下公式对所述参考图像和所述失真图像分别进行非负矩阵分解：
Figure GDA0002860213640000091
其中，WR为所述参考图像分解后的基矩阵，WD为所述失真图像分解后的基矩阵，所述参考图像分解后的基矩阵和所述失真图像分解后的基矩阵的分辨率均为m×k，HR为所述参考图像的权重矩阵，HD为所述失真图像的权重矩阵，所述参考图像的权重矩阵和所述失真图像的权重矩阵的分辨率均为k×n；(·)T表示矩阵或向量的转置。
对WR和WD分别记为列向量的形式，得到以下公式：
Figure GDA0002860213640000092
Figure GDA0002860213640000093
步骤S104，计算所述参考图像的基矩阵和所述失真图像的基矩阵之间的相似度。
详细的，采用以下公式计算：
S(R,D)＝{s(R,D)j|j＝1,2,...k}
其中，s(R,D)为所述参考图像的基矩阵和所述失真图像的基矩阵之间的相似度；S(R,D)j为所述参考图像的基矩阵第j个向量和失真图像的基矩阵第j个向量之间的相似度，采用以下公式进行计算：
Figure GDA0002860213640000101
Figure GDA0002860213640000102
分别表示参考图像基矩阵WR和失真图像基矩阵WD的第j个元素，||·||表示向量的2范数。
步骤S105，使用视觉内容权重和相似度向量信息，采用支持向量回归方法，将相似度向量信息和图像主观质量分数作为输入，建立从所述输入图像到图像客观质量分数的映射关系。
步骤S106，基于所述映射关系，构建图像质量分数评价函数，通过所述图像质量分数评价函数评价图像的质量。
详细的，计算所述参考图像和失真图像之间的相似度值，采用以下公式计算：
Figure GDA0002860213640000103
其中，wi表示第i个图像子带的视觉内容权重，γ表示指数因子，M表示图像小波分解的尺度数，S(R,D)j为所述参考图像的基矩阵第j个向量和失真图像的基矩阵第j个向量之间的相似度。
基于所述参考图像和失真图像之间的相似度值的计算公式，即根据上述公式(7)分别计算所述参考图像的低频子带和失真图像的低频子带的相似度。
基于所述参考图像和失真图像之间的相似度值的计算公式，分别计算所述参考图像的高频子带和失真图像的高频子带的相似度；
根据所述参考图像的低频子带和失真图像的低频子带的相似度，以及所述参考图像的高频子带和失真图像的高频子带的相似度，采用以下公式计算所述输入图像的图像质量的评测值：
Figure GDA0002860213640000111
其中，Q0是常数，Q0用来调节图像失真测度的范围，本发明实施例中Q0取值为0.1，ε为加权因子，本发明实施例中ε取值可以为0.3，QAL为所述参考图像的低频子带和失真图像的低频子带的相似度，QAH为所述参考图像的高频子带和失真图像的高频子带的相似度。
基于针对所述输入图像的主观评测，构建所述主观评测的非线性函数，该非线性函数定义为：
Figure GDA0002860213640000112
其中，μ1,μ2,μ3,μ4,μ5表示非线性拟合参数。
在本申请实施例中，先对参考图像和失真图像分别进行小波分解，再对分解后的参考图像和失真图像分别进行建模，并进一步得到视觉内容权重。另一方面，对参考图像和失真图像分别进行非负矩阵分解，并对非负分解得到的参考图像的基矩阵和失真图像的基矩阵进行相似度计算。综合视觉内容权重和计算得到的相似度进行图像质量评测。
综上所述，本申请实施例中，在基于非负矩阵分解的图像质量评价方法基础上，利用高斯混合模型刻画图像的统计分布特性，设计基于互信息的视觉内容权重，提高了图像质量评价方法的鲁棒性和稳定性。并综合非负矩阵分解技术和视觉内容权重，构建了图像质量评测函数模型，以改善图像质量评价方法的主客观一致性。
本发明实施例还提供了一种图像质量评价装置100，如图4所示，包括：
图像输入模块101，用于获得参考图像和失真图像；
建模模块102，用于使用高斯混合模型对所述参考图像和所述失真图像的小波系数进行建模；
非负矩阵分解模块103，用于对所述参考图像和所述失真图像分别进行非负矩阵分解，分别获得所述参考图像分解后的基矩阵和所述失真图像分解后的基矩阵；
相似度计算模块104，用于计算所述参考图像的基矩阵和所述失真图像的基矩阵之间的相似度；
映射关系建立模块105，用于使用视觉内容权重和相似度向量信息，采用支持向量回归方法，将相似度向量信息和图像主观质量分数作为输入，建立从所述输入图像到图像客观质量分数的映射关系；
函数构建模块106，用于基于所述映射关系，构建图像质量分数评价函数，通过所述图像质量分数评价函数评价图像的质量。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种图像质量评价方法，其特征在于，该方法包括：
获得参考图像和失真图像；
使用高斯混合模型对所述参考图像和所述失真图像的小波系数进行建模；
对所述参考图像和所述失真图像分别进行非负矩阵分解，分别获得所述参考图像分解后的基矩阵和所述失真图像分解后的基矩阵；
计算所述参考图像的基矩阵和所述失真图像的基矩阵之间的相似度；
使用视觉内容权重和相似度向量信息，采用支持向量回归方法，将所述相似度向量信息和图像主观质量分数作为输入，建立从输入图像到图像客观质量分数的映射关系；
基于所述映射关系，构建图像质量分数评价函数，通过所述图像质量分数评价函数评价图像的质量；
使用视觉内容权重和相似度向量信息，采用支持向量回归方法，将相似度向量信息和图像主观质量分数作为输入，建立从输入图像到图像客观质量分数的映射关系的步骤包括：
计算所述参考图像和失真图像之间的相似度值，采用以下公式计算：
Figure FDA0002860213630000011
其中，wi表示第i个图像子带的视觉内容权重，γ表示指数因子，M表示图像小波分解的尺度数，S(R,D)j为所述参考图像的基矩阵第j个向量和失真图像的基矩阵第j个向量之间的相似度；
基于所述参考图像和失真图像之间的相似度值的计算公式，分别计算所述参考图像的低频子带和失真图像的低频子带的相似度；
基于所述参考图像和失真图像之间的相似度值的计算公式，分别计算所述参考图像的高频子带和失真图像的高频子带的相似度；
根据所述参考图像的低频子带和失真图像的低频子带的相似度，以及所述参考图像的高频子带和失真图像的高频子带的相似度，采用以下公式计算所述输入图像的评测值：
Figure FDA0002860213630000021
其中Q0是常数，ε为加权因子，QAL为所述参考图像的低频子带和失真图像的低频子带的相似度，QAH为所述参考图像的高频子带和失真图像的高频子带的相似度。
2.根据权利要求1所述的图像质量评价方法，其特征在于，所述参考图像为未受噪声污染的图像，所述失真图像为经噪声污染后的降质图像，所述参考图像和所述失真图像的分辨率均为m×n。
3.根据权利要求1所述的图像质量评价方法，其特征在于，使用高斯混合模型对所述参考图像和所述失真图像的小波系数进行建模的步骤包括：
计算所述参考图像与经感知后的参考图像之间的互信息，其中，所述参考图像记为R，所述经感知后的参考图像记为E，所述参考图像与经感知后的参考图像之间的互信息为I(R；E)；
计算所述失真图像与经感知后的失真图像之间的互信息，其中，所述失真图像记为D，所述经感知后的失真图像记为F，所述失真图像与经感知后的失真图像之间的互信息为I(D；F)；
计算所述经感知后的参考图像与所述经感知后的失真图像之间的互信息I(E；F)；
计算基于所述参考图像与经感知后的参考图像之间的互信息、所述失真图像与经感知后的失真图像之间的互信息以及所述经感知后的参考图像与所述经感知后的失真图像之间的互信息的视觉内容权重，其中，计算所述视觉内容权重采用以下公式计算：
w＝I(R；E)+I(D；F)-I(E；F) (1)
其中，w表示视觉内容权重。
4.根据权利要求3所述的图像质量评价方法，其特征在于，所述参考图像与经感知后的参考图像之间的互信息、所述失真图像与经感知后的失真图像之间的互信息以及所述经感知后的参考图像与所述经感知后的失真图像之间的互信息采用以下公式：
Figure FDA0002860213630000031
其中，CR为所述参考图像的协方差，CD为所述失真图像的协方差，CE为所述经感知后的参考图像的协方差，CF为所述经感知后的失真图像的协方差，C(R,E)为所述参考图像与所述经感知后的参考图像之间的协方差，C(D,F)为所述失真图像与所述经感知后的失真图像之间的协方差，C(E,F)为所述经感知后的参考图像与经感知后的失真图像之间的协方差。
5.根据权利要求4所述的图像质量评价方法，其特征在于，计算所述CR、CD、CE、CF采用以下公式：
Figure FDA0002860213630000041
其中，s表示乘法因子，g表示增益因子，
Figure FDA0002860213630000042
表示感知视觉噪声方差，
Figure FDA0002860213630000043
表示高斯噪声方差，I表示恒等矩阵，CU为零均值高斯向量U的协方差矩阵，该协方差矩阵CU表示为
Figure FDA0002860213630000044
计算所述C(R,E)、C(D,F)、C(E,F)采用以下公式计算：
Figure FDA0002860213630000045
Figure FDA0002860213630000046
Figure FDA0002860213630000047
基于所述公式(1)(2)(3)，计算所述视觉内容权重采用以下公式计算：
Figure FDA0002860213630000048
其中，
Figure FDA0002860213630000049
表示失真噪声方差，
Figure FDA00028602136300000410
表示随机失真方差，g表示增益因子，s表示乘法因子，λk表示第k个特征值，k＝1,2,...,K，K个特征值由协方差矩阵CU经特征值分解所得。
6.根据权利要求1所述的图像质量评价方法，其特征在于，对所述参考图像和所述失真图像分别进行非负矩阵分解的步骤包括：
采用以下公式对所述参考图像和所述失真图像分别进行非负矩阵分解：
Figure FDA0002860213630000051
其中，WR为所述参考图像分解后的基矩阵，WD为所述失真图像分解后的基矩阵，所述参考图像分解后的基矩阵和所述失真图像分解后的基矩阵的分辨率均为m×k，HR为所述参考图像的权重矩阵，HD为所述失真图像的权重矩阵，所述参考图像的权重矩阵和所述失真图像的权重矩阵的分辨率均为k×n；
对WR和WD分别记为列向量的形式，得到以下公式：
Figure FDA0002860213630000052
Figure FDA0002860213630000053
7.根据权利要求1所述的图像质量评价方法，其特征在于，计算所述参考图像的基矩阵和所述失真图像的基矩阵之间的相似度的步骤包括：
采用以下公式计算：
S(R,D)＝{s(R,D)j|j＝1,2,...k}
其中，s(R,D)为所述参考图像的基矩阵和所述失真图像的基矩阵之间的相似度；S(R,D)j为所述参考图像的基矩阵第j个向量和失真图像的基矩阵第j个向量之间的相似度采用以下公式计算：
Figure FDA0002860213630000061
其中，
Figure FDA0002860213630000062
分别表示参考图像基矩阵WR和失真图像基矩阵WD的第j个元素，||·||表示向量的2范数。
8.根据权利要求1所述的图像质量评价方法，其特征在于，基于所述映射关系，构建图像质量分数评价函数，以通过所述图像质量分数评价函数评价图像的质量的步骤包括：
基于针对所述输入图像的主观评测，构建所述主观评测的非线性函数，该非线性函数定义为：
Figure FDA0002860213630000063
其中μ1,μ2,μ3,μ4,μ5表示非线性拟合参数。
9.一种图像质量评价装置，其特征在于，包括：
图像输入模块，用于获得参考图像和失真图像；
建模模块，用于使用高斯混合模型对所述参考图像和所述失真图像的小波系数进行建模；
非负矩阵分解模块，用于对所述参考图像和所述失真图像分别进行非负矩阵分解，分别获得所述参考图像分解后的基矩阵和所述失真图像分解后的基矩阵；
相似度计算模块，用于计算所述参考图像的基矩阵和所述失真图像的基矩阵之间的相似度；
映射关系建立模块，用于使用视觉内容权重和相似度向量信息，采用支持向量回归方法，将相似度向量信息和图像主观质量分数作为输入，建立从输入图像到图像客观质量分数的映射关系；
函数构建模块，用于基于所述映射关系，构建图像质量分数评价函数，通过所述图像质量分数评价函数评价图像的质量；
所述映射关系建立模块具体用于计算所述参考图像和失真图像之间的相似度值，采用以下公式计算：
Figure FDA0002860213630000071
其中，wi表示第i个图像子带的视觉内容权重，γ表示指数因子，M表示图像小波分解的尺度数，S(R,D)j为所述参考图像的基矩阵第j个向量和失真图像的基矩阵第j个向量之间的相似度；
基于所述参考图像和失真图像之间的相似度值的计算公式，分别计算所述参考图像的低频子带和失真图像的低频子带的相似度；
基于所述参考图像和失真图像之间的相似度值的计算公式，分别计算所述参考图像的高频子带和失真图像的高频子带的相似度；
根据所述参考图像的低频子带和失真图像的低频子带的相似度，以及所述参考图像的高频子带和失真图像的高频子带的相似度，采用以下公式计算所述输入图像的评测值：
Figure FDA0002860213630000072
其中Q0是常数，ε为加权因子，QAL为所述参考图像的低频子带和失真图像的低频子带的相似度，QAH为所述参考图像的高频子带和失真图像的高频子带的相似度。
CN201810759247.XA 2018-07-11 2018-07-11 图像质量评价方法及装置 Active CN108898600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810759247.XA CN108898600B (zh) 2018-07-11 2018-07-11 图像质量评价方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810759247.XA CN108898600B (zh) 2018-07-11 2018-07-11 图像质量评价方法及装置

Publications (2)

Publication Number Publication Date
CN108898600A CN108898600A (zh) 2018-11-27
CN108898600B true CN108898600B (zh) 2021-03-23

Family

ID=64349641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810759247.XA Active CN108898600B (zh) 2018-07-11 2018-07-11 图像质量评价方法及装置

Country Status (1)

Country Link
CN (1) CN108898600B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109525838A (zh) * 2018-11-28 2019-03-26 上饶师范学院 基于双目竞争的立体图像质量评价方法
CN113938671B (zh) * 2020-07-14 2023-05-23 北京灵汐科技有限公司 图像内容分析方法、装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101562675A (zh) * 2008-11-25 2009-10-21 西安电子科技大学 基于Contourlet变换的无参考型图像质量评测方法
CN103258326A (zh) * 2013-04-19 2013-08-21 复旦大学 一种图像质量盲评估的信息保真度方法
CN104918039A (zh) * 2015-05-05 2015-09-16 四川九洲电器集团有限责任公司 图像质量评测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101562675A (zh) * 2008-11-25 2009-10-21 西安电子科技大学 基于Contourlet变换的无参考型图像质量评测方法
CN103258326A (zh) * 2013-04-19 2013-08-21 复旦大学 一种图像质量盲评估的信息保真度方法
CN104918039A (zh) * 2015-05-05 2015-09-16 四川九洲电器集团有限责任公司 图像质量评测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Contourlet Transform Based Multiscale Image Quality Assessment Metric";金伟正等;《武汉大学学报(理学版)》;20150430;第61卷(第2期);第192-196页 *
"一种基于互信息的图像质量评价改进方法";廖远来;《计算机与数字工程》;20151031(第10期);第1872页第2节 *

Also Published As

Publication number Publication date
CN108898600A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
Wang et al. Structural similarity based image quality assessment
Wang et al. Reduced-reference image quality assessment using a wavelet-domain natural image statistic model
Gu et al. No-reference quality assessment of screen content pictures
CN105825500B (zh) 一种对相机图像质量的评价方法与装置
Wang et al. NMF-based image quality assessment using extreme learning machine
Shao et al. Full-reference quality assessment of stereoscopic images by learning binocular receptive field properties
CN108537788B (zh) 迷彩伪装效果评测方法及装置、计算机设备及存储介质
Yuan et al. Image quality assessment: A sparse learning way
CN101562675B (zh) 基于Contourlet变换的无参考型图像质量评测方法
Hong et al. Image quality assessment based on matching pursuit
CN102663747B (zh) 一种基于视觉感知的立体图像客观质量评价方法
Ma et al. Reduced-reference stereoscopic image quality assessment using natural scene statistics and structural degradation
CN109816646B (zh) 一种基于退化决策逻辑的无参考图像质量评价方法
CN102547368A (zh) 一种立体图像质量客观评价方法
CN108898600B (zh) 图像质量评价方法及装置
CN104918039B (zh) 图像质量评测方法及系统
Li et al. A natural image quality evaluation metric
CN107220974A (zh) 一种全参考图像质量评价方法和装置
CN105491371A (zh) 基于梯度幅值相似性的色调映射图像质量评价方法
Lu et al. A video quality assessment metric based on human visual system
Li et al. General-purpose reduced-reference image quality assessment based on perceptually and statistically motivated image representation
CN116758019A (zh) 基于动静态区域划分的多曝光融合光场图像质量评价方法
CN107590796B (zh) 基于稀疏分解残差的全参考混合失真图像质量评价方法
Ninassi et al. Which semi-local visual masking model forwavelet based image quality metric?
Kalatehjari et al. A new reduced-reference image quality assessment based on the SVD signal projection

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
TR01 Transfer of patent right

Effective date of registration: 20231110

Address after: 117000 No. 130, Guangyu Road, Pingshan District, Benxi City, Liaoning Province

Patentee after: BENXI STEEL (GROUP) INFORMATION AUTOMATION CO.,LTD.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231110

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: No. 401, Zhimin Avenue, Xinzhou District, Shangrao City, Jiangxi Province

Patentee before: SHANGRAO NORMAL University

TR01 Transfer of patent right