CN109741313A - 独立成分分析和卷积神经网络的无参考图像质量评价方法 - Google Patents
独立成分分析和卷积神经网络的无参考图像质量评价方法 Download PDFInfo
- Publication number
- CN109741313A CN109741313A CN201811631594.0A CN201811631594A CN109741313A CN 109741313 A CN109741313 A CN 109741313A CN 201811631594 A CN201811631594 A CN 201811631594A CN 109741313 A CN109741313 A CN 109741313A
- Authority
- CN
- China
- Prior art keywords
- image
- block
- equal
- independent component
- gradient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000012880 independent component analysis Methods 0.000 title claims abstract description 16
- 238000013441 quality evaluation Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 210000002370 ICC Anatomy 0.000 claims 1
- 238000010988 intraclass correlation coefficient Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种独立成分分析和卷积神经网络的无参考图像质量评价方法,属于图像质量评价领域及通信与信息处理技术领域。该方法包括如下步骤:(1)提取表征图像质量的块作为图像质量块;(2)提取所选图像质量块的独立分量特征;(3)设计CNN训练独立分量系数来预测DMOS值;(4)用预测的DMOS值及图像质量块梯度的归一值来计算客观质量评价分数。本发明实现了更准确与人类主观感受一致性更高的无参考客观图像质量评价。
Description
技术领域
本发明涉及一种独立成分分析和卷积神经网络的无参考图像质量评价方法,属于图像质量评价领域及通信与信息处理技术领域。
背景技术
随着数字媒体,数字图像处理以及通信技术的发展,数字图像已成为信息表示,获取和通信领域的重要媒介。在许多情况下数字图像要经过压缩,存储和传输等过程,而在这些过程中数字图像质量的下降是不可避免的。
保真图像质量已成为图像处理领域的关键问题,由于主观图像质量评价方法耗时,受主观因素影响大、无法实现系统嵌入的困难,使得客观图像质量评价方法得到了长足的发展。研究人员对无参考图像质量评价方法(NRIQM)进行了广泛的研究,图像质量特征的提取是NRIQMs的重要组成部分,但大多数质量评价方法均有一定的局限性,如Xu等人提出的方法(JingtaoXu,Peng Ye,Qiaohong Li,Haiqing Du,Yong Liu and Doermann David,“基于高阶统计量聚合的盲图像质量评价,”IEEE Transactions on ImageProcessing,vol.25,no.9,pp.4444-4457,2016.),该方法在规则网格中采样整幅图像的质量块不能强调人的感性特征,限制了其评价结果与主观感受的一致性的提高。因此,图像质量块的选取要与人类视觉系统提取的结构信息一致,才能保证客观质量评价结果与人类主观感受结果一致。
发明内容
为了实现与人类视觉系统主观感受一致性更强的客观无参考图像质量评价方法,本发明提出了一种独立成分分析和卷积神经网络的无参考图像质量评价方法,采用独立分量分析和卷积神经网络对二维图像进行无参考的质量评价,着重考虑视觉显著区域的图像质量,提取符合人类视觉系统的观察特点的特征作为图像质量特征。
本发明为解决其技术问题采用如下技术方案:
一种独立成分分析和卷积神经网络的无参考图像质量评价方法,包括如下步骤:
(1)提取表征图像质量的块作为图像质量块;
(2)提取所选图像质量块的独立分量特征;
(3)设计CNN训练独立分量系数来预测DMOS值;
(4)用预测的DMOS值及图像质量块梯度的归一值来计算客观质量评价分数。
步骤(1)中所述图像质量块的选择包括如下步骤:
设一幅灰度图像的大小为w×h,灰度表示为A=(ay,x),其中1≤y≤h,1≤x≤w,其中:ay,x为某点的像素,x为像素的横坐标,y为像素的纵坐标,w为灰度图的长,h为灰度图的宽,然后将整个图像分割成hp×wp的不重叠的图像块;并且,设h和w分别是hp和wp的整数倍,hp为子图像块的宽,wp为子图像块的长,相应的,令r=h/hp,c=w/wp,所以图像表示成下面的分块矩阵形式:
其中,Aj,i,1≤j≤r,1≤i≤c,是一个hp×wp的图像块;
一个像素ay,x的梯度表示为:
其中:ax,y为一个像素,
图像的梯度由像素梯度的无穷范数的最大值表示,即:
其中:g(A)为图像的梯度,为像素ay,x的梯度,
并且,
式中,g(Aj,i)表示图像块Aj,i中像素梯度的无穷范数的最大值,因此对
所有的i和j,1≤i≤c,1≤j≤r,均有g(Aj,i)≤g(A)
令
表示图像块Aj,i对整幅图像像素梯度无穷范数最大值的归一,由此推出:
由每个图像块的把图像块分成c类:
其中:为块分类器,为图像块Aj,i对整幅图像像素梯度无穷范数最大值的归一,L为对图像块进行分类的类别号,θ1,θ2,...θL-1,θL为以0.05为间隔的阈值,
每类中选取图像块作为图像质量块,构建每类图像质量块的集合:
式中,表示从图像A中提取出分配给ck类的图像质量块的集合,所有图像质量块的集合表示为:
其中:PA为所有图像质量块的集合。
步骤(2)中所述图像质量块的独立分量特征表示如下:将图像质量块表示为一个随机列向量x=[x1,x2,…,xM]T,其中:x1,x2,...xM为向量中的元素,其中M=hpwp,hp为子图像块的宽,wp为子图像块的长,由独立成分分析方法训练检测子W,求解u=Wx,u为独立成分系数,W为检测子。
步骤(3)的具体过程如下:
CNN的输入是图像质量块的ICCs(独立成分系数),网络由4层卷积和一个全连接层构成,采用最大梯度下降法训练,损失函数为均方根误差函数。
步骤(4)中所述客观质量评价分数按下式计算:
其中,
Q(A)为质量评价分数,Pk为从K类图像质量块中随机选取的图像质量块,α为是一个常数,调整质量分数在一个合理的范围内,Dp(Pk表示预测的Pk的DMOS值,为Pk的梯度归一化无穷范数最大值。
本发明的有益效果如下:
应用四个公共图像数据库进行图像质量评价指标的测试及对比研究,测试结果表明:PCC(皮尔森相关系数),SROCC(斯皮尔曼相关系数)的值均达到0.99以上,RMSE(均方根误差)的值较小,实现了更准确与人类主观感受一致性更高的无参考客观图像质量评价。
附图说明
图1为待评价图像图。
图2为提取的图像质量块图。
图3为独立成分检测子学习到的图像质量块图。
图4为CNN网络结构图。
具体实施方式
下面结合附图对本发明创造做进一步详细说明。
图像质量块的选择
将美国德州大学奥斯汀分校的LIVE实验室的图像质量评价数据库LIVE2作为参考。
在选择图像质量块之前,首先要确定图像块的大小hp×wp,分类的个数L+1,阈值θ1,θ2,…,θL-1和θL以及基底函数Nb的数量等一系列重要的超参数决定了整个图像质量评估算法的性能。
参数通过实验确定,在数据库LIVE2中选取一半的图像作为训练样本图像,分块基于每个图像块梯度归一化的最大无穷范数,对所有图像进行分类。
由且求出整幅图像的梯度,其中:g(A)为图像的梯度,为像素ay,x的梯度,x为像素的横坐标,y为像素的纵坐标,w为灰度图的长,h为灰度图的宽,Aj,i为是一个hp×wp的图像块,g(Aj,i)为图像块Aj,i中像素梯度的无穷范数的最大值,j为图像块所在的行,i为图像块所在的列,r=h/hp,c=w/wp,然后对整幅图像进行分块,图像块的大小hp×wp可以选取12×12,16×16,20×20,24×24,28×28,32×32,36×36这五种规格,求出每个图像块的
由每个图像块的可以把图像块分成c类:
其中:为块分类器,为图像块Aj,i对整幅图像像素梯度无穷范数最大值的归一,
θ的选取以0.05为间隔,即θ=0.05,0.1,0.15,0.2,0.25……由独立成分分析方法训练检测子W,W的选取与图像块的大小有关,W=16,20,24,28,32,36,40,求解u=Wx,其中u为独立分量系数,W为检测子,x为一个随机列向量。
用卷积神经网络(CNN)训练独立分量系数来预测DMOS值,用预测的DMOS(differentialmeanopinion score平均主观得分差)值及图像质量块梯度的归一值来计算客观质量评价分数。
最后经过多次实验,确定了参数的最优值:wp=32,hp=32,L=30,θk=0.69+0.01k,(1≤k≤30)Nb=36。
以图1中的图像作为输入,共选取30个图像质量块,部分选取到的图像质量块如图2所示。并将30组值保存。
图像质量块的独立分量分析表示
在数据库LIVE2中选取一半的图像作为训练样本图像,从样本图像中提取了23299个图像质量块。由Fast ICA(快速独立成分分析)方法求取检测子W,步骤如下:
(1)将图像质量块I(x,y)进行中心化和白化,得到数据X;
(2)设p是要寻找的独立成分个数,并令i=1;
(3)初始化Wi,令||Wi||=1;
令其中:E{}表示均值运算,X为随机变量,
其中g(x)=tanh(α1x),g′(x)=α1[1-tanh2(α1x)]g(x)为选取的一个非线性函数,通常取α1=1,tanh(α1x)为双曲正切函数,tanh2是tanh求导后得到的;
(4)正交化此时的Wi与W1,
W2,…Wi-1正交;
(5)归一化Wi=Wi/||Wi||;
(6)如果Wi不收敛,返回步骤(4),否则执行步骤(8);
(7)令i=i+1,如果i≤p,则返回步骤(3),否则工作完成。
最后根据公式:u=Wx,获得的检测子如图3所示。计算得到30组1×36的独立成分分量。
CNN应用于独立分量系数预测DMOS值
按图4设计的CNN结构,训练网络函数。CNN的输入(Input)是图像质量块的ICCs,输入样本的大小为1×36。
第一个卷积层:32个1×5的卷积核(Kernel),“有效填充”模式,步长为1,输出32个1×32的特征(Feature),然后批量标准化(Normalize),添加偏置值(Bias),激活函数(ReLU)激活特征。
第一个池层:卷积核函数的大小为1×2,“均值池化”模式,输出32个1×16的特征。
经过4个卷积层后,最后经过,全连接层:将数据重新整形(Reshape)为1×1×256的向量,乘以(Multiply)(1×1×256,512)的矩阵,输出(Output)1×512的向量;Dropout层:p=0.5,将数据重新整形为1×1×512的向量,乘以(1×1×512,1)的矩阵,最后添加偏置值,输出结果。
将30组独立成分分量的预测DMOS值保存。
NRIQM的计算
用如下公式计算质量评价分数:
其中,
Q(A)为质量评价分数,Pk为从K类图像质量块中随机选取的图像质量块,α为是一个常数,调整质量分数在一个合理的范围内,Dp(Pk表示预测的Pk的DMOS值,为Pk的梯度归一化无穷范数最大值。
Claims (5)
1.一种独立成分分析和卷积神经网络的无参考图像质量评价方法,其特征在于,包括如下步骤:
(1)提取表征图像质量的块作为图像质量块;
(2)提取所选图像质量块的独立分量特征;
(3)设计CNN训练独立分量系数来预测DMOS值;
(4)用预测的DMOS值及图像质量块梯度的归一值来计算客观质量评价分数。
2.根据权利要求1所述的独立成分分析和卷积神经网络的无参考图像质量评价方法,其特征在于,步骤(1)中所述图像质量块的选择包括如下步骤:
设一幅灰度图像的大小为w×h,灰度表示为A=(ay,x),其中1≤y≤h,1≤x≤w,其中:ay,x为某点的像素,x为像素的横坐标,y为像素的纵坐标,w为灰度图的长,h为灰度图的宽,然后将整个图像分割成hp×wp的不重叠的图像块;并且,设h和w分别是hp和wp的整数倍,hp为子图像块的宽,wp为子图像块的长,相应的,令r=h/hp,c=w/wp,所以图像表示成下面的分块矩阵形式:
其中,Aj,i,1≤j≤r,1≤i≤c,是一个hp×wp的图像块;
一个像素ay,x的梯度表示为:
其中:ax,y为一个像素,
图像的梯度由像素梯度的无穷范数的最大值表示,即:
其中:g(A)为图像的梯度,为像素ay,x的梯度,
并且,
式中,g(Aj,i)表示图像块Aj,i中像素梯度的无穷范数的最大值,因此对所有的i和j,1≤i≤c,1≤j≤r,均有g(Aj,i)≤g(A)
令
表示图像块Aj,i对整幅图像像素梯度无穷范数最大值的归一,由此推出:
由每个图像块的把图像块分成c类:
其中:为块分类器,为图像块Aj,i对整幅图像像素梯度无穷范数最大值的归一,L为对图像块进行分类的类别号,θ1,θ2,...θL-1,θL为以0.05为间隔的阈值,
每类中选取图像块作为图像质量块,构建每类图像质量块的集合:
式中,表示从图像A中提取出分配给ck类的图像质量块的集合,所有图像质量块的集合表示为:
其中:PA为所有图像质量块的集合。
3.根据权利要求1所述的独立成分分析和卷积神经网络的无参考图像质量评价方法,其特征在于,步骤(2)中所述图像质量块的独立分量特征表示如下:将图像质量块表示为一个随机列向量x=[x1,x2,…,xM]T,其中:x1,x2,...xM为向量中的元素,其中M=hpwp,hp为子图像块的宽,wp为子图像块的长,由独立成分分析方法训练检测子W,求解u=Wx,u为独立成分系数,W为检测子。
4.根据权利要求1所述的独立成分分析和卷积神经网络的无参考图像质量评价方法,其特征在于,步骤(3)的具体过程如下:
CNN的输入是图像质量块的ICCs,网络由4层卷积和一个全连接层构成,采用最大梯度下降法训练,损失函数为均方根误差函数。
5.根据权利要求1所述的独立成分分析和卷积神经网络的无参考图像质量评价方法,其特征在于,步骤(4)中所述客观质量评价分数按下式计算:
其中,
Q(A)为质量评价分数,Pk为从K类图像质量块中随机选取的图像质量块,α为是一个常数,调整质量分数在一个合理的范围内,Dp(Pk)表示预测的Pk的DMOS值,为Pk的梯度归一化无穷范数最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811631594.0A CN109741313B (zh) | 2018-12-29 | 2018-12-29 | 独立成分分析和卷积神经网络的无参考图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811631594.0A CN109741313B (zh) | 2018-12-29 | 2018-12-29 | 独立成分分析和卷积神经网络的无参考图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741313A true CN109741313A (zh) | 2019-05-10 |
CN109741313B CN109741313B (zh) | 2023-08-22 |
Family
ID=66362188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811631594.0A Active CN109741313B (zh) | 2018-12-29 | 2018-12-29 | 独立成分分析和卷积神经网络的无参考图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741313B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874840A (zh) * | 2019-12-27 | 2020-03-10 | 上海国民集团健康科技有限公司 | 一种望诊图像质量评价方法、装置、设备及存储介质 |
CN113963321A (zh) * | 2021-10-27 | 2022-01-21 | 阿波罗智联(北京)科技有限公司 | 图像处理方法、装置、电子设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140324A (zh) * | 2007-10-11 | 2008-03-12 | 上海交通大学 | 海域合成孔径雷达图像点目标提取的方法 |
CN103745466A (zh) * | 2014-01-06 | 2014-04-23 | 北京工业大学 | 一种基于独立成分分析的图像质量评价方法 |
US20140140607A1 (en) * | 2011-07-28 | 2014-05-22 | Medetect Ab | Method for providing images of a tissue section |
CN106096660A (zh) * | 2016-06-22 | 2016-11-09 | 东南大学 | 基于独立成分分析算法的卷积神经网络 |
US20170372175A1 (en) * | 2017-06-08 | 2017-12-28 | Ningbo University | Method for evaluating quality of tone-mapping image based on exposure analysis |
CN108289221A (zh) * | 2018-01-17 | 2018-07-17 | 华中科技大学 | 异常值检测的无参考图像质量评价模型及构建方法 |
-
2018
- 2018-12-29 CN CN201811631594.0A patent/CN109741313B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140324A (zh) * | 2007-10-11 | 2008-03-12 | 上海交通大学 | 海域合成孔径雷达图像点目标提取的方法 |
US20140140607A1 (en) * | 2011-07-28 | 2014-05-22 | Medetect Ab | Method for providing images of a tissue section |
CN103745466A (zh) * | 2014-01-06 | 2014-04-23 | 北京工业大学 | 一种基于独立成分分析的图像质量评价方法 |
CN106096660A (zh) * | 2016-06-22 | 2016-11-09 | 东南大学 | 基于独立成分分析算法的卷积神经网络 |
US20170372175A1 (en) * | 2017-06-08 | 2017-12-28 | Ningbo University | Method for evaluating quality of tone-mapping image based on exposure analysis |
CN108289221A (zh) * | 2018-01-17 | 2018-07-17 | 华中科技大学 | 异常值检测的无参考图像质量评价模型及构建方法 |
Non-Patent Citations (1)
Title |
---|
王珊珊: "基于稀疏表示的无参考立体图像质量评价方法", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874840A (zh) * | 2019-12-27 | 2020-03-10 | 上海国民集团健康科技有限公司 | 一种望诊图像质量评价方法、装置、设备及存储介质 |
CN113963321A (zh) * | 2021-10-27 | 2022-01-21 | 阿波罗智联(北京)科技有限公司 | 图像处理方法、装置、电子设备和介质 |
CN113963321B (zh) * | 2021-10-27 | 2023-08-04 | 阿波罗智联(北京)科技有限公司 | 图像处理方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109741313B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491849B (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
CN107316066B (zh) | 基于多通路卷积神经网络的图像分类方法及系统 | |
CN109671070B (zh) | 一种基于特征加权和特征相关性融合的目标检测方法 | |
CN105657402A (zh) | 一种深度图恢复方法 | |
CN113962893A (zh) | 基于多尺度局部自注意力生成对抗网络的人脸图像修复方法 | |
CN112489164B (zh) | 基于改进深度可分离卷积神经网络的图像着色方法 | |
CN108710893B (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
CN108765282B (zh) | 基于fpga的实时超分辨方法及系统 | |
CN108491864A (zh) | 基于自动确定卷积核大小卷积神经网络的高光谱图像分类 | |
CN109949200B (zh) | 基于滤波器子集选择和cnn的隐写分析框架构建方法 | |
CN112884668A (zh) | 基于多尺度的轻量级低光图像增强方法 | |
CN112767385B (zh) | 基于显著性策略与特征融合无参考图像质量评价方法 | |
CN109685772B (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
CN112183742A (zh) | 基于渐进式量化和Hessian信息的神经网络混合量化方法 | |
CN107146220A (zh) | 一种通用型无参考图像质量评价方法 | |
CN114612714A (zh) | 基于课程学习的无参考图像质量评价方法 | |
CN113177937A (zh) | 基于改进YOLOv4-tiny的布匹缺陷检测模型及方法 | |
CN114266757A (zh) | 一种基于多尺度融合注意力机制的糖尿病性视网膜病变分级方法 | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
CN109741313A (zh) | 独立成分分析和卷积神经网络的无参考图像质量评价方法 | |
CN110910347B (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
CN116309178A (zh) | 一种基于自适应注意力机制网络的可见光图像去噪方法 | |
CN117237279A (zh) | 一种非均匀失真全景图像盲质量评价方法及系统 | |
CN108765287B (zh) | 一种基于非局部均值的图像超分辨率方法 | |
CN114187261A (zh) | 一种基于多维注意力机制的无参考立体图像质量评价方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |