CN109978825A - 一种雾天图像质量评价方法 - Google Patents

Abstract

本发明公开了一种雾天图像质量评价方法，包括：将训练图像分成B×B大小的分块图像，对每一个分块图像进行混合特征提取，得到训练图像的混合特征X；通过初始聚类中心固定的K‑means算法对X进行聚类，得到码书；根据码书对训练图像进行编码，得到训练图像的特征向量；将特征向量与预设的训练图像的主观评分代入回归模型进行训练，得到SVR质量评价模型；根据SVR质量评价模型对测试图像进行质量评价，得到测试图像的质量得分。

Description

一种雾天图像质量评价方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种雾天图像质量评价方法。

背景技术

目前图像质量评价主要聚焦于无参考图像质量评价，并且取得了较大的进展，但是目前研究存在很多地方的不足，主要表现在以下三个方面：(1)针对的失真类型有限目前的无参考图像质量评价算法，都是基于现有的图像质量评价数据库，但是目前图像质量评价数据库只有几种类型失真。而雾是一种特殊的失真，现有的无参考算法对其的评价效果比较差；(2)现有方法不能评价非自然场景图像非自然场景图像主要是指通过计算机生成或者对图像进行处理之后图像不具有自然场景统计特性的图像。现有的无参考图像质量评价方法都是用于评价自然图像，并且这些方法很多都是利用自然图像的一些特性提出的，对于非自然图像如：二维码、偏振图像中的P图等评价效果比较差；(3)图像质量评价数据库的缺乏目前图像质量评价数据库只有几种失真类型，对一些特殊的图像如：雾天图像、二维码等缺少数据库，这样使得算法在训练以及测试时缺少准确的依据。

发明内容

基于背景技术存在的技术问题，本发明提出了一种雾天图像质量评价方法；

本发明提出的一种雾天图像质量评价方法，包括：

S1、将训练图像分成B×B大小的分块图像，对每一个分块图像进行混合特征提取，得到训练图像的混合特征X；

S2、通过初始聚类中心固定的K-means算法对X进行聚类，得到码书；

S3、根据码书对训练图像进行编码，得到训练图像的特征向量；

S4、将特征向量与预设的训练图像的主观评分代入回归模型进行训练，得到SVR质量评价模型；

S5、根据SVR质量评价模型对测试图像进行质量评价，得到测试图像的质量得分。

优选地，步骤S1，具体包括：

S11、将训练图像分成B×B大小的分块图像；

S12、通过广义高斯分布提取分块图像的形状特征和方差特征；

S13、通过非对称广义高斯分布提取分块图像的水平、垂直、主对角线和辅对角线四个方向上的均值特征、形状特征、左方差特征和右方差特征；

S14、综合形状特征、方差特征及水平、垂直、主对角线和辅对角线四个方向上的均值特征、形状特征、左方差特征、右方差特征，得到分块图像的混合特征F；

S15、综合B×B个分块图像的混合特征，得到训练图像的混合特征X＝[F₁,F₂,F₃...,F_n。]

优选地，步骤S12，具体包括：

通过广义高斯分布提取分块图像的形状特征和方差特征，其中，x为分块图像的像素，α为控制分布的形状，σ²为控制分布的方差，且a＞0，β是尺度参数，由σ和α决定，Γ是伽马函数。

优选地，步骤S13，具体包括：

通过非对称广义高斯分布 提取分块图像的水平、垂直、主对角线和辅对角线四个方向上的均值特征μ、形状特征γ、左方差特征和右方差特征其中，x为分块图像的像素，σ为控制分布的形状，σ²为控制分布的方差，β_l和β_r分别为左边和右边的尺度参数。

优选地，步骤S2，具体包括：

S21、X需要聚类的码字个数为K，表示聚类中心，则

S22、获取两个初始聚类中心和数据集中有N个维数为M的向量，计算数据集中r和之间的欧式距离T_ij，计算公式：

S23、遍历数据集，得到最大的T_ij，并表示为T_U；

S24、已经确定了k(2≤k≤K-1)个聚类中心，则第k+1个聚类中心为剩余的N-k个数据中与已经确定的k(2≤k≤K-1)个聚类中心之间欧式距离S_i和T_U，计算公式：

计算S_i的最大值为则将其作为一个新的聚类中心，重复步骤S24，直到聚类中心数目等于K。

优选地，步骤S3，具体包括：

计算训练图像的混合特征与码书中码字的距离，计算公式如下：

c_i＝[max(s_i1,0),...,max(s_ik,0)，max(-s_i1,0)],...,max(-s_ik,0)，其中，s_ij表示第i个特征向量x_i与第j个码字D_j之间的相似度s(i,j)＝x_i·D_j；

定义最大值pooling：

其中，ψ_max为X对应的系数矩阵C在每一行中的最大值的函数。

本发明采用了基于码书的设计思想，构建了适合雾天图像特征的码书，实现了对雾天图像的质量评价，首先对训练图像分块提取特征，使用改进K-means算法对提取的特征进行聚类，完成码书的构建，利用已经构建好的码书对训练图像块进行编码，最后利用pooling策略对编码后的系数矩阵提取训练图像的特征向量，将其与训练图像主观评分放入SVR中训练得到一个回归模型，从而获取测试图像的质量得分，性能优越，准确率高。

附图说明

图1为本发明提出的一种雾天图像质量评价方法的流程示意图。

具体实施方式

参照图1，本发明提出的一种雾天图像质量评价方法，包括：

步骤S1，将训练图像分成B×B大小的分块图像，对每一个分块图像进行混合特征提取，得到训练图像的混合特征X。

步骤S1，具体包括：

S11、将训练图像分成B×B大小的分块图像；

S12、通过广义高斯分布提取分块图像的形状特征和方差特征；

步骤S12具体包括：

通过广义高斯分布提取分块图像的形状特征和方差特征，其中，x为分块图像的像素，α为控制分布的形状，σ²为控制分布的方差，且a＞0，β是尺度参数，由σ和α决定，Γ是伽马函数。

S13、通过非对称广义高斯分布提取分块图像的水平、垂直、主对角线和辅对角线四个方向上的均值特征、形状特征、左方差特征和右方差特征；

步骤S13具体包括：

通过非对称广义高斯分布 提取分块图像的水平、垂直、主对角线和辅对角线四个方向上的均值特征μ、形状特征γ、左方差特征和右方差特征其中，x为分块图像的像素，σ为控制分布的形状，σ²为控制分布的方差，β_l和β_r分别为左边和右边的尺度参数。

S14、综合形状特征、方差特征及水平、垂直、主对角线和辅对角线四个方向上的均值特征、形状特征、左方差特征、右方差特征，得到分块图像的混合特征F；

S15、综合B×B个分块图像的混合特征，得到训练图像的混合特征X＝[F₁,F₂,F₃...,F_n]。

在具体方案中，提取的特征为混合特征可以较好的反映雾天图像的特性，自然场景统计特征可以很好的刻画图像的失真，为了获得用于构建码书的特征向量，选用广义高斯分布(GGD)以及非对称广义高斯分布(AGGD)对雾天图像极其失真图像进行有效的刻画。相邻系数之间有一种规则的结构，这种规则随着加入失真而改变，本节从四个方向上来描述相邻像素之间的这种规则的结构：水平(H)，垂直(V)，主对角线(D1)，辅对角线(D2)：

其中i∈(1,2...M)，j∈(1,2...N)；

通过广义高斯分布提取分块图像的形状特征和方差特征，记为f₁-f₂；通过非对称广义高斯分布提取分块图像的水平H方向上的均值特征、形状特征、左方差特征和右方差特征，记为f₃-f₆；提取分块图像的垂直V方向上的均值特征、形状特征、左方差特征和右方差特征，记为f₇-f₁₀；提取分块图像的主对角线D1方向上的均值特征、形状特征、左方差特征和右方差特征，记为f₁₁-f₁₄；提取分块图像的主对角线D2方向上的均值特征、形状特征、左方差特征和右方差特征，记为f₁₅-f₁₈；

自然图像具有多尺度性，失真会在不同尺度上改变图像的结构信息，当自然图像在两个以上尺度提取信息时，提取的信息量将不会产生明显变化，所以选择在2个尺度(一个尺度是图像的原始尺度，另一个尺度是下采样之后图像尺度)上提取图像的特征，在每一个尺度上提取了18维特征，总共形成36维的特征向量，用这36维的特征刻画图像的自然场景统计特征，得到分块图像的混合特征F＝[f₁,f₂,f₃,...,f₃₆]，综合训练图像B×B个分块图像的混合特征，得到训练图像的混合特征X＝[F₁,F₂,F₃...,F_n]。

步骤S2，通过初始聚类中心固定的K-means算法对X进行聚类，得到码书。

本步骤具体包括：

S21、X需要聚类的码字个数为K，表示聚类中心，则

S22、获取两个初始聚类中心和数据集中有N个维数为M的向量，计算数据集中r和之间的欧式距离T_ij，计算公式：

S23、遍历数据集，得到最大的T_ij，并表示为T_U；

S24、已经确定了k(2≤k≤K-1)个聚类中心，则第k+1个聚类中心为剩余的N-k个数据中与已经确定的k(2≤k≤K-1)个聚类中心之间欧式距离S_i和T_U，计算公式：

计算S_i的最大值为则将其作为一个新的聚类中心，重复步骤S24，直到聚类中心数目等于K。

步骤S3，根据码书对训练图像进行编码，得到训练图像的特征向量。本步骤具体包括：

计算训练图像的混合特征与码书中码字的距离，计算公式如下：

c_i＝[max(s_i1,0),...,max(s_ik,0)，max(-s_i1,0)],...,max(-s_ik,0)，其中，s_ij表示第i个特征向量x_i与第j个码字D_j之间的相似度s(i,j)＝x_i·D_j；

定义最大值pooling：

其中，ψ_max为X对应的系数矩阵C在每一行中的最大值的函数。

在具体方案中，为了方便支持向量进行回归，需要得到一个固定长度的特征向量。众所周知图像中最差的区域对图像的主观感知影响是最大的。在图像分类问题中，最大值pooling有最好的分类效果。

步骤S4，将特征向量与预设的训练图像的主观评分代入回归模型进行训练，得到SVR质量评价模型；

步骤S5，根据SVR质量评价模型对测试图像进行质量评价，得到测试图像的质量得分。

在具体方案中，使用工具libsvm对训练图像的特征向量和训练图像的主观评分进行训练，构建完成质量评价模型。

本实施方式采用了基于码书的设计思想，构建了适合雾天图像特征的码书，实现了对雾天图像的质量评价，首先对训练图像分块提取特征，使用改进K-means算法对提取的特征进行聚类，完成码书的构建，利用已经构建好的码书对训练图像块进行编码，最后利用pooling策略对编码后的系数矩阵提取训练图像的特征向量，将其与训练图像主观评分放入SVR中训练得到一个回归模型，从而获取测试图像的质量得分，性能优越，准确率高。

以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种雾天图像质量评价方法，其特征在于，包括：

S1、将训练图像分成B×B大小的分块图像，对每一个分块图像进行混合特征提取，得到训练图像的混合特征X；

S2、通过初始聚类中心固定的K-means算法对X进行聚类，得到码书；

S3、根据码书对训练图像进行编码，得到训练图像的特征向量；

S4、将特征向量与预设的训练图像的主观评分代入回归模型进行训练，得到SVR质量评价模型；

S5、根据SVR质量评价模型对测试图像进行质量评价，得到测试图像的质量得分。

2.根据权利要求1所述的雾天图像质量评价方法，其特征在于，步骤S1，具体包括：

S11、将训练图像分成B×B大小的分块图像；

S12、通过广义高斯分布提取分块图像的形状特征和方差特征；

S13、通过非对称广义高斯分布提取分块图像的水平、垂直、主对角线和辅对角线四个方向上的均值特征、形状特征、左方差特征和右方差特征；

S14、综合形状特征、方差特征及水平、垂直、主对角线和辅对角线四个方向上的均值特征、形状特征、左方差特征、右方差特征，得到分块图像的混合特征F；

S15、综合B×B个分块图像的混合特征，得到训练图像的混合特征X＝[F₁,F₂,F₃...,F_n]。

3.根据权利要求2所述的雾天图像质量评价方法，其特征在于，步骤S12，具体包括：

通过广义高斯分布提取分块图像的形状特征和方差特征，其中，x为分块图像的像素，α为控制分布的形状，σ²为控制分布的方差，且a＞0，β是尺度参数，由σ和α决定，Γ是伽马函数。

4.根据权利要求2所述的雾天图像质量评价方法，其特征在于，步骤S13，具体包括：

通过非对称广义高斯分布 提取分块图像的水平、垂直、主对角线和辅对角线四个方向上的均值特征μ、形状特征γ、左方差特征和右方差特征其中，x为分块图像的像素，σ为控制分布的形状，σ²为控制分布的方差，β_l和β_r分别为左边和右边的尺度参数。

5.根据权利要求1所述的雾天图像质量评价方法，其特征在于，步骤S2，具体包括：

S21、X需要聚类的码字个数为K，表示聚类中心，则

S22、获取两个初始聚类中心和数据集中有N个维数为M的向量，计算数据集中r和之间的欧式距离T_ij，计算公式：

S23、遍历数据集，得到最大的T_ij，并表示为T_U；

S24、已经确定了k(2≤k≤K-1)个聚类中心，则第k+1个聚类中心为剩余的N-k个数据中与已经确定的k(2≤k≤K-1)个聚类中心之间欧式距离S_i和T_U，计算公式：

计算S_i的最大值为则将其作为一个新的聚类中心，重复步骤S24，直到聚类中心数目等于K。

6.根据权利要求1所述的雾天图像质量评价方法，其特征在于，步骤S3，具体包括：

计算训练图像的混合特征与码书中码字的距离，计算公式如下：

c_i＝[max(s_i1,0),...,max(s_ik,0)，max(-s_i1,0)],...,max(-s_ik,0)，其中，s_ij表示第i个特征向量x_i与第j个码字D_j之间的相似度s(i,j)＝x_i·D_j；

定义最大值pooling：

其中，ψ_max为X对应的系数矩阵C在每一行中的最大值的函数。