CN111311594A - 一种无参考的图像质量评价方法 - Google Patents

一种无参考的图像质量评价方法 Download PDF

Info

Publication number
CN111311594A
CN111311594A CN202010183199.1A CN202010183199A CN111311594A CN 111311594 A CN111311594 A CN 111311594A CN 202010183199 A CN202010183199 A CN 202010183199A CN 111311594 A CN111311594 A CN 111311594A
Authority
CN
China
Prior art keywords
image
image quality
distorted
features
evaluation method
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.)
Withdrawn
Application number
CN202010183199.1A
Other languages
English (en)
Inventor
刘玉涛
李秀
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.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua 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 Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202010183199.1A priority Critical patent/CN111311594A/zh
Publication of CN111311594A publication Critical patent/CN111311594A/zh
Withdrawn legal-status Critical Current

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种无参考的图像质量评价方法，包括：构建失真图像的训练数据集，提取所述训练数据集中每一个所述失真图像的纹理特征、结构特征、自然性特征和稀疏性特征，并进一步提取描述图像质量的特征；将提取的特征与对应的主观分数输入到支持向量回归模型中训练回归模型；利用训练好的所述回归模型评价待评价的失真图像的质量。可以准确地预测图像的质量，对图像的质量进行全面地衡量，对多种失真类型都有较好的评价效果，准确性和鲁棒性较高。

Description

一种无参考的图像质量评价方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种无参考的图像质量评价方法。
背景技术
根据参考原始图像的信息量，图像质量评价技术可以分为全参考质量评价、部分参考质量评价和无参考质量评价。其中，全参考质量评价是指参考原始图像的全部信息对失真图像的质量做出估计；部分参考图像质量评价是参考原始图像的部分信息(通常表现为图像特征)对失真图像的质量做出估计；相比于前两种方法，无参考图像质量评价在不参考原始图像的基础上对失真图像的质量进行预测。由于在实际应用中，原始图像往往不存在，因此，无参考质量评价具有更大的实用价值。
从广义上来看，无参考质量评价方法可以分为两类，一类是针对特定失真类型的质量评价方法(Distortion-specific)，另一类是通用的质量评价方法(General-purpose)。特定类型的质量评价方法是建立在失真类型已知的基础上，即在估计图像的质量之前，图像的失真类型是已知的，比如噪声、模糊、对比度失真等。这样，研究者就可以针对失真类型设计专门的特征来描述图像的失真程度，从而达到质量评价的目的。然而，由于特定类型的质量评价只对特定失真有效，而失真种类多种多样，不可能为每一种失真类型都设计专门的评价方法，研究者们希望设计一种通用的质量评价方法，可以预测所有的失真，这种质量评价方法被称作通用的质量评价方法。与特定失真质量评价方法相比，通用的质量评价方法的设计具有更大的挑战性，最近几年的研究一般是针对通用的质量评价方法。
Wang,Z.等人在《IEEE Trans.Image Process》第13卷第4期第600页至第612页发表的论文“Image quality assessment:from error visibility to structuralsimilarity”中提出的结构相似性方法(SSIM)通过比较原始图像和失真图像的结构相似性来评价失真图像的质量。Zhai,G.等人在2011年IEEE International Conference onImage Processing国际会议发表的论文“Noise estimation using statistics ofnatural images”中提出利用自然图像的统计信息来估计图像中的噪声程度。Zoran，D.等人在2011年International Conference on Computer Vision国际会议发表的论文“Scaleinvariance and noise in natural images”中提出利用尺度不变形特征来估计图像的噪声程度。Wang,Z.等人在2002年国际会议International Conference on ImageProcessing发表的论文“No-reference perceptual quality assessment of JPEGcompressed images”中提出了一种JPEG压缩图像的无参考质量评价方法。Liu,H.等人在《IEEE Trans.Circuits Syst.Video Technol.》第21卷第7期第971页至第982页提出了无参考的质量评价方法Blind Image Quality Indices(BIQI)，该方法通过将图像失真进行分类来评价图像的质量。M.A.Saad等人在在《IEEE Trans.Image Process》第21卷第8期第3339页至第3352页发表的论文“Blind Image Quality Assessment:A Natural SceneStatistics Approach in the DCT Domain”中提出在图像的DCT域度量图像的质量损失。
现有技术中的无参考质量评价方法存在如下技术问题：首先，针对特定失真类型的无参考质量评价方法只能处理某一种特定的失真类型，而在实际应用中，图像的失真类型比较复杂，因此，特定失真类型的无参考评价方法具有较大的局限性；其次，通用的无参考质量评价方法在设计中往往只考虑某一方面的特征来描述图像质量的变化，不能从多个角度来考察图像质量的变化情况，因此，此类方法在衡量图像的质量过程中往往比较片面，其准确性和鲁棒性受到一定程度的影响。
以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
本发明为了解决现有的问题，提供一种无参考的图像质量评价方法。
为了解决上述问题，本发明采用的技术方案如下所述：
一种无参考的图像质量评价方法，包括如下步骤：S1：构建失真图像的训练数据集，提取所述训练数据集中每一个所述失真图像的纹理特征、结构特征、自然性特征和稀疏性特征，并进一步提取描述图像质量的特征；S2：将提取的特征与对应的主观分数输入到支持向量回归模型中训练回归模型；S3：利用训练好的所述回归模型评价待评价的失真图像的质量。
优选地，所述失真图像的纹理特征是相位一致性特征，所述结构特征是梯度信息，所述自然性特征是归一化系数，所述稀疏性特征是稀疏表示特征。
优选地，利用Kovesi方法提取所述失真图像的相位一致性特征，并利用韦伯分布对所述相位一致性特征进行拟合，提取拟合参数，将所述拟合参数作为描述图像质量的特征。
优选地，利用Kovesi方法提取所述失真图像的相位一致性特征包括：定义一个一维信号s，定义
Figure BDA0002413268560000031
和
Figure BDA0002413268560000032
分别为偶和奇对称的n尺度下的滤波器，所述偶和奇对称的n尺度下的滤波器形成正交的一对滤波器对图像进行滤波，得到在j位置的响应：
Figure BDA0002413268560000033
振幅定义为：
Figure BDA0002413268560000034
令F(j)＝∑nen(j)，H(j)＝∑non(j)，则相位一致性PC计算为：
Figure BDA0002413268560000035
其中，
Figure BDA0002413268560000036
ε是一个正数，取值为0.01，一维信号PC的计算推广到二维信号PC的计算，定义为：
Figure BDA0002413268560000037
其中，o代表各个方向的索引；
得到所述失真图像的相位一致性特征之后，用韦伯分布拟合所述相位一致性特征的分布情况，韦伯分布定义为：
Figure BDA0002413268560000038
其中，λ＞0表示尺度参数，k＞0表示形状参数，提取λ和k作为描述图像质量的特征。
优选地，利用水平方向和竖直方向的差分算子分别对所述失真图像进行卷积运算，提取所述失真图像的水平方向和竖直方向的梯度信息，然后利用广义高斯分布分别对水平方向、竖直方向的梯度信息进行拟合，提取拟合参数作为描述图像质量的特征。
优选地，所述水平方向和竖直方向的差分算子定义为：
Dh＝[1,-1],Dv＝[1,-1]T
其中，Dh表示水平方向的差分算子，Dv表示竖直方向的差分算子，对所述失真卷积可以表示为：
Figure BDA0002413268560000041
和
Figure BDA0002413268560000042
其中，I表示输入的失真图像，Gh表示I水平方向的梯度，Gv表示I竖直方向的梯度，
Figure BDA0002413268560000043
表示卷积操作；
利用广义高斯分布来拟合所述水平方向、竖直方向的梯度信息，广义高斯分布的概率密度定义为：
Figure BDA0002413268560000044
其中，Γ(·)是gamma函数，定义为：
Figure BDA0002413268560000045
其中，α是形状参数，描述分布的形状，β表示标准差，提取α和β作为描述图像质量的特征。
优选地，利用局部均值和方差对所述失真图像进行局部归一化得到归一化图像，然后利用广义高斯分布对所述归一化图像进行拟合，提取拟合参数作为描述图像质量的特征。
优选地，得到归一化图像的计算公式为：
Figure BDA0002413268560000046
其中，I为输入的失真图像，(x,y)表示位置信息，
Figure BDA0002413268560000047
表示归一化系数图像，μ(x,y)，σ(x,y)为以(x,y)为中心局部的均值和方差。
优选地，对所述失真图像进行稀疏表示，然后计算所述失真图像与对应的所述稀疏表示之间的表示残差，利用广义高斯分布对所述表示残差进行拟合，提取拟合参数作为描述图像质量的特征。
优选地，对所述失真图像进行稀疏表示包括：
提取所述失真图像中的一个图像块进行稀疏表示：图像块
Figure BDA0002413268560000051
它在字典
Figure BDA0002413268560000052
上的稀疏表示是指求一个稀疏向量
Figure BDA0002413268560000053
满足：
Figure BDA0002413268560000054
上式进一步转化为无约束的优化问题：
Figure BDA0002413268560000055
其中，第一项为保真度项，第二项稀疏约束项，λ为常数，取值0.1，用来平衡两项的比重，p取值为1，利用正交匹配追踪算法求解上式，得到图像块xk的稀疏表示系数
Figure BDA0002413268560000056
则xk稀疏表示为
Figure BDA0002413268560000057
所述失真图像I的稀疏表示为：
Figure BDA0002413268560000058
稀疏表示过程完成之后，计算输入的所述失真图像与表示图像的残差图像：
R＝I-I'
其中，R表示残差图像。
本发明的有益效果为：提供一种无参考的图像质量评价方法，通过提取失真图像的自然图像统计特征，可以高效地表达图像失真程度的高低，以及图像质量的变化程度，利用这些特征训练向量回归模型，可以准确地预测图像的质量，对图像的质量进行全面地衡量，对多种失真类型都有较好的评价效果，准确性和鲁棒性较高。
附图说明
图1是本发明实施例中一种无参考的图像质量评价方法的流程示意图。
图2是本发明实施例中一种无参考的图像质量评价方法的原理示意图。
图3是本发明实施例中原始图像和噪声图像的相位一致性分布对比示意图。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
如图1所示，一种无参考的图像质量评价方法，包括如下步骤：
S1：构建失真图像的训练数据集，提取所述训练数据集中每一个所述失真图像的相位一致性特征、梯度信息、归一化系数和稀疏表示特征，并进一步提取描述图像质量的特征；
S2：将提取的特征与对应的主观分数输入到支持向量回归模型中训练回归模型；
S3：利用训练好的所述回归模型评价待评价的失真图像的质量。
本发明的方法从图像结构、纹理、自然性和稀疏性这四个最基本的属性出发评价失真图像的质量，其中，结构代表图像大体的轮廓、纹理代表图像的细节、自然性和稀疏表示特性代表人眼对图像质量整体的感知情况，因此通过这四个方面进行特征提取可以较为全面地考察图像的质量状况，全面地度量图像的质量。
自然图像在没有失真的情况下，其自身服从一定的统计规律，而外部的失真会改变图像自身的统计规律，包括纹理、结构等方面的统计特性，本发明通过描述自然图像的统计特性，可以高效地表达图像失真程度的高低，以及图像质量的变化程度，从而准确地预测图像的质量。
经过实验验证，本发明的方法中如果再增加其他参数对于性能的提升影响很小，所以没有必要再增加其他参数。
可以理解的是，获取失真图像的相位一致性特征、梯度信息、归一化系数和稀疏表示特征可以并行操作，或者按照一定顺序获取，但是具体的获取顺序不受限制。
在本发明的一种实施例中，失真图像的纹理特征是相位一致性特征，结构特征是梯度信息，所述自然性特征是归一化系数，所述稀疏性特征是稀疏表示特征。在具体实施过程中也有一些替代的参数，比如结构提取，在本发明梯度特征来提取图像的结构，也有其他的一些结构提取方法，但是不同方法对于本发明整体的预测性能影响不大。
如图2所示，是本发明的方法的原理示意图。
在本发明的一种实施例中，利用Kovesi方法提取所述失真图像的相位一致性特征，并利用韦伯分布对所述相位一致性特征进行拟合，提取拟合参数，将所述拟合参数作为描述图像质量的特征。
利用Kovesi方法提取所述失真图像的相位一致性特征包括：
定义一个一维信号s，定义
Figure BDA0002413268560000071
和
Figure BDA0002413268560000072
分别为偶和奇对称的n尺度下的滤波器，所述偶和奇对称的n尺度下的滤波器形成正交的一对滤波器对图像进行滤波，得到在j位置的响应：
Figure BDA0002413268560000073
振幅定义为：
Figure BDA0002413268560000074
令F(j)＝∑nen(j)，H(j)＝∑non(j)，则相位一致性PC计算为：
Figure BDA0002413268560000075
其中，
Figure BDA0002413268560000076
ε是一个正数，取值为0.01，一维信号PC的计算推广到二维信号PC的计算，定义为：
Figure BDA0002413268560000077
其中，o代表各个方向的索引。
如图3所示，原始图像和噪声图像的相位一致性分布对比示意图。其中，实线代表原始图像，虚线代表噪声图像。
得到所述失真图像的相位一致性特征之后，用韦伯分布拟合所述相位一致性特征的分布情况，韦伯分布定义为：
Figure BDA0002413268560000081
其中，λ＞0表示尺度参数，k＞0表示形状参数，提取λ和k作为描述图像质量的特征。
在本发明的一种实施例中，利用水平方向和竖直方向的差分算子分别对所述失真图像进行卷积运算，提取所述失真图像的水平方向和竖直方向的梯度信息，然后利用广义高斯分布分别对水平方向、竖直方向的梯度信息进行拟合，提取拟合参数作为描述图像质量的特征。
水平方向和竖直方向的差分算子定义为：
Dh＝[1,-1],Dv＝[1,-1]T
其中，Dh表示水平方向的差分算子，Dv表示竖直方向的差分算子，对所述失真卷积可以表示为：
Figure BDA0002413268560000082
和
Figure BDA0002413268560000083
其中，I表示输入的失真图像，Gh表示I水平方向的梯度，Gv表示I竖直方向的梯度，
Figure BDA0002413268560000084
表示卷积操作；
利用广义高斯分布来拟合所述水平方向、竖直方向的梯度信息，广义高斯分布的概率密度定义为：
Figure BDA0002413268560000085
其中，Γ(·)是gamma函数，定义为：
Figure BDA0002413268560000091
其中，α是形状参数，描述分布的形状，β表示标准差，提取α和β作为描述图像质量的特征。
在本发明的一种实施例中，利用局部均值和方差对所述失真图像进行局部归一化得到归一化图像，然后利用广义高斯分布对所述归一化图像进行拟合，提取拟合参数作为描述图像质量的特征。
得到归一化图像的计算公式为：
Figure BDA0002413268560000092
其中，I为输入的失真图像，(x,y)表示位置信息，
Figure BDA0002413268560000093
表示归一化系数图像，μ(x,y)，σ(x,y)为以(x,y)为中心局部的均值和方差。
在本发明的一种实施例中，对所述失真图像进行稀疏表示，然后计算所述失真图像与对应的所述稀疏表示之间的表示残差，利用广义高斯分布对所述表示残差进行拟合，提取拟合参数作为描述图像质量的特征。
对所述失真图像进行稀疏表示包括：提取所述失真图像中的一个图像块进行稀疏表示：图像块
Figure BDA0002413268560000094
它在字典
Figure BDA0002413268560000095
上的稀疏表示是指求一个稀疏向量
Figure BDA0002413268560000096
(αk中大多数元素为0或者接近于0)满足：
Figure BDA0002413268560000097
上式进一步转化为无约束的优化问题：
Figure BDA0002413268560000098
其中，第一项为保真度项，第二项稀疏约束项，λ为常数，取值0.1，用来平衡两项的比重，p取值为1，利用正交匹配追踪算法(OMP)求解上式，得到图像块xk的稀疏表示系数
Figure BDA0002413268560000099
则xk稀疏表示为
Figure BDA00024132685600000910
所述失真图像I的稀疏表示为：
Figure BDA00024132685600000911
稀疏表示过程完成之后，计算输入的所述失真图像与表示图像的残差图像：
R＝I-I'
其中，R表示残差图像。
在本发明的一种具体的实施例中，在TID2013库上测试本发明方法的准确性，利用斯皮尔曼等级相关系数(Spearman Rank order Correlation Coefficient，SRCC)、皮尔逊线性相关系数(Pearson Linear Correlation Coefficient，PLCC)、均方根误差(RootMean Square Error，RMSE)三个指标来衡量算法的性能。其中，SRCC衡量算法的一致性，PLCC衡量算法的准确性，RMSE衡量算法的稳定性。SRCC，PLCC计算图像主观质量分数与客观质量分数之间的相关性，RMSE计算主观分数与客观分数之间的误差。因此，SRCC，PLCC越接近于1，RMSE越接近于0表示客观评价算法的性能越高。实验结果如表1所示。
表1实验结果
Figure BDA0002413268560000101
表1同时对比了现有技术，包括LPSI，QAC，BRISQUE，NIQE和ILNIQE模型，从表中可以观察到，本发明在所有的对比方法中取得了最优的预测性能，证明了本发明的有效性和优越性。
本申请实施例还提供一种控制装置，包括处理器和用于存储计算机程序的存储介质；其中，处理器用于执行所述计算机程序时至少执行如上所述的方法。
本申请实施例还提供一种存储介质，用于存储计算机程序，该计算机程序被执行时至少执行如上所述的方法。
本申请实施例还提供一种处理器，所述处理器执行计算机程序，至少执行如上所述的方法。
所述存储介质可以由任何类型的易失性或非易失性存储设备、或者它们的组合来实现。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，FerromagneticRandom Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，SynchronousStatic Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random AccessMemory)、同步动态随机存取存储器(SDRAM，Synchronous Dynamic Random AccessMemory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double DataRateSynchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，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，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，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，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种无参考的图像质量评价方法，其特征在于，包括如下步骤：
S1：构建失真图像的训练数据集，提取所述训练数据集中每一个所述失真图像的纹理特征、结构特征、自然性特征和稀疏性特征，并进一步提取描述图像质量的特征；
S2：将提取的特征与对应的主观分数输入到支持向量回归模型中训练回归模型；
S3：利用训练好的所述回归模型评价待评价的失真图像的质量。
2.如权利要求1所述的无参考的图像质量评价方法，其特征在于，所述失真图像的纹理特征是相位一致性特征，所述结构特征是梯度信息，所述自然性特征是归一化系数，所述稀疏性特征是稀疏表示特征。
3.如权利要求2所述的无参考的图像质量评价方法，其特征在于，利用Kovesi方法提取所述失真图像的相位一致性特征，并利用韦伯分布对所述相位一致性特征进行拟合，提取拟合参数，将所述拟合参数作为描述图像质量的特征。
4.如权利要求3所述的无参考的图像质量评价方法，其特征在于，利用Kovesi方法提取所述失真图像的相位一致性特征包括：
定义一个一维信号s，定义
Figure FDA0002413268550000011
和
Figure FDA0002413268550000012
分别为偶和奇对称的n尺度下的滤波器，所述偶和奇对称的n尺度下的滤波器形成正交的一对滤波器对图像进行滤波，得到在j位置的响应：
Figure FDA0002413268550000013
振幅定义为：
Figure FDA0002413268550000014
令F(j)＝∑nen(j)，H(j)＝∑non(j)，则相位一致性PC计算为：
Figure FDA0002413268550000015
其中，
Figure FDA0002413268550000016
ε是一个正数，取值为0.01，一维信号PC的计算推广到二维信号PC的计算，定义为：
Figure FDA0002413268550000017
其中，o代表各个方向的索引；
得到所述失真图像的相位一致性特征之后，用韦伯分布拟合所述相位一致性特征的分布情况，韦伯分布定义为：
Figure FDA0002413268550000021
其中，λ＞0表示尺度参数，k＞0表示形状参数，提取λ和k作为描述图像质量的特征。
5.如权利要求2所述的无参考的图像质量评价方法，其特征在于，利用水平方向和竖直方向的差分算子分别对所述失真图像进行卷积运算，提取所述失真图像的水平方向和竖直方向的梯度信息，然后利用广义高斯分布分别对水平方向、竖直方向的梯度信息进行拟合，提取拟合参数作为描述图像质量的特征。
6.如权利要求5所述的无参考的图像质量评价方法，其特征在于，所述水平方向和竖直方向的差分算子定义为：
Dh＝[1,-1],Dv＝[1,-1]T
其中，Dh表示水平方向的差分算子，Dv表示竖直方向的差分算子，对所述失真卷积可以表示为：
Figure FDA0002413268550000022
和
Figure FDA0002413268550000023
其中，I表示输入的失真图像，Gh表示I水平方向的梯度，Gv表示I竖直方向的梯度，
Figure FDA0002413268550000024
表示卷积操作；
利用广义高斯分布来拟合所述水平方向、竖直方向的梯度信息，广义高斯分布的概率密度定义为：
Figure FDA0002413268550000025
其中，Γ(·)是gamma函数，定义为：
Figure FDA0002413268550000026
其中，α是形状参数，描述分布的形状，β表示标准差，提取α和β作为描述图像质量的特征。
7.如权利要求2所述的无参考的图像质量评价方法，其特征在于，利用局部均值和方差对所述失真图像进行局部归一化得到归一化图像，然后利用广义高斯分布对所述归一化图像进行拟合，提取拟合参数作为描述图像质量的特征。
8.如权利要求7所述的无参考的图像质量评价方法，其特征在于，得到归一化图像的计算公式为：
Figure FDA0002413268550000031
其中，I为输入的失真图像，(x,y)表示位置信息，
Figure FDA0002413268550000032
表示归一化系数图像，μ(x,y)，σ(x,y)为以(x,y)为中心局部的均值和方差。
9.如权利要求2所述的无参考的图像质量评价方法，其特征在于，对所述失真图像进行稀疏表示，然后计算所述失真图像与对应的所述稀疏表示之间的表示残差，利用广义高斯分布对所述表示残差进行拟合，提取拟合参数作为描述图像质量的特征。
10.如权利要求9所述的无参考的图像质量评价方法，其特征在于，对所述失真图像进行稀疏表示包括：
提取所述失真图像中的一个图像块进行稀疏表示：图像块
Figure FDA0002413268550000033
它在字典
Figure FDA0002413268550000034
上的稀疏表示是指求一个稀疏向量
Figure FDA0002413268550000035
满足：
Figure FDA0002413268550000036
xk＝Dαk
上式进一步转化为无约束的优化问题：
Figure FDA0002413268550000037
其中，第一项为保真度项，第二项稀疏约束项，λ为常数，取值0.1，用来平衡两项的比重，p取值为1，利用正交匹配追踪算法求解上式，得到图像块xk的稀疏表示系数
Figure FDA0002413268550000038
则xk稀疏表示为
Figure FDA0002413268550000039
所述失真图像I的稀疏表示为：
Figure FDA0002413268550000041
稀疏表示过程完成之后，计算输入的所述失真图像与表示图像的残差图像：
R＝I-I'
其中，R表示残差图像。
CN202010183199.1A 2020-03-16 2020-03-16 一种无参考的图像质量评价方法 Withdrawn CN111311594A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010183199.1A CN111311594A (zh) 2020-03-16 2020-03-16 一种无参考的图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010183199.1A CN111311594A (zh) 2020-03-16 2020-03-16 一种无参考的图像质量评价方法

Publications (1)

Publication Number Publication Date
CN111311594A true CN111311594A (zh) 2020-06-19

Family

ID=71148537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010183199.1A Withdrawn CN111311594A (zh) 2020-03-16 2020-03-16 一种无参考的图像质量评价方法

Country Status (1)

Country Link
CN (1) CN111311594A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116568A (zh) * 2020-09-10 2020-12-22 广东电网有限责任公司广州供电局 一种图像质量评价方法、装置及存储介质
CN112184672A (zh) * 2020-09-30 2021-01-05 上海大学 一种无参考图像质量评价方法及系统
CN113505854A (zh) * 2021-07-29 2021-10-15 济南博观智能科技有限公司 一种人脸图像质量评价模型构建方法、装置、设备及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116568A (zh) * 2020-09-10 2020-12-22 广东电网有限责任公司广州供电局 一种图像质量评价方法、装置及存储介质
CN112184672A (zh) * 2020-09-30 2021-01-05 上海大学 一种无参考图像质量评价方法及系统
CN113505854A (zh) * 2021-07-29 2021-10-15 济南博观智能科技有限公司 一种人脸图像质量评价模型构建方法、装置、设备及介质
CN113505854B (zh) * 2021-07-29 2023-08-15 济南博观智能科技有限公司 一种人脸图像质量评价模型构建方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Manap et al. Non-distortion-specific no-reference image quality assessment: A survey
Kaipio et al. Statistical inverse problems: discretization, model reduction and inverse crimes
Calatroni et al. Bilevel approaches for learning of variational imaging models
Xue et al. Blind image quality assessment using joint statistics of gradient magnitude and Laplacian features
CN111311594A (zh) 一种无参考的图像质量评价方法
Paul et al. Coupling image restoration and segmentation: A generalized linear model/Bregman perspective
Zhu et al. Automatic parameter selection for denoising algorithms using a no-reference measure of image content
US8494283B2 (en) Image quality assessment
CN111311595B (zh) 图像质量的无参考质量评价方法及计算机可读存储介质
CN110717824A (zh) 基于知识图谱的银行对公客群风险传导测算的方法及装置
Krinidis et al. Color texture segmentation based on the modal energy of deformable surfaces
CN105225222B (zh) 对不同图像集的感知视觉质量的自动评估
CN111160229B (zh) 基于ssd网络的视频目标检测方法及装置
Liang et al. Comparison-based image quality assessment for selecting image restoration parameters
Liu et al. Adaptive sparse coding on PCA dictionary for image denoising
CN108121962B (zh) 基于非负自适应特征提取的人脸识别方法、装置及设备
CN111292323A (zh) 部分参考的图像质量评价方法、控制装置及计算机可读存储介质
Mahmoudi et al. Sparse representations for range data restoration
CN105989173B (zh) 数据处理方法及装置
Hepburn et al. On the relation between statistical learning and perceptual distances
El Gheche et al. Texture reconstruction guided by a high-resolution patch
Liu et al. Evaluating the generalization ability of super-resolution networks
Zhang et al. Image restoration method based on fractional variable order differential
CN116402739A (zh) 一种用于电子内窥镜检测流程的质量评估方法及装置
Zhou et al. Adaptive weighted locality-constrained sparse coding for glaucoma diagnosis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200619