CN111862000A - 基于局部平均特征值的图像质量评价方法 - Google Patents

Abstract

本发明涉及一种基于局部平均特征值的图像质量评价方法，包括下列步骤：将图像的像素值进行归一化，得到归一化后的图像矩阵A，计算图像矩阵A局部平均特征值LME；从归一化得到的图像矩阵A中，计算其幅值、方差、熵和对比度即NSS特征，结合第一步得到的图像矩阵A的局部平均特征值，将所得到的各个特征用于稀疏字典学习；寻找与测试图片最接近和最稀疏的特征表示；学习到的稀疏表示系数将用于计算测试图片的质量Q。

Description

基于局部平均特征值的图像质量评价方法

技术领域

本发明属图像处理领域，涉及图像质量评价方法。

背景技术

随着互联网的飞速发展以及科学技术的日益提高，许多图像信息技术被广泛应用。然而日常生活中人们所接触到的图像，其在获取、处理、传输和接收的过程中，由于成像系统、处理方法、传输媒介和记录设备等不完善，加之物体运动、噪声污染等原因，都会不可避免地带来某些图像的失真和降质，从而影响人类对图像的感知，因此对图像进行质量评价就显得很重要，有必要了解图像的失真程度。例如，经过编码压缩后的失真图像，需要对其进行图像质量评价，以便调整相应的策略来更好地满足服务质量的需求。

根据参考图像的可用性，将图像质量评价(IQA)算法分为完全参考、减少参考(需要原始图像的完整或部分信息)和无参考操作IQA算法。由于失真图像的原始图像一般不存在，因此无参的质量评价是最实用的。目前质量评价的方法有许多，如可以从失真图像中提取自然场景统计特征，并将其用于分类失真类型，进而评估失真特性；还可以使用互反奇异值曲线的面积和曲率作为质量感知特征。CN201810297714.1从图像的灰度特征和纹理特征出发，综合地考察细小目标特征的探测情况，同时采用灰度和纹理两方面的特征来进行质量评价。CN201910350172.4提出一种基于信息熵的图像质量评价方法，用于解决现有的图像质量评价方法不能有效的评价多重失真以及去模糊失真类的图像的问题。CN201810759247.X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，进行图像质量评价。虽然这些算法有良好的性能，但在无参质量评价方面仍有很大的发展空间，就目前的研究来看，将特征值用于图像质量评价的研究较少，因此本发明提出一种基于特征值的有效的无参质量评价方法。

发明内容

本发明的目的是提出一种基于局部平均特征值的图像质量评价方法，技术方案如下：

一种基于局部平均特征值的图像质量评价方法，包括下列步骤：

第一步：将图像的像素值进行归一化，得到归一化后的图像矩阵A，计算图像矩阵A局部平均特征值LMEs，LMEs的计算过程如下：将图像矩阵A进行分割，将其分割为N个S*S大小的小方阵，计算每个小方阵的S个特征值，然后求它们的平均值，即得到图像矩阵A的局部平均特征值；

第二步：从归一化得到的图像矩阵A中，计算其幅值、方差、熵和对比度即NSS特征，其中的NSS特征为从HSV色彩空间中计算分割后图像的对比度特征，结合第一步得到的图像矩阵A的局部平均特征值，将所得到的各个特征用于稀疏字典学习，对于稀疏字典学习，结合50％训练集的特征构造字典D，字典D可表示为：

其中D是一个M×N矩阵，M为特征数量，N是构造字典所使用的训练图像的数量，字典D的每个元素代表特征；

第三步：寻找与测试图片最接近和最稀疏的特征表示f＝(f₁,f₂,...,f_M)，使用字典D求解下列公式：

公式(1)采用最小绝对收敛和选择算子求解，其中η^*＝(η₁ ^*,η₂ ^*,...,η_N ^*)是稀疏表示系数，R^N代表R维实数空间，β为一个常数，用于平衡两项的权重；

第四步：学习到的稀疏表示系数将用于计算测试图片的质量Q，基于相同质量的图像具有相似特征的假设，质量分数的计算如下列公式所示：

其中Q表示所预测的图像质量分数，Q⁽ⁱ⁾字典中第i张图片的主观质量分数。

本发明基于图像的基本特性，由归一化后的灰色图像计算得到矩阵的局部平均特征值(LMEs)，分析其与图像感知质量的相关性，然后提取NSS特征，接着使用LMEs和NSS特征进行简单的字典学习，最后计算预测的质量分数，进而对图像做出更加全面和准确的客观评价。

附图说明

图1本发明的方法流程图

图2特征值反映频率信息的对比图

图3 LMEs与DMOSs(差异平均意见得分)的关系图

具体实施方式

本发明首先由归一化后的图像矩阵，计算得到其局部平均特征值(LMEs)，分析其与图像感知质量的相关性，然后计算图像矩阵的幅值、方差、熵和对比度(NSS特征)，然后使用LMEs和计算得到的多种特征特征进行简单的字典学习，并计算预测的质量分数，进而对图像做出更加全面和准确的客观评价。实施方式如下：

1.基于局部平均特征值的图像质量评价方法，包括下列步骤：

第一步：将图像的像素值进行归一化，得到归一化后的图像矩阵A，计算其局部平均特征值(LMEs)。LMEs的计算过程如下：将图像矩阵进行分割，将其分割为N个S*S大小的小方阵，计算每个小方阵的S个特征值，然后求它们的平均值，即得到图像矩阵A的局部平均特征值。如果图像被JP2K、JPEG、高斯模糊和快衰落等内容相关失真(CDDs)处理，会在一定程度上失去结构信息和良好的纹理结构；另一方面，如果图像被白噪声等与内容无关的畸变(CIDs)所破坏，结构和纹理的复杂度将呈负相关增长，而图像的LMEs很好地反映了这些性质。

第二步：从归一化得到的图像中，计算其幅值、方差、熵和对比度(简称为NSS特征)。为了解决彩色失真问题，从HSV色彩空间中计算分割后图像的对比度特征。并结合第一步得到的局部特征值，将所得到的特征用于稀疏字典学习，对于稀疏字典学习，结合50％训练集的特征构造字典D。字典D可表示为：

其中D是一个M×N矩阵(M为特征数量，N是构造字典所使用的训练图像的数量)，f代表特征。

第三步：寻找与测试图片最接近和最稀疏的特征表示f＝(f₁,f₂,...,f_M)，使用字典求解下列公式。

公式(1)可采用最小绝对收敛和选择算子求解。其中η^*＝(η₁ ^*,η₂ ^*,...,η_N ^*)是稀疏表示系数，R^N代表R维实数空间，β为一个常数，用于平衡两项的权重。

第四步：学习到的稀疏表示系数将用于计算测试图片的质量Q，基于相同质量的图像具有相似特征的假设，质量分数的计算如下列公式所示：

其中Q表示所预测的图像质量分数，Q⁽ⁱ⁾字典中第i张图片的主观质量分数。

Claims (1)

1.基于局部平均特征值的图像质量评价方法，包括下列步骤：

第一步：将图像的像素值进行归一化，得到归一化后的图像矩阵A，计算图像矩阵A局部平均特征值LMEs，LMEs的计算过程如下：将图像矩阵A进行分割，将其分割为N个S*S大小的小方阵，计算每个小方阵的S个特征值，然后求它们的平均值，即得到图像矩阵A的局部平均特征值。

第二步：从归一化得到的图像矩阵A中，计算其幅值、方差、熵和对比度即NSS特征，其中的NSS特征为从HSV色彩空间中计算分割后图像的对比度特征，结合第一步得到的图像矩阵A的局部平均特征值，将所得到的各个特征用于稀疏字典学习，对于稀疏字典学习，结合50％训练集的特征构造字典D，字典D可表示为：

其中D是一个M×N矩阵，M为特征数量，N是构造字典所使用的训练图像的数量，字典D的每个元素代表特征；

第三步：寻找与测试图片最接近和最稀疏的特征表示f＝(f₁,f₂,...,f_M)，使用字典D求解下列公式：

公式(1)采用最小绝对收敛和选择算子求解，其中η^*＝(η₁ ^*,η₂ ^*,...,η_N ^*)是稀疏表示系数，R^N代表R维实数空间，β为一个常数，用于平衡两项的权重；

第四步：学习到的稀疏表示系数将用于计算测试图片的质量Q，基于相同质量的图像具有相似特征的假设，质量分数的计算如下列公式所示：

其中Q表示所预测的图像质量分数，Q⁽ⁱ⁾字典中第i张图片的主观质量分数。

Images