CN113628175A - 图像质量分数分布的预测方法、系统、终端及介质 - Google Patents
图像质量分数分布的预测方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN113628175A CN113628175A CN202110829971.7A CN202110829971A CN113628175A CN 113628175 A CN113628175 A CN 113628175A CN 202110829971 A CN202110829971 A CN 202110829971A CN 113628175 A CN113628175 A CN 113628175A
- Authority
- CN
- China
- Prior art keywords
- image quality
- image
- distribution
- quality score
- parameters
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013441 quality evaluation Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000002474 experimental method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 5
- 238000011105 stabilization Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 4
- 238000007430 reference method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种图像质量分数分布的预测方法、系统、终端及介质，其中方法包括：提取图像的自然场景统计特征；利用提取的所述自然场景统计特征通过训练四个不同的支持向量机；采用训练得到的所述支持向量机来预测图像质量分数分布的四个参数，最终得到基于Alpha稳定模型的图像质量分数分布。本发明第一次提出使用Alpha稳定模型来描述图像质量得分的分布，其所表达出的信息要比图像的MOS更丰富，通过提取图像的自然场景统计特征，并利用支持向量机回归，可有效地预测图像的质量分数分布。
Description
技术领域
本发明涉及图像质量评价领域，具体地，涉及一种图像质量分数分布的预测方法、系统、终端及介质。
背景技术
图像质量评价是图像处理中最具挑战性的任务之一，可分为主观图像质量评价和客观图像质量评价。图像质量评价是指观察者通过观察来评价图像质量，图像质量一般用MOS来描述。客观图像质量评价包括全参考方法、半参考方法和无参考方法。无参考图像质量评价是指使用算法进行图像质量预测，在这个过程中只需要失真的图像。因此，图像质量评价在实际应用中的应用更为广泛，其最主要的任务是从失真图像中提取图像的质量特征。
可以发现在以往的文章中，MOS被广泛用于描述图像质量。但是，我们注意到图像的质量是高度主观的，并且给定的图像可能被不同的观察者给出不同的质量分数。因此，我们不得不承认，一个图像的MOS能够表达的信息是非常有限的。一些研究员试图通过预测图像质量分数直方图代替MOS来描述图像的质量。例如，Zhang等人预测了图像的美学质量分数直方图(《Xiaowei Zhang,Fei Gao,Di Huang,Min Tan,and Jun Yu,“Photo aestheticquality assessment via label distribution learning,”IEEE InternationalConference on Systems,Man,and Cybernetics,2016,pp.1467–1470.》)。Liu等人通过假设主观质量分数服从高斯分布来预测图像质量直方图(《Anan Liu,Jingting Wang,JingLiu,and Yuting Su,“Comprehensive image quality assessment via predict-ing thedistribution of opinion score,”Multimedia Tools and Applications,vol.78,no.17,pp.1–18,2018.》)。我们观察到，仅仅用高斯分布来描述图像质量分布是不够的，因为并非所有的图像质量分布都遵循高斯分布。作为一种更普遍的分布形式，具有四个参数的Alpha稳定模型可以更好地描述图像质量分布，因为它可以显示图像质量分布中可能存在的一些统计特征，如重尾、峰度和偏度。
发明内容
针对现有技术的不足，本发明的目的是提出一种图像质量分数分布的预测方法、系统、终端及介质，使用Alpha稳定模型来描述图像质量分布，可以有效地运用于评价图像的质量。
本发明的第一目的，提供一种图像质量分数分布的预测方法，包括：
提取图像的自然场景统计特征；
利用提取的所述自然场景统计特征通过训练四个不同的支持向量机；
采用训练得到的所述支持向量机来预测Alpha稳定模型的四个参数，最终得到基于Alpha稳定模型的图像质量分数分布。
可选地，所述方法还包括：主观质量评价实验，包括：
从数据库中随机选取多张图像，内容包含多种不同失真类型，对于每种失真类型的图像失真程度也不同；
通过质量评价网页，采取单刺激连续质量评价方法(SSCQE)来显示图像和收集观察者对上述图像进行质量评价给出的得分，得到每张图像的质量分数分布。
可选地，通过最大似然估计来对实验中每张图像的质量分数分布与Alpha稳定模型进行拟合，得到图像质量得分分布的经验概率密度函数。
具体的，Alpha稳定模型的特征函数为，
其中，0＜α≤2是特征参数，-1＜β＜1是偏度参数，γ＞0表示比例参数，μ是位置参数。
于是，通过对Alpha稳定模型的特征函数进行傅里叶逆变换可以得到图像质量得分分布的经验概率密度函数：
其中α，β，γ，μ是图像质量得分分布的经验概率密度函数的四个参数。
可选地，所述提取图像的自然场景统计特征，包括：从每幅图像中提取出两组离散余弦变换域的自然场景统计特征和一组空间域的自然场景统计特征。
可选地，所述两组离散余弦变换域的自然场景统计特征，其中，提取图像以下两组特征：
(3)两个广义高斯分布的形状参数特征；
(4)四个频率变换系数特征；
所述一组空间域的自然场景统计特征，其中，将图像分解为两个尺度和六个方向，提取出七个方向选择性统计特征；
综上，从每幅图像中提取出13个特征。
可选地，采用训练得到的所述支持向量机来预测图像质量分数分布的四个参数，包括：
四个支持向量机用于学习从每幅图像中提取的自然场景统计特征到四个参数的映射，得到的四个参数的映射建立起四个参数预测模型；
这四个预测模型参数的支持向量机共同构成了基于Alpha稳定模型的图像质量分数分布预测。
本发明的第二目的，提供一种图像质量分数分布的预测系统，包括：
特征提取模块，该模块提取图像的自然场景统计特征；
训练模块，该模块利用所述特征提取模块提取的所述自然场景统计特征通过训练四个不同的支持向量机；
预测模块，采用所述训练模块得到的所述支持向量机来预测图像质量分数分布的四个参数，最终得到基于Alpha稳定模型的图像质量分数分布。
本发明的第三目的，提供一种图像质量分数分布的预测终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行所述的图像质量分数分布的预测方法。
本发明的第四目的，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行所述的图像质量分数分布的预测方法。
与现有技术相比，本发明实施例至少具有以下一种有益效果：
本发明上述方法、系统，第一次提出使用Alpha稳定模型来描述图像质量得分的分布，其所表达出的信息要比图像的MOS更丰富。进一步的，通过提取图像的自然场景统计特征，并利用支持向量机回归，可有效地预测图像的质量分数分布。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明一实施例的主观图像质量评价实验中图像的质量得分分布图；
图2是本发明一实施例的预测基于Alpha稳定模型的图像质量分数分布的流程图；
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明提出用一个参数化的分布代替图像的平均意见得分(MOS)来描述图像质量，详细地说，是用Alpha稳定模型来对图像质量进行建模，并进一步来预测基于Alpha稳定模型的图像质量分数分布，即采用客观方法来预测图像质量分数分布。
具体的，参照图1所示，为本发明一优选实施例中的图像质量分数分布的预测方法，包括：
S100，提取图像的自然场景统计特征，具体的，参照图2所示：
(1)提取图像的离散余弦变换域的自然场景统计特征。
提取图像以下两组特征：两个广义高斯分布形状参数特征；四种频率变换系数特性。
(2)提取空间域的自然场景统计特征。
将图像分解为两个尺度和六个方向，提取出七个方向选择性统计特征。
综上所述，从每张图像中提取13个特征，包括两组离散余弦变换域的自然场景统计特征和一组空间域的自然场景统计特征。
S200，通过提取图像的自然场景统计特征来训练四个支持向量机，得到预测图像的质量分数分布的四个参数。
四个支持向量机用于学习从每张图像中提取的13个特征到四个参数的映射。得到的四个参数的映射建立起了四个参数预测模型。这四个含有参数预测模型的支持向量机共同构成了基于Alpha稳定模型的图像质量分数分布预测框架。
S300，基于四个支持向量机预测出的四个参数，可以最终得到基于Alpha稳定模型的图像质量分数分布的概率分布函数，确定最终Alpha稳定模型。
由于现有的数据库没有提供由所有观察者给出的图像主观质量，因此本发明实施例从数据库中选取了图像进行了主观质量评价实验。然后通过对主观质量评价实验结果的分析，发现图像的质量分数的分布可以很好被Alpha稳定模型来拟合，并且该分布比图像的MOS能反映更多的信息。基于此研究，本发明实施例提出一种图像质量分数分布的预测方法、系统、终端及介质，建立由Alpha稳定模型描述的图像质量分数的分布。
在一具体实施例中，从数据库中选取了图像进行了主观质量评价实验，具体可以参照以下说明进行：
首先，从LIVE数据库中选取100张不同失真类型(JPEG2000,JPEG,White noise,Gaussian blur和Fast fading rayleigh)和失真程度的图像，并邀请180位观察者对图像进行质量评价。同时，记录了所有观察者的特征，包括年龄和职业。观察者的年龄范围很大，从18岁到50岁不等。观察员的职业类别也涵盖了很大的范围，包括学生、会计、人事、销售、自营职业等，其中学生占大多数；
其次，通过设计一个网页，采取SSCQE方法来显示图像和收集观察者给出的得分。随机选取8张图像(1张参考图像和7张失真图像)作为训练图像，其余图像作为测试图像。在该网页中，观察者需要在正式测试前对训练图像进行评分。所有100张测试图像都以随机顺序显示。观察者被要求在[0,100]的范围内对100张图像的质量进行评分。从0到100的分数代表图像质量从差到优；
然后，进行数据处理和分析：根据ITU-R Recommendation的要求对观察者进行筛选，选出符合要求的的观察者163位。对收集到的有效的质量分数进行数据拟合分析，结果表明，有34张图像的图像质量分数分布符合高斯分布，29张图像的图像质量分数分布服从指数分布，10张图像的图像质量分数分布服从Pareto分布，20张图像的图像质量分数分布服从Gamma分布，其余图像的图像质量分数分布不服从上述分布。所以，通过该主观实验可以得出上述几种分布并不适合用来描述图像质量分数分布；所以，本发明提出使用Alpha稳定模型来描述图像质量分数分布。本发明进一步实验发现，大多数的图像的图像质量分数分布服从Alpha稳定模型，所以Alpha稳定模型更适合来描述图像质量分数分布。
最后，将Alpha稳定模型与实验得到的图像质量分数进行拟合，得到Alpha稳定模型的经验概率密度函数，得到图像参数化的质量分数分布。
具体的，Alpha稳定模型的特征函数为：
其中，0＜α≤2是特征参数，-1＜β＜1是偏度参数，γ＞0表示比例参数，μ是位置参数；并且
其中
对Alpha稳定模型的特征函数进行傅里叶逆变换，得到图像质量得分分布的经验概率密度函数：
其中α，β，γ，μ是图像质量得分分布的四个参数。
S400，采用得到的最终Alpha稳定模型进行图像质量分数分布的预测。
基于上述相同的构思，本发明实施例还提供一种图像质量分数分布的预测系统，包括：
特征提取模块，该模块提取图像的自然场景统计特征；
训练模块，该模块利用所述特征提取模块提取的所述自然场景统计特征通过训练四个不同的支持向量机；
预测模块，采用所述训练模块得到的所述支持向量机来预测图像质量分数分布的四个参数，最终得到基于Alpha稳定模型的图像质量分数分布。
本实施例中预测系统中的模块与上述实施例中的预测方法中步骤对应，具体技术可以参考预测方法，在此不再赘述。
基于上述相同的构思，本发明实施例一种图像质量分数分布的预测终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行所述的图像质量分数分布的预测方法。
基于上述相同的构思，本发明实施例一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行所述的图像质量分数分布的预测方法。
为了更好说明本发明的技术方案，基于上述实验说明，在另一优选实施例中，本发明提供的图像质量分数分布的预测方法，包括如下步骤：
第一步、进行主观质量评价实验获取实施例的数据，部分数据如图1所示。
第二步、将实验中得到的图像质量得分分布与Alpha稳定模型进行拟合，得到图像质量得分分布的经验概率密度函数。
特别地，Alpha稳定模型的特征函数为：
其中，0＜α≤2是特征参数，-1＜β＜1是偏度参数，γ＞0表示比例参数，μ是位置参数；
其中
对特征函数进行傅里叶逆变换，得到图像质量得分分布的经验概率密度函数：
第三步、如图2所示，提取图像自然场景统计特征，并通过提取的图像特征来训练四个支持向量机，得到预测图像的质量分数分布的四个参数：
本实施例中，提取图像离散余弦变换域的自然场景统计特征。两个广义高斯分布形状参数特征以及四种频率变换系数特性。
提取图像空间域的自然场景统计特征。将图像分解为两个尺度和六个方向，提取出七个方向选择性统计特征。
进一步地，将数据集分成训练集和测试集。对于训练集，利用四个支持向量机分别学习每幅图像中提取的13个特征到四个参数(α，β，γ，μ)的映射。得到的四个参数的映射建立起了四个参数预测模型。这四个包含预测参数模型的支持向量机构成了基于Alpha稳定模型的图像质量分数分布预测框架。
本实施例中，对于测试集中的图像，通过四个支持向量机预测出四个参数
可以最终得到基于Alpha稳定模型的图像质量分数分布的概率分布函数，通过这个概率分布函数便可以得到图像质量分数分布的具体表现形式：
其中参数
是通过四个支持向量机分别预测出来的四个Alpha稳定模型的参数。
是特征参数，
是偏度参数，
表示比例参数，
是位置参数。
并且
这里，
通过这个概率分布函数便可以得到图像质量分数分布的具体表现形式。
为了对本发明上述实施例中提出的基于Alpha稳定模型的图像质量分数分布预测的有效性进行检验，将其与几种最先进的无参考图像质量评价方法进行比较。由于以前的文献中没有预测质量分数分布的方法，本发明建立了一些图像质量分数分布预测模型作为竞争方法。具体地说，仍然使用相同的基于Alpha稳定模型的图像质量分数分布预测框架，但用最先进的无参考质量评价中提取的图像特征来替换本实施例中所提出方法中使用的特征，包括Blininds-II(《Michele A Saad,Alan C Bovik,and Christophe Charrier,“Blind image quality assessment:A natural scene statistics approach in theDCT domain,”IEEE transactions on Image Processing,vol.21,no.8,pp.3339–3352,2012.》)、DIIVINE(《Anush Krishna Moorthy and Alan Conrad Bovik,“Blind imagequality assessment:From natural scene statistics to perceptual quality,”IEEETransactions on Image Processing,vol.20,no.12,pp.3350–3364,2011.》)、BRISQUE(《Anish Mittal,Anush Krishna Moorthy,and Alan Conrad Bovik,“No-referenceimage quality assessment in the spatial domain,”IEEE Transactions on ImageProcessing,vol.21,no.12,pp.4695,2012.》)、BMPRI(《Xiongkuo Min,Guangtao Zhai,KeGu,Yutao Liu,and Xiaokang Yang,“Blind image quality estimation via distortionaggravation,”IEEE Transactions on Broadcasting,vol.64,no.2,pp.508–517,2018.》)、BPRI(《Xiongkuo Min,Ke Gu,Guangtao Zhai,Jing Liu,Xiaokang Yang,andChang Wen Chen,“Blind quality assessment based on pseudo-reference image,”IEEE Transactions on Multimedia,vol.20,no.8,pp.2049–2062,2017.》)、NFERM(《KeGu,Guangtao Zhai,Xiaokang Yang,and Wenjun Zhang,“Using free energy principlefor blind image quality assessment,”IEEE Transactions on Multimedia,vol.17,no.1,pp.50–63,2014.》)、ResNet50(《Takuya Akiba,Shuji Suzuki,and Keisuke Fukuda,“Extremely large minibatch SGD:Training resnet-50on imagenet in 15minutes,”arXiv preprint arXiv:1711.04325,2017.》)和VGG16(《Hainan Zhang,Fang Meng,andYawen Han,“No-reference image quality assessment based on a multifeatureextraction network,”in Proceedings of the International Conference on Image,Video and Signal Processing,2020,pp.81–85.》)。相应的性能比较结果如表1所示。从表1可以看出，所提出的基于Alpha稳定模型的框架无论使用何种特征，都具有一定的图像质量分数分布预测能力。
表1
同时，提出的基于Alpha稳定模型的图像质量分数分布预测框架由四个参数预测模型组成，本发明对其性能也进行了测试。相应的性能比较结果如表2所示。
表2
从这两张表中可以看出，本发明提出的特征提取方法具有很好的图像质量分数分布预测性能。通过预测图像的质量分布，不需要任何参考图像便可以得到图像对于不同分数的得分概率。
本发明上述实施例提出的一种预测图像质量分数分布模型的方法，通过提取图像的自然场景统计特征，并利用支持向量机回归，可有效地预测图像的质量分数分布。在图像处理领域，通过对图像质量分数分布的预测可以得到比MOS更多的图像信息，比如：不同分数的得分概率，观察者的多样性等等。通过这些信息来对图像进行处理，可以使得图像让更多人接受。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (10)
1.一种图像质量分数分布的预测方法，其特征在于，包括：
提取图像的自然场景统计特征；
利用提取的所述自然场景统计特征通过训练四个不同的支持向量机；
采用训练得到的所述支持向量机来预测Alpha稳定模型的四个参数，得到Alpha稳定模型；
采用得到的所述Alpha稳定模型进行图像质量分数分布的预测。
2.根据权利要求1所述的图像质量分数分布的预测方法，其特征在于，还包括：通过主观质量评价实验确定采用Alpha稳定模型来描述图像质量分数分布，所述实验包括：
从数据库中随机选取多张图像，内容包含多种不同失真类型，对于每种失真类型的图像失真程度也不同；
通过质量评价网页，采取单刺激连续质量评价方法来显示图像和收集观察者对上述图像进行质量评价给出的得分，得到每张图像的质量分数分布；
对收集到的有效的质量分数进行数据拟合分析，其中大部分图像质量分数分布服从Alpha稳定模型，确定Alpha稳定模型更适合来描述图像质量分数分布。
3.根据权利要求2所述的图像质量分数分布的预测方法，其特征在于，通过最大似然估计来对实验中每张图像的质量分数分布与Alpha稳定模型进行拟合，得到图像质量得分分布的经验概率密度函数。
4.根据权利要求3所述的图像质量分数分布的预测方法，其特征在于，所述得到图像质量得分分布的经验概率密度函数，包括：
Alpha稳定模型的特征函数为：
其中，0＜α≤2是特征参数，-1＜β＜1是偏度参数，γ＞0表示比例参数，μ是位置参数；并且
其中
对所述Alpha稳定模型的特征函数进行傅里叶逆变换，得到图像质量得分分布的经验概率密度函数：
其中α，β，γ，μ是图像质量得分分布的四个参数。
5.根据权利要求1所述的图像质量分数分布的预测方法，其特征在于，所述提取图像的自然场景统计特征，包括：从每幅图像中提取出两组离散余弦变换域的自然场景统计特征和一组空间域的自然场景统计特征。
6.根据权利要求5所述的图像质量分数分布的预测方法，其特征在于，所述两组离散余弦变换域的自然场景统计特征，其中，将提取图像以下两组特征：
(1)两个广义高斯分布的形状参数特征；
(2)四个频率变换系数特征；
所述一组空间域的自然场景统计特征，其中，将图像分解为两个尺度和六个方向，提取出七个方向选择性统计特征；
综上，从每幅图像中提取出13个特征。
7.根据权利要求1所述的图像质量分数分布的预测方法，其特征在于，采用训练得到的所述支持向量机来预测图像质量分数分布的四个参数，包括：
四个支持向量机用于学习从每幅图像中提取的自然场景统计特征到四个参数的映射，得到的四个参数的映射建立起四个参数预测模型；
这四个预测模型参数的支持向量机共同构成了基于Alpha稳定模型的图像质量分数分布预测。
8.一种图像质量分数分布的预测系统，其特征在于，包括：
特征提取模块，该模块提取图像的自然场景统计特征；
训练模块，该模块利用所述特征提取模块提取的所述自然场景统计特征通过训练四个不同的支持向量机；
预测模块，采用所述训练模块得到的所述支持向量机来预测图像质量分数分布的四个参数，最终得到基于Alpha稳定模型的图像质量分数分布。
9.一种图像质量分数分布的预测终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时用于执行权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时用于执行权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110829971.7A CN113628175B (zh) | 2021-07-22 | 2021-07-22 | 图像质量分数分布的预测方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110829971.7A CN113628175B (zh) | 2021-07-22 | 2021-07-22 | 图像质量分数分布的预测方法、系统、终端及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113628175A true CN113628175A (zh) | 2021-11-09 |
| CN113628175B CN113628175B (zh) | 2024-02-20 |
Family
ID=78380501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110829971.7A Active CN113628175B (zh) | 2021-07-22 | 2021-07-22 | 图像质量分数分布的预测方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113628175B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103647963A (zh) * | 2013-12-04 | 2014-03-19 | 北京邮电大学 | 基于GoP场景复杂度的视频质量评价方法 |
| CN105825500A (zh) * | 2016-03-10 | 2016-08-03 | 江苏商贸职业学院 | 一种对相机图像质量的评价方法与装置 |
| CN106127741A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 基于改良自然场景统计模型的无参考图像质量评价方法 |
| CN107271187A (zh) * | 2017-08-09 | 2017-10-20 | 西华大学 | 一种对汽车变速器轴承故障进行定量诊断的方法 |
| CN110297480A (zh) * | 2019-06-17 | 2019-10-01 | 重庆仲澜科技有限公司 | 基于参数优化的深度信念网络模型的te过程故障诊断方法 |
-
2021
- 2021-07-22 CN CN202110829971.7A patent/CN113628175B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103647963A (zh) * | 2013-12-04 | 2014-03-19 | 北京邮电大学 | 基于GoP场景复杂度的视频质量评价方法 |
| CN105825500A (zh) * | 2016-03-10 | 2016-08-03 | 江苏商贸职业学院 | 一种对相机图像质量的评价方法与装置 |
| CN106127741A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 基于改良自然场景统计模型的无参考图像质量评价方法 |
| CN107271187A (zh) * | 2017-08-09 | 2017-10-20 | 西华大学 | 一种对汽车变速器轴承故障进行定量诊断的方法 |
| CN110297480A (zh) * | 2019-06-17 | 2019-10-01 | 重庆仲澜科技有限公司 | 基于参数优化的深度信念网络模型的te过程故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| YANG SONG ETAL.: ""Stereoscopic image quality assessment using disparity-compensated view filtering"", 《JOURNAL OF ELECTRONIC IMAGING》, pages 023001 - 1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113628175B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | Blind quality assessment of tone-mapped images via analysis of information, naturalness, and structure | |
| US9036905B2 (en) | Training classifiers for deblurring images | |
| CN108805825B (zh) | 一种重定位图像质量评价方法 | |
| CN108510496B (zh) | 基于图像dct域的svd分解的模糊检测方法 | |
| CN112818737B (zh) | 视频识别方法、装置、存储介质及终端 | |
| CN110189341B (zh) | 一种图像分割模型训练的方法、图像分割的方法及装置 | |
| CN112184672A (zh) | 一种无参考图像质量评价方法及系统 | |
| CN113297420A (zh) | 视频图像处理方法、装置、存储介质及电子设备 | |
| CN111222530A (zh) | 一种细粒度图像分类方法、系统、装置和存储介质 | |
| Mancas | Relative influence of bottom-up and top-down attention | |
| Wang et al. | How real is reality? A perceptually motivated system for quantifying visual realism in digital images | |
| CN111914801A (zh) | 一种用于智慧教育的课堂分析方法 | |
| Nizami et al. | Impact of visual saliency on multi-distorted blind image quality assessment using deep neural architecture | |
| CN111047618A (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
| Cao et al. | Content-oriented image quality assessment with multi-label SVM classifier | |
| Zeng et al. | Screen content video quality assessment model using hybrid spatiotemporal features | |
| CN113628175A (zh) | 图像质量分数分布的预测方法、系统、终端及介质 | |
| CN111523399A (zh) | 敏感视频检测及装置 | |
| Gao et al. | Modeling image quality score distribution using alpha stable model | |
| CN110276744B (zh) | 图像拼接质量的测评方法及装置 | |
| CN114742774A (zh) | 融合局部和全局特征的无参考图像质量评价方法及系统 | |
| CN114596287A (zh) | 图像质量确定方法、装置、设备和存储介质 | |
| CN113763313A (zh) | 文本图像的质量检测方法、装置、介质及电子设备 | |
| Mittal et al. | Automatic prediction of saliency on JPEG distorted images | |
| CN113516609A (zh) | 分屏视频检测方法、装置、计算机设备和存储介质 |
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 |