[發明專利]一種用于無參考圖像質量評價的特征構建方法

有效

• 申請號: 201410029622.7
• 申請日: 2014-01-22
• 公開（公告）號: CN103778636B
• 公開（公告）日: 2017-10-31
• 發明（設計）人: 宋利;陳忱
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 上海漢聲知識產權代理有限公司31236
• 代理人: 郭國中

技術領域

本發明涉及一種圖像處理技術領域的方法，具體是一種用于無參考圖像質量評價的特征構建方法。

背景技術

無參考圖像質量評價直接對輸入圖像進行分析，進而做出質量好壞評價。由于不需要原始圖像源信息，對于實際應用非常方便。無參考客觀圖像質量評價方法分為兩大類，第一類是基于訓練模型的，這種方法往往根據具體失真種類提取一些特征，然后通過訓練模型得到特征與預測主觀分值的映射關系，不便之處在于對于不同失真都要設計方法提取相應特征，通用性比較差；另一類基于圖像的自然統計特征，這種方法認為失真圖像相對于無損圖像一些特征存在著差異，并且這種差異會根據失真種類，損傷程度的不同而改變，從而能夠通過這些特征評估圖像的質量，此類方法無需知道圖像的失真種類，通用性較強。

通過對現有文獻的檢索，目前無參考圖像質量評價的代表性方法是Anish Mittal等人在2012年IEEE Transactions on Image Processing,vol.21(12),pp.4695-4708（2012年IEEE圖像處理會刊第21卷12期，4695至4708頁）上發表的“No-reference image quality assessment in the spatial domain（空間域無參考圖像質量評價）”一文中提出的一種用于無參考圖像質量評價的自然圖像統計特征構建方法(簡稱為BRISQUE)。該方法直接對多個不同尺度或方位的預處理圖像擬合廣義高斯分布模型，將模型參數共計36個系數值作為圖像自然統計特征，采用支持向量機(Support Vector Machine,簡稱SVM)進行模型訓練和測試。然而擬合廣義高斯分布模型的步驟對輸入圖像做了過強的假設，不可避免地降低了圖像的原始信息量，進而影響了模型的精度。

發明內容

本發明在現有基于自然統計特性的無參考客觀質量評價方法的基礎上，設計了一種新的特征構建方法，可以保留很多圖像的原始信息量，可以獲得更高的圖像質量評價效果。

本發明在Anish Mittal等人方法的基礎上，簡化了特征提取方法，創新點在于：用分布直方圖參數取代了廣義高斯分布參數，廣義高斯分布參數屬于粗粒度的特征因而會損失部分原始圖像的信息；而本發明在預處理圖像上直接構建串聯直方圖特征，盡可能地保留原始圖像的統計特性，進而降低了復雜度并提升了泛化特能。

為實現上述目的，本發明采用以下技術方案：

一種用于無參考圖像質量評價的特征構建方法，該方法包括如下步驟：

1）圖像預處理，得到均值對比度歸一化（Mean Subtracted Contrast Normalized，簡稱MSCN）圖像；

本步驟中，對于原圖I(i,j),用下列公式進行預處理，從而得到均值對比度歸一化的MSCN圖像：

其中，i,j是像素坐標，i∈1,2,…,M,j∈1,2,…,N;M,N分別是圖像的長寬;C=1防止分母為零;I′是MSCN圖像；μ(i,j)和σ(i,j)通過如下公式獲得：

其中w={w_k,l|k=-K,…,K,l=-L,…,L}是二維高斯窗口；K=L=3；μ(i,j)是在窗口內的局部均值,σ(i,j)是窗口內的局部方差；

2）計算MSCN圖像與鄰域MSCN圖像的乘積圖像：水平H，垂直V，正斜D1，反斜D2，乘積圖像的公式如下：

H(i,j)=I′(i,j)I′(i,j+1)

V(i,j)=I′(i,j)I′(i+1,j)

D1(i,j)=I′(i,j)I′(i+1,j+1)

D2(i,j)=I′(i,j)I′(i+1,j-1)

3）統計MSCN圖像以及H,V,D1,D2四個方向MSCN乘積圖像的直方圖；

4）在多個尺度下重復執行1)-3)，并將所有直方圖串行排列起來，形成串聯直方圖，作為圖像質量評價的特征。

進一步的，所述方法用于無參考圖像質量評價時，對訓練圖像庫中的圖像提取串聯直方圖特征，并可以將其與主觀分值一起放入分類器中進行訓練，得到預測模型；利用典型的分類器，如SVM或者神經網絡進行模型訓練，并用于圖像質量評價。

與現有技術相比，本發明具有如下的有益效果：

本發明提取的自然統計特征保留了原始圖像的很多信息，因此用來評價圖像質量能夠獲得更好的效果，具有更好的泛化性能。

附圖說明