[發明專利]基于互補性組合特征與多相回歸的盲圖像質量評價方法

有效

• 申請號: 201410476532.2
• 申請日: 2014-09-17
• 公開（公告）號: CN104268590B
• 公開（公告）日: 2017-08-11
• 發明（設計）人: 李宏亮;吳慶波;孟凡滿;羅雯怡;黃超;羅冰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/46
• 代理公司: 電子科技大學專利中心51203
• 代理人: 鄒裕蓉

技術領域

本發明涉及圖像處理技術，特別涉及感知視覺信號處理技術。

背景技術

圖像感知質量評價方法是實現智能圖像質量評價，網絡質量監控和圖像增強等應用的關鍵技術。目前，成熟的全參考與弱參考圖像質量評價方法要求獲取成對的原始圖像和失真圖像信息，并通過比較兩者差異來進行質量評價。然而，在實際應用當中，原始圖像的信息往往無法獲得。因此，高效的盲圖像質量評價方法便成為了該瓶頸的突破口。

盲圖像質量評價方法只需要失真圖像自身的信息即可預測其感知質量，可以應用于相機對焦的判斷、去除圖片噪聲的判斷。現有的盲圖像質量評價方法主要由兩步組成：感知質量相關特征提取和質量預測模型回歸。(1)在特征提取方面，最為廣泛采用的特征是圖像的自然場景統計信息。其主要局限是，不考慮人眼視覺感知系統的分層屬性，僅采用單一特征域(如空域、DCT域和小波域)的全局統計信息；(2)在感知質量回歸方面，現有方法主要采用單相支撐矢量回歸，即將全部訓練樣本用于學習統一的支撐矢量回歸(SVR)模型。其明顯缺陷是不考慮測試圖像的局部特性，在處理復雜的特征空間分布時無法有效擬合訓練數據。

發明內容

本發明所要解決的技術問題是，提供一種魯棒性更強的盲圖像質量評價方法。

本發明為解決上述技術問題所采樣的技術方案是，一種基于互補性組合特征與多相回歸的盲圖像質量評價方法，包括以下步驟：

步驟1)對測試圖像進行互補性組合特征提取：

1-1：將測試圖像統一轉換為YCbCr通道；

1-2：分別在亮度分量Y通道、藍色色度分量Cb通道、紅色色度分量Cr通道上計算小波域全局幅度分布特征P＝[P^Y,P^Cb,P^Cr]；

1-3：在各通道上計算局部小波域方向梯度直方圖HoG特征Q＝[Q^Y,Q^Cb,Q^Cr]；

1-4：在亮度分量Y通道上計算局部二值模式特征LBP；

1-5：將小波域全局分布特征P、局部小波域方向梯度直方圖HoG特征以及局部二值模式特征LBP聯起來得到總的互補性組合特征

步驟2)將測試圖像的互補性組合特征輸入訓練好的支持向量機SVM分類器對測試圖像進行分類，SVM分類器輸出該測試圖像所屬失真類型標簽；

步驟3)計算測試圖像與所屬失真類型中所有訓練圖像的相似度，根據相似度從大到小順序選擇前K個測試圖像組成訓練集，用訓練集訓練支持向量回歸器SVR；

步驟4)將測試圖像的互補性組合特征輸入SVR，SVR輸出測試圖像的質量打分。

傳統的特征提取方法不考慮圖像的局部空頻信息，并僅僅從單一變換域上提取特征。此外，基于單相支撐矢量回歸的預測方法在處理復雜特征空間分布時表現不理想。本發明在特征提取方面，采有互補性的全局頻域和局部空頻圖像特征，來更準確地捕捉圖像感知相關信息。在預測模型構建方面，引入多項支撐矢量回歸方案，并通過搜索每幅測試圖像的K副近鄰來構建其獨立的訓練樣本集。通過該分段回歸操作，可以有效提高感知質量預測模型的預測精度。

本發明的有益效果是，相比于現有的代表性盲圖像質量評價方法，該方法更加魯棒，并且可以取得和人工打分更一致的預測質量打分。

附圖說明

圖1為本發明示意圖。

具體實施方式

本發明首先訓練SVM分類器對圖像失真類型進行識別。這里，分類器的輸入為圖像在小波域上各個子帶的分布和HoG特征，以及空域上的LBP特征，輸出為圖像所屬失真類型的標簽。

其次，根據失真類型分類器的輸出，在測試圖像所屬的失真類型的訓練樣本內尋找其K近鄰。實施例中圖像間的相似度采用特征的卡方距離來計算。

再次，將當前測試圖像K近鄰所構建的訓練樣本集用于訓練其的專有的SVR回歸器。

最后，將每幅測試圖像的互補性組合特征輸入其專有的SVR回歸器，從而得到該測試圖像質量的預測打分。

對于SVM分類器以及SVR回歸器的訓練為本領域的常用技術手段，不在此贅述。

實施例在matlab2013a軟件平臺上進行實現，主要包括四個步驟，分別是互補性組合特征提取，失真類型分類，每種失真類型下的K近鄰搜索和計算每幅圖像的SVR輸出。具體如下：

步驟一、互補性組合特征提取，具體預測步驟如下：

第1步：將作為測試圖像的彩色圖像由RGB通道轉換為YCbCr通道。