[發明專利]基于威布爾統計特征的內容不敏感模糊圖像質量評價方法

有效

• 申請號: 201710052877.9
• 申請日: 2017-01-24
• 公開（公告）號: CN106875383B
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 鄧宸偉;王水根;周士超;李震;趙保軍
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/44
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 代麗;仇蕾安

1.一種基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，包括如下步驟：

步驟1，將待評價圖像轉化為灰度圖像，提取灰度圖像的梯度幅值矩陣；

步驟2，采用威布爾分布模型對步驟1獲得的梯度幅值矩陣進行建模擬合，得到梯度的威布爾分布形狀和尺度參數，并計算威布爾分布形狀的偏斜度；

步驟3，提取訓練樣本集中與待評價圖像內容相同的模糊圖像，并將這些模糊圖像和待評價圖像的威布爾分布形狀、尺度和偏斜度進行分離歸一化；

步驟4，以待評價圖像的歸一化后的威布爾分布形狀、尺度和偏斜度為特征值，利用改進的稀疏超限學習機回歸模型對待評價圖像進行質量評價；

其中，改進的稀疏超限學習機的優化目標是：

其中，γ是學習機輸出層權重，|| ||₂表示二范數，|| ||₁表示一范數；H為學習機網絡隱層輸出矩陣，Y為訓練目標值，C是訓練誤差項的懲罰因子，λ₁、λ₂為控制系數；λ₁用于控制類間距離；λ₂用于控制學習機的稀疏性；C的取值在[10⁰,…,10¹⁰]范圍內，λ₁和λ₂在0～10之間取值。

2.如權利要求1所述的基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，利用評價模型進行評價，并事先利用訓練樣本集對評價模型進行訓練，其中，對訓練樣本集中具有相同內容的樣本圖像的威布爾分布形狀、尺度和偏斜度進行分離歸一化，然后以訓練樣本集中樣本圖像的主觀質量評價值作為目標值，將目標值和對應樣本圖像的歸一化后的特征值作為輸入，進行訓練。

3.如權利要求1或2所述的基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，所述稀疏超限學習機的網絡隱層節點數取樣本數的0.5-2倍。

4.如權利要求1所述的基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，所述步驟1中，分別用水平x方向和豎直y方向的Prewitt濾波器h_x、h_y計算圖像I在水平方向和豎直方向的梯度，然后計算每個像素點(i,j)的梯度幅值GM(i,j)：

其中，表示卷積。

5.如權利要求4所述的基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，

6.如權利要求1所述的基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，所述步驟2中，偏斜度η的計算方法為：

其中，GM為灰度圖像的梯度幅值矩陣；μ₃是GM的三階矩，σ是GM的標準差，n是矩陣GM中的元素個數；GM_i為矩陣GM中第i個元素，為矩陣GM中所有元素的均值。