[發明專利]基于小波統計特征的無參考噪聲圖像質量評價方法

在審

• 申請號: 201710052890.4
• 申請日: 2017-01-24
• 公開（公告）號: CN106778917A
• 公開（公告）日: 2017-05-31
• 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: G06K9/62
• 分類號: G06K9/62;G06T7/00
• 代理公司: 北京理工大學專利中心11120
• 代理人: 代麗,仇蕾安

1.一種基于小波高頻子帶統計特征的無參考噪聲圖像質量評價方法，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，對灰度圖像進行小波分解；

步驟2，將小波分解得到的高頻子帶系數組合成新的系數矩陣，計算新的系數矩陣的矩陣元素分布峰態值；

步驟3，以步驟2得到的分布峰態值為待評價圖像的特征值，對待評價圖像進行質量評價。

2.如權利要求1所述的基于小波高頻子帶統計特征的無參考噪聲圖像質量評價方法，其特征在于，所述步驟1中，將待評價圖像轉化為灰度圖像后，計算灰度圖像的均值；將灰度圖像減去所述均值，得到差值圖像；對差值圖像進行一級小波分解。

3.如權利要求1所述的基于小波高頻子帶統計特征的無參考噪聲圖像質量評價方法，其特征在于，采用Daubechies D8小波進行小波分解。

4.如權利要求1所述的基于小波高頻子帶統計特征的無參考噪聲圖像質量評價方法，其特征在于，所述步驟3中，利用超限學習機、BP神經網絡或SVM算法回歸模型對待評價圖像進行評價。

5.如權利要求4所述的基于小波高頻子帶統計特征的無參考噪聲圖像質量評價方法，其特征在于，利用超限學習機進行評價時，事先利用訓練樣本集對超限學習機進行訓練，其中，以訓練樣本集中樣本圖像的主觀質量評價值作為目標值，將樣本圖像的目標值和特征值作為輸入，對超限學習機進行訓練。

6.如權利要求5所述的基于小波高頻子帶統計特征的無參考噪聲圖像質量評價方法，其特征在于，所述超限學習機的網絡隱層節點數取訓練樣本集中樣本總個數的0.5～2倍。

7.如權利要求1～6任意一項所述的基于小波高頻子帶統計特征的無參考噪聲圖像質量評價方法，其特征在于，步驟2中，所述分布峰態值計算方法如下：

$K\left(C\right)=\frac{\frac{1}{n}{\Σ}_{i=1}^n{(C_i-\stackrel{\‾}{C})}^4}{{\left(\frac{1}{n}{\Σ}_{i=1}^n{\left(C_i-\stackrel{\‾}{C}\right)}^2\right)}^2}-3$

其中，K(C)為系數矩陣C的矩陣元素分布峰態值；n為系數矩陣C中元素的總個數；C_i為系數矩陣C中的第i個元素，為系數矩陣C中所有元素的均值。