[發(fā)明專利]一種基于灰度差分統(tǒng)計的無參考圖像質(zhì)量評價方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710973078.5
• 申請日: 2017-10-18
• 公開（公告）號: CN109685757B
• 公開（公告）日: 2021-04-02
• 發(fā)明（設(shè)計）人: 李鵬
• 申請（專利權(quán)）人: 航天信息股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N20/10
• 代理公司: 北京工信聯(lián)合知識產(chǎn)權(quán)代理有限公司 11266
• 代理人: 郭一斐;葉萬東

本發(fā)明公開了一種基于灰度差分統(tǒng)計的無參考圖像質(zhì)量評價方法，包括：根據(jù)預(yù)設(shè)次數(shù)N對所述訓(xùn)練數(shù)據(jù)集中的每個失真圖像連續(xù)進行N次低通濾波和下采樣處理，分別獲取所述訓(xùn)練數(shù)據(jù)集中的每個失真圖像的第2至N+1尺度圖像；計算訓(xùn)練數(shù)據(jù)集中的每個失真圖像和對應(yīng)的第2至N+1尺度圖像的局部二值模式圖譜；計算所述局部二值模式圖譜的灰度差值，并對所述灰度差值進行統(tǒng)計，獲取灰度差概率分布函數(shù)；基于灰度差概率分布函數(shù)，構(gòu)造統(tǒng)計量，獲取特征向量；將所述特征向量和每個失真圖像的主觀質(zhì)量分數(shù)利用支持向量回歸機SVM進行訓(xùn)練，確定特征向量和主觀質(zhì)量分數(shù)的映射關(guān)系模型；利用所述映射關(guān)系模型對測試圖像的質(zhì)量分數(shù)進行評價，獲取評價結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像研究領(lǐng)域，并且更具體地，涉及一種基于灰度差分統(tǒng)計的無參考圖像質(zhì)量評價方法及系統(tǒng)。

背景技術(shù)

互聯(lián)網(wǎng)技術(shù)的發(fā)展和普及，豐富了人們的日常，方便了人與人之間的交流溝通，特別是圖像和視頻等多媒體內(nèi)容的大量傳輸，給我們帶來了極大的視覺享受。但是在圖像的采集、傳輸和存儲等過程中，圖像常常被引入不同類型和不同程度的失真，導(dǎo)致圖像質(zhì)量的下降，影響了圖像的觀看效果。為了提高圖像處理系統(tǒng)和圖像傳輸系統(tǒng)的性能，需要對圖像的質(zhì)量進行有效的評判，因此，建立合理有效的圖像質(zhì)量評價方法十分重要。

圖像質(zhì)量評價算法可以分為主觀圖像質(zhì)量評價方法和客觀圖像質(zhì)量評價方法。主觀圖像質(zhì)量評價方法要求被試直接觀看圖像并對圖像的質(zhì)量進行評價，這種方法耗時耗力，因此不適宜應(yīng)用在實際的圖像處理和圖像傳輸系統(tǒng)中。客觀圖像質(zhì)量評價方法通過建立數(shù)學(xué)模型，對圖像的質(zhì)量進行計算，可以實現(xiàn)大量圖像質(zhì)量的實時評價。根據(jù)可利用的參考圖像信息的多少，圖像質(zhì)量評價方法可以分為以下三種：全參考、半?yún)⒖己蜔o參考圖像質(zhì)量評價方法。在工程應(yīng)用中，一般無法獲得原始圖像，因此，無參考圖像質(zhì)量評價是圖像質(zhì)量評價領(lǐng)域研究的重點。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于灰度差分統(tǒng)計的無參考圖像質(zhì)量評價方法及系統(tǒng)，以解決對圖像質(zhì)量評價的確定問題。

為了解決上述問題，根據(jù)本發(fā)明的一個方面，提供了一種基于灰度差分統(tǒng)計的無參考圖像質(zhì)量評價方法，所述方法包括：

根據(jù)預(yù)設(shè)次數(shù)N對所述訓(xùn)練數(shù)據(jù)集中的每個失真圖像連續(xù)進行N次低通濾波和下采樣處理，分別獲取所述訓(xùn)練數(shù)據(jù)集中的每個失真圖像的第2至N+1尺度圖像；

計算訓(xùn)練數(shù)據(jù)集中的每個失真圖像和對應(yīng)的第2至N+1尺度圖像的局部二值模式圖譜；

計算所述訓(xùn)練數(shù)據(jù)集中的每個失真圖像和對應(yīng)的第2至N+1尺度圖像的局部二值模式圖譜的灰度差值，并對所述灰度差值進行統(tǒng)計，獲取灰度差概率分布函數(shù)；

基于灰度差概率分布函數(shù)，構(gòu)造統(tǒng)計量，獲取所述訓(xùn)練數(shù)據(jù)集中的每個失真圖像和對應(yīng)的第2至N+1尺度圖像的特征向量；

將所述訓(xùn)練數(shù)據(jù)集中的每個失真圖像和對應(yīng)的第2至N+1尺度圖像的特征向量和每個失真圖像的主觀質(zhì)量分數(shù)利用支持向量回歸機SVM進行訓(xùn)練，確定特征向量和主觀質(zhì)量分數(shù)的映射關(guān)系模型；

利用所述特征向量和主觀質(zhì)量分數(shù)的映射關(guān)系模型對測試圖像的質(zhì)量分數(shù)進行評價，獲取評價結(jié)果。

優(yōu)選地，其中所述預(yù)設(shè)次數(shù)為4次。

優(yōu)選地，其中所述局部二值模式的半徑為1，鄰域點個數(shù)為8。

優(yōu)選地，其中所述計算所述訓(xùn)練數(shù)據(jù)集中的每個失真圖像和對應(yīng)的第2至N+1尺度圖像的局部二值模式圖譜的灰度差分值，并對所述灰度拆分值進行統(tǒng)計，獲取灰度差概率分布函數(shù)，包括：

記失真圖像為I(x,y)，對應(yīng)的局部二值模式圖譜為I_lbp，(x,y)為I_lbp圖像中的一點，點(x,y)對應(yīng)的灰度值為g(x,y)，與(x,y)間隔為(Δx,Δy)的點的灰度值為g(x+Δx,y+Δy)，則兩個像素點的灰度差值為：