[發明專利]一種特征字典映射的圖像盲評價方法和裝置

在審

• 申請號: 201811556919.3
• 申請日: 2018-12-19
• 公開（公告）號: CN109635874A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 王偉;王躍利
• 申請（專利權）人: 中國人民解放軍軍事科學院評估論證研究中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/10
• 代理公司: 北京東正專利代理事務所(普通合伙) 11312
• 代理人: 李夢福

1.一種特征字典映射的圖像盲評價方法，其特征在于，該圖像盲評價方法包括：

S1：根據LIVE圖像數據庫，提取訓練圖像的特征；

S2：根據訓練圖像提取的特征，獲得圖像的質量等級模型字典；

S3：根據質量等級模型字典，評價任意待評價圖像的質量。

2.根據權利要求1所述特征字典映射的圖像盲評價方法，其特征在于，步驟S1的具體過程包括：

S11：對訓練圖像進行高斯濾波，得到訓練濾波圖像；所述訓練圖像為LIVE圖像數據庫中具有人類打分數據的圖像；

S12：將訓練濾波圖像分割成互相重疊的圖像塊；

S13：從各訓練濾波圖像塊中提取局部特征；

S14：從各訓練濾波圖像塊中提取全局特征；

S15：由所述全局特征和所述局部特征共同組成該圖像塊的特征向量。

3.根據權利要求2所述特征字典映射的圖像盲評價方法，其特征在于，步驟S13中采用顯著性準則和梯度幅值準則提取局部特征；

所述顯著性準則為：

S(x,y)＝‖I_μ-I_ωhc(x,y)‖

其中，(x,y)為二維圖像中的橫縱坐標點；S(x,y)為(x,y)點的顯著性；I_μ是圖像塊局部特征的均值；I_ωhc(x,y)為訓練圖像進行高斯模糊后(x,y)點的像素值；||*||是L2范數；

所述梯度幅值準則為：

其中，G_x為訓練圖像相應像素位置的水平梯度；G_y為訓練圖像相應像素位置的垂直梯度；

和/或，

步驟S14中采用無參考圖像質量評價BRISQUE模型提取圖像塊所有像素值的峭度值S和峰度值K的統計特性作為全局特征；

所述的峭度值S為：

所述的峰度值K為：

其中，和SD分別代表著整幅圖像像素灰度值的均值和方差，n為像素數目。

4.根據權利要求2所述特征字典映射的圖像盲評價方法，其特征在于，步驟S2的具體過程包括：

S21：對于訓練濾波圖像及其對應訓練圖像，計算相似度；相似度的計算表達式為：

其中，s_i為第i個圖像塊的相似度；r_i為訓練圖像的第i個圖像塊；d_i為退化圖像的第i個圖像塊；P(r_i)為中心點r_i的相位一致性；P(d_i)為中心點r_i的梯度幅值；m和n是正值常量；

S22：用池化策略對相似度進行歸一化，得到歸一化得分；歸一化計算公式如下：

其中，c為常數；

S23：對歸一化后的圖像塊按分數進行分組；分組計算公式如下：

q_l＝1/L，l＝1,2,…,L

其中，q_l為第l個等級；Q_l為第l個組；

S24：用K均值聚類算法計算每一組圖像的特征向量類心，即為質量等級模型字典；

其中，Q_l,k是Q_l組中第k個類。

5.根據權利要求4所述特征字典映射的圖像盲評價方法，其特征在于，步驟S3的具體過程包括：

S31：對任意待評價圖像進行高斯濾波，得到待評價濾波圖像；

S32：將待評價濾波圖像分割成互相重疊的圖像塊；

S33：從各待評價圖像塊中提取局部特征；

S34：從各待評價圖像塊中提取全局特征；

S35：由全局特征和局部特征共同組成待評圖像塊的特征向量；

S36：歸一化待評價圖像塊；

S37：用K均值聚類算法聚類計算待評價圖像塊特征向量類心，以及計算待評圖像塊特征向量類心與各字典類心的距離；

S38：將兩個最小距離的倒數之和歸一化，加權平均乘以對應類心質量作為待評價圖像塊的質量；

S39：對所有待評價圖像塊求平均值，得到整幅待評價圖像的質量。