[發(fā)明專利]一種繪制圖像質(zhì)量評價方法

在審

• 申請?zhí)枺?/td>: 201910333531.5
• 申請日: 2019-04-24
• 公開（公告）號: CN110223268A
• 公開（公告）日: 2019-09-10
• 發(fā)明（設(shè)計）人: 邵楓;王雪津;李福翠
• 申請（專利權(quán)）人: 寧波大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/45;G06T7/90
• 代理公司: 寧波奧圣專利代理事務(wù)所(普通合伙) 33226
• 代理人: 周玨

1.一種繪制圖像質(zhì)量評價方法，其特征在于包括以下步驟：

步驟一：令I(lǐng)_org表示原始圖像，令I(lǐng)_syn表示I_org對應(yīng)的繪制圖像；將I_org中坐標位置為(x,y)的像素點的像素值記為I_org(x,y)，將I_syn中坐標位置為(x,y)的像素點的像素值記為I_syn(x,y)；其中，1≤x≤W，1≤y≤H，W表示I_org和I_syn的寬度，H表示I_org和I_syn的高度；

步驟二：采用SIFT-Flow方法，建立I_org與I_syn之間的匹配關(guān)系，得到I_org中的每個像素點的SIFT-Flow向量，將I_org中坐標位置為(x,y)的像素點的SIFT-Flow向量記為然后根據(jù)I_org中的所有像素點的SIFT-Flow向量，從I_org中重構(gòu)得到重構(gòu)繪制圖像，記為將中坐標位置為的像素點的像素值記為其中，用于表示水平方向，用于表示垂直方向，表示v_O(x,y)的水平偏移量，表示v_O(x,y)的垂直偏移量，中的“＝”為賦值符號；

步驟三：計算I_syn與的殘差圖像，記為I_dif，將I_dif中坐標位置為(x,y)的像素點的像素值記為I_dif(x,y)，然后將I_dif劃分成個互不重疊的尺寸大小為16×16的子塊；再從I_dif中的所有子塊中提取出所有屬于關(guān)鍵區(qū)域的子塊，若I_dif中的任一個子塊中的所有像素點中像素值不為0的像素點的個數(shù)大于T₂，則確定該子塊屬于關(guān)鍵區(qū)域，將I_dif中的所有屬于關(guān)鍵區(qū)域的子塊構(gòu)成的集合記為其中，符號“| |”為取絕對值符號，表示中坐標位置為(x,y)的像素點的像素值，符號為向下取整運算符號，T₁和T₂均為閾值；

步驟四：根據(jù)I_syn和及計算I_syn的紋理失真，記為Q_tex；并根據(jù)I_org中的像素點的SIFT-Flow向量和I_dif中的子塊，計算I_syn的幾何失真，記為Q_gem；

步驟五：根據(jù)Q_tex和Q_gem，獲取I_syn的特征矢量，記為Q，Q＝[Q_tex,Q_gem]；其中，Q的維數(shù)為2×1，[Q_tex,Q_gem]表示將Q_tex和Q_gem連接起來形成一個特征矢量；

步驟六：將n幅繪制圖像構(gòu)成繪制圖像集合；然后采用主觀質(zhì)量評價方法，獲取繪制圖像集合中的每幅繪制圖像的主觀評分差值，將繪制圖像集合中的第g₁幅繪制圖像的主觀評分差值記為并按照步驟一至步驟五的過程，以相同的方式獲取繪制圖像集合中的每幅繪制圖像的特征矢量，將繪制圖像集合中的第g₁幅繪制圖像的特征矢量記為其中，n為正整數(shù)，n＞1，g₁為正整數(shù)，g₁的初始值為1，1≤g₁≤n，的維數(shù)為2×1；

步驟七：隨機選擇繪制圖像集合中的m幅繪制圖像構(gòu)成訓練集，將繪制圖像集合中剩余的n-m幅繪制圖像構(gòu)成測試集；然后將訓練集中的所有繪制圖像的特征矢量和主觀評分差值構(gòu)成訓練樣本數(shù)據(jù)集合；接著采用支持向量回歸作為機器學習的方法，對訓練樣本數(shù)據(jù)集合中的所有特征矢量進行訓練，使得經(jīng)過訓練得到的回歸函數(shù)值與主觀評分差值之間的誤差最小，擬合得到最優(yōu)的權(quán)重矢量w^opt和最優(yōu)的偏置項b^opt；再利用得到的最優(yōu)的權(quán)重矢量w^opt和最優(yōu)的偏置項b^opt，構(gòu)造繪制圖像的支持向量回歸訓練模型，記為f(F_inp)，其中，m為正整數(shù)，m∈[1,n)，f()為函數(shù)表示形式，F(xiàn)_inp表示繪制圖像的支持向量回歸訓練模型的輸入矢量，為繪制圖像的特征矢量，F(xiàn)_inp的維數(shù)為2×1，(w^opt)^T為w^opt的轉(zhuǎn)置，表示繪制圖像的支持向量回歸訓練模型的輸入矢量F_inp的線性函數(shù)；

步驟八：將測試集中的所有繪制圖像的特征矢量構(gòu)成測試樣本數(shù)據(jù)集合；然后根據(jù)構(gòu)造得到的繪制圖像的支持向量回歸訓練模型，對測試樣本數(shù)據(jù)集合中的每個特征矢量進行測試，預(yù)測得到測試樣本數(shù)據(jù)集合中的每個特征矢量對應(yīng)的繪制圖像的客觀質(zhì)量評價預(yù)測值，將測試樣本數(shù)據(jù)集合中的第q個特征矢量對應(yīng)的繪制圖像的客觀質(zhì)量評價預(yù)測值記為其中，q為正整數(shù)，q的初始值為1，1≤q≤n-m，F(xiàn)_q表示測試樣本數(shù)據(jù)集合中的第q個特征矢量，F(xiàn)_q的維數(shù)為2×1，表示F_q的線性函數(shù)；

步驟九：重復(fù)執(zhí)行步驟七至步驟八共Num次，并使繪制圖像集合中的每幅繪制圖像至少有一次屬于測試集，經(jīng)過Num次執(zhí)行后計算繪制圖像集合中的每幅繪制圖像的若干個客觀質(zhì)量評價預(yù)測值的平均值，再將繪制圖像集合中的每幅繪制圖像的客觀質(zhì)量評價預(yù)測值的平均值作為該幅繪制圖像的最終的客觀質(zhì)量評價預(yù)測值；其中，Num＞1。