[發明專利]基于局部平均特征值的圖像質量評價方法

有效

• 申請號: 202010590625.3
• 申請日: 2020-06-24
• 公開（公告）號: CN111862000B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 楊嘉琛;武建鵬
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06V10/772;G06V10/774
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程毓英

本發明涉及一種基于局部平均特征值的圖像質量評價方法，包括下列步驟：將圖像的像素值進行歸一化，得到歸一化后的圖像矩陣A，計算圖像矩陣A局部平均特征值LME；從歸一化得到的圖像矩陣A中，計算其幅值、方差、熵和對比度即NSS特征，結合第一步得到的圖像矩陣A的局部平均特征值，將所得到的各個特征用于稀疏字典學習；尋找與測試圖片最接近和最稀疏的特征表示；學習到的稀疏表示系數將用于計算測試圖片的質量Q。

技術領域

本發明屬圖像處理領域，涉及圖像質量評價方法。

背景技術

隨著互聯網的飛速發展以及科學技術的日益提高，許多圖像信息技術被廣泛應用。然而日常生活中人們所接觸到的圖像，其在獲取、處理、傳輸和接收的過程中，由于成像系統、處理方法、傳輸媒介和記錄設備等不完善，加之物體運動、噪聲污染等原因，都會不可避免地帶來某些圖像的失真和降質，從而影響人類對圖像的感知，因此對圖像進行質量評價就顯得很重要，有必要了解圖像的失真程度。例如，經過編碼壓縮后的失真圖像，需要對其進行圖像質量評價，以便調整相應的策略來更好地滿足服務質量的需求。

根據參考圖像的可用性，將圖像質量評價(IQA)算法分為完全參考、減少參考(需要原始圖像的完整或部分信息)和無參考操作IQA算法。由于失真圖像的原始圖像一般不存在，因此無參的質量評價是最實用的。目前質量評價的方法有許多，如可以從失真圖像中提取自然場景統計特征，并將其用于分類失真類型，進而評估失真特性；還可以使用互反奇異值曲線的面積和曲率作為質量感知特征。CN201810297714.1從圖像的灰度特征和紋理特征出發，綜合地考察細小目標特征的探測情況，同時采用灰度和紋理兩方面的特征來進行質量評價。CN201910350172.4提出一種基于信息熵的圖像質量評價方法，用于解決現有的圖像質量評價方法不能有效的評價多重失真以及去模糊失真類的圖像的問題。CN201810759247.X基于非負矩陣分解的圖像質量評價方法基礎上，利用高斯混合模型刻畫圖像的統計分布特性，設計基于互信息的視覺內容權重，進行圖像質量評價。雖然這些算法有良好的性能，但在無參質量評價方面仍有很大的發展空間，就目前的研究來看，將特征值用于圖像質量評價的研究較少，因此本發明提出一種基于特征值的有效的無參質量評價方法。

發明內容

本發明的目的是提出一種基于局部平均特征值的圖像質量評價方法，技術方案如下：

一種基于局部平均特征值的圖像質量評價方法，包括下列步驟：

第一步：將圖像的像素值進行歸一化，得到歸一化后的圖像矩陣A，計算圖像矩陣A局部平均特征值LMEs，LMEs的計算過程如下：將圖像矩陣A進行分割，將其分割為N個S*S大小的小方陣，計算每個小方陣的S個特征值，然后求它們的平均值，即得到圖像矩陣A的局部平均特征值；

第二步：從歸一化得到的圖像矩陣A中，計算其幅值、方差、熵和對比度即NSS特征，其中的NSS特征為從HSV色彩空間中計算分割后圖像的對比度特征，結合第一步得到的圖像矩陣A的局部平均特征值，將所得到的各個特征用于稀疏字典學習，對于稀疏字典學習，結合50％訓練集的特征構造字典D，字典D可表示為：

其中D是一個M×N矩陣，M為特征數量，N是構造字典所使用的訓練圖像的數量，字典D的每個元素代表特征；

第三步：尋找與測試圖片最接近和最稀疏的特征表示f＝(f₁,f₂,...,f_M)，使用字典D求解下列公式：

公式(1)采用最小絕對收斂和選擇算子求解，其中η^*＝(η₁^*,η₂^*,...,η_N^*)是稀疏表示系數，R^N代表R維實數空間，β為一個常數，用于平衡兩項的權重；