[發(fā)明專利]基于多重曲率張量稀疏分解的無(wú)參考圖像清晰度評(píng)價(jià)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110226210.2
• 申請(qǐng)日: 2021-03-01
• 公開(kāi)（公告）號(hào): CN112819822A
• 公開(kāi)（公告）日: 2021-05-18
• 發(fā)明（設(shè)計(jì)）人: 毛凌航;汪斌;陳淑聰;姜飛龍;徐翹楚;李興隆;張奧
• 申請(qǐng)（專利權(quán)）人: 嘉興學(xué)院
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/64;G06K9/62
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 邱啟旺

本發(fā)明公開(kāi)了一種基于多重曲率張量稀疏分解的無(wú)參考圖像清晰度評(píng)價(jià)方法，該方法首先提取圖像的多重曲率，并用多重曲率組合成曲率張量；然后利用張量分解稀疏系數(shù)能量與圖像清晰度正向相關(guān)的特性，采用多重曲率特征學(xué)習(xí)得到張量字典；最后利用圖像灰度的方差與圖像清晰度的反向相關(guān)的特性，用圖像灰度的方差來(lái)表征圖像復(fù)雜度，采用張量分解稀疏系數(shù)能量與圖像灰度方差的比值作為最終的圖像清晰度評(píng)價(jià)標(biāo)準(zhǔn)，得到的客觀清晰度評(píng)價(jià)結(jié)果值越大，圖像越清晰。本發(fā)明充分利用圖像的多重曲率特征，避免采用單一梯度特征帶來(lái)的清晰度評(píng)價(jià)精度不高的缺點(diǎn)，分解得到的稀疏系數(shù)更能表征圖像結(jié)構(gòu)和清晰度特征，提高了圖像清晰度評(píng)價(jià)精度。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理領(lǐng)域，尤其涉及一種基于多重曲率張量稀疏分解的無(wú)參考圖像清晰度評(píng)價(jià)方法。

背景技術(shù)

圖像質(zhì)量評(píng)價(jià)是圖像處理領(lǐng)域的關(guān)鍵問(wèn)題，圖像質(zhì)量評(píng)價(jià)方法根據(jù)是否有人的參與可分成主觀圖像質(zhì)量評(píng)價(jià)方法和客觀圖像質(zhì)量評(píng)價(jià)方法。主觀圖像質(zhì)量評(píng)價(jià)方法由人對(duì)圖像進(jìn)行打分，評(píng)價(jià)結(jié)果精確，但評(píng)價(jià)過(guò)程復(fù)雜，耗時(shí)時(shí)間長(zhǎng)，難以得到實(shí)時(shí)應(yīng)用。客觀圖像質(zhì)量評(píng)價(jià)方法無(wú)需人的參與，通過(guò)特定的計(jì)算機(jī)算法自動(dòng)預(yù)測(cè)圖像質(zhì)量，根據(jù)是否使用原始無(wú)失真圖像作為參考圖像，可將圖像質(zhì)量評(píng)價(jià)方法分成全參考圖像質(zhì)量評(píng)價(jià)方法，半?yún)⒖紙D像質(zhì)量評(píng)價(jià)方法和無(wú)參考圖像質(zhì)量評(píng)價(jià)方法。全參考圖像質(zhì)量評(píng)價(jià)算法使用參考圖像的所有信息預(yù)測(cè)圖像質(zhì)量，半?yún)⒖紙D像質(zhì)量評(píng)價(jià)方法采用參考圖像的部分信息進(jìn)行圖像質(zhì)量預(yù)測(cè)，無(wú)參考圖像質(zhì)量評(píng)價(jià)方法不使用參考圖像的任何信息進(jìn)行圖像質(zhì)量評(píng)價(jià)。傳統(tǒng)的全參考圖像質(zhì)量評(píng)價(jià)方法采用均方誤差(Mean Square Error，MSE)或峰值信噪比(PeakSignal to Noise Ratio，PSNR)進(jìn)行圖像質(zhì)量評(píng)價(jià)，該方法物理意義明確，算法簡(jiǎn)單，但存在與人眼主觀視覺(jué)特性不匹配等缺點(diǎn)。針對(duì)傳統(tǒng)全參考圖像質(zhì)量評(píng)價(jià)方法以上缺點(diǎn)，Wang提出一種基于結(jié)構(gòu)相似度(structural similarity index，SSIM)的全參考圖像質(zhì)量評(píng)價(jià)模型，但SSIM對(duì)模糊圖像評(píng)價(jià)效果不太理想，特別是對(duì)于嚴(yán)重模糊的圖像評(píng)價(jià)效果與主觀視覺(jué)感受不符。當(dāng)前的無(wú)參考圖像質(zhì)量評(píng)價(jià)方法可以分成基于特定失真類型的方法和通用型方法，基于特定失真類型的方法主要面向特定失真類型，如清晰度、塊效應(yīng)、噪聲等；而通用型方法對(duì)所有失真類型進(jìn)行圖像質(zhì)量評(píng)價(jià)。本發(fā)明涉及一種無(wú)參考圖像清晰度評(píng)價(jià)方法。

圖像清晰度主要和模糊失真相關(guān)，圖像模糊是一種主要的圖像失真，模糊失真主要由圖像壓縮、攝像機(jī)運(yùn)動(dòng)、目標(biāo)運(yùn)動(dòng)或攝像機(jī)聚焦不良引起，針對(duì)圖像模糊度評(píng)價(jià)，李雷達(dá)[中國(guó)專利公開(kāi)號(hào)CN104134204A]提出一種基于稀疏分解的無(wú)參考圖像模糊度評(píng)價(jià)方法，該方法將圖像分塊后，對(duì)圖像塊進(jìn)行稀疏分解得到稀疏系數(shù)，采用稀疏系數(shù)能量進(jìn)行模糊度評(píng)價(jià)；Mahdi[Mahdi S.Hosseini,Yueyang Zhang,Konstantinos N.Plataniotis,Encoding Visual Sensitivity by MaxPol Convolution Filters for Image SharpnessAssessment,IEEE Transactions on Image Processing,2019.]采用卷積濾波器模擬人眼視覺(jué)特性，并采用有限長(zhǎng)單位沖激響應(yīng)(Finite Impulse Response,FIR)濾波器的線性組合對(duì)圖像進(jìn)行濾波提取特征進(jìn)行清晰度評(píng)價(jià)；Yaoqing Li[Yaoqing Li,Zhaoyang Wang,Guangzhe Dai,Shibin Wu,Shaode Yu,Yaoqin Xie,Evaluation of realistic blurringimage quality by using a shallow convolutional neural network,2017,IEEEInternational Conference on Information and Automation,853-857.]采用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)圖像邊緣強(qiáng)度進(jìn)行圖像清晰度評(píng)價(jià)；以上方法把圖像作為二維矩陣進(jìn)行處理，提取的大多是一階圖像特征。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于多重曲率張量稀疏分解的無(wú)參考圖像清晰度評(píng)價(jià)方法。本發(fā)明的預(yù)測(cè)效果相對(duì)于現(xiàn)有技術(shù)更精確。