一種基于梯度信息的無參考圖像質(zhì)量評價方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種圖像質(zhì)量評價方法，尤其是設(shè)及一種基于梯度信息的無參考圖像 質(zhì)量評價方法。
【背景技術(shù)】
[0002] 圖像質(zhì)量是評價圖像處理系統(tǒng)及算法優(yōu)劣的主要性能指標。圖像質(zhì)量評價方法可 W分為兩類：主觀評價方法和客觀評價方法。前者是由觀察者對圖像質(zhì)量進行評分，得到 平均評價分用W衡量圖像質(zhì)量；后者利用數(shù)學(xué)模型計算圖像質(zhì)量。主觀評價方法的實驗結(jié) 果比較可靠，但費時費力?？陀^評價方法又可分為=類；全參考圖像質(zhì)量評價方法、半?yún)⒖?圖像質(zhì)量評價方法和無參考圖像質(zhì)量評價方法，當前研究最多的是全參考圖像質(zhì)量評價方 法，但是該類方法要求評價時必須要有原始參考圖像進行比較，且參考圖像須是清晰質(zhì)量 較好的，而在一些實際應(yīng)用場景中無法獲得參考圖像，該就制約了該類方法的使用。無參考 圖像質(zhì)量評價方法不需要原始參考圖像，只需待測圖像就可W進行評價，可W適應(yīng)較多的 應(yīng)用場合。因此無參考圖像質(zhì)量評價方法的研究更具實用價值。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術(shù)問題是提供一種基于梯度信息的無參考圖像質(zhì)量評價方 法，其能夠充分考慮到梯度結(jié)構(gòu)改變對視覺質(zhì)量的影響，從而能夠提高客觀評價結(jié)果與主 觀感知之間的相關(guān)性。
[0004]本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為；一種基于梯度信息的無參考圖像 質(zhì)量評價方法，其特征在于包括W下步驟：
[000引①令{Id(i，j)}表示待評價的失真圖像，其中，1《i《w，l《j《H，W表示 {Id(iJ)}的寬度，H表示{Id(iJ)}的高度，Id(iJ)表示中坐標位置為（iJ) 的像素點的像素值；
[000引②對{Id(i，j)}實施梯度濾波，得到山(i，j)}的梯度信息的幅值圖像和 {Id(i，j)}的梯度信息的相位圖像，對應(yīng)記為（Md(i，j)}和{妍化乃}，其中，Md(i，j)表示 {Md(i，j)}中坐標位置為（i，j)的像素點的像素值，表示{腳0'，乃}中坐標位置為 (i，j)的像素點的像素值；
[0007] ⑨采用局部二值化模式操作對{Md(i，j)}進行處理，得到{Md(i，j)}的局部二 值化模式特征圖像，記為{LBP"(i，j)};同樣，采用局部二值化模式操作對{斯化J')}進行 處理，得到柄化堿的局部二值化模式特征圖像，記為{^^忍戶茄對；其中，LBPM(i，_]?)表示(LBP"(i，j)}中坐標位置為（ij)的像素點的像素值，LBP"(iJ) G [0，P+1]，表示 公化4中坐標位置為（i，如的像素點的像素值，王邸,〇?，_/)引〇，f+1]，P表示局部二值化 模式操作中的領(lǐng)域參數(shù)；
[000引④獲取{LBP"(iJ)}中像素值為0至P+1中的每個值的所有像素點與|iW:，(Z，./')| 中像素值為0至P+1中的每個值的所有像素點的聯(lián)合概率函數(shù)值，將{LBP"(i，j)}中像素值 為m的所有像素點與中像素值為n的所有像素點的聯(lián)合概率函數(shù)值記為，
其中，m= 0, 1,. . . ,P,P+l，n= 0, 1,. . . ,P,P+1， 口。0為聯(lián)合概率函數(shù)；
[0009] ⑥計算{LBPM(i，如}中像素值為0至P+1中的每個值的所有像素點的條件概率 特征，將（LBPM(i，j)}中像素值為m的所有像素點的條件概率特征記為QM(LBPM(i，j)= =m)，
并計算及中像素值為0至P+1中 的每個值的所有像素點的條件概率特征，將中像素值為n的所有像素點的條 件概率特征記為
；其中，m= 0, 1，? ? ?，P,P+1，n二 0, 1，? ? ?，P,P+1 ;
[0010] ⑧采用n"幅原始的無失真的圖像，建立其在不同失真類型不同失真程度下的失真 圖像集合，該失真圖像集合包括多幅失真圖像；然后利用主觀質(zhì)量評價方法評價出該失真 圖像集合中的每幅失真圖像的主觀評分，將該失真圖像集合中的第X幅失真圖像的主觀評 分記為DM0S,;再按照步驟①至步驟⑥的操作，W相同的方式獲取該失真圖像集合中的每幅 失真圖像的梯度信息的幅值圖像的局部二值化模式特征圖像中像素值為0至P+1中的每 個值的所有像素點的條件概率特征、每幅失真圖像的梯度信息的相位圖像的局部二值化模 式特征圖像中像素值為0至P+1中的每個值的所有像素點的條件概率特征，將該失真圖像 集合中的第X幅失真圖像的梯度信息的幅值圖像的局部二值化模式特征圖像中像素值為m 的所有像素點的條件概率特征記為(LBPM^y(i，j) = =m)，將該失真圖像集合中的第X幅 失真圖像的梯度信息的相位圖像的局部二值化模式特征圖像中像素值為n的所有像素點 的條件概率特征記為&.,(^公氣.,從./)==");其中，n"〉l，X的初始值為1，1《X《X，X表 示該失真圖像集合中包含的失真圖像的總幅數(shù)，0《DM0Sy《 100,m= 0, 1，. . .，P,P+1，n=0, 1，. . .，P，P+1，LBPM,,(i，j)表示該失真圖像集合中的第X幅失真圖像的梯度信息的幅 值圖像的局部二值化模式特征圖像{LBP",,(i，j)}中坐標位置為（i，j)的像素點的像素值， LBPM,y(i，j)G[0，P+1]，iCC，.、(/'，/)表示該失真圖像集合中的第X幅失真圖像的梯度信息 的相位圖像的局部二值化模式特征圖像中坐標位置為（i，j)的像素點的像素 值，iW:，.,..(/，./.)6「0，/) +l];
[0011] ⑦將該失真圖像集合作為訓(xùn)練集；然后利用支持向量回歸對訓(xùn)練集中的所有失 真圖像各自的主觀評分及各自的梯度信息的幅值圖像的局部二值化模式特征圖像中像素 值為0至P+1中的每個值的所有像素點的條件概率特征、各自的梯度信息的相位圖像的 局部二值化模式特征圖像中像素值為0至P+1中的每個值的所有像素點的條件概率特征 進行訓(xùn)練，使得經(jīng)過訓(xùn)練得到的回歸函數(shù)值與主觀評分之間的誤差最小，擬合得到最優(yōu) 的權(quán)值矢量w°pt和最優(yōu)的偏置項b 接著利用w°pt和b構(gòu)造得到支持向量回歸訓(xùn)練模 型；再根據(jù)支持向量回歸訓(xùn)練模型，對{LBPmQ，j)}中像素值為0至P+1中的每個值的所 有像素點的條件概率特征和中像素值為0至P+1中的每個值的所有像素點的 條件概率特征進行測試，預(yù)測得到{Id(i，j)}的客觀質(zhì)量評價預(yù)測值，記為Q，Q=f(y)， /W= (WW")>〇；) +bW'，其中，Q是y的函數(shù)，fO為函數(shù)表示形式，y為輸入，y表示 {LBP"(i，如}中像素值為0至P+1中的每個值的所有像素點的條件概率特征和 中像素值為0至P+1中的每個值的所有像素點的條件概率特征，（W°Pt)T為W°Pt的轉(zhuǎn)置矢量， 界(>'）為y的線性函數(shù)。
[0012] 所述的步驟②中采用高斯導(dǎo)數(shù)函數(shù)作為梯度算子的梯度濾波器對{Id(i，j)}實施 梯度濾波。
[0013] 所述的步驟⑨中局部二值化模式操作中的領(lǐng)域參數(shù)P取值為8。
[0014] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于；通過深入挖掘人眼視覺對圖像結(jié)構(gòu)的感知 特性，對失真圖像實施梯度濾波，得到梯度信息的幅值圖像和相位圖像；接著對上述二幅圖 像分別進行局部二值化模式（LocalBinary化ttern)操作，得到各自的局部二值化模式特 征圖像；然后求取幅值圖像和相位圖像中像素值為不同值的所有像素點的條件概率特征； 最后根據(jù)條件概率特征，采用支持向量回歸預(yù)測待評價的失真圖像的客觀質(zhì)量評價預(yù)測 值，由于充分考慮到了梯度結(jié)構(gòu)改變對視覺質(zhì)量的影響，因此得到的客觀質(zhì)量評價預(yù)測值 能夠準確地反映人眼視覺主觀感知質(zhì)量，即能夠有效地提高客觀評價結(jié)果與主觀