[发明专利]基于条件直方图码书的盲图像质量评价方法

说明书

技术领域

本发明涉及盲图像质量评价领域，尤其涉及一种基于条件直方图码书的盲图像质量评价方法。

背景技术

图像质量是评价图像视频处理系统及算法性能的主要指标，因此对图像质量评价(Image Quality Assessment，IQA)方法的研究非常重要且具有广泛的前景。图像质量评价(Image Quality Assessment，IQA)方法致力于研究如何用客观指标评价图像的感知质量，使其与图像主观得分高度一致。在图像去噪、图像恢复、图像增强等领域，IQA指标可以作为各算法性能比较、参数选择的依据；在图像编码与通信领域，IQA指标可以用来指导整个图像压缩、传输、接收过程，并评估不同算法及系统性能；在网络传输质量监控领域，IQA指标可以取代人工操作，实现自动化实时监控；此外，IQA在图像处理算法优化、生物特征识别、医学图像压缩等众多学科领域都具有潜在的实用价值。

绝大部分应用场合中，需要对失真图像进行质量评估。根据其原始图像信息是否完备，可将IQA算法分为三类：全参考型(Full-Reference,FR)、部分参考型(Reduced-Reference,RR)和无参考型(No-Reference,NR)IQA。其中，NR IQA是最具挑战性的质量评价任务。鉴于其在数字通信及传输质量监控等领域不可替代的重要作用，VQEG(Video Quality Experts Group)组织已将NR IQA标准化工作列为其未来重要发展方向之一。

根据评价图像的失真类型范围不同，NR IQA算法又可分为针对单一失真和针对通用失真两种类型。其中，前者主要包括对JPEG压缩图像、JPEG2000压缩图像以及模糊图像质量的预测；而后者由于无法获知有关图像失真(包括失真类型)的任何信息，也被称为盲图像质量评价(Blind Image Quality Assessment,BIQA)。

一般来说，性能优良的图像质量客观评价算法应该具备以下三个特性：(1)准确性：客观评价值与主观评价值之间差异较小；(2)单调性：客观评价值随主观评价值增减而增减；(3)一致性：客观评价算法在测试集上展现的性能与其在训练集上表现出的性能相似。常用的衡量算法性能的定量指标有：

1)线性相关系数(Linear Correlation Coefficient,LCC)：

其中，x，y分别代表单张图片的主观评分和客观得分，i代表图片编号，N代表图片总数，分别代表全部图片的主观评分平均值和客观得分平均值。

2)秩相关系数(Spearman Rank Order Correlation Coefficient,SROCC)：

其中，D代表等级间差异，此处为主观数据与客观数据的差值绝对值。

3)均方根误差(Root Mean Squared Error,RMSE)：

其中，x，y分别代表单张图片的主观评分和客观得分，N为测试图片数量。

针对传统盲IQA系统训练学习过程复杂、评价指标性能稳定性差等问题，现有技术提出一种采用形状一致性特征(Shape Consistency of Conditional Histogram,以下简称SCCH方法)、且无需训练的盲图像质量评价方法(详见储颖，牟轩沁，洪伟，“采用形状一致性特征的盲图像质量评价方法，”西安交通大学学报，第48卷，第8期，pp.12-17，2014年8月)。SCCH方法通过提取图像DNT域(Divisive Normalization Transform,DNT)形状一致性特征，以及构造特征属性-主观评分字典，确立了具有明确映射关系的图像质量评分公式。同时，SCCH方法无需对所提取感知特征以及人类主观评分进行训练，比起传统基于学习策略的盲IQA方法，具有更好的稳定性和实用性。SCCH方法包括确定基于相邻DNT系数联合条件直方图的形状一致性特征和盲图像质量评价方法两部分，以下分别进行论述。

1.基于相邻DNT系数联合条件直方图的形状一致性特征