[发明专利]一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法

权利要求书

1.一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法，其特征在于，包括：

步骤1，选取一个图像质量数据库，对其中包含的参考图像和失真图像进行预处理得到相应的图像灰度矩阵；

步骤2，将失真图像分为训练集和测试集，并计算测试集中所有失真图像灰度矩阵的梯度特征评价结果；

步骤3，提取所有参考图像灰度矩阵和失真图像灰度矩阵的视觉多通道梯度特征信息视图，并计算所有失真图像灰度矩阵的视觉多通道梯度特征评价；

步骤4，设计视觉多通道梯度特征-直方图误差深度信息处理评价算法，并计算所有失真图像质量的视觉多通道梯度-直方图深度信息评价，其中，所述失真图像质量的视觉多通道梯度-直方图深度信息评价算法如下：

VGHIST_s,o＝mean[VGHIST_s,o(L)]

式中，mean[·]代表求平均值，VGHIST_s,o表示失真图像质量的视觉多通道梯度-直方图深度信息评价，VGHIST_s,o(L)代表对视觉通道(s,o)的梯度特征视图进行分块后，第L个子块的梯度特征-直方图深度信息评价，VGHIST_s,o(L)的计算公式如下：

VGHIST_s,o(L)＝VGHISTL_s,o(L)^β1·VGHISTC_s,o(L)^β2

式中，VGHISTL_s,o(L)代表第L个子块的梯度-直方图灰度信息误差评价，VGHISTC_s,o(L)代表第L个局部子块的梯度-直方图对比度信息误差评价，β1，β2为权重系数，VGHISTL_s,o(L)和VGHISTC_s,o(L)定义分别如下：

VGHISTL_s,o(L)＝|EGHISTL_s,o(L)-EGHISTL_s,omid|

VGHISTC_s,o(L)＝|EGHISTC_s,o(L)-EGHISTC_s,omid|

式中，EGHISTL_s,o(L)和EGHISTC_s,o(L)分别是第L个局部子块梯度-直方图的灰度均方根误差和对比度均方根误差，EGHISTL_s,omid和EGHISTC_s,omid为EGHISTL_s,o(L)和EGHISTC_s,o(L)的中间值大小，其定义分别如下：

EGHISTL_s,omid＝mean[EGHISTL_s,o(L)]

EGHISTC_s,omid＝mean[EGHISTC_s,o(L)]

式中，VGHISTL_x(s,o)(L,i)和VGHISTL_y(s,o)(L,i)分别为参考图像和失真图像的视觉通道梯度-直方图局部块L的灰度信息，VGHISTC_x(s,o)(L,i)和VGHISTC_y(s,o)(L,i)分别为参考图像和失真图像的视觉通道梯度-直方图局部块L的对比度信息，N_L＝max(N_L1,N_L2)，N_L1、N_L2分别为VGHISTL_x(s,o)(L,i)和VGHISTL_y(s,o)(L,i)的直方图统计系数的数目，N_L＝max(N_L1,N_L2)是取N_L1和N_L2中的最大值；

所述计算所有失真图像质量的视觉多通道梯度-直方图深度信息评价过程为：

对所有失真图像灰度矩阵的视觉多通道梯度特征评价进行直方图变换，得到所有失真图像质量的视觉多通道梯度-直方图深度信息评价；

步骤5，设计视觉多通道梯度特征-奇异值分解误差深度信息处理评价算法，并计算所有失真图像质量的视觉多通道梯度-奇异值深度信息评价，其中，所述失真图像质量的视觉多通道梯度-奇异值深度信息评价算法如下：

VGSVD_s,o＝mean[VGSVD_s,o(L)]

式中，VGSVD_s,o为失真图像质量的视觉多通道梯度-奇异值深度信息评价，mean[·]代表求平均值，VGSVD_s,o(L)代表对视觉通道(s,o)的梯度特征视图进行分块后，第L个子块的梯度特征-奇异值深度信息评价，VGSVD_s，o(L)的计算公式如下：

VSVD_s,o(L)＝|D_s,o(L)-D_s,omid|

式中，D_s,o(L)是子块L的奇异特征值的均方根误差，D_s,omid为D_s,o(L)的中间值大小，D_s,o(L)和D_s,omid的定义分别如下：

D_s,omid＝mean[D_s,o(L)]

式中，s_xs,o(i)，s_ys,o(i)分别代表参考图像和失真图像视觉通道(s,o)的梯度特征信息视图中第L个子块的奇异特征值系数，M_L＝max(M_L1,M_L2)，M_L1、M_L2分别为参考图像和失真图像视觉通道(s,o)的梯度特征信息视图中第L个子块所包含的奇异特征值系数的数目，M_L＝max(M_L1,M_L2)是取M_L1和M_L2中最大值；

所述计算所有失真图像质量的视觉多通道梯度-奇异值深度信息评价具体过程为：

对所有失真图像灰度矩阵的视觉多通道梯度特征评价进行奇异值分解变换，得到所有失真图像质量的视觉多通道梯度-奇异值深度信息评价；

步骤6，构建BP神经网络视觉多通道图像质量融合评价模型；

步骤7，利用训练集中所有失真图像灰度矩阵的视觉多通道梯度特征评价对构建的BP神经网络视觉多通道图像质量融合评价模型进行训练后，将测试集中的失真图像灰度矩阵的视觉多通道梯度特征评价输入到训练好的BP神经网络视觉多通道图像质量融合评价模型进行预测，输出失真图像质量的视觉多通道梯度特征融合评价结果，并对该结果进行偏置处理；

步骤8，利用训练集中所有失真图像质量的视觉多通道梯度-直方图深度信息评价对构建的BP神经网络视觉多通道图像质量融合评价模型进行训练后，将测试集中的失真图像质量的视觉多通道梯度-直方图深度信息评价输入到训练好的BP神经网络视觉多通道图像质量融合评价模型进行预测，输出失真图像质量的视觉多通道梯度-直方图深度信息融合评价结果，并对该结果进行偏置处理；

步骤9，利用训练集中所有失真图像质量的视觉多通道梯度-奇异值深度信息评价对构建的BP神经网络视觉多通道图像质量融合评价模型进行训练后，将测试集中的失真图像质量的视觉多通道梯度-奇异值深度信息评价输入到训练好的BP神经网络视觉多通道图像质量融合评价模型进行预测，输出失真图像质量的视觉多通道梯度-奇异值深度信息融合评价结果，并对该结果进行偏置处理；

步骤10，对步骤2、步骤7、步骤8以及步骤9所得结果进行融合，获得失真图像质量的视觉多重特征深度融合处理评价结果，具体包括：

最内层融合公式如下：

式中，参数γ₁₁和γ₁₂根据经验和实验训练取值，VGSVD为失真图像质量的视觉多通道梯度-奇异值深度信息评价，VGHIST为失真图像质量的视觉多通道梯度-直方图深度信息评价；

第二层融合公式如下：

式中，参数γ₂₁和γ₂₂根据经验和实验训练取值，VG为失真图像灰度矩阵的视觉多通道信息视图的梯度特征评价，A为完成偏置处理的同一个正的常数；

最外层融合公式如下：

式中，MVFF代表失真图像质量的最终评价结果，参数γ₃₁和γ₃₂根据经验和实验训练取值，为失真图像灰度矩阵的梯度特征评价GSM的误差等价转换，转换公式如下：