[发明专利]联合多种边缘检测算子的无参考质量评价算法

说明书

本发明涉及一种联合多种边缘检测算子的无参考质量评价算法，利用联合熵和链式法则定义条件熵，包括以下步骤：选取用于训练和测试的图像；计算图像的梯度、相对梯度和高斯拉普拉斯算子(LoG)；提取的图像特征，包括：相对梯度方向RO的标准差、梯度和LoG之间的条件熵H(GM|L)、H(L|GM))、相对梯度和LoG之间的条件熵H(GM|L)‑H(RM|L)、H(L|GM)‑H(L|RM))共5维特征；根据人眼视觉系统特性中的多尺度性，采用下采样方法，再提取缩小后图像的上述的5维特征，最终得到10维特征向量；用AdaBoost神经网络进行回归以预测图像质量分数。

技术领域：

本发明涉及对2D数字图像进行无参考的客观质量评价领域。

背景技术：

随着数字成像技术和互联网的飞速发展，图像在人们日常生活中使用的越来越频繁。然而图像在采集、压缩、传输、储存等过程中总会不可避免的产生失真，导致最终得到图像存在一定的降质，不能满足人们的需要。设计一个有效的图像质量评价方法(ImageQuality Assessment,IQA)在图像压缩、图像去模糊、图像增强等图像处理方面都有重要的作用。图像质量评价方法可以分为主观评价和客观评价两类。前者是由若干观察者对图片的质量进行评分，然后通过统计方法得到平均分值,称为MOS(Mean Opinion Score)或DMOS(DifferentialMOS)。后者使用一系列的算法代替人类视觉系统对图像质量进行预测。一般来说，主观评价的方法更加可靠，但这种方法费时费力，稳定性较差，因此客观的质量评价方法成为研究重点。根据是否需要原始参考图像，客观评价方法可以分为三类：全参考质量评价算法(FullReference,FR)、半参考质量评价算法(ReducedReference,RR)以及无参考质量评价算法(No Reference,NR)。由于实际应用中往往无法获得原始参考图像，所以研究无参考图像质量评价算法更加具有现实意义。目前主流的无参考质量评价算法分为两大类：基于自然场景统计(Natural Scene Statistics,NSS)的方法和基于边缘和结构性信息的方法。

自然图像具有相似的统计特性，而失真会造成这种统计特性的改变，通过计算失真图像和参考图像统计特性的差异可以进行图像质量的预测。一般来说，基于NSS的方法有一定的局限性，这类方法大都只关注失真对图像的整体影响，而很少考虑局部的结构性损失，并且这类方法只适用于自然图像的质量评价，对于非自然图像的预测结果并不理想。

人类视觉系统对图像的边缘结构比较敏感，因此有许多评价算法利用边缘和结构信息来进行质量预测。目前，基于边缘信息的算法已经取得了很好的效果，这些方法大多使用单一的边缘检测算法，具有一定的针对性，但难以反映出图像全部的纹理细节。

发明内容：

本发明针对2D数字图像，提出一种新的无参考客观质量评价方法。本发明技术方案如下：

一种联合多种边缘检测算子的无参考质量评价算法，利用联合熵和链式法则定义条件熵：

H(Y|X)＝H(X,Y)-H(X) (3)

其中，p(x)是随机变量X的概率密度函数，p_XY(x,y)是两个随机变量X和Y的联合概率密度函数，H(X,Y)是X和Y的联合熵，H(Y|X)是X和Y的条件熵；

此无参考质量评价算法包括以下步骤：

1)选取用于训练和测试的图像；

2)计算图像的梯度、相对梯度和高斯拉普拉斯算子(LoG)；

3)分别计算梯度和LoG之间的条件熵H(GM|L)、H(L|GM)，相对梯度和LoG之间的条件熵H(GM|L)-H(RM|L)、H(L|GM)-H(L|RM)；