[发明专利]一种雾天图像质量评价方法

说明书

本发明公开了一种雾天图像质量评价方法，包括：将训练图像分成B×B大小的分块图像，对每一个分块图像进行混合特征提取，得到训练图像的混合特征X；通过初始聚类中心固定的K‑means算法对X进行聚类，得到码书；根据码书对训练图像进行编码，得到训练图像的特征向量；将特征向量与预设的训练图像的主观评分代入回归模型进行训练，得到SVR质量评价模型；根据SVR质量评价模型对测试图像进行质量评价，得到测试图像的质量得分。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种雾天图像质量评价方法。

背景技术

目前图像质量评价主要聚焦于无参考图像质量评价，并且取得了较大的进展，但是目前研究存在很多地方的不足，主要表现在以下三个方面：(1)针对的失真类型有限目前的无参考图像质量评价算法，都是基于现有的图像质量评价数据库，但是目前图像质量评价数据库只有几种类型失真。而雾是一种特殊的失真，现有的无参考算法对其的评价效果比较差；(2)现有方法不能评价非自然场景图像非自然场景图像主要是指通过计算机生成或者对图像进行处理之后图像不具有自然场景统计特性的图像。现有的无参考图像质量评价方法都是用于评价自然图像，并且这些方法很多都是利用自然图像的一些特性提出的，对于非自然图像如：二维码、偏振图像中的P图等评价效果比较差；(3)图像质量评价数据库的缺乏目前图像质量评价数据库只有几种失真类型，对一些特殊的图像如：雾天图像、二维码等缺少数据库，这样使得算法在训练以及测试时缺少准确的依据。

发明内容

基于背景技术存在的技术问题，本发明提出了一种雾天图像质量评价方法；

本发明提出的一种雾天图像质量评价方法，包括：

S1、将训练图像分成B×B大小的分块图像，对每一个分块图像进行混合特征提取，得到训练图像的混合特征X；

S2、通过初始聚类中心固定的K-means算法对X进行聚类，得到码书；

S3、根据码书对训练图像进行编码，得到训练图像的特征向量；

S4、将特征向量与预设的训练图像的主观评分代入回归模型进行训练，得到SVR质量评价模型；

S5、根据SVR质量评价模型对测试图像进行质量评价，得到测试图像的质量得分。

优选地，步骤S1，具体包括：

S11、将训练图像分成B×B大小的分块图像；

S12、通过广义高斯分布提取分块图像的形状特征和方差特征；

S13、通过非对称广义高斯分布提取分块图像的水平、垂直、主对角线和辅对角线四个方向上的均值特征、形状特征、左方差特征和右方差特征；

S14、综合形状特征、方差特征及水平、垂直、主对角线和辅对角线四个方向上的均值特征、形状特征、左方差特征、右方差特征，得到分块图像的混合特征F；

S15、综合B×B个分块图像的混合特征，得到训练图像的混合特征X＝[F₁,F₂,F₃...,F_n。]

优选地，步骤S12，具体包括：

通过广义高斯分布提取分块图像的形状特征和方差特征，其中，x为分块图像的像素，α为控制分布的形状，σ²为控制分布的方差，且a＞0，β是尺度参数，由σ和α决定，Γ是伽马函数。

优选地，步骤S13，具体包括：