[发明专利]一种与视觉感知相关的图像质量评价方法

说明书

本发明公开了一种与视觉感知相关的图像质量评价方法；具体步骤为：建立IQA模型，首先对IQA数据库中所有参考图像和失真图像进行颜色空间转变，然后提取图像多种特征，经相似性计算和池化策略后，为每幅失真图像生成14‑D特征向量，再结合主观得分MOS值，利用RF回归工具训练质量评价模型；回归预测，将待评价的失真图像及其对应参考图像分别经过特征提取，再计算特征相似性，经池化策略后，将生成的14‑D特征向量输入到训练好的RF回归模型中，模型的输出值即为对该失真图像质量的精确预测；本发明实现与人眼主观感知判断的高度相关性，并在模型运算复杂度和预测精度上实现了很好的平衡的效果。

技术领域

本发明属于计算机图像质量分析方法技术领域，具体涉及一种与视觉感知相关的图像质量评价方法。

背景技术

随着移动网络的快速发展，图像作为信息传送的载体，使图像的应用场合越来越多，人们对图像的高质量要求也越来越高，由于数字图像在获取、存储、传输和处理等各个环节都会引入不同失真，从而造成图像质量退化问题，并且越来越多的领域对图像质量评价(Image Quality Assessment)的应用变得更加广泛，对其评价精度的要求也逐步提高。

如专利号为201810319898.7，公开号为CN 108550146 A，公开日为2018年9月18日，发明名称为：一种基于ROI的图像质量评价方法，与人眼主观感知并没有达到很好的一致性。

传统的基于计算引导的FR-IQA方法，即通过提取符合HVS的特征，使用各种数学公式进行加权计算来衡量参考图像与其失真版本之间的差异性或相似性，从而评估失真图像质量；但是，传统的统计学方法大多对数据有一定的要求或假定，并且用有限的数学公式来描述复杂的现实情形是非常困难的。近年来，随着各领域对机器学习的研究进一步深入，基于机器学习的IQA研究也变得越来越广泛，这一类方法对数据没有任何的假定，产生的结果用交叉验证的方法进行判断也很容易被人理解；另外，研究表明，基于机器学习的IQA方法在图像质量预测精度以及鲁棒性等方面均显示出绝对优势，并且一个性能优越的基于机器学习的IQA算法主要表现在两个方面：一是通过模拟HVS对视觉场景的视觉感知来提取图像特征，包括空域特征和变换域特征；二是通过模拟大脑机制建立质量回归模型。

目前，随着IQA在各个行业中的应用不断拓展，对其预测精度的要求也越来越高，在保证计算复杂度的前提下，IQA模型与HVS视觉感知的相关性越高，其预测的准确性就越高；因此，开发基于视觉感知高度相关的IQA模型不仅是当务之急，同时有着非常广阔的应用前景。

发明内容

本发明的目的在于提供一种与视觉感知相关的图像质量评价方法，解决了现有的图像质量评价方法，与人眼主观感知并没有达到很好的一致性的问题。

本发明所采用的技术方案是，一种与视觉感知相关的图像质量评价方法，具体按照以下步骤实施；

步骤1、将IQA数据库中所有参考图像和失真图像由RGB颜色空间转换到YIQ颜色空间中，将图像亮度通道Y与I和Q两个色度通道进行分离，得到亮度通道Y的亮度特征，以及I和Q色度通道的两个色度特征；

步骤2、分别在亮度通道Y中提取参考图像和失真图像的梯度特征，并计算两个梯度特征的相似性，得到梯度相似性特征；

分别在亮度通道Y中提取参考图像和失真图像的对比敏感度特征，并计算两个对比敏感度特征的相似性，得到对比敏感度相似性特征；

计算参考图像和失真图像在I和Q两个色度通道的色度相似性特征；

步骤3、采用高斯差分DOG模型在亮度通道Y中分别对参考图像和失真图像进行5个等级的频带分解，得到5个频带相似性特征；