[发明专利]基于多尺度的无参考屏幕内容图像质量评估方法

说明书

本发明涉及一种基于多尺度的无参考屏幕内容图像质量评估方法，包括以下步骤：步骤S1：将失真图像从RGB颜色空间转换到LMN颜色空间，并利用bicubic算法对L分量进行放大，利用Gabor滤波器的虚部提取失真图像的边缘特征；步骤S2：利用bicubic算法对失真图像的灰度图进行放大，并利用Scharr滤波器和局部二值模式提取失真图像的结构特征；步骤S3：利用局部归一化算法提取失真图像的亮度特征；步骤S4：将得到的三个特征作为训练数据，利用随机森林回归训练图像质量评估模型；步骤S5：根据步骤S1‑S3，获取待测图像的边缘特征、结构特征和亮度特征，并利用训练好的图像质量评估模型预测待测图像的质量分数。本发明能显著提高无参考屏幕内容图像质量评估性能。

技术领域

本发明图像和视频处理以及计算机视觉领域，具体涉及一种基于多尺度的无参考屏幕内容图像质量评估方法。

背景技术

随着移动设备和多媒体应用的快速发展，屏幕内容图像越来越多地出现在多客户通信系统中，例如在线新闻，电子杂志，电子商务，云游戏和云计算等。在对图像的处理过程中，比如传输、压缩和重定向等，由于技术原因，这会引入失真，降低图像质量，从而影响用户体验。图像质量评估可以用来检验图像处理相关技术的性能，也能对其的发展进行指导，因此一个性能好的屏幕内容图像质量评估方法显得十分重要。

近年来，学者们根据屏幕内容图像和人类视觉系统的特点，提出了许多有效的质量评估算法。Fang等人通过结构特征和不确定性加权，提出了一种全参考质量评估模型，该方法先将输入图像粗略地划分为图形区域和文本区域，然后比较并组合上述两种类型的区域在失真和未失真图像之间的感知差异，以产生一个失真图像质量的客观评分。Wang等人提出一个简单的方法，即通过设置局部滤波器的自适应窗口大小来修改经典的SSIM算法，具体来说，小尺寸内核用于文本区域，而大尺寸内核用于图形区域。上述两个工作中，都需要分割才能区分文本和图片区域，这存在两个明显的弊端，一方面，这明显地增加了计算复杂性，另一方面，由于错误分割，这种错误分割会将图形区域误认为文本区域，这可能会严重降低算法评估图像质量的准确性。Shao等人通过利用稀疏表示框架提出了一种无参考图像质量评估方法，该方法需要利用四种全参考方法来生成图像的标签，但这四种方法在预测屏幕内容图像质量上的效果比较差，导致整个算法性能不佳。

目前提出的方法大部分是全参考方法，然而全参考方法需要全部原始图像信息，但这些信息在实际应用中经常是得不到的，目前提出的无参考方法还比较少，而且这些无参考方法效果比较差，不能与主观感知产生较高的一致性。因此，提出一种预测结果比较准确的无参考屏幕内容图像质量评估方法是非常必要的。

发明内容

有鉴于此，本发明的目的在于提供一种基于多尺度的无参考屏幕内容图像质量评估方法，能够提高无参考屏幕内容图像质量评估性能。

为实现上述目的，本发明采用如下技术方案：

一种基于多尺度的无参考屏幕内容图像质量评估方法，包括以下步骤：

步骤S1：将失真图像从RGB颜色空间转换到LMN颜色空间，并利用bicubic算法对L分量进行放大，利用Gabor滤波器的虚部在放大后的L分量上提取失真图像的边缘特征；

步骤S2：利用bicubic算法对失真图像的灰度图进行放大，并利用Scharr滤波器和局部二值模式在放大后的灰度图上提取失真图像的结构特征；

步骤S3：利用局部归一化算法在放大后的灰度图上提取失真图像的亮度特征；

步骤S4：将得到的输入图像的边缘特征、结构特征和亮度特征作为训练数据，利用随机森林回归训练图像质量评估模型；

步骤S5：根据步骤S1-S3，获取待测图像的边缘特征、结构特征和亮度特征，并利用训练好的图像质量评估模型预测待测图像的质量分数。

进一步的，所述步骤S1具体为：