[发明专利]一种相似场景图像组的图像质量评估方法、系统及终端

说明书

本发明提供了一种相似场景图像组的图像质量评估方法、系统及终端，对场景内容一致的图像组数据进行独立自由能值和耦合自由能值的计算，得到分别以图像自身为先验知识的独立自由能值和分别以剩余图像为先验知识的耦合自由能值；利用独立自由能估计对组内图像局部区块的关注程度；利用耦合自由能值估计对组内图像局部失真的感知程度；对相似场景图像组所有的局部区块的失真感知程度和关注程度作为整体图像组的特征，对特征进行融合，生成整体图像组的视觉感知质量结果。该方法较好地解决了相似场景图像组的质量评估的问题。

技术领域

本发明涉及一种图像处理技术，具体的，涉及一种相似场景图像组的图像质量评估方法、系统及终端。

背景技术

我们的日常生活中，相似场景图像组的质量评估是合理的，例如从不同的摄像机或不同的视频提供商中进行选择，以提高成像，传输或显示质量。视频服务提供商在视觉质量方面对相似场景图像组的质量评估也是一项常见的任务。例如，评价地面电视，卫星电视，IPTV和有线电视的质量并进行挑选。由于那些服务提供者不一定是内容提供者，因此它们通常没有程序的原始副本，因此只能对失真的信号进行评价。类似地，图像和视频后处理器的用户也需要评估没有原始参考图像和视频的方法和系统的视觉质量。在这些相似场景图像组质量评估(G-PQA)任务中，尽管事实上我们通常无法获得原始图像，但通常情况下，人类视觉系统(HVS)相对容易分辨图像的品质。

在当前的感知质量评估(PQA)研究中，质量指标通常根据对原始参考点的可访问性分为全参考(FR)，简化参考(RR)和无参考(NR)。显然，G-PQA问题不属于FR和RR类别，因为没有关于原始图像的先验知识。但是，G-PQA也与NR-PQA不同。根据是对图像失真过程还是对图像形成过程进行建模，现有的NR-PQA方法可以分为两类。一种是模拟图像失真生成过程的方法，例如R.Ferzli在2009年提出的针对图像失真的算法。另一种是基于自然图像统计特征(NSS)的方法，例如M.A.Saad在2012年提出的在频域基于NSS特征的图像质量评价算法。

对于G-PQA问题，NR-PQA算法的失真检测类型显然不适用，因为两个视觉信号可能会经历不同类型的失真。NSS类型的整体NR-PQA算法适用于该问题，但始终尝试独立地量化图像的质量。这与HVS评估相似场景图像组质量时的工作机制形成对比。根据一般人的经验，当被要求评估相似场景图像组质量时，通常在两个图像之间以及两个图像之间交替关注，在得出最终结论之前进行假设的验证。实际上，正如Barlow在1961年所建议的那样，联想学习在对象识别中起着重要的作用。动物学习两个事件之间的关联的一种便捷方法是判断一个事件是否是另一个事件的良好预测因子。将PQA视为一个关联的学习问题，可以合理地相信HVS以交互方式从两个输入图像中提取信息来制定预测问题。但是，另一方面，NSS类型的整体NR-PQA算法可处理单个图像输入，并生成“绝对”质量预测。为了评估相似场景图像组质量，需要运行多次NR算法并匹配分数。在此过程中，无需任何其他信息即可确定一个图像的质量。NR-PQA的质量预测仅基于NSS模型，显然，这表明了解决G-PQA问题时，现有NR-PQA算法与HVS的工作方式有所不同。

对脑理论方面，K.Friston在2010年提出基于自由能的统一的脑理论，发表于Nature reviews neuroscience.理论表明在视觉感知中，大脑总是寻求场景的最逻辑解释，并避免视觉上的“惊奇”。给定场景的视觉质量与内部生成模型解释场景的难易程度密切相关，该模型由受系统自由能限制的“惊奇”值量化。

目前针对G-PQA没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

发明内容

针对上述现有技术中存在的上述不足，本发明的目的是提供一种基于自由能的图像比较质量评估方法，通过自由能的最小化和比较，较好地解决了相似场景图像组的质量评估的问题。

根据本发明的第一方面，提供一种相似场景图像组的图像质量评估方法，包括：