[发明专利]显著性调制下多维视觉特征协作的全盲图像质量评价方法

说明书

本发明属于图像处理技术领域，公开了一种显著性调制下多维视觉特征协作的全盲图像质量评价方法，对待测失真图像获取失真图像块并提取图像质量感知特征；将所有失真图像块的图像质量感知特征作为待测特征向量矩阵；然后对获得的待测特征向量矩阵采用基于视觉显著性进行拟合，获得待测视觉模型；最后计算待测视觉模型与标准视觉模型之间的马氏距离获得待测失真图像的客观质量分数。本发明结合了人眼视觉初级感知特点，构建了用于表达图像对比度失真与色调失真的特征描述子，并结合图像的高阶自然场景统计特征、图像结构特征以及颜色特征，从而更全面地表达图像的失真。

技术领域

本发明属于图像处理技术领域，涉及图像质量评价方法，尤其涉及一种显著性调制下多维视觉特征协作的全盲图像质量评价方法。

背景技术

盲图像质量评价(Blind Image Quality Assessment，BIQA)是图像处理领域中一项以设计一种不依赖任何先验知识并能够自动评价图像质量的计算模型为目标的研究任务，其研究成果量化了图像的性能，为图像处理其他领域的研究提供了重要依据。

现有的盲图像质量评价方法包括两类：一类是意见相关(Opinion-aware，OA)的BIQA方法。这类方法首先需要建立一个图像数据集，数据集包含多张失真图像，且每张图像具有相应的人眼平均主观得分(Mean Opinion Score，MOS)或平均主观得分差(Differential Mean Opinion Score，DMOS)，然后提取图像的质量感知特征，最终利用支持向量回归(Support Vector Regression，SVR)或其他机器学习模型构建特征与MOS或DMOS之间的映射关系得到最终的质量评价方法。该类方法基于数据驱动，其性能容易受到数据集限制，从而导致模型通用性不高。

另一类是意见无关/全盲(Opinion-unaware，OU)的BIQA方法。这类方法无需带有标签的数据做指导，计算简便。2013年Mittal等人针对OA BIQA方法一些局限性，首次提出一种全盲的无参考图像质量评价方法NIQE，该方法摆脱了以往机器学习方法学习图像特征到人眼主观评价结果之间的映射关系的思路，通过提取图像的自然场景统计特征，并使用多元高斯分布(Multi-variate Gaussian，MVG)对特征拟合，最终衡量高质量图像与待测图像特征所拟合的MVG分布之间的距离来表示图像的质量。2015年，Zhang等人提出方法IL-NIQE，在Mittal的研究基础上增加了颜色统计特征以及变换域的统计特征，并在多种失真类型的图像上验证了所提出的方法通用性更好。2018年，Zhang等人构建了一种多维广义局部二值算子的全盲图像质量评价方法，提高了方法的稳定性。

综上所述，现有全盲图像质量评价方法中主要存在以下不足：

(1)单一的使用一阶自然图像统计特征或图像结构特征来表达图像的失真，忽略了如高阶自然场景统计特征、颜色特征、局部结构特征以及对比度特征等，从而导致模型的精度不高。

(2)忽略了人眼视觉系统的显著性感知特点，从而导致模型与人眼主观感知一致性较低。

发明内容

本发明的目的在于提供一种显著性调制下多维视觉特征协作的全盲图像质量评价方法，用以解决现有技术缺乏对人眼主观感知特点融合的问题。

为了实现上述任务，本发明采用以下技术方案：

一种显著性调制下多维视觉特征协作的全盲图像质量评价方法，包括如下步骤：

步骤1：获取待测失真图像，对待测失真图像进行图像块划分，得到M个失真图像块；

步骤2：依次提取步骤1获得的每个失真图像块的空间域自然场景统计特征、小波域自然场景统计特征、图像结构特征、图像颜色特征和图像对比度特征作为图像质量感知特征，将M个失真图像块的图像质量感知特征作为待测特征向量矩阵；