[发明专利]一种混合失真图像的失真类型检测方法

说明书

本公开的混合失真图像的失真类型检测方法，将混合失真图像输入到残差网络中进行特征提取，得到所述混合失真图像的M维特征向量，M为正整数；将所述M维特征向量输入到多标签分类器中，得到混合失真图像的失真类型检测结果向量，根据所述失真类型检测结果向量的值得到所述混合失真图像的失真类型。能够完成混合失真图像的检测与判别任务，特征提取模块简单，可根据具体图像处理任务对所涉及到的失真类型进行相应的调整。

技术领域

本公开属于数字图像处理技术领域，特别是涉及到一种混合失真图像的失真类型检测方法。

背景技术

在信息化时代，随着智能手机等智能移动终端设备的普及，数字图像成为视觉信息的重要载体形式之一，在医疗、军事、娱乐、气象等领域有广泛的应用。数字图像在采集、处理、传输、存储等过程中会因各种原因而产生不同类型、不同程度的失真，例如，在图像采集过程中出现的噪声；压缩过程中出现的压缩失真；在传输过程中由于信息丢失而产生的图像部分缺失；以及受到储存设备资源限制导致的图像分辨率低下。这些失真会使得用户体验度变差，不利于后续的处理或应用。因此，图像重建的研究具有重要的意义，准确的检测与判别图像失真类型对于重建算法的选择非常重要。

目前，图像失真检测与判别算法总体上可以分为两类：基于传统信号处理的方法和基于深度学习的方法。前者主要通过各种信号处理手段提取失真图像的特征值，然后基于这些特征值进行失真图像的检测与判别；后者主要使用深度学习网络对大量数据进行拟合，使其自主提取失真图像的特征并进行图像失真检测与判别。

2010年，Anush Krishna Moorthy等人在《A Two-Step Framework forConstructing Blind Image Quality Indices》中提出BIQI算法进行图像质量评估，其中涉及到图像失真检测与判别。2012年，Anush等人在《Blind Image Quality Assessment:From Natural Scene Statistics to Perceptual Quality》中提出DIIVINE模型来进行图像质量评估。均采用小波分解，对分解后的小波系数进行统计处理得到失真图像的特征值，进而使用支持向量机(SVM)对失真图像进行检测与判别。该方法准确率较高，但其仅能检测单一失真类型，不适用于混合失真的情况，并且特征提取过程复杂。

另外，2012年，Anish Mittal等人在《No-Reference Image Quality Assessmentin the Spatial Domain》中提出的BRISQUE框架，2016年，邬美银等人在《基于卷积神经网络的视频图像失真检测及分类》中提出使用卷积网络实现图像失真检测与判别，2018年，Saad B.Merrouche等人在《Feature Selection for Image Distortion Classification》中基于空间局部均值与对比度差值的归一化系数实现图像失真类型的分类等均能够有效的对图像失真类型进行有效分类，特征提取过程相对不复杂，但是能检测单一失真类型的图像，不能处理混合失真类型的图像。

2016年，Alaql O等人在《Classification of Image Distortions for ImageQuality Assessment》中研究了已有图像质量评估算法中特征提取模型以及不同的组合方式，找到了一种最佳的特征提取方式，能够减少特征值个数，达到精简模型的目的。但是，该方法基于传统的信号处理方法，不适用图像混合失真类型的检测。

在实际应用场景中，失真图像中的失真类型往往是混合的，并且失真类型的数量是随机的，但现有的图像失真检测与判别算法都仅针对单一失真图像，无法有效解决图像中存在混合失真的检测与判别问题。

发明内容

有鉴于此，本公开提出了一种混合失真图像的失真类型检测方法，能够完成混合失真图像的检测与判别任务，特征提取模块简单，可根据具体图像处理任务对所涉及到的失真类型进行相应的调整。