[发明专利]一种基于几何失真度量的图像适配质量评价方法

权利要求书

1.一种基于几何失真度量的图像适配质量评价方法，其特征在于包括以下步骤：

步骤一：将原始的图像记为{I_O(x,y)}，将{I_O(x,y)}对应的适配图像记为{I_R(x',y')}；其中，(x,y)表示{I_O(x,y)}中的像素点的坐标位置，1≤x≤W，1≤y≤H，W表示{I_O(x,y)}的宽度，H表示{I_O(x,y)}的高度，I_O(x,y)表示{I_O(x,y)}中坐标位置为(x,y)的像素点的像素值，(x',y')表示{I_R(x',y')}中的像素点的坐标位置，1≤x'≤W'，1≤y'≤H'，W'表示{I_R(x',y')}的宽度，H'表示{I_R(x',y')}的高度，I_R(x',y')表示{I_R(x',y')}中坐标位置为(x',y')的像素点的像素值；

步骤二：对{I_O(x,y)}的四周边界扩展17个像素点；然后以{I_O(x,y)}中的每个像素点为中心取尺寸大小为35×35的图像块，共得到W×H个图像块，将{I_O(x,y)}中以坐标位置为(x,y)的像素点为中心的图像块记为p(x,y)；接着采用预训练的基于Sketch Token的边缘形状分类器对{I_O(x,y)}中的每个图像块进行分类，得到{I_O(x,y)}中的每个图像块对应的类别概率分布向量；再将{I_O(x,y)}中的每个图像块对应的类别概率分布向量作为{I_O(x,y)}中的每个图像块的局部几何特征向量，将p(x,y)的局部几何特征向量记为v_p(x,y)，v_p(x,y)即为p(x,y)对应的类别概率分布向量，

同样，对{I_R(x',y')}的四周边界扩展17个像素点；然后以{I_R(x',y')}中的每个像素点为中心取尺寸大小为35×35的图像块，共得到W'×H'个图像块，将{I_R(x',y')}中以坐标位置为(x',y')的像素点为中心的图像块记为接着采用预训练的基于Sketch Token的边缘形状分类器对{I_R(x',y')}中的每个图像块进行分类，得到{I_R(x',y')}中的每个图像块对应的类别概率分布向量；再将{I_R(x',y')}中的每个图像块对应的类别概率分布向量作为{I_R(x',y')}中的每个图像块的局部几何特征向量，将的局部几何特征向量记为即为对应的类别概率分布向量，

其中，v_p(x,y)的维数为(K+1)×1，K表示预训练的基于Sketch Token的边缘形状分类器中确定的边缘类别总数，表示p(x,y)属于第1类边缘的概率值，表示p(x,y)属于第k类边缘的概率值，表示p(x,y)属于第K类边缘的概率值，表示p(x,y)属于非边缘类的概率值，表示属于第1类边缘的概率值，表示属于第k类边缘的概率值，表示属于第K类边缘的概率值，表示属于非边缘类的概率值，

步骤三：计算{I_R(x',y')}中的每个像素点在{I_O(x,y)}中的匹配像素点，进而确定{I_R(x',y')}中的每个图像块在{I_O(x,y)}中的匹配图像块；然后计算{I_R(x',y')}中的每个图像块的局部几何特征向量与{I_R(x',y')}中的每个图像块在{I_O(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度；接着计算{I_R(x',y')}的局部边缘几何形变图，{I_R(x',y')}的局部边缘几何形变图中坐标位置为(x',y')的像素点的像素值等于的局部几何特征向量与在{I_O(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度；之后计算{I_R(x',y')}中的每个图像块的边缘性强弱值；再利用{I_R(x',y')}中的所有图像块的边缘性强弱值对{I_R(x',y')}的局部边缘几何形变图进行加权融合，得到{I_R(x',y')}的局部几何失真分数，记为Q_LGD；

步骤四：记录从{I_O(x,y)}中的每个图像块的局部几何特征向量中的前K个元素中找出的最大值对应的索引值，将从v_p(x,y)中的前K个元素中找出的最大值对应的索引值记为s_p(x,y),max，若从v_p(x,y)中的前K个元素中找出的最大值为第k个元素即则s_p(x,y),max等于k；然后利用第s_p(x,y),max类边缘来表示p(x,y)的边缘形状；接着在{I_O(x,y)}中统计K类边缘中每类边缘表示的图像块的个数，将在{I_O(x,y)}中第k类边缘表示的图像块的个数记为num^(k)；再针对{I_O(x,y)}，对K类边缘中每类边缘表示的图像块的个数进行归一化处理，得到{I_O(x,y)}的全局几何特征向量，记为

同样，记录从{I_R(x',y')}中的每个图像块的局部几何特征向量中的前K个元素中找出的最大值对应的索引值，将从中的前K个元素中找出的最大值对应的索引值记为若从中的前K个元素中找出的最大值为第k个元素即则等于k；然后利用第类边缘来表示的边缘形状；接着在{I_R(x',y')}中统计K类边缘中每类边缘表示的图像块的个数，将在{I_R(x',y')}中第k类边缘表示的图像块的个数记为num'^(k)；再针对{I_R(x',y')}，对K类边缘中每类边缘表示的图像块的个数进行归一化处理，得到{I_R(x',y')}的全局几何特征向量，记为

其中，等于W×H，的维数为K×1，num⁽¹⁾表示在{I_O(x,y)}中第1类边缘表示的图像块的个数，num^(K)表示在{I_O(x,y)}中第K类边缘表示的图像块的个数，等于W'×H'，的维数为K×1，num'⁽¹⁾表示在{I_R(x',y')}中第1类边缘表示的图像块的个数，num'^(K)表示在{I_R(x',y')}中第K类边缘表示的图像块的个数；

步骤五：计算与之间的JS散度；然后将与之间的JS散度作为{I_R(x',y')}的全局几何失真分数，记为Q_GGD；

步骤六：计算{I_R(x',y')}的网格长宽比相似度；然后将{I_R(x',y')}的网格长宽比相似度作为{I_R(x',y')}的显著区域保持分数，记为Q_SRP；

步骤七：从一个适配图像集中随机选取一部分适配图像，将这些适配图像及其客观分数向量和平均主观评分构成训练集，将剩余适配图像及其客观分数向量和平均主观评分构成测试集，其中，适配图像的客观分数向量为由按照步骤一至步骤六的过程以相同的方式计算得到的局部几何失真分数、全局几何失真分数、显著区域保持分数按序构成的向量；然后采用支持向量回归作为机器学习的方法，对训练集中的所有适配图像的客观分数向量进行训练，使得经过训练得到的回归函数值与平均主观评分之间的误差最小，拟合得到最优的权重矢量和最优的偏置项，进而构造得到支持向量回归模型；再采用支持向量回归模型对测试集中的每幅适配图像的客观分数向量进行测试，得到测试集中的每幅适配图像的客观质量评价预测值；经多次训练和测试后，将测试集中的每幅适配图像的多个客观质量评价预测值的平均值作为最终客观质量评价预测值。