[发明专利]基于多重曲率张量稀疏分解的无参考图像清晰度评价方法

说明书

本发明公开了一种基于多重曲率张量稀疏分解的无参考图像清晰度评价方法，该方法首先提取图像的多重曲率，并用多重曲率组合成曲率张量；然后利用张量分解稀疏系数能量与图像清晰度正向相关的特性，采用多重曲率特征学习得到张量字典；最后利用图像灰度的方差与图像清晰度的反向相关的特性，用图像灰度的方差来表征图像复杂度，采用张量分解稀疏系数能量与图像灰度方差的比值作为最终的图像清晰度评价标准，得到的客观清晰度评价结果值越大，图像越清晰。本发明充分利用图像的多重曲率特征，避免采用单一梯度特征带来的清晰度评价精度不高的缺点，分解得到的稀疏系数更能表征图像结构和清晰度特征，提高了图像清晰度评价精度。

技术领域

本发明属于图像处理领域，尤其涉及一种基于多重曲率张量稀疏分解的无参考图像清晰度评价方法。

背景技术

图像质量评价是图像处理领域的关键问题，图像质量评价方法根据是否有人的参与可分成主观图像质量评价方法和客观图像质量评价方法。主观图像质量评价方法由人对图像进行打分，评价结果精确，但评价过程复杂，耗时时间长，难以得到实时应用。客观图像质量评价方法无需人的参与，通过特定的计算机算法自动预测图像质量，根据是否使用原始无失真图像作为参考图像，可将图像质量评价方法分成全参考图像质量评价方法，半参考图像质量评价方法和无参考图像质量评价方法。全参考图像质量评价算法使用参考图像的所有信息预测图像质量，半参考图像质量评价方法采用参考图像的部分信息进行图像质量预测，无参考图像质量评价方法不使用参考图像的任何信息进行图像质量评价。传统的全参考图像质量评价方法采用均方误差(Mean Square Error，MSE)或峰值信噪比(PeakSignal to Noise Ratio，PSNR)进行图像质量评价，该方法物理意义明确，算法简单，但存在与人眼主观视觉特性不匹配等缺点。针对传统全参考图像质量评价方法以上缺点，Wang提出一种基于结构相似度(structural similarity index，SSIM)的全参考图像质量评价模型，但SSIM对模糊图像评价效果不太理想，特别是对于严重模糊的图像评价效果与主观视觉感受不符。当前的无参考图像质量评价方法可以分成基于特定失真类型的方法和通用型方法，基于特定失真类型的方法主要面向特定失真类型，如清晰度、块效应、噪声等；而通用型方法对所有失真类型进行图像质量评价。本发明涉及一种无参考图像清晰度评价方法。

图像清晰度主要和模糊失真相关，图像模糊是一种主要的图像失真，模糊失真主要由图像压缩、摄像机运动、目标运动或摄像机聚焦不良引起，针对图像模糊度评价，李雷达[中国专利公开号CN104134204A]提出一种基于稀疏分解的无参考图像模糊度评价方法，该方法将图像分块后，对图像块进行稀疏分解得到稀疏系数，采用稀疏系数能量进行模糊度评价；Mahdi[Mahdi S.Hosseini,Yueyang Zhang,Konstantinos N.Plataniotis,Encoding Visual Sensitivity by MaxPol Convolution Filters for Image SharpnessAssessment,IEEE Transactions on Image Processing,2019.]采用卷积滤波器模拟人眼视觉特性，并采用有限长单位冲激响应(Finite Impulse Response,FIR)滤波器的线性组合对图像进行滤波提取特征进行清晰度评价；Yaoqing Li[Yaoqing Li,Zhaoyang Wang,Guangzhe Dai,Shibin Wu,Shaode Yu,Yaoqin Xie,Evaluation of realistic blurringimage quality by using a shallow convolutional neural network,2017,IEEEInternational Conference on Information and Automation,853-857.]采用卷积神经网络检测图像边缘强度进行图像清晰度评价；以上方法把图像作为二维矩阵进行处理，提取的大多是一阶图像特征。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于多重曲率张量稀疏分解的无参考图像清晰度评价方法。本发明的预测效果相对于现有技术更精确。