[发明专利]基于视觉显著性和梯度特征的无参考图像质量评价方法

说明书

一种基于视觉显著性和梯度特征的无参考图像质量评价方法，由选择数据集、图像预处理、构建图像质量评价模型、训练图像质量评价模型、测试图像质量评价模型组成。采用Sobel算子对图像进行梯度特征提取，将提取的梯度图像块和失真图像块作为图像质量评价模型的输入，获得图像块的图像质量分数；采用显著性检测方法提取显著性图，根据显著性图为每个图像块分配权重；将图像块质量分数与权重分数进行加权求和作为图像的整体评价分数。经仿真对比实验证明表明，本发明方法对不同数据集都有较好的质量预测结果，与人的主观评分相符，适用于不同的失真类型。

技术领域

本发明属于图像处理技术领域，具体涉及到无参考图像质量评价方法。

背景技术

在图像处理、视频图像编码等领域，图像在生成、存储、编码、传输等过程中因多种原因造成图像质量下降。对这些环节中图像质量的变化进行评价，尤其是建立一个符合人眼视觉感知、能够自动实时评估图像质量的方法有着重要的研究意义和应用价值。

主观评价基于观测者的直观感受来评分，评价结果可靠，但需要大量专业人员，耗时费力难以实现对海量图像数据的实时评估。客观评价通过建立模型对图像进行自动化的评估，主要分为全参考型图像质量评估、部分参考型图像质量评估以及无参考型图像质量评估，无参考图像质量评价方法在不需要任何原始图像信息的情况下对图像进行质量评价，灵活性强，是图像质量评价领域应用前景较广与实用性较高的研究方法。

近年来，基于深度学习的图像质量评价技术已成为研究热点并取得一定成果。深度学习具有特征自提取能力，且在面对照片、影像等这种渗透到人类日常生活中的大数据时仍然具有优秀的处理能力。然而，现在的研究方法还受到了一些限制，例如大多数方法集中于优化神经网络模型的结构和参数，对人类视觉系统的研究还不够深入，已有的质量评价模型无法对人的主观评价进行精确的模拟，现有的客观算法仍然不够理想

发明内容

本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种方法简单、评价速度快、评价准确的基于视觉显著性和梯度特征的无参考图像质量评价方法。

解决上述技术问题所采用的技术方案是由下述步骤组成：

(1)选择数据集

将图像质量评价数据库中的失真图像分为训练集、验证集、测试集，训练集图像与验证集图像、测试集图像的数量占比为8：1：1。

(2)图像预处理

采用Sobel算子对失真图像进行梯度特征的提取工作，Sobel算子用附近八个像素估计中心像素的梯度，按下式确定梯度图像G(x)：

其中，*为卷积运算，D(x)为失真图像。

对失真图像采用频率调谐的显著性区域检测方法提取显著性图，进行高斯滤波，由RGB颜色空间转换为LAB颜色空间；对转换后的图像的L、A、B三个通道的图像分别取均值；按下式确定每个像素的显著值S(x，y)：

S(x，y)＝||I_μ-I_ω(x，y)||

其中，I_μ为该图像的平均特征向量，I_ω(x，y)是失真图像进行高斯滤波后对应的图像像素向量值；图像中每个像素的显著值S(x，y)除以最大的显著值，得到最终的显著性图。

将每张失真图像、梯度图、显著性图裁剪成32×32像素大小的图像块，作为输入样本。

(3)构建图像质量评价模型