[发明专利]一种基于梯度信息的无参考图像质量评价方法

摘要

本发明公开了一种基于梯度信息的无参考图像质量评价方法，其通过深入挖掘人眼视觉对图像结构的感知特性，对失真图像实施梯度滤波，得到梯度信息的幅值图像和相位图像；接着对上述二幅图像分别进行局部二值化模式操作，得到各自的局部二值化模式特征图像；然后求取幅值图像和相位图像中像素值为不同值的所有像素点的条件概率特征；最后根据条件概率特征，采用支持向量回归预测待评价的失真图像的客观质量评价预测值；优点是由于充分考虑到了梯度结构改变对视觉质量的影响，因此得到的客观质量评价预测值能够准确地反映人眼视觉主观感知质量，能够有效地提高客观评价结果与主观感知之间的相关性。

主权项

一种基于梯度信息的无参考图像质量评价方法，其特征在于包括以下步骤：①令{Id(i,j)}表示待评价的失真图像，其中，1≤i≤W,1≤j≤H，W表示{Id(i,j)}的宽度，H表示{Id(i,j)}的高度，Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值；②对{Id(i,j)}实施梯度滤波，得到{Id(i,j)}的梯度信息的幅值图像和{Id(i,j)}的梯度信息的相位图像，对应记为{Md(i,j)}和其中，Md(i,j)表示{Md(i,j)}中坐标位置为(i,j)的像素点的像素值，表示中坐标位置为(i,j)的像素点的像素值；③采用局部二值化模式操作对{Md(i,j)}进行处理，得到{Md(i,j)}的局部二值化模式特征图像，记为{LBPM(i,j)}；同样，采用局部二值化模式操作对进行处理，得到的局部二值化模式特征图像，记为其中，LBPM(i,j)表示{LBPM(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPM(i,j)∈[0,P+1]，表示中坐标位置为(i,j)的像素点的像素值，P表示局部二值化模式操作中的领域参数；④获取{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点与中像素值为0至P+1中的每个值的所有像素点的联合概率函数值，将{LBPM(i,j)}中像素值为m的所有像素点与中像素值为n的所有像素点的联合概率函数值记为其中，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1，Pc()为联合概率函数；⑤计算{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将{LBPM(i,j)}中像素值为m的所有像素点的条件概率特征记为QM(LBPM(i,j)＝＝m)，并计算中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将中像素值为n的所有像素点的条件概率特征记为其中，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1；⑥采用n”幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图像集合，该失真图像集合包括多幅失真图像；然后利用主观质量评价方法评价出该失真图像集合中的每幅失真图像的主观评分，将该失真图像集合中的第x幅失真图像的主观评分记为DMOSx；再按照步骤①至步骤⑤的操作，以相同的方式获取该失真图像集合中的每幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、每幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为m的所有像素点的条件概率特征记为QM,x(LBPM,x(i,j)＝＝m)，将该失真图像集合中的第x幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为n的所有像素点的条件概率特征记为其中，n”>1，x的初始值为1，1≤x≤X，X表示该失真图像集合中包含的失真图像的总幅数，0≤DMOSx≤100，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1，LBPM,x(i,j)表示该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像{LBPM,x(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPM,x(i,j)∈[0,P+1]，表示该失真图像集合中的第x幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中坐标位置为(i,j)的像素点的像素值，⑦将该失真图像集合作为训练集；然后利用支持向量回归对训练集中的所有失真图像各自的主观评分及各自的梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、各自的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征进行测试，预测得到{Id(i,j)}的客观质量评价预测值，记为Q，Q＝f(y)，其中，Q是y的函数，f()为函数表示形式，y为输入，y表示{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征，(Wopt)T为Wopt的转置矢量，为y的线性函数。