[发明专利]一种高效视觉质量客观评价方法

摘要

本发明公开了一种高效视觉质量客观评价方法，在训练阶段，获取原始的无失真图像的去均值归一化图像；对去均值归一化图像采用零均值广义分布模型、非对称广义高斯分布模型、局部二值化操作、自相似度图像计算，得到纹理特征信息、方向特征信息、局部特征信息和自相似度信息；再将所有原始的无失真图像的纹理特征信息、方向特征信息、局部特征信息和自相似度信息的均值输入到高斯分布模型中得到无失真高斯分布模型；在测试阶段，对于待评价的失真图像，采用相同方法获得失真高斯分布模型；再用马氏距离公式衡量无失真高斯分布模型与失真高斯分布模型之间的误差，并作为质量客观评价预测值；优点是能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

一种高效视觉质量客观评价方法，其特征在于包括训练阶段和测试阶段；所述的训练阶段包括以下步骤：①_1、选取K幅宽度为W且高度为H的原始的无失真图像，将第k幅原始的无失真图像记为{R_k,org(x,y)}；然后对每幅原始的无失真图像进行去均值归一化操作，得到每幅原始的无失真图像的去均值归一化图像，将第k幅原始的无失真图像的去均值归一化图像记为{C_k,org(x,y)}，将{C_k,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为C_k,org(x,y)；其中，K≥1，1≤k≤K，R_k,org(x,y)表示{R_k,org(x,y)}中坐标位置为(x,y)的像素点的像素值，1≤x≤W,1≤y≤H；①_2、将每幅原始的无失真图像的去均值归一化图像输入到零均值广义分布模型中，得到每幅原始的无失真图像的去均值归一化图像的模型分布控制参数和方差控制参数，将{C_k,org(x,y)}的模型分布控制参数和方差控制参数对应记为α_k,org和β_k,org；然后将每幅原始的无失真图像的去均值归一化图像的模型分布控制参数和方差控制参数按序排列构成每幅原始的无失真图像的去均值归一化图像的纹理信息向量，{C_k,org(x,y)}的纹理信息向量由α_k,org和β_k,org按序排列构成；①_3、对每幅原始的无失真图像的去均值归一化图像分别进行水平方向、垂直方向、主对角线方向和副对角线方向的滤波，对应得到每幅原始的无失真图像的去均值归一化图像的水平方向信息图像、垂直方向信息图像、主对角线方向信息图像和副对角线方向信息图像，将{C_k,org(x,y)}的水平方向信息图像、垂直方向信息图像、主对角线方向信息图像和副对角线方向信息图像对应记为{H_k,org(x,y)}、{V_k,org(x,y)}、{D_k,org(x,y)}和将{H_k,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为H_k,org(x,y)，将{V_k,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为V_k,org(x,y)，将{D_k,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为D_k,org(x,y)，将中坐标位置为(x,y)的像素点的像素值记为①_4、将每幅原始的无失真图像的去均值归一化图像的水平方向信息图像输入到非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的水平方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将{H_k,org(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的水平方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的水平方向信息向量，{C_k,org(x,y)}的水平方向信息向量由和按序排列构成；同样，将每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像输入到非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将{V_k,org(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的垂直方向信息向量，{C_k,org(x,y)}的垂直方向信息向量由和按序排列构成；将每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像输入到非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将{D_k,org(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的主对角线方向信息向量，{C_k,org(x,y)}的主对角线方向信息向量由和按序排列构成；将每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像输入到非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的副对角线方向信息向量，{C_k,org(x,y)}的副对角线方向信息向量由和按序排列构成；①_5、对每幅原始的无失真图像的去均值归一化图像的水平方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部水平方向向量，将{C_k,org(x,y)}的局部水平方向向量记为其中，的维数为1×m'维，m'＝P+2，P表示旋转不变的局部二值化操作中的领域参数；同样，对每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部垂直方向向量，将{C_k,org(x,y)}的局部垂直方向向量记为其中，的维数为1×m'维；对每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部主对角线方向向量，将{C_k,org(x,y)}的局部主对角线方向向量记为其中，的维数为1×m'维；对每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部副对角线方向向量，将{C_k,org(x,y)}的局部副对角线方向向量记为其中，的维数为1×m'维；①_6、计算每幅原始的无失真图像的去均值归一化图像与其水平方向信息图像之间的自相似度图像，将{C_k,org(x,y)}与{H_k,org(x,y)}之间的自相似度图像记为{H_k,org,sim(x,y)}，将{H_k,org,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为H_k,org,sim(x,y)；同样，计算每幅原始的无失真图像的去均值归一化图像与其垂直方向信息图像之间的自相似度图像，将{C_k,org(x,y)}与{V_k,org(x,y)}之间的自相似度图像记为{V_k,org,sim(x,y)}，将{V_k,org,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为V_k,org,sim(x,y)；计算每幅原始的无失真图像的去均值归一化图像与其主对角线方向信息图像之间的自相似度图像，将{C_k,org(x,y)}与{D_k,org(x,y)}之间的自相似度图像记为{D_k,org,sim(x,y)}，将{D_k,org,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为D_k,org,sim(x,y)；计算每幅原始的无失真图像的去均值归一化图像与其副对角线方向信息图像之间的自相似度图像，将{C_k,org(x,y)}与之间的自相似度图像记为将中坐标位置为(x,y)的像素点的像素值记为①_7、对每幅原始的无失真图像的去均值归一化图像与其水平方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的水平方向相似度特性图像，将{H_k,org,sim(x,y)}经量化处理后得到的{C_k,org(x,y)}对应的水平方向相似度特性图像记为{H_k,org,sim,q(x,y)}；然后采用直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的水平方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的水平方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度水平方向向量，将{H_k,org,sim,q(x,y)}的直方图统计特征向量记为H_{k,org,sim,q,hist}，并将H_{k,org,sim,q,hist}作为{C_k,org(x,y)}的自相似度水平方向向量；其中，H_k,org,sim,q(x,y)表示{H_k,org,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，H_{k,org,sim,q,hist}的维数为1×m'维；同样，对每幅原始的无失真图像的去均值归一化图像与其垂直方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的垂直方向相似度特性图像，将{V_k,org,sim(x,y)}经量化处理后得到的{C_k,org(x,y)}对应的垂直方向相似度特性图像记为{V_k,org,sim,q(x,y)}；然后采用直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的垂直方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的垂直方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度垂直方向向量，将{V_k,org,sim,q(x,y)}的直方图统计特征向量记为V_{k,org,sim,q,hist}，并将V_{k,org,sim,q,hist}作为{C_k,org(x,y)}的自相似度垂直方向向量；其中，V_k,org,sim,q(x,y)表示{V_k,org,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，V_{k,org,sim,q,hist}的维数为1×m'维；对每幅原始的无失真图像的去均值归一化图像与其主对角线方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的主对角线方向相似度特性图像，将{D_k,org,sim(x,y)}经量化处理后得到的{C_k,org(x,y)}对应的主对角线方向相似度特性图像记为{D_k,org,sim,q(x,y)}；然后采用直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的主对角线方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的主对角线方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度主对角线方向向量，将{D_k,org,sim,q(x,y)}的直方图统计特征向量记为D_{k,org,sim,q,hist}，并将D_{k,org,sim,q,hist}作为{C_k,org(x,y)}的自相似度主对角线方向向量；其中，D_k,org,sim,q(x,y)表示{D_k,org,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，D_{k,org,sim,q,hist}的维数为1×m'维；对每幅原始的无失真图像的去均值归一化图像与其副对角线方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的副对角线方向相似度特性图像，将经量化处理后得到的{C_k,org(x,y)}对应的副对角线方向相似度特性图像记为然后采用直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的副对角线方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的副对角线方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度副对角线方向向量，将的直方图统计特征向量记为并将作为{C_k,org(x,y)}的自相似度副对角线方向向量；其中，表示中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，的维数为1×m'维；①_8、计算K幅原始的无失真图像的去均值归一化图像的纹理信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的水平方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的垂直方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的主对角线方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的副对角线方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部水平方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部垂直方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部主对角线方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部副对角线方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度水平方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度垂直方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度主对角线方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度副对角线方向向量的均值向量；然后将计算得到的13个均值向量作为输入参数，输入到高斯分布模型中，得到K幅原始的无失真图像对应的无失真高斯分布模型；所述的测试阶段包括以下步骤：②_1、对于任意一幅宽度为W且高度为H的失真图像，将该失真图像作为待评价的失真图像，记为{R_dis(x,y)}；然后对{R_dis(x,y)}进行去均值归一化操作，得到{R_dis(x,y)}的去均值归一化图像，记为{C_dis(x,y)}，将{C_dis(x,y)}中坐标位置为(x,y)的像素点的像素值记为C_dis(x,y)；其中，R_dis(x,y)表示{R_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，1≤x≤W,1≤y≤H；②_2、将{C_dis(x,y)}输入到零均值广义分布模型中，得到{C_dis(x,y)}的模型分布控制参数和方差控制参数，对应记为α_dis和β_dis；然后将α_dis和β_dis按序排列构成{C_dis(x,y)}的纹理信息向量；②_3、对{C_dis(x,y)}分别进行水平方向、垂直方向、主对角线方向和副对角线方向的滤波，对应得到{C_dis(x,y)}的水平方向信息图像、垂直方向信息图像、主对角线方向信息图像和副对角线方向信息图像，对应记为{H_dis(x,y)}、{V_dis(x,y)}、{D_dis(x,y)}和将{H_dis(x,y)}中坐标位置为(x,y)的像素点的像素值记为H_dis(x,y)，将{V_dis(x,y)}中坐标位置为(x,y)的像素点的像素值记为V_dis(x,y)，将{D_dis(x,y)}中坐标位置为(x,y)的像素点的像素值记为D_dis(x,y)，将中坐标位置为(x,y)的像素点的像素值记为②_4、将{H_dis(x,y)}输入到非对称广义高斯分布模型中，得到{H_dis(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{C_dis(x,y)}的水平方向信息向量；同样，将{V_dis(x,y)}输入到非对称广义高斯分布模型中，得到{V_dis(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{C_dis(x,y)}的垂直方向信息向量；将{D_dis(x,y)}输入到非对称广义高斯分布模型中，得到{D_dis(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{C_dis(x,y)}的主对角线方向信息向量；将输入到非对称广义高斯分布模型中，得到的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{C_dis(x,y)}的副对角线方向信息向量；②_5、对{H_dis(x,y)}进行旋转不变的局部二值化操作，得到{C_dis(x,y)}的局部水平方向向量，记为其中，的维数为1×m'维；同样，对{V_dis(x,y)}进行旋转不变的局部二值化操作，得到{C_dis(x,y)}的局部垂直方向向量，记为其中，的维数为1×m'维；对{D_dis(x,y)}进行旋转不变的局部二值化操作，得到{C_dis(x,y)}的局部主对角线方向向量，记为其中，的维数为1×m'维；对进行旋转不变的局部二值化操作，得到{C_dis(x,y)}的局部副对角线方向向量，记为其中，的维数为1×m'维；②_6、计算{C_dis(x,y)}与{H_dis(x,y)}之间的自相似度图像，记为{H_dis,sim(x,y)}，将{H_dis,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为H_dis,sim(x,y)；同样，计算{C_dis(x,y)}与{V_dis(x,y)}之间的自相似度图像，记为{V_dis,sim(x,y)}，将{V_dis,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为V_dis，sim(x,y)；计算{C_dis(x,y)}与{D_dis(x,y)}之间的自相似度图像，记为{D_dis，sim(x,y)}，将{D_dis，sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为D_dis，sim(x,y)；计算{C_dis(x,y)}与之间的自相似度图像，记为将中坐标位置为(x,y)的像素点的像素值记为②_7、对{H_dis，sim(x,y)}进行量化处理，得到{C_dis(x,y)}对应的水平方向相似度特性图像，记为{H_dis,sim,q(x,y)}；然后采用直方图统计方法对{H_dis,sim,q(x,y)}进行统计操作，得到{H_{dis，sim，q}(x,y)}的直方图统计特征向量，记为H_{dis，sim，q，hist}，并将H_{dis,sim,q,hist}作为{C_dis(x,y)}的自相似度水平方向向量；其中，H_dis,sim,q(x,y)表示{H_dis,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，H_{dis,sim,q,hist}的维数为1×m'维；同样，对{V_dis,sim(x,y)}进行量化处理，得到{C_dis(x,y)}对应的垂直方向相似度特性图像，记为{V_{dis，sim，q}(x,y)}；然后采用直方图统计方法对{V_{dis，sim，q}(x,y)}进行统计操作，得到{V_dis,sim,q(x,y)}的直方图统计特征向量，记为V_{dis，sim，q，hist}，并将V_{dis，sim，q，hist}作为{C_dis(x,y)}的自相似度垂直方向向量；其中，V_dis,sim,q(x,y)表示{V_{dis，sim，q}(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，V_{dis，sim，q，hist}的维数为1×m'维；对{D_dis,sim(x,y)}进行量化处理，得到{C_dis(x,y)}对应的主对角线方向相似度特性图像，记为{D_dis,sim,q(x,y)}；然后采用直方图统计方法对{D_dis,sim,q(x,y)}进行统计操作，得到{D_dis,sim,q(x,y)}的直方图统计特征向量，记为D_{dis,sim,q,hist}，并将D_{dis，sim，q，hist}作为{C_dis(x,y)}的自相似度主对角线方向向量；其中，D_{dis，sim，q}(x,y)表示{D_dis,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，D_{dis,sim,q,hist}的维数为1×m'维；对进行量化处理，得到{C_dis(x,y)}对应的副对角线方向相似度特性图像，记为然后采用直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为并将作为{C_dis(x,y)}的自相似度副对角线方向向量；其中，表示中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，的维数为1×m'维；②_8、将{C_dis(x,y)}的纹理信息向量、水平方向信息向量、垂直方向信息向量、主对角线方向信息向量、副对角线方向信息向量、局部水平方向向量、局部垂直方向向量、局部主对角线方向向量、局部副对角线方向向量、自相似度水平方向向量、自相似度垂直方向向量、自相似度主对角线方向向量、自相似度副对角线方向向量作为输入参数，输入到高斯分布模型中，得到{R_dis(x,y)}对应的失真高斯分布模型；②_9、采用马氏距离公式衡量步骤①_8得到的K幅原始的无失真图像对应的无失真高斯分布模型与步骤②_8得到的{R_dis(x,y)}对应的失真高斯分布模型之间的误差，将衡量得到的误差作为{R_dis(x,y)}的质量客观评价预测值。