[发明专利]一种基于特征融合的图像缩放质量评价方法

摘要

本发明公开了一种基于特征融合的图像缩放质量评价方法，属于图像处理技术领域，该方法包括如下步骤分别提取出缩放图像与原始图像的显著性信息和全局Gist向量，显著性信息中包括图像中所有点的显著值；然后分别提取出原始图像和缩放图像的SIFT特征点，并且相互匹配，获得二者的SIFT特征点匹配对，建立原始图像和缩放图像的像素之间的对应关系；计算缩放图像的如下三种特征图像形状相似度特征、图像块结构相似度特征以及显著性信息完备性特征；将上述三种特征，代入到基于BP神经网络的缩放质量评价模型中得到评价结果。

主权项

一种基于特征融合的图像缩放质量评价方法，其特征在于，包括如下步骤：步骤一、分别提取出缩放图像与原始图像的显著性信息和全局Gist向量，所述显著性信息中包括图像中所有点的显著值；然后分别提取出原始图像和缩放图像的SIFT特征点，并且相互匹配，获得二者的SIFT特征点匹配对，建立原始图像和缩放图像的像素之间的对应关系；步骤二、计算缩放图像的如下三种特征：计算原始图像和缩放图像的全局Gist向量之间的距离，将结果作为缩放图像相对于原始图像的图像形状相似度特征；利用原始图像和缩放图像二者的SIFT特征点匹配对，以匹配对中的SIFT特征点为中心在原始图像和缩放图像中分别选取设定大小的窗口，计算两个窗口的结构相似度，然后采用两个窗口中SIFT特征点的平均显著值作为结构相似度的权值，对结构相似度进行加权相加处理，得到缩放图像相对原始图像的图像块结构相似度特征；利用原始图像的显著图进行区域划分得到关键区域，重要区域和普通区域，结合原始图像和缩放图像二者匹配的SIFT特征点，计算获得匹配的SIFT特征点分别在原始图像中关键区域和重要区域占比的加权和，得到缩放图像相对原始图像的显著性信息完备性特征；步骤三、将缩放图像以及步骤二中得到的三种特征，代入到基于BP神经网络的缩放质量评价模型中得到评价结果；所述BP神经网络模型的建立方法为：step301、以多个缩放图像样本及其原始图像样本作为训练样本；step302、将缩放图像样本及其原始图像样本采用步骤一和步骤二的方式，得到缩放图像样本的三种特征，并对缩放图像样本进行主观评价得到主观评价结果；step303、建立BP神经网络模型，以缩放图像样本的三种特征作为BP神经网络模型的输入，以缩放图像样本的主观评价结果作为BP神经网络模型的输出，对所述BP神经网络模型进行训练，训练结果作为所述基于BP神经网络的缩放质量评价模型。