[发明专利]一种基于梯度自相似度的无参考图像客观质量评价方法

摘要

本发明公开了一种基于梯度自相似度的无参考图像客观质量评价方法，其过程为对待评价的失真图像实施梯度滤波，得到梯度信息的幅值图像；然后根据梯度信息的幅值图像，得到四个方向的信息图像，并计算每个方向的信息图像与幅值图像之间的自相似度图像；接着对自相似度图像进行像素间特征提取方法和像素内特征提取方法操作，得到像素间特征图和像素内特征图；之后采用直方图统计方法分别对像素间特征图和像素内特征图进行统计；最后根据直方图统计特征向量，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；优点是能充分考虑到图像梯度自相似度改变对视觉质量的影响，从而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

一种基于梯度自相似度的无参考图像客观质量评价方法，其特征在于包括以下步骤：①令{Id(x,y)}表示待评价的失真图像，其中，1≤x≤W,1≤y≤H，W表示{Id(x,y)}的宽度，H表示{Id(x,y)}的高度，Id(x,y)表示{Id(x,y)}中坐标位置为(x,y)的像素点的像素值；②对{Id(x,y)}实施梯度滤波，得到{Id(x,y)}的梯度信息的幅值图像，记为{Md(x,y)}，其中，Md(x,y)表示{Md(x,y)}中坐标位置为(x,y)的像素点的像素值；③对{Md(x,y)}进行四个方向的滤波处理，得到{Md(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{Hd(x,y)}、{Vd(x,y)}、{Dd(x,y)}和其中，Hd(x,y)表示{Hd(x,y)}中坐标位置为(x,y)的像素点的像素值，Vd(x,y)表示{Vd(x,y)}中坐标位置为(x,y)的像素点的像素值，Dd(x,y)表示{Dd(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值；④计算{Md(x,y)}与{Hd(x,y)}之间的自相似度图像，记为{Hd,sim(x,y)}；同样，计算{Md(x,y)}与{Vd(x,y)}之间的自相似度图像，记为{Vd,sim(x,y)}；计算{Md(x,y)}与{Dd(x,y)}之间的自相似度图像，记为{Dd,sim(x,y)}；计算{Md(x,y)}与之间的自相似度图像，记为其中，Hd,sim(x,y)表示{Hd,sim(x,y)}中坐标位置为(x,y)的像素点的像素值，Vd,sim(x,y)表示{Vd,sim(x,y)}中坐标位置为(x,y)的像素点的像素值，Dd,sim(x,y)表示{Dd,sim(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值；⑤采用像素间特征提取方法中的局部二值化模式操作对{Hd,sim(x,y)}进行处理，得到{Hd,sim(x,y)}的像素间特征图，记为{Hd,sim,lbp(x,y)}；同样，采用像素间特征提取方法中的局部二值化模式操作对{Vd,sim(x,y)}进行处理，得到{Vd,sim(x,y)}的像素间特征图，记为{Vd,sim,lbp(x,y)}；采用像素间特征提取方法中的局部二值化模式操作对{Dd,sim(x,y)}进行处理，得到{Dd,sim(x,y)}的像素间特征图，记为{Dd,sim,lbp(x,y)}；采用像素间特征提取方法中的局部二值化模式操作对进行处理，得到的像素间特征图，记为其中，Hd,sim,lbp(x,y)表示{Hd,sim,lbp(x,y)}中坐标位置为(x,y)的像素点的像素值，Vd,sim,lbp(x,y)表示{Vd,sim,lbp(x,y)}中坐标位置为(x,y)的像素点的像素值，Dd,sim,lbp(x,y)表示{Dd,sim,lbp(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值；并采用像素内特征提取方法中的等步长量化操作对{Hd,sim(x,y)}进行处理，得到{Hd,sim(x,y)}的像素内特征图，记为{Hd,sim,q(x,y)}；同样，采用像素内特征提取方法中的等步长量化操作对{Vd,sim(x,y)}进行处理，得到{Vd,sim(x,y)}的像素内特征图，记为{Vd,sim,q(x,y)}；采用像素内特征提取方法中的等步长量化操作对{Dd,sim(x,y)}进行处理，得到{Dd,sim(x,y)}的像素内特征图，记为{Dd,sim,q(x,y)}；采用像素内特征提取方法中的等步长量化操作对进行处理，得到的像素内特征图，记为其中，Hd,sim,q(x,y)表示{Hd,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，Vd,sim,q(x,y)表示{Vd,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，Dd,sim,q(x,y)表示{Dd,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值；⑥采用直方图统计方法对{Hd,sim,lbp(x,y)}进行统计操作，得到{Hd,sim,lbp(x,y)}的直方图统计特征向量，记为Hd,sim,lbp,hist；同样，采用直方图统计方法对{Vd,sim,lbp(x,y)}进行统计操作，得到{Vd,sim,lbp(x,y)}的直方图统计特征向量，记为Vd,sim,lbp,hist；采用直方图统计方法对{Dd,sim,lbp(x,y)}进行统计操作，得到{Dd,sim,lbp(x,y)}的直方图统计特征向量，记为Dd,sim,lbp,hist；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，记为其中，Hd,sim,lbp,hist、Vd,sim,lbp,hist、Dd,sim,lbp,hist和的维数均为1×m'维，m'＝P+2，P表示步骤⑤中的像素间特征提取方法中的局部二值化模式操作中的邻域参数；采用直方图统计方法对{Hd,sim,q(x,y)}进行统计操作，得到{Hd,sim,q(x,y)}的直方图统计特征向量，记为Hd,sim,q,hist；同样，采用直方图统计方法对{Vd,sim,q(x,y)}进行统计操作，得到{Vd,sim,q(x,y)}的直方图统计特征向量，记为Vd,sim,q,hist；采用直方图统计方法对{Dd,sim,q(x,y)}进行统计操作，得到{Dd,sim,q(x,y)}的直方图统计特征向量，记为Dd,sim,q,hist；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，记为其中，Hd,sim,q,hist、Vd,sim,q,hist、Dd,sim,q,hist和的维数均为1×n'维，符号为向上取整操作符号，max()为取最大值函数，Δ表示步骤⑤中的像素内特征提取方法中的等步长量化操作的步长；⑦采用n”幅原始的无失真图像，建立其在不同失真类型不同失真程度下的失真图像集合，将该失真图像集合作为训练集，训练集包括多幅失真图像；然后利用主观质量评价方法评价出训练集中的每幅失真图像的主观评分值，将训练集中的第j幅失真图像的主观评分值记为DMOSj；再按照步骤①至步骤⑥的操作，以相同的方式获取训练集中的每幅失真图像对应的8个直方图统计特征向量，将训练集中的第j幅失真图像对应的8个直方图统计特征向量依次记为和其中，n”>1，1≤j≤N'，N'表示训练集中包含的失真图像的总幅数，0≤DMOSj≤100，和的维数均为1×m'维，和的维数均为1×n'维；⑧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值及对应的8个直方图统计特征向量进行训练，使得经过训练得到的回归函数值与主观评分值之间的误差最小，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Hd,sim,lbp,hist、Vd,sim,lbp,hist、Dd,sim,lbp,hist、Hd,sim,q,hist、Vd,sim,q,hist、Dd,sim,q,hist和进行测试，预测得到{Id(x,y)}的客观质量评价预测值，记为Q，Q＝f(x)，其中，Q是x的函数，f()为函数表示形式，x为输入变量，x表示Hd,sim,lbp,hist、Vd,sim,lbp,hist、Dd,sim,lbp,hist、Hd,sim,q,hist、Vd,sim,q,hist、Dd,sim,q,hist和(Wopt)T为Wopt的转置矢量，为x的线性函数。