[发明专利]一种基于全局信息的无参考屏幕图像质量评价方法

摘要

本发明公开了一种基于全局信息的无参考屏幕图像质量评价方法，其对失真屏幕图像实施Gabor滤波，得到多尺度和多方向下的Gabor幅值图像和Gabor相位图像；然后采用CLBP操作对多尺度和多方向下的Gabor幅值图像进行处理，得到CLBP特征图像；并采用LPQ操作对多尺度和多方向下的Gabor相位图像进行处理，得到LPQ特征图像；接着计算CLBP特征图像与对应的LPQ特征图像的联合概率函数值；再获取CLBP特征图像和LPQ特征图像各自的条件概率统计特征向量；最后利用支持向量回归技术，预测得到失真屏幕图像的客观质量评价预测值；优点是能够充分考虑到全局信息变化对视觉质量的影响，从而能够提高客观评价结果与主观感知之间的相关性。

主权项

一种基于全局信息的无参考屏幕图像质量评价方法，其特征在于包括以下步骤：步骤①：令{Id(i,j)}表示待评价的失真屏幕图像，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；步骤②：对{Id(i,j)}实施Gabor滤波，得到{Id(i,j)}在S个不同尺度和T个不同方向下的Gabor幅值图像和Gabor相位图像，将{Id(i,j)}在第s个尺度和第t个方向下的Gabor幅值图像和Gabor相位图像对应记为和其中，S>1，T>1，1≤s≤S，1≤t≤T，表示中坐标位置为(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；步骤③：采用CLBP操作对{Id(i,j)}在不同尺度和不同方向下的Gabor幅值图像进行处理，得到{Id(i,j)}在不同尺度和不同方向下的Gabor幅值图像的CLBP特征图像，将的CLBP特征图像记为并采用LPQ操作对{Id(i,j)}在不同尺度和不同方向下的Gabor相位图像进行处理，得到{Id(i,j)}在不同尺度和不同方向下的Gabor相位图像的LPQ特征图像，将的LPQ特征图像记为其中，表示中坐标位置为(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，P表示CLBP操作和LPQ操作中的邻域参数；步骤④：计算{Id(i,j)}在不同尺度和不同方向下的Gabor幅值图像的CLBP特征图像中像素值为m的所有像素点与{Id(i,j)}在不同尺度和不同方向下的Gabor相位图像的LPQ特征图像中像素值为n的所有像素点的联合概率函数值，将中像素值为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,P+1]，n∈[0,P+1]，Pc()为联合概率函数；步骤⑤：根据{Id(i,j)}在不同尺度和不同方向下的Gabor幅值图像的CLBP特征图像中像素值为m的所有像素点与{Id(i,j)}在不同尺度和不同方向下的Gabor相位图像的LPQ特征图像中像素值为n的所有像素点的联合概率函数值，获取{Id(i,j)}在不同尺度和不同方向下的Gabor幅值图像的CLBP特征图像和{Id(i,j)}在不同尺度和不同方向下的Gabor相位图像的LPQ特征图像各自的条件概率统计特征向量，将和各自的条件概率统计特征向量对应记为和其中，和的维数均为P+2，符号“[]”为向量表示符号，表示中像素值为0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，表示中像素值为1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，表示中像素值为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，表示中像素值为P+1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，表示中像素值为m的所有像素点与中像素值为0的所有像素点的联合概率函数值，表示中像素值为m的所有像素点与中像素值为1的所有像素点的联合概率函数值，表示中像素值为m的所有像素点与中像素值为P+1的所有像素点的联合概率函数值；步骤⑥：采用n”幅原始的无失真屏幕图像，建立其在不同失真类型不同失真程度下的失真屏幕图像集合，将该失真屏幕图像集合作为训练集，其包括多幅失真屏幕图像；然后利用主观质量评价方法评价出训练集中的每幅失真屏幕图像的主观评分，将训练集中的第k幅失真屏幕图像的主观评分记为DMOSk；再按照步骤①至步骤⑤的操作，以相同的方式获取训练集中的每幅失真屏幕图像在不同尺度和不同方向下的Gabor幅值图像的CLBP特征图像及在不同尺度和不同方向下的Gabor相位图像的LPQ特征图像各自的条件概率统计特征向量，将训练集中的第k幅失真屏幕图像在第s个尺度和第t个方向下的Gabor幅值图像的CLBP特征图像的条件概率统计特征向量记为将训练集中的第k幅失真屏幕图像在第s个尺度和第t个方向下的Gabor相位图像的LPQ特征图像的条件概率统计特征向量记为其中，n”>1，1≤k≤K，K表示训练集中包含的失真屏幕图像的总幅数，K≥5，0≤DMOSk≤100，和的维数均为P+2；步骤⑦：利用支持向量回归对训练集中的所有失真屏幕图像各自的主观评分及各自在不同尺度和不同方向下的Gabor幅值图像的CLBP特征图像的条件概率统计特征向量、各自在不同尺度和不同方向下的Gabor相位图像的LPQ特征图像的条件概率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；然后利用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，对和进行测试，预测得到{Id(i,j)}的客观质量评价预测值，记为Q，Q＝f(x)，其中，f()为函数表示形式，Q是x的函数，x为输入，x用于代表和(Wopt)T为Wopt的转置矢量，为x的线性函数。