基于自然場景統計中稀疏表示的無參考圖像質量評價方法技術

本發明專利技術公開了一種基于自然場景統計中稀疏表示的無參考自然圖像質量評價方法，主要解決現有技術在原始圖像未知的情況下，客觀評價分數與主觀評價分數不同的問題。其實現步驟包括：利用小波變換對圖像進行子帶分解，根據自然場景統計模型方法提取圖像的有效特征；通過組合一系列不同內容、不同失真類型的圖像，提取其自然場景統計特征以構建特征字典；在構建的特征字典中，用稀疏表示測試圖像的自然場景統計特征；利用稀疏表示系數線性加權相關圖像的差異平均主觀分數值DMOS，最終得到測試圖像質量的評價值。本發明專利技術具有適用于各種失真類型圖像且與主觀評價一致性好的優點，可用于對圖像處理方法進行有效性評測。

【技術實現步驟摘要】

本專利技術屬于圖像處理
，涉及圖像質量的評測，可用廣泛應用于圖像壓縮、圖像存儲、圖像通信，圖像檢測等領域。
技術介紹
圖像是利用各種采集系統以不同形式和手段觀測客觀世界而獲得的，可以直接或間接作用于人眼，進而產生視覺的實體。人類有75%的信息是從圖像中獲得的，并且隨著信號處理和計算機科學技術的發展，圖像工程也成為一門內容豐富且發展迅速的學科。一個圖像系統包括圖像的采集、顯示、存儲、通信、處理和分析。它廣泛地應用于國民經濟中的各個領域，如科學研究、工業生產、醫療衛生、教育、娛樂、管理和通信等，對推動社會發展，改善人們生活水平都起到重要的作用。雖然圖像技術取得了迅速的發展，但在目前的技術水 平下，在圖像的采集、傳輸和處理過程中都會產生一些失真，如時間分辨率與噪聲敏感度之間的折衷、空間分辨率與圖像尺寸的折衷。很多應用中需要量化圖像中存在的失真會給感觀造成怎樣的影響。通過圖像質量客觀評價方法，可以對一些圖像處理方法進行有效的評估，最終取得一個較好的圖像視覺效果。目前的數字圖像質量評價IQA研究可以分為兩種不同的方法主觀評價和客觀評價。主觀評價，主要是通過主觀實驗來評價圖像質量。一個典型方法是國際電信聯盟ITU提出的電視圖像的主觀評價方法。主觀評價實驗是指，在一定的圖像源、顯示設備和觀看環境等條件下，給觀看者同時提供兩幅圖片，其中一幅是原始圖像，另一幅是失真圖像。原始的圖像是沒有任何損傷的，失真圖像可能有失真也可能沒有，即失真為零。對于觀看者應包括普通人和圖像專業人員和非專業人員。最后還要對大量的評分數據進行統計，包括均值、標準偏差、95%置信度區間等。主觀評價的結果有兩種表示方法一種是絕對評分表達，平均主觀分數M0S，即表示失真圖像的絕對質量；另一種是差值表達，差異平均主觀分數DM0S，即表示失真圖像與原始圖像評價成績的絕對差。圖像最終的接收端是人，因而主觀實驗評價方法是評價圖像質量最準確和最有效的方法，但也存在嚴重的缺點。實際中，需要實驗的數據量非常大，并且每次做出新的設計選擇時都要重新進行實驗，而主觀評價實驗只能測試有限數量的圖像樣本，導致實驗過程很耗時并且費用昂貴，該方法很難在實時系統中應用，因此，人們需要設計客觀的圖像質量評價方法來近似反映主觀感受?？陀^評價，主要是通過客觀的評價方法來評價圖像質量。數字圖像質量的客觀評價已經越來越為人們所重視，并已形成了許多完整有效的算法體系。從現有文獻看，依據對原始圖像的參考程度的不同，圖像質量的客觀評價可分為三種全參考FR、部分參考RR和無參考NR。I)全參考全參考型，就是指原始的圖像信息是完全已知的，認為是沒有任何失真的，被用來作為評價失真圖像質量的參照。目前的大多數圖像質量評價算法都屬于全參考型。2)部分參考由于參考圖像數據量往往比較大，在一些情況下不便于傳輸和存儲，往往不能全部提供。所謂部分參考型，是指該算法僅利用原始圖像的部分信息來估計失真圖像的視覺感知質量，一個成功的部分參考型圖像質量評價方法必須在特征數據率和圖像質量的預測精度上取得很好的平衡。3)無參考全參考和部分參考方法都需要提供一個原始的且無失真的圖像作為參考。但是在大多數實際應用中，參考圖像的全部甚至部分信息是很難獲得的，或者獲取的成本很高，而且人類看到一張圖像時，即使不知道參考圖像也能很輕松地判斷一幅圖像質量的優劣。因此，無參考NR質量評價方法才是真正意義上理想的圖像質量評價方法。無參考型方法，是一種不需要原始圖像任何信息，直接對失真圖像進行評價的方法。近些年來，隨著圖像質量評價領域的發展，無參考NR型圖像質量評價引起了越來越多的學者所關注。但目前尚未存在一種被業界普遍承認的無參考圖像質量評價NR IQA方案，因而這個研究方向很有潛力與意義。全參考型方法對失真圖像質量預測準確，然而，全參考型方法要求有無任何失真的原始圖像，這在很多實際應用中都難以實現。部分參考型方法在參考圖像上信息量上的折衷導致相應評估結果的折衷，由于其仍要求得知原始圖像信息，因而該類方法的實用性 不高。無參考型方法不需要參考圖像的信息而可以直接獲得評價結果。隨著圖像質量評價IQA領域的進一步研究，這一極具挑戰性的工作也有了相應的解決方案，在對質量評價的條件放寬的同時，評價效果也得到了逐步提高。傳統的圖像質量評價方法峰值信噪比PSNR及均方誤差MSE等是從純數學的角度統計圖像像素之間的誤差，與人類視覺感知不一致，導致性能有很大的局限性。近年來，在圖像質量評價的研究領域，引入了基于人類視覺系統HVS的新方法，通過模擬人眼的作用機制，提取視場中的結構信息。主要的IQA方法有(1)Z Wang等提出了基于結構相似度SSIM的全參考型圖像質量評價方法“Z ffang,A C B ovik,H RSheikh,and E P Simoncelli.Image quality assessment : from error visibility to structural similarity.IEEE Trans, on Image Processing. 2004,13 (4) :600-612. ” 實驗結果表明該方法與主觀評價具有很好的相關性。但是該方法僅針對圖像中局部像素的相關性，因此提取的圖像特征不夠完整。(2) Hamid等針對JPEG2000失真圖像提出了基于自然場景統計NSS模型的無參考型圖像質量方法“H R Sheikh, AC Bovik, and L Cormack. No-reference qualityassessment using natural scene statistics JPEG2000. IEEE Trans, on ImageProcessing. 2005，14(11) :1918-1927. ”該方法根據JPEG2000圖像失真主要是由小波變換引起的，利用自然圖像小波域的統計特性來評測圖像質量，并取得了較好的評價結果。但是該方法最大的限制在于僅適用于JPEG2000失真圖像，對其他的失真類型達不到理想的效果，在無參考型中很難找到一個可以通用的圖像質量評價方法。在一個無參考圖像質量評價方法中，最重要的是提取合適的特征。目前提出了一種通用無參考圖像質量評價方法離散余弦變換域統計特性方法BLINDS，在不區分失真類型的情況下將提取到的特征直接投影為圖像質量值。另一個通用無參考圖像質量評價方法首先確定測試圖像的失真類型，然后采用一種與特定失真相關的無參考圖像質量評價方法來預測質量值，例如兩步框架方法BIQL·如附圖說明圖1，以上兩種無參考圖像質量評價方法都在圖像特征和圖像質量值之間構建了一個黑盒子映射關系，并且在LIVE II數據庫上的到了很好的效果?？墒牵陨蟽煞N方法都直接地模擬了特征與質量值之間的數學關系，函數的形式也是由手動或訓練得到參數而獲得。然而，這兩者之間的數學關系是基本不可能被精確模擬的。此外，這個方法中沒有考慮訓練集與測試集之間的關系。換言之，數據庫中的信息沒有被完全使用。所以，如何利用統計方法及稀疏表示高效建模圖像的特征信息是圖像質量評價的關鍵。
技術實現思路
本專利技術的目的在于針對傳統無參考圖像質量評價方法中僅對某種特定失真類型圖像的質量評價，造成評價結果不準確本文檔來自技高網...

【技術保護點】
一種基于自然場景統計中稀疏表示的無參考圖像質量評價方法，包括如下步驟：（1）利用小波變換對一個訓練圖像進行四個尺度的分解，得到13個子帶全部的小波系數C；（2）忽略每個尺度上特征相同的水平高通垂直低通子帶LH子帶和水平低通垂直高通子帶HL子帶，提取一個訓練圖像的13個子帶中小波系數不相同的8個子帶的小波系數的幅值mk、方差vk以及信息熵ek：mk=1Nk·MkΣj=1NkΣi=1Mklog2|Ck(i,j)|k=1,2,...,8vk=1Nk·MkΣj=1NkΣi=1Mklog2|Ck(i,j)-mean(Ck)|ek=Σj=1NkΣi=1Mkp[Ck(i,j)]lnp[Ck(i,j)]式中，(i,j)代表圖像中像素的位置，i代表行數，j代表列數，Ck(i,j)代表第k個子帶的第(i,j)個小波系數，mean(Ck)表示第k個子帶的小波系數的均值，Mk代表第k個子帶的長度，Nk代表第k個子帶的寬度，p[·]是子帶的概率密度函數；（3）將一個訓練圖像的8個子帶的小波系數幅值m1,m2,…,m8、方差v1,v2,…v8以及信息熵e1,e2,…e8組合成為一個訓練圖像的24維特征向量f：f＝[m1,m2,…,m8,v1,v2,…v8,e1,e2,…e8]T式中，T代表轉置操作；（4）構建的訓練圖像的特征字典D：（4a）重復步驟（3），提取n個訓練圖像的n個24維特征向量的特征f1,f2…,fn，并對這些特征向量進行整合，構成一個24×n的特征矩陣H：H＝[f1,f2,…,fn]（4b）對n個訓練圖像的平均主觀差異分數值DMOS進行整合，構成n維平均主觀差異分數向量DMOS′：DMOS′＝[DMOS′1,DMOS2′,…,DMOSn′]（4c）將平均主觀差異分數向量DMOS′與特征矩陣H一一對應，共同構成特征字典D：表示定義特征字典D為平均主觀差異分數向量DMOS′與特征矩陣H共同構成；（5）利用特征字典D稀疏表示一個測試圖像的特征：（5a）重復步驟（3），提取一個測試圖像的24維特征u，（5b）在構建的特征字典D的特征矩陣H中尋找測試圖像特征的最接近表示v：v=Σi=1nαifi式中，fi代表特征字典D中的特征矩陣H的第i個特征向量，αi代表1,2…,n每個特征向量的系數將特征向量與特征向量系數相乘，得到v的簡化式：v=Σi=1nαifi=Hα式中，α代表一個測試圖像特征v的最接近表示的系數向量；（5c）利用稀疏表示的方法求解一個測試圖像特征u在特征矩陣H中的最稀疏表示系數α*：α*=argminα∈Rnλ·||α||1+||u-v||2式中，Rn表示n維實數空間，||?||1表示求解1范數，||?||2表示求解2范數，λ是用來平衡保真項和正則項的正常數，arg表示滿足式最小值的α賦值給α*；（6）根據最稀疏表示系數α*，利用下式評價一個測試圖像的圖像質量：Q=1Σi=1nαi*Σi=1nαi*DMOSi′Q=1,2,...,100式中，DMOS′i代表特征稀疏字典中第i個訓練圖像的平均主觀差異分數值，代表一個測試圖像的第i個最稀疏表示系數，Q代表一個測試圖像的最終質量值。FDA00002286335700014.jpg,FDA00002286335700021.jpg,FDA00002286335700025.jpg,FDA00002286335700027.jpg...

【技術特征摘要】

【專利技術屬性】
技術研發人員：高新波，何立火，梅寧，路文，高飛，侯偉龍，郝磊，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：