基于互補(bǔ)性組合特征與多相回歸的盲圖像質(zhì)量評(píng)價(jià)方法
【專利摘要】本發(fā)明提供一種基于互補(bǔ)性組合特征與多相回歸的盲圖像質(zhì)量評(píng)價(jià)方法，在特征提取方面，采有互補(bǔ)性的全局頻域和局部空頻圖像特征，來更準(zhǔn)確地捕捉圖像感知相關(guān)信息。在預(yù)測(cè)模型構(gòu)建方面，引入多項(xiàng)支撐矢量回歸方案，并通過搜索每幅測(cè)試圖像的K副近鄰來構(gòu)建其獨(dú)立的訓(xùn)練樣本集。通過該分段回歸操作，可以有效提高感知質(zhì)量預(yù)測(cè)模型的預(yù)測(cè)精度。本發(fā)明相比于現(xiàn)有的代表性盲圖像質(zhì)量評(píng)價(jià)方法，該方法更加魯棒，并且可以取得和人工打分更一致的預(yù)測(cè)質(zhì)量打分。
【專利說明】基于互補(bǔ)性組合特征與多相回歸的盲圖像質(zhì)量評(píng)價(jià)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理技術(shù)，特別涉及感知視覺信號(hào)處理技術(shù)。

【背景技術(shù)】
[0002] 圖像感知質(zhì)量評(píng)價(jià)方法是實(shí)現(xiàn)智能圖像質(zhì)量評(píng)價(jià)，網(wǎng)絡(luò)質(zhì)量監(jiān)控和圖像增強(qiáng)等應(yīng) 用的關(guān)鍵技術(shù)。目前，成熟的全參考與弱參考圖像質(zhì)量評(píng)價(jià)方法要求獲取成對(duì)的原始圖像 和失真圖像信息，并通過比較兩者差異來進(jìn)行質(zhì)量評(píng)價(jià)。然而，在實(shí)際應(yīng)用當(dāng)中，原始圖像 的信息往往無法獲得。因此，高效的盲圖像質(zhì)量評(píng)價(jià)方法便成為了該瓶頸的突破口。
[0003] 盲圖像質(zhì)量評(píng)價(jià)方法只需要失真圖像自身的信息即可預(yù)測(cè)其感知質(zhì)量，可以應(yīng)用 于相機(jī)對(duì)焦的判斷、去除圖片噪聲的判斷。現(xiàn)有的盲圖像質(zhì)量評(píng)價(jià)方法主要由兩步組成：感 知質(zhì)量相關(guān)特征提取和質(zhì)量預(yù)測(cè)模型回歸。（1)在特征提取方面，最為廣泛采用的特征是 圖像的自然場(chǎng)景統(tǒng)計(jì)信息。其主要局限是，不考慮人眼視覺感知系統(tǒng)的分層屬性，僅采用單 一特征域（如空域、DCT域和小波域）的全局統(tǒng)計(jì)信息；（2)在感知質(zhì)量回歸方面，現(xiàn)有方 法主要采用單相支撐矢量回歸，即將全部訓(xùn)練樣本用于學(xué)習(xí)統(tǒng)一的支撐矢量回歸（SVR)模 型。其明顯缺陷是不考慮測(cè)試圖像的局部特性，在處理復(fù)雜的特征空間分布時(shí)無法有效擬 合訓(xùn)練數(shù)據(jù)。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是，提供一種魯棒性更強(qiáng)的盲圖像質(zhì)量評(píng)價(jià)方法。
[0005] 本發(fā)明為解決上述技術(shù)問題所采樣的技術(shù)方案是，一種基于互補(bǔ)性組合特征與多 相回歸的盲圖像質(zhì)量評(píng)價(jià)方法，包括以下步驟：
[0006] 步驟1)對(duì)測(cè)試圖像進(jìn)行互補(bǔ)性組合特征提取：
[0007] 1-1 :將測(cè)試圖像統(tǒng)一轉(zhuǎn)換為YCbCr通道；
[0008] 1-2 :分別在亮度分量Y通道、藍(lán)色色度分量Cb通道、紅色色度分量Cr通道上計(jì)算 小波域全局幅度分布特征P= [PY，Pa，P&];
[0009] 1-3 :在各通道上計(jì)算局部小波域方向梯度直方圖HoG特征Q = [QY，Qa，Q&];
[0010] 1-4 :在亮度分量Y通道上計(jì)算局部二值模式特征LBP ;
[0011] 1-5:將小波域全局分布特征P、局部小波域方向梯度直方圖HoG特征以及局部二 值模式特征LBP聯(lián)起來得到總的互補(bǔ)性組合特征

【權(quán)利要求】
1. 基于互補(bǔ)性組合特征與多相回歸的盲圖像質(zhì)量評(píng)價(jià)方法，其特征在于，包括以下步 驟： 步驟1)對(duì)測(cè)試圖像進(jìn)行互補(bǔ)性組合特征提?。? 1-1 :將測(cè)試圖像統(tǒng)一轉(zhuǎn)換為YCbCr通道； 1-2 :分別在亮度分量Y通道、藍(lán)色色度分量Cb通道、紅色色度分量Cr通道上計(jì)算小波 域全局幅度分布特征P= [PY，Pa，P&]; 1-3:在各通道上計(jì)算局部小波域方向梯度直方圖HoG特征Q=[QY，Qeb，Q&]; 1-4 :在亮度分量Y通道上計(jì)算局部二值模式特征LBP ; 1-5 :將小波域全局分布特征P、局部小波域方向梯度直方圖HoG特征以及局部二值模 式特征LBP聯(lián)起來得到總的互補(bǔ)性組合特征F，F(xiàn)= [/5, & ; 步驟2)將測(cè)試圖像的互補(bǔ)性組合特征F輸入訓(xùn)練好的支持向量機(jī)SVM分類器對(duì)測(cè)試 圖像進(jìn)行分類，SVM分類器輸出該測(cè)試圖像所屬失真類型標(biāo)簽； 步驟3)計(jì)算測(cè)試圖像與所屬失真類型中所有訓(xùn)練圖像的相似度，根據(jù)相似度從大到 順序選擇前K個(gè)測(cè)試圖像組成訓(xùn)練集，用訓(xùn)練集訓(xùn)練支持向量回歸器SVR ; 步驟4)將測(cè)試圖像的互補(bǔ)性組合特征F輸入SVR，SVR輸出測(cè)試圖像的質(zhì)量打分。
2. 如權(quán)利要求1所述基于互補(bǔ)性組合特征與多相回歸的盲圖像質(zhì)量評(píng)價(jià)方法，其特征 在于，使用卡方距離來表示測(cè)試圖像與分類中所有訓(xùn)練圖像的相似度，卡方距離越小，兩幅 圖像相似度越大。
3. 如權(quán)利要求1所述基于互補(bǔ)性組合特征與多相回歸的盲圖像質(zhì)量評(píng)價(jià)方法，其特征 在于，K為30。
4. 如權(quán)利要求1所述基于互補(bǔ)性組合特征與多相回歸的盲圖像質(zhì)量評(píng)價(jià)方法，其特征 在于，計(jì)算小波域全局幅度分布特征P= [PY，Pa，P&]的具體方法是：
其中，C;:表示通道i的第k個(gè)子帶的小波系數(shù)幅度集合，i=Y, Cb, Cr,L表示每個(gè)同道中小波子帶總數(shù)，h(.)表示直方圖統(tǒng)計(jì)算子,norm(.)表示歸一化 算子。
5.如權(quán)利要求1所述基于互補(bǔ)性組合特征與多相回歸的盲圖像質(zhì)量評(píng)價(jià)方法，其特征 在于，計(jì)算局部小波域方向梯度直方圖HoG特征時(shí)，將梯度方向量化到8個(gè)方向，采用梯度 幅值投票進(jìn)行HoG統(tǒng)計(jì)，8個(gè)方向分別為0度、45度、90度、145度、180度、225度、270度、 315度。
【文檔編號(hào)】G06K9/66GK104268590SQ201410476532
【公開日】2015年1月7日 申請(qǐng)日期:2014年9月17日 優(yōu)先權(quán)日:2014年9月17日
【發(fā)明者】李宏亮, 吳慶波, 孟凡滿, 羅雯怡, 黃超, 羅冰 申請(qǐng)人:電子科技大學(xué)