本發(fā)明屬于圖像處理領(lǐng)域，涉及一種圖像質(zhì)量評價方法，尤其涉及一種基于紋理特征的無參考圖像質(zhì)量評價方法。

背景技術(shù)：

圖像質(zhì)量評價是圖像處理領(lǐng)域的關(guān)鍵問題，圖像質(zhì)量評價方法根據(jù)是否有人的參與可分成主觀圖像質(zhì)量評價方法和客觀圖像質(zhì)量評價方法。主觀圖像質(zhì)量評價方法由人對圖像進(jìn)行打分，評價結(jié)果精確，但評價過程復(fù)雜，耗時時間長，難以得到實時應(yīng)用?？陀^圖像質(zhì)量評價方法無需人的參與，通過特定的計算機算法自動預(yù)測圖像質(zhì)量，根據(jù)是否使用原始無失真圖像作為參考，可將圖像質(zhì)量評價方法分成全參考圖像質(zhì)量評價方法，半?yún)⒖紙D像質(zhì)量評價方法和無參考圖像質(zhì)量評價方法。全參考算法使用參考圖像的所有信息預(yù)測圖像質(zhì)量，半?yún)⒖紙D像質(zhì)量評價方法采用參考圖像的部分信息進(jìn)行圖像質(zhì)量預(yù)測，無參考圖像質(zhì)量評價方法不使用參考圖像的任何信息進(jìn)行圖像質(zhì)量評價。本發(fā)明設(shè)計一種無參考圖像質(zhì)量評價方法。無參考圖像質(zhì)量評價方法分成兩類：針對特定失真類型的無參考方法和面向所有失真類型的通用型無參考方法。Moorthy提出了一種基于兩步模型的無參考方法BIQI，該方法現(xiàn)對失真類型進(jìn)行分類，再對每一類別進(jìn)行質(zhì)量評價。Bovik提出NIQE算法，該算法通過提取圖像的歸一化亮度，并用多維高斯分布建模歸一化亮度直方圖，再提取特征用于圖像質(zhì)量預(yù)測。上述算法存在著計算復(fù)雜，不能滿足實時應(yīng)用等缺點。針對以上缺點，本發(fā)明采用紋理特征進(jìn)行圖像質(zhì)量評價，圖像紋理是圖像中存在而難以描述的特征，采用歸一化亮度圖像的灰度共生矩陣特征描述紋理特征，對圖像提取紋理特征后，采用支持向量機對紋理特征進(jìn)行預(yù)測得到客觀圖像質(zhì)量評價結(jié)果。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有技術(shù)的不足，提供一種基于紋理特征的無參考圖像質(zhì)量評價方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包括如下具體步驟：

步驟1.將輸入圖像隨機分成訓(xùn)練圖像集和測試圖像集，并對每幅輸入圖像進(jìn)行灰度變換，將彩色圖像轉(zhuǎn)換成灰度圖像。

步驟2.對每幅灰度圖像先進(jìn)行高斯濾波，得到濾波圖像，然后對濾波圖像進(jìn)行下采樣，得到不同尺度下的采樣圖像I。

步驟3.采用大小為N×N的高斯濾波器ω(k,l)對采樣圖像I進(jìn)行濾波并求取均值和方差，采用公式如下：

其中，0≤i≤W，0≤j≤H，W為采樣圖像I的寬度，H為采樣圖像I的高度。μ(i,j)指采樣圖像I在坐標(biāo)為(i,j)處的灰度均值，σ(i,j)指采樣圖像I在坐標(biāo)為(i,j)處的灰度均方差，K和L分別為高斯濾波器的高度和寬度。

步驟4.對采樣圖像I進(jìn)行歸一化操作，采用公式如下：

其中，I(i,j)為坐標(biāo)為(i,j)處采樣圖像I的像素取值，C為防止除數(shù)為零所加的常數(shù)，為歸一化圖像。

步驟5.對歸一化圖像求取像素距離d＝1，方向為θ＝0°，θ＝45°，θ＝90°和θ＝135°四個方向的灰度共生矩陣，具體是：

將歸一化圖像的灰度級縮放并四舍五入取整到[0,255]范圍，同時計算方向為θ＝0°，θ＝45°，θ＝90°和θ＝135°四個方向的灰度共生矩陣，分別記為CM₀(p,q)、CM₄₅(p,q)、CM₉₀(p,q)和CM₁₃₅(p,q)，其中p和q分別為灰度共生矩陣橫向和縱向上的索引值，且0≤p≤255，0≤q≤255。

步驟6.分別計算得到四個方向灰度共生矩陣的歸一化灰度共生矩陣，具體計算公式如下：

步驟7.分別對四個方向的歸一化灰度共生矩陣計算能量、熵、對比度和相關(guān)性，具體步驟如下：

能量計算公式為：

其中θ＝0°,45°,90°,135°。公式(8)

共生矩陣熵計算公式為：

其中θ＝0°,45°,90°,135°。公式(9)

對比度計算公式為：

其中θ＝0°,45°,90°,135°。公式(10)

相關(guān)性計算公式如下：

其中，θ＝0°,45°,90°,135°，μ_x和σ_x為NCM_θ(p,q)在橫向的均值和均方差，μ_y和σ_y為NCM_θ(p,q)在縱向的均值和均方差。

步驟8.將不同尺度下四個方向的能量、熵、對比度和相關(guān)性組合成特征向量；

步驟9.將訓(xùn)練圖像集提取的特征向量合并失真類別送到支持向量機中進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類支持向量機；將JPEG,JPEG2000,Blur,Noise和Fast Fading各種類型的訓(xùn)練圖像集的特征向量合并主觀MOS分值，送到五種類型的支持向量回歸機中進(jìn)行訓(xùn)練，對每個類型的訓(xùn)練圖像集得到訓(xùn)練好的支持向量回歸機。

步驟10.將測試圖像集提取的特征向量送到分類支持向量機中輸出失真類型概率p_i；并將測試圖像集提取的特征向量送到五種類型的支持向量回歸機中得到預(yù)測分值q_i。最終的客觀圖像質(zhì)量評價分值Q由以下公式計算得到：

本發(fā)明有益效果如下：

本發(fā)明主要利用紋理特征進(jìn)行圖像質(zhì)量評價，與現(xiàn)有算法相比計算復(fù)雜度更低，便于實時實現(xiàn)，同時利用多個尺度和多個角度的灰度共生矩陣提取紋理特征，提高了預(yù)測精度。

附圖說明

圖1為基于紋理特征的圖像質(zhì)量客觀評價方法訓(xùn)練流程圖。

圖2為基于紋理特征的圖像質(zhì)量客觀評價方法測試流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步說明。

如圖1和圖2所示，一種基于紋理特征的無參考圖像質(zhì)量評價方法,具體步驟如下：

步驟1.將美國德州大學(xué)奧斯汀分校的LIVE圖像數(shù)據(jù)庫中的29幅原始圖像及其失真圖像隨機分成兩組：20幅原始圖像及其失真圖像作為訓(xùn)練圖像集，9幅原始圖像及其失真圖像作為測試圖像集；其中失真圖像分為JPEG,JPEG2000,Blur,Noise和Fast Fading五種失真類型。將輸入圖像分成訓(xùn)練圖像集和測試圖像集，對訓(xùn)練圖像集和測試圖像集中的每幅圖像進(jìn)行特征提取；

步驟2.對每幅圖像進(jìn)行灰度變換，將彩色圖像轉(zhuǎn)換成灰度圖像，然后對每幅圖像采用大小為5×5，方差為1的高斯濾波器進(jìn)行高斯濾波，得到濾波后的圖像，然后對濾波圖像進(jìn)行2:1下采樣，得到3個不同尺度下的采樣圖像。

步驟3.對不同尺度的采樣圖像進(jìn)行亮度歸一化操作，具體是：采用大小為7×7，方差為7/6的高斯濾波器ω(k,l)對圖像I進(jìn)行濾波，采用公式如下：

其中K＝L＝3,μ和σ為7×7鄰域濾波所得均值和方差。

步驟4.對亮度圖像進(jìn)行歸一化操作，采用公式如下：

其中C取值為1。

步驟5.對輸入?yún)⒖紙D像的不同尺度的圖像求取像素距離d＝1，方向為θ＝0°，θ＝45°，θ＝90°和θ＝135°四個方向的灰度共生矩陣，具體是：

將歸一化亮度矩陣的灰度級縮放并四舍五入取整到[0,255]范圍，同時計算方向為θ＝0°，θ＝45°，θ＝90°和θ＝135°四個方向的灰度共生矩陣，記為CM₀(p,q)、CM₄₅(p,q)、CM₉₀(p,q)和CM₁₃₅(p,q)，其中0≤p≤255，0≤q≤255。

步驟6.計算得到四個方向灰度共生矩陣的歸一化灰度共生矩陣，具體計算公式如下：

步驟7.對四個方向的歸一化灰度共生矩陣計算能量、熵、對比度和相關(guān)性，具體步驟如下：

能量計算公式為：

其中θ＝0°,45°,90°,135°。公式(20)

共生矩陣熵計算公式為：

其中θ＝0°,45°,90°,135°。公式(21)

對比度計算公式為：

其中θ＝0°,45°,90°,135°。公式(22)

相關(guān)性計算公式如下：

其中θ＝0°,45°,90°,135°。公式(23)

其中μ_x和σ_x為NCM_θ(p,q)在橫向的均值和均方差，μ_y和σ_y為NCM_θ(p,q)在縱向的均值和均方差。其計算公式如下：

步驟8.將三個尺度下四個方向的能量、熵、對比度和相關(guān)性組合成48×1維的特征向量；

步驟9.將訓(xùn)練圖像集提取的特征向量合并失真類別送到支持向量機中進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類支持向量機；將JPEG,JPEG2000,Blur,Noise和Fast Fading各種類型的訓(xùn)練圖像集的特征向量合并主觀MOS分值，送到五種類型的支持向量回歸機中進(jìn)行訓(xùn)練，對每個類型的訓(xùn)練圖像集得到訓(xùn)練好的支持向量回歸機。

步驟10.將測試圖像集提取的特征向量送到分類支持向量機中輸出失真類型概率p_i，其中1≤i≤5；并將測試圖像集提取的特征向量送到五種類型的支持向量回歸機中得到預(yù)測分值q_i，其中1≤i≤5。最終的客觀圖像質(zhì)量評價分值Q由以下公式計算得到：

其中支持向量機采用LIBSVM實現(xiàn)，采用svmtrain實現(xiàn)支持向量機的訓(xùn)練，采用svmpredict實現(xiàn)支持向量機的預(yù)測，采用svmscale實現(xiàn)支持向量機的縮放。