一種分?jǐn)?shù)傅立葉變換和廣義伽瑪分布的圖像質(zhì)量評(píng)價(jià)方法
【專利說明】一種分?jǐn)?shù)傅立葉變換和廣義伽瑪分布的圖像質(zhì)量評(píng)價(jià)方法 (一） .技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，公開了一種基于分?jǐn)?shù)傅立葉變換和廣義伽瑪分布的無 參考圖像質(zhì)量評(píng)價(jià)方法。 (二） .【背景技術(shù)】
[0002] 圖像質(zhì)量評(píng)價(jià)可分成主觀圖像質(zhì)量評(píng)價(jià)方法和客觀圖像質(zhì)量評(píng)價(jià)方法。主觀評(píng)價(jià) 方法根據(jù)觀察者的感受進(jìn)行打分，雖然準(zhǔn)確，但存在著成本高昂和費(fèi)時(shí)等缺點(diǎn)，客觀圖像質(zhì) 量評(píng)價(jià)方法采用計(jì)算模型自動(dòng)預(yù)測(cè)圖像質(zhì)量，成本低，耗時(shí)短，具有很好的應(yīng)用價(jià)值?？陀^ 圖像質(zhì)量評(píng)價(jià)方法可分成全參考，半?yún)⒖己蜔o參考三種類型。全參考圖像質(zhì)量評(píng)價(jià)方法利 用原始圖像的完整信息作為評(píng)價(jià)的參考，半?yún)⒖紙D像質(zhì)量評(píng)價(jià)方法利用原始圖像的部分信 息作為評(píng)價(jià)參考，無參考圖像質(zhì)量評(píng)價(jià)方法完全利用待評(píng)價(jià)圖像的本身信息進(jìn)行圖像質(zhì)量 評(píng)價(jià)。本發(fā)明涉及一種無參考圖像質(zhì)量評(píng)價(jià)方法。BIQI(BlindImageQualityIndices) 是一種常用的無參考圖像質(zhì)量評(píng)價(jià)方法，BIQI首先對(duì)圖像進(jìn)行二維小波變換得到小波系 數(shù)，在用廣義高斯分布建模小波系數(shù)，估計(jì)得到廣義高斯分布的均值，方差，形狀參數(shù)，并將 均值，方差和形狀參數(shù)組成特征向量，將特征向量用訓(xùn)練好的支持向量機(jī)進(jìn)行分類，將失真 圖像分類到開￡6，開￡62000^81^1?和？？類型中的某個(gè)類型。分類完畢后，特征向量被輸 入到訓(xùn)練好的支持向量回歸機(jī)中，得到輸入圖像的主觀質(zhì)量分值。BIQI算法在圖像質(zhì)量評(píng) 價(jià)中得到廣泛應(yīng)用，但BIQI算法中的廣義高斯分布不能很好地建模小波系數(shù)，導(dǎo)致預(yù)測(cè)輸 出的主觀質(zhì)量分值與實(shí)際的主觀質(zhì)量分值存在較大的偏差。與廣義1?斯分布相比，廣義伽 瑪分布比廣義高斯分布多出一個(gè)索引形狀參數(shù)，當(dāng)滿足一定條件時(shí)，廣義伽瑪分布變成廣 義高斯分布，因此廣義伽瑪分布比廣義高斯分布能更好地建模小波系數(shù)。因此，可得到更好 的預(yù)測(cè)主觀質(zhì)量分值。此外，BIQI中采用小波變換對(duì)圖像進(jìn)行處理，但小波變換的濾波系 數(shù)固定，不能很好地反映圖像的時(shí)頻特性，因此可采用分?jǐn)?shù)階傅里葉變換對(duì)圖像進(jìn)行處理， 改變分?jǐn)?shù)階傅立葉變換的階數(shù)，可得到圖像的不同階數(shù)下的時(shí)頻分析，相比小波變換，分?jǐn)?shù) 階傅立葉變換有更好的靈活性，因此用分?jǐn)?shù)階傅里葉變換代替小波變換，得到的預(yù)測(cè)輸出 的主觀質(zhì)量分值與實(shí)際圖像主觀質(zhì)量分值更吻合。 (三） .
【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是提供一種預(yù)測(cè)更精確的無參考圖像質(zhì)量評(píng)價(jià)方法。
[0004] 本發(fā)明采用的技術(shù)方案是：一.將圖像數(shù)據(jù)庫劃分成訓(xùn)練圖像和測(cè)試圖像兩類， 對(duì)訓(xùn)練圖像和測(cè)試圖像分別進(jìn)行二維離散分?jǐn)?shù)階傅立葉變換得到分?jǐn)?shù)階傅立葉系數(shù)，分?jǐn)?shù) 階傅立葉變換的階數(shù)取為〇. 25,0. 5,0. 75和1。二.對(duì)不同分?jǐn)?shù)階下的分?jǐn)?shù)傅立葉系數(shù)采 用廣義伽馬分布進(jìn)行建模，得到每個(gè)分?jǐn)?shù)階下水平，垂直和對(duì)角三個(gè)方向廣義伽馬分布的 均值，方差，形狀參數(shù)和索引形狀參數(shù)，并組成每個(gè)圖像的特征向量。三.將訓(xùn)練圖像的特 征向量和訓(xùn)練圖像所屬的失真類別送到分類支持向量機(jī)中進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類支 持向量機(jī)，用于將圖像分成JPEG，JPEG2000,WN，BLUR和FF五個(gè)不同的失真類。四.將訓(xùn) 練圖像分成JPEG，JPEG2000,WN，BLUR和FF五個(gè)不同的失真類，每一類的圖像的特征向量 和主觀MOS分值送到支持向量回歸機(jī)中進(jìn)行訓(xùn)練，得到訓(xùn)練好的支持向量回歸機(jī)，用于預(yù) 測(cè)每一類的客觀圖像質(zhì)量。五.將測(cè)試圖像的特征向量送到第三步訓(xùn)練好的支持向量機(jī)中 進(jìn)行分類，將圖像分類到JPEG，JPEG2000,WN，BLUR和FF五個(gè)失真類中的某一類。六.將 測(cè)試圖像的特征向量送到第五步訓(xùn)練得到的某個(gè)失真類的支持向量回歸機(jī)中，得到測(cè)試圖 像預(yù)測(cè)的客觀圖像質(zhì)量分值。
[0005] 下面詳細(xì)給出該發(fā)明技術(shù)方案的各個(gè)細(xì)節(jié)說明：
[0006] 步驟（1):對(duì)輸入訓(xùn)練圖像和測(cè)試圖像進(jìn)行分?jǐn)?shù)傅里葉變換，具體是：
[0007] 將圖像數(shù)據(jù)庫分成訓(xùn)練圖像和測(cè)試圖像兩部分，對(duì)訓(xùn)練圖像和測(cè)試圖像分別進(jìn)行 二維離散分?jǐn)?shù)階傅立葉變換，二維分?jǐn)?shù)階傅里葉變換采用的階數(shù)分別取為〇. 25,0. 5,0. 75 和1。二維分?jǐn)?shù)階傅里葉變換采用串聯(lián)的一維分?jǐn)?shù)階傅里葉行變換和一維分?jǐn)?shù)階傅里葉列 變換實(shí)現(xiàn)，若訓(xùn)練圖像和測(cè)試圖像記為X，AJPA2表示分?jǐn)?shù)傅里葉行變換系數(shù)矩陣和分?jǐn)?shù) 傅里葉列變換系數(shù)矩陣，則圖像的二維P階傅里葉變換系數(shù)可表示為=Af。P為 二維傅立葉變換系數(shù)。其中P為分?jǐn)?shù)階傅里葉變換的階數(shù)。
[0008] 步驟（2):用廣義伽瑪分布對(duì)二維分?jǐn)?shù)傅立葉系數(shù)進(jìn)行建模，具體是：
[0009] 將階數(shù)為0. 25,0. 5,0. 75和1的二維分?jǐn)?shù)階傅立葉系數(shù)劃分成水平，垂直和對(duì)角 三個(gè)方向的系數(shù)，分別得到水平，垂直和對(duì)角方向的分?jǐn)?shù)傅里葉變換系數(shù)直方圖，再用廣義 伽瑪分布對(duì)水平，垂直和對(duì)角方向的分?jǐn)?shù)傅立葉系數(shù)進(jìn)行建模，采用期望值最大化方法得 到廣義伽瑪分布的均值，方差，形狀參數(shù)和索引形狀參數(shù)。設(shè)建模水平方向，垂直方向和對(duì) 角方向二維分?jǐn)?shù)階傅里葉變換系數(shù)的廣義伽瑪分布的均值，方差，形狀參數(shù)和索引形狀參 數(shù)分別為： h，〇h，ah，3J，v，〇v，av，3J及 d，〇d，ad，3 d}。則構(gòu)成圖像的 48x1 維特征向量為：?[?，<，此，?<，AT思}，其中P=0. 25,0? 5,0? 75 和1。
[0010] 步驟（3):將訓(xùn)練圖像的特征向量送到用于分類的支持向量機(jī)中進(jìn)行訓(xùn)練，具體 是：
[0011] 為了將測(cè)試圖像分類到JPEG，JPEG2000，WN，BLUR和FF五個(gè)失真類中，將步驟1和 步驟2中提取的訓(xùn)練圖像特征向量和訓(xùn)練圖像所屬的失真類別送到支持向量機(jī)中進(jìn)行訓(xùn) 練，得到訓(xùn)練好的支持向量機(jī)用于對(duì)輸入圖像進(jìn)行分類。
[0012] 步驟（4):將每一類訓(xùn)練圖像的特征向量和對(duì)應(yīng)的主觀MOS分值送到支持向量回 歸機(jī)中進(jìn)行訓(xùn)練，具體是：
[0013] 將JPEG，JPEG2000,WN，BLUR和FF五個(gè)失真類中的某一類圖像的特征向量和對(duì) 應(yīng)圖像的主觀MOS分值送到支持向量回歸機(jī)中進(jìn)行訓(xùn)練，得到某一失真類的訓(xùn)練好的支持 向量回歸機(jī)。步驟（5):將測(cè)試圖像的特征向量送到訓(xùn)練好的支持向量機(jī)中進(jìn)行分類，具體 是：
[0014] 將步驟⑴和步驟⑵提取的測(cè)試圖像特征向量送到步驟（3)中訓(xùn)練好的用于分 類的支持向量機(jī)中進(jìn)行分類，將輸入測(cè)試圖像分類到JPEG，JPEG2000,WN，BLUR和FF五個(gè) 失真類中的某一類中。
[0015] 步驟（6):將測(cè)試圖像的特征向量送到訓(xùn)練好的支持向量回歸機(jī)中得到測(cè)試圖像 的主觀分值，具體是：
[0016] 將測(cè)試圖像的特征向量送到步驟（3)中訓(xùn)練好的支持向量機(jī)中進(jìn)行分類，將測(cè)試 圖像分類到JPEG，JPEG2000,WN，BLUR和FF五個(gè)失真類的某一類后，將測(cè)試圖像的特征向 量送到該類的訓(xùn)練好的支持向量回歸機(jī)中，輸出得到測(cè)試圖像的對(duì)應(yīng)客觀MOS分值。 (四） .【附圖說明】
[