一種基于區(qū)域互信息的無參考圖像質(zhì)量評(píng)價(jià)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于區(qū)域互信息的無參考圖像質(zhì)量評(píng)價(jià)方法，屬于計(jì)算機(jī)圖像分 析領(lǐng)域。
【背景技術(shù)】
[0002] 人類視覺是人類感覺中最基本、最有效的一種方式，圖像是記錄某一瞬間人們視 覺所見的工具。圖像所包含的信息可以讓人直接明了地獲得所記錄的視覺信息，這種優(yōu)勢(shì) 是其它方式所沒有的。計(jì)算機(jī)圖像分析相關(guān)領(lǐng)域正是以視覺信息為研宄對(duì)象，研宄圖像如 何能更好的被處理，從而輔助人類的相關(guān)工作。因此，計(jì)算機(jī)圖像分析研宄是當(dāng)前十分重要 和活躍的應(yīng)用研宄領(lǐng)域。圖像記錄了某一環(huán)境在某一時(shí)刻的視覺狀態(tài)，但是計(jì)算機(jī)在進(jìn)行 圖像信息處理的時(shí)候，往往會(huì)出現(xiàn)噪聲和誤差，比如焦距調(diào)整不好，傳輸信道有噪聲干擾等 問題。這些會(huì)直接影響到圖像成像后的清晰度和圖像信息的豐富程度，使得圖像很難被人 們所接受。
[0003] 圖像質(zhì)量評(píng)價(jià)方法是一種可以檢測(cè)圖像清晰度和信息豐富程度的方法。它一般分 為主觀評(píng)價(jià)方法和客觀評(píng)價(jià)方法。主觀評(píng)價(jià)方法顧名思義，既將一群人對(duì)一幅圖像的評(píng)價(jià) 加權(quán)平均，得到該幅圖像的人類所評(píng)價(jià)的質(zhì)量分?jǐn)?shù)。這種方法無疑是最貼近于人類的主觀 認(rèn)識(shí)，但是，這種方法有很多缺點(diǎn)，如評(píng)價(jià)時(shí)間長(zhǎng)，工作量大和易受人為因素干擾等。因此， 客觀評(píng)價(jià)方法是當(dāng)前人們研宄的主要目標(biāo)?？陀^評(píng)價(jià)方法是使用計(jì)算機(jī)算法對(duì)圖像進(jìn)行質(zhì) 量評(píng)價(jià)，排除了人的參與，使得評(píng)價(jià)效率大大的提高。
[0004] 圖像質(zhì)量客觀評(píng)價(jià)方法的目標(biāo)是使得算法所評(píng)價(jià)的圖像質(zhì)量分?jǐn)?shù)與主觀算法所 評(píng)價(jià)的質(zhì)量分?jǐn)?shù)相一致，最終完成計(jì)算機(jī)模擬人類感知圖像的過程?？陀^質(zhì)量評(píng)價(jià)方法在 衡量通信信道的好壞、照相機(jī)自動(dòng)對(duì)焦等諸多方面均有重要應(yīng)用價(jià)值。
[0005] 客觀質(zhì)量評(píng)價(jià)方法大體分為三類：全參考質(zhì)量評(píng)價(jià)方法，部分參考質(zhì)量評(píng)價(jià)方法 和無參考圖像質(zhì)量評(píng)價(jià)方法。在這里，"參考"指有沒有待測(cè)評(píng)圖像的原始無噪聲圖像的參 與。所以，全參考質(zhì)量評(píng)價(jià)方法需要測(cè)試圖像和測(cè)試圖像的原始未失真圖像，部分參考評(píng) 價(jià)方法需要測(cè)試圖像和原始圖像的部分特征，無參考算法則僅需要測(cè)試圖像的參與。在這 三種算法中，無參考圖像質(zhì)量評(píng)價(jià)算法最受人們青睞。因?yàn)樵谠S多現(xiàn)實(shí)場(chǎng)合中原始圖像是 無法得到的，這就限制了其他兩種類型算法的應(yīng)用范圍。
[0006] 關(guān)于無參考圖像質(zhì)量評(píng)價(jià)方法，Moorthy等人曾在文獻(xiàn)《A two-step framework for constructing blind image quality indices》中提出的無參考圖像質(zhì)量評(píng)價(jià)的兩步 框架，在該框架當(dāng)中，首先進(jìn)行失真圖像的分類，之后再將失真圖像在每一類失真中預(yù)測(cè)其 分?jǐn)?shù)，最終進(jìn)行加權(quán)求和。
[0007] 當(dāng)給出的訓(xùn)練集具有η種失真類型時(shí)，首先根據(jù)圖像特征建立一個(gè)能夠說明該圖 像的失真類型在每種失真類型當(dāng)中所占概率的圖像失真類型分類器。通過向SVM分類器中 輸入訓(xùn)練集將失真分類模型訓(xùn)練完成。最后使用該分類器獲得一組η維的向量ρ，ρ中的每 維數(shù)值代表了輸入圖像的失真在每種確定的失真類型中所占的概率。
[0008] 然后通過訓(xùn)練集中不同的失真類型，將訓(xùn)練集分為η個(gè)部分，每個(gè)部分只包含一 種失真類型。將每個(gè)部分進(jìn)行單獨(dú)訓(xùn)練，并獲得η個(gè)回歸模型。通過這η個(gè)回歸模型，預(yù)測(cè) 出失真圖像在每種失真類型的假設(shè)下的質(zhì)量分?jǐn)?shù)，即將待測(cè)試圖像輸入η個(gè)回歸模型中， 所得到的η個(gè)質(zhì)量分?jǐn)?shù)即是在η種不同的失真類型的假設(shè)下的質(zhì)量分?jǐn)?shù)，并將這些質(zhì)量分 數(shù)按照模型分類向量P所對(duì)應(yīng)的順序變?yōu)棣蔷S的質(zhì)量向量q。
[0009] 最后，將分類向量P和質(zhì)量向量q進(jìn)行加權(quán)求和，從而得到最終的客觀預(yù)測(cè)分?jǐn)?shù) Q ：
[0011] 其中，Pi表示向量p的第i維分量，q i表示向量q的第i維分量，η表示失真的種 類數(shù)目。
[0012] 本發(fā)明中所涉及到的圖像區(qū)域互信息概念由Daniel等人在文獻(xiàn)《Image similarity using mutual information of regions》中提出。圖像互信息是一種有效的 圖像信息的度量，它描述了兩個(gè)事件集合之間的相關(guān)性。但是圖像互信息卻存在著許多缺 陷。圖像區(qū)域互信息在圖像互信息的基礎(chǔ)上，克服了互信息忽視圖像空間域信息只關(guān)注圖 像的灰度值統(tǒng)計(jì)這一因素。在圖像灰度值點(diǎn)計(jì)算的同時(shí)，兼顧圖像的位置信息。在多種應(yīng) 用當(dāng)中，圖像區(qū)域互信息比一般的互信息具有更為魯棒性的結(jié)果。
[0013] 總體來看，目前無參考圖像質(zhì)量評(píng)價(jià)方法仍普遍具有主觀一致性低，空間復(fù)雜度 高和算法計(jì)算時(shí)間長(zhǎng)的缺陷。

【發(fā)明內(nèi)容】

[0014] 本發(fā)明的目的是建立一種擁有高度主觀一致性和低復(fù)雜度的無參考圖像質(zhì)量評(píng) 級(jí)方法。
[0015] 本發(fā)明方法的技術(shù)方案為：
[0016] 一種基于區(qū)域互信息的無參考圖像質(zhì)量評(píng)價(jià)方法，其步驟主要包含特征提取和特 征映射兩部分。其中特征提取部分包含步驟如下：
[0017] 步驟一、將圖像進(jìn)行256X256的圖像分塊操作；
[0018] 步驟二、在每塊圖像塊的基礎(chǔ)上通過區(qū)分窗口的大小、運(yùn)動(dòng)方向以及距離的大小， 計(jì)算12組區(qū)域互信息，具體步驟如下：
[0019] 步驟2. 1 :對(duì)于一幅大小為mXη的圖像I，求取其轉(zhuǎn)置圖像I'，并分別以原圖像I 計(jì)算矩陣CM，以及轉(zhuǎn)置圖像I'計(jì)算矩陣Cta，方法如下：
[0020] Cre= (ΙΧΓ )/m (I)
[0021] Ctr= (I' XI)/n (2)
[0022] 其中，I'為I的轉(zhuǎn)置，m和η分別為圖像的長(zhǎng)和寬
[0023] 步驟2. 2 :對(duì)于每個(gè)圖像塊的區(qū)域互信息可用如下公式計(jì)算：
[0024] RMI = Hg (Ca)+Hg (Cb)-Hg (C) (3)
[0025] Hg(X) = ln((2 3ie)r/2det(X)1/2) (4)
[0026] 其中，RMI代表區(qū)域互信息（以下皆同），C代表矩陣(；6或(^由一個(gè)大小為 rXr的窗口所覆蓋的子矩陣，而CdPCj別代表了矩陣C中位于左上角和右下角的兩個(gè) r/2 Xr/2大小的矩陣，X可任意代表C、(；和C B，r的取值范圍為{2,4,6,8,10,12}
[0027] 步驟三：根據(jù)其分布特點(diǎn)，應(yīng)用均值和方差描述該組RMI向量，將每組的RMI都經(jīng) 過小波分解處理；對(duì)于分解后RMI的低頻信息求取均值、高頻信息求取方差作為RMI的描述 特征；通過對(duì)所有圖像塊所求出的描述特征求取平均數(shù)，作為每幅圖像的特征；并在第二 尺度（即在原圖像的基礎(chǔ)上進(jìn)行降采樣，得到的第二尺度的圖像）圖像上重復(fù)步驟一和步 驟二，最終得到一組48維的特征向量：
[0028] 特征向量=[均值，方差X 12組RMI X 2兩尺度圖像信息]
[0029] 步驟四：根據(jù)步驟三提取的特征向量，通過支持向量機(jī)SVM來建立由圖像特征到 圖像質(zhì)量的映射，將圖像庫(kù)分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集用來訓(xùn)練支持向量機(jī)SVM中 的映射關(guān)系，而測(cè)試集用來測(cè)試由訓(xùn)練集訓(xùn)練建立的映射關(guān)系，將測(cè)試集中圖像的圖像特 征進(jìn)行失真分類模型和對(duì)應(yīng)的每個(gè)失真分類的質(zhì)量評(píng)價(jià)模型訓(xùn)練；
[0030] 步驟五：由基于無參考圖像質(zhì)量評(píng)價(jià)中的兩步框架來完成測(cè)試任務(wù)：使用失真分 類模型，包括JPEG、JP2K、BLUR、NOISE、FAST-FADING，將受測(cè)圖像的失真進(jìn)行分類；在步驟 四失真分類的基礎(chǔ)上使用訓(xùn)練得出的回歸器來預(yù)測(cè)受測(cè)圖像質(zhì)量，從而得到受測(cè)圖像質(zhì)量 分?jǐn)?shù)。
[0031] 有益