聯(lián)合梯度和拉普拉斯-高斯信號(hào)的盲圖像質(zhì)量評(píng)價(jià)方法
【專利說明】聯(lián)合梯度和拉普拉斯-高斯信號(hào)的盲圖像質(zhì)量評(píng)價(jià)方法 【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，涉及一種盲圖像質(zhì)量評(píng)價(jià)方法，具體涉及一種聯(lián)合梯 度模值和拉普拉斯-高斯（Laplacian of Gaussian, LOG)信號(hào)的盲圖像質(zhì)量評(píng)價(jià)方法。 【【背景技術(shù)】】
[0002] 視覺信息是人類獲取周圍環(huán)境信息最重要的途徑。隨著數(shù)字圖像技術(shù)與網(wǎng)絡(luò)的迅 速發(fā)展，圖像信息越來越多的成為一種重要的信息記錄，傳輸和存貯方式。然而在在圖像的 采集、壓縮、傳輸、存儲(chǔ)等各個(gè)階段會(huì)不可避免的引入圖像質(zhì)量的退化。在各種低端圖像采 集設(shè)備（如智能手機(jī)）普及情況下，圖像質(zhì)量的退化更加不可避免。一個(gè)可以定量對(duì)圖像 的主觀質(zhì)量（或者退化程度）進(jìn)行評(píng)價(jià)的算法可以在圖像處理的各個(gè)領(lǐng)域中廣泛應(yīng)用，包 括基于感知質(zhì)量的視頻質(zhì)量監(jiān)控，基于感知測(cè)度的圖像恢復(fù)和重建，參數(shù)估計(jì)、算法設(shè)計(jì)與 系統(tǒng)優(yōu)化，網(wǎng)絡(luò)資源分配，感知視頻編碼，以及CT重建圖像質(zhì)量評(píng)價(jià)等。
[0003] 根據(jù)算法設(shè)計(jì)中是否需要參考圖像，通常可以將圖像質(zhì)量評(píng)價(jià)方法分為三種。第 一種是全參考型的圖像質(zhì)量評(píng)價(jià)方法。在這種情況下，原始參考圖像全部信息是可以獲得 并在算法設(shè)計(jì)中利用的。這種方法由于參考圖像的存在相對(duì)比較容易，目前已經(jīng)有一些方 法可以達(dá)到與人類主觀評(píng)價(jià)高度一致的評(píng)價(jià)結(jié)果。第二類是無參考的圖像質(zhì)量評(píng)價(jià)方法， 該方法主要針對(duì)無法獲取相關(guān)原始參考圖像或者視頻序列的任何信息時(shí)設(shè)計(jì)，也可以叫做 盲圖像質(zhì)量評(píng)價(jià)方法。由于原始參考信息的缺少，因而這種方法難度也最大，目前還并不能 取得很好的預(yù)測(cè)結(jié)果。第三類是介于這二者之間的部分參考型的圖像質(zhì)量評(píng)價(jià)方法。在 這種情況下，對(duì)圖像質(zhì)量的評(píng)價(jià)可以借助于對(duì)原始圖像的不完備的相關(guān)特征描述信息來進(jìn) 行。本發(fā)明屬于盲圖像質(zhì)量評(píng)價(jià)方法，下面將詳細(xì)介紹該類方法的研究現(xiàn)狀。
[0004] 圖像退化可以從兩方面進(jìn)行描述：退化方式和退化程度。退化方式包括圖像壓 縮（如JPEG，JPEG2000)，噪聲，模糊，傳輸丟包等；退化程度可以用壓縮的參數(shù)，噪聲的能 量，傳輸?shù)谋忍財(cái)?shù)等指標(biāo)來衡量。當(dāng)圖像的退化方式已知時(shí)，通過刻畫某種特定退化過程 所引入的特定結(jié)構(gòu)改變可以很好的對(duì)該種退化下的圖像質(zhì)量進(jìn)行評(píng)價(jià)。當(dāng)圖像的退化方 式不能實(shí)現(xiàn)獲得時(shí)，就需要通過通用的盲圖像質(zhì)量評(píng)價(jià)方法進(jìn)行。由于這種方法具有很高 的難度，目前的方法通常借用相關(guān)的機(jī)器學(xué)習(xí)方法進(jìn)行模型的訓(xùn)練。這種方法通常利用自 然圖像在統(tǒng)計(jì)方面的一些特性來進(jìn)行。Moorthy等人（A. K. Moorthy and A. C. Bovik. 〃A two-step framework for constructing blind image quality indices,^IEEE Signal Processing Letters, 17(5) :513 - 516, 2010.)通過利用廣義高斯模型對(duì)圖像小波分解 系數(shù)進(jìn)行擬合，利用支持向量機(jī)（A. Smola and B. Scholkopf, 〃A tutorial on support vector regression, "Statistics and Computing, 14(3) :199 - 222,2004.)對(duì)擬合 系數(shù)進(jìn)行訓(xùn)練一個(gè)退化類型分類模型識(shí)別圖像的退化類型，再針對(duì)每一種退化類型進(jìn) 行主觀質(zhì)量回歸模型的訓(xùn)練。Saad等人（M. A. Saad, A. C. Bovik and C. Charrier, 〃A DCT statistics-based blind image quality index, ''IEEE Signal Processing Letters, 17 (6) : 583-586, 2010. 9 ；M. A. Saad, A. C. Bovik, and C. Charrier, ^Model-Based Blind Image Quality Assessment Using Natural DCT Statistics，〃IEEE Trans.on Image Process.，vol. 21，pp. 3339 - 3352, 2011.)利用離散余弦變換（DCT)系數(shù)的統(tǒng)計(jì) 特性如峭度，各項(xiàng)異性等特征，通過概率模型訓(xùn)練特征與質(zhì)量之間的回歸模型。Tang等 人(H. Tang, N. Joshi, A. Kapoor, "Learning a Blind Measure of Perceptual Image Qua I i t y，〃 IEEE CVPR，2 011.)在復(fù)小波變換域提取三組特征，然后分別采用支持向量 機(jī)進(jìn)行回歸模型的訓(xùn)練，最終圖像質(zhì)量采用三組特征預(yù)測(cè)結(jié)果的加權(quán)平均表示。He等 A (L. He, D. Tao, X. Li, and X. Gao,''Sparse representation for blind image quality assessment, "IEEE CVPR，2012.)采用稀疏編碼的方法利用訓(xùn)練集中的圖像特征稀疏 的表示測(cè)試圖像，采用稀疏加權(quán)訓(xùn)練圖像的主觀分作為測(cè)試圖像的質(zhì)量評(píng)價(jià)結(jié)果。文 獻(xiàn)(P. Ye, and D. Doermann, ^No-reference image quality assessment using visual codebooks/'IEEE Trans. Image Process. 21 (7) 3129-3138, 2012.)中給出了今年來無參考 圖像質(zhì)量評(píng)價(jià)常用的圖像特征和回歸方法。另外，國(guó)內(nèi)外也有不少關(guān)于盲圖像質(zhì)量評(píng)價(jià)的 專利。國(guó)外專利申請(qǐng)（Patent No. :US20040114685 Al)提出了基于DCT變換系數(shù)，估計(jì)量 化誤差以及塊效應(yīng)，從而對(duì)壓縮圖像和視頻質(zhì)量進(jìn)行評(píng)價(jià)的盲評(píng)價(jià)方法。國(guó)外專利（Patent No. :US8660372 B2)通過自然場(chǎng)景統(tǒng)計(jì)特性以及廣義高斯模型來估計(jì)圖像或視頻的失真類 型以及主觀質(zhì)量。國(guó)內(nèi)專利（CN103475898 A)將圖像在輪廓波變換域和原始空域?qū)D像進(jìn) 行分塊信息熵的計(jì)算，作為質(zhì)量特征，利用支持向量機(jī)訓(xùn)練圖像質(zhì)量評(píng)價(jià)模型。國(guó)內(nèi)專利 (Patent No. :CN102930545 A)提出了利用小波與系數(shù)區(qū)分歸一化變化后的高斯擬合模型 與系數(shù)真實(shí)分布之間的散度距離來對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)的方法。國(guó)內(nèi)專利（Patent No.: CN103258326 A)根據(jù)自然圖像的統(tǒng)計(jì)性質(zhì)與失真圖像模型，實(shí)現(xiàn)對(duì)失真圖像小波系數(shù)分布 參數(shù)的盲估計(jì)；再利用估計(jì)的分布參數(shù)來計(jì)算失真圖像與對(duì)應(yīng)的參考圖像之間的互信息對(duì) 圖像質(zhì)量進(jìn)行評(píng)價(jià)。 【
【發(fā)明內(nèi)容】
】
[0005] 本發(fā)明的目的在于解決上述現(xiàn)有技術(shù)中的問題，提供一種基于梯度模值和拉普 拉斯-高斯信號(hào)聯(lián)合自適應(yīng)歸一化的盲圖像質(zhì)量評(píng)價(jià)方法。該方法預(yù)測(cè)性能優(yōu)秀，計(jì)算復(fù) 雜度低，適用于多種不同的失真類型圖形，具有廣泛的應(yīng)用價(jià)值。
[0006] 為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：
[0007] 聯(lián)合梯度和拉普拉斯-高斯信號(hào)的盲圖像質(zhì)量評(píng)價(jià)方法，包括以下步驟：
[0008] 1)梯度模值與LOG信號(hào)的提取及聯(lián)合歸一化對(duì)測(cè)試圖像進(jìn)行處理；其中，I表示測(cè) 試圖像；
[0009] 2)梯度模值與LOG信號(hào)的統(tǒng)計(jì)特征表達(dá)；
[0010] 3)盲圖像質(zhì)量評(píng)價(jià)模型的訓(xùn)練。
[0011] 本發(fā)明進(jìn)一步的改進(jìn)在于：
[0012] 所述步驟1)中，對(duì)測(cè)試圖像進(jìn)行處理的方法如下：
[0013] 1-1)梯度模值計(jì)算：
[0014] 采用高斯梯度算子計(jì)算圖像梯度，高斯梯度算子如式（1)所示：
[0015] 1 CN 105160667 A 說明書 3/11 頁
[0016]
[0017] 其中hd，d e {X，y}為高斯梯度濾波模板，分別計(jì)算沿χ方向和y方向的梯度， g(x，y I。i)為標(biāo)準(zhǔn)差為O i的高斯函數(shù)；測(cè)試圖像I的梯度模值計(jì)算如下：
[0018]
(3)
[0019] 其中敎?zhǔn)蔷矸e算子；
[0020] 1-2) LOG {目號(hào)計(jì)算：
[0021 ] 采用的LOG濾波算子式⑷所示：
[0022]
(4)
[0023] 其中X，y空間位置，〇 2表示LOG濾波算子的尺度參數(shù)；對(duì)于測(cè)試圖像I來說，LOG 濾波結(jié)果L1可以表示為：
[0024]
(5)
[0025] 1-3)聯(lián)合自適應(yīng)歸一化：
[0026] 自適應(yīng)歸一化因子的計(jì)算采用梯度模值和LOG信號(hào)能量之和的加權(quán)平均值的平 方根，計(jì)算如下：
[0027]
[0028]
[0029] F表示對(duì)應(yīng)位置處這兩個(gè)信號(hào)的模值，N1表示由鄰域內(nèi)的兩個(gè)信號(hào)的能量加權(quán)平 均得到的歸一化因子，i和j表示當(dāng)前點(diǎn)的位置，1和k表示當(dāng)前點(diǎn)的鄰域中點(diǎn)的相對(duì)位置， ω為加權(quán)平均時(shí)使用的模板，一般采用高斯窗口進(jìn)行，其尺度因子記做 〇3;歸一化后的梯 度模值和LOG信號(hào)可以分別通過式（8)和（9)得到：
[0030]
[0031]
[0032] 其中，ε是防止分母為零的正常數(shù)。
[0033] 所述步驟2)中，梯度模值與LOG信號(hào)的統(tǒng)計(jì)特征表達(dá)，具體包括以下步驟：
[0034] 2-1)邊緣概率分布計(jì)算：
[0035] 對(duì)步驟1-3)中的G和Ii，計(jì)算二者的聯(lián)合概率直方圖：
[0036]
C10)
[0037] 其中，gi和1 ^為免和!^的量化等級(jí)，i = 1···Μ