一種用于霧天圖像的質量評價方法
【技術領域】
[0001] 本發(fā)明涉及一種圖像處理技術領域的方法，具體是一種用于霧天圖像的質量評價 方法。
【背景技術】
[0002] 隨著到處存在的數(shù)字圖像的生成設備以及快速發(fā)展的網(wǎng)絡服務，數(shù)字圖像已經(jīng)變 成一個人們在日常生活中不可缺少的東西。例如：可以輕松在百度、谷歌上找到大量的圖 像。這些圖像常會受到噪聲、模糊、JPEG/J2K壓縮等干擾，會造成質量的下降，如何衡量圖 像質量的下降程度是目前的一個熱點研究方向。因此圖像質量評價在圖像處理中變的越來 越重要。
[0003]目前有很多的高校以及科研機構參與到圖像質量評價的研究中，在國外具有代表 性的學者是加拿大滑鐵盧大學副教授Wang Zhou以及美國德克薩斯大學教授Bovik，2004 年，他們首次將圖像的一些結構信息（對比度、亮度、結構相似度）用于全參考圖像質量評 價，取得了非常好的效果，使得圖像質量評價進入了一個快速發(fā)展的時代。
[0004] 近年來圖像質量評價方法熱點日益轉向無參考圖像質量評價領域，無參考圖像質 量評價是一類不需要任何圖像的先驗知識（即參考圖像）去評價失真圖像的算法。無參考 圖像質量評價可以劃分為兩類：基于特定失真和不基于特定失真?；谔囟ㄊд娴姆椒?， 即這類無參考算法評價的失真類型是已知的。例如：Wang Zhou等提出了用來評價JPEG失 真的算法。Sheikh等提出了基于NSS的算法用來評價J2K失真。但是在絕大部分情況下 圖像的失真類型是未知的，很難確定它適用于以上的哪一種無參考算法，這就限制了這些 算法的應用范圍。不基于特定失真的方法，即這類算法評價的失真類型是未知的，是通用的 無參考圖像質量評價算法。同樣也可以將它分為兩類：〇A_DU(opinion aware distortion unaware)，OU-DU(opinion unaware distortion unaware) 〇 0A-DU 是指這類算法在訓練過 程中需要訓練圖像的主觀評分，例如：BIQI，BRISQUE，CBIQ，CORNIA等。OU-DU是指這類算 法不需要訓練圖像的主觀評分。例如：QAC算法，NIQE算法。QAC算法雖然沒有用到圖像的 主觀評分，但是它利用全參考算法FS頂給出訓練圖像的客觀評價結果，這相當于給訓練圖 像構造出了 "主觀評分"，該算法的優(yōu)點是不需要利用現(xiàn)有的圖像質量評價數(shù)據(jù)庫中的圖像 進行訓練，可以將訓練圖像的范圍進行拓展。NIQE算法所選取的訓練圖像都是無失真的參 考圖像，通過訓練相當于構造了一個"參考圖像"，它的訓練圖像也可以不從已有的圖像質 量評價數(shù)據(jù)庫中選取。這類算法的優(yōu)點是不依賴圖像質量評價數(shù)據(jù)庫，適應性強。
[0005] 在無參考圖像質量評價領域中，統(tǒng)計學習理論占有極其重要的地位，2010年 Bovik等提出了 BIQI算法，首次通過運用統(tǒng)計學習理論獲得了通用無參考圖像質量評價算 法，使得無參考圖像質量評價得到了長足的發(fā)展。在文中，提出了"兩步框架理論"即：首先 對訓練圖像提取特征，然后通過統(tǒng)計學習理論方法對訓練圖像特征與圖像主觀評分進行 訓練，正是這"兩步框架理論"的提出標志著統(tǒng)計學習理論在通用無參考圖像質量評價領域 獲得了成功。
[0006] 此類算法一般由以下幾個過程組成：
[0007] (1)特征提?。和ㄟ^對圖像進行變換，提取能反映圖像信息的特征向量。此步驟在 此類圖像質量評價算法中具有重要的意義，特征選取的質量直接影響算法的評價結果以及 算法評價圖像耗時。
[0008] (2)學習預測：對所得到的特征通過神經(jīng)網(wǎng)絡、SVR等學習得到一個模型。再利用 學習的模型預測未知圖像的質量。這是此類算法的核心部分，由于將這些統(tǒng)計學習理論的 引入，使得無參考圖像質量評價算法不再需要聚焦到某一種具體的失真上，這大大增加了 無參考圖像質量評價算法的魯棒性，以及實際應用性。
[0009] (3)實驗分析：對提出的算法進行數(shù)據(jù)庫測試以及與其他算法進行對比。
[0010] 較早提出的基于統(tǒng)計學習理論的圖像質量評價算法雖然取得了成功，但是也存在 這一定的問題，如：算法復雜度較高，算法的精確性不夠。為了解決這個問題，2011年，Ye Peng等提出了基于碼書的無參考圖像質量評價算法，2012年Ye Peng對此算法進行了改 進，提出了 CORNIA算法，該算法首次將半監(jiān)督學習引入到圖像質量評價中。并且在編碼過 程中使用了 soft編碼，此編碼方式要優(yōu)于前面算法所使用了 hard編碼。
[0011] 我國在圖像質量評價領域起步較晚，但也取得了一定的成果。目前，在2D圖像質 量評價方面成果比較突出的是同濟大學、西安電子科技大學以及香港理工大學。在3D圖像 質量評價方面起步較早的是天津大學和國防科技大學。
[0012] 目前國內(nèi)對無參考圖像質量評價研究主要分為兩類：第一類是通用無參考圖像質 量評價，2012年國內(nèi)學者高新波等首次將稀疏表示用于圖像質量評價，提出了一種通用的 圖像質量評價算法，并且取得了比較好的效果。2013年香港理工大學學者Zhang Lei等提 出了 QAC算法首次將碼書引入到OU-DU(訓練圖像主觀評分未知，失真類型未知）中。第二 類是對特定類型圖像質量評價。其中具有代表性的是去霧后圖像質量評價，郭墦和禹晶分 別在自動化學報和中國圖像圖形學報上發(fā)表了用于綜合評價霧天圖像復原效果的算法。
[0013] 目前圖像質量評價主要聚焦于無參考圖像質量評價，并且取得了較大的進展。但 是目前的研究存在很多地方的不足，主要表現(xiàn)在以下三個方面：
[0014] (1)針對的失真類型有限
[0015] 目前的無參考圖像質量評價算法，都是基于現(xiàn)有的圖像質量評價數(shù)據(jù)庫，但是目 前圖像質量評價數(shù)據(jù)庫只有幾種類型失真。而霧是一種特殊的失真，現(xiàn)有的無參考算法對 其的評價效果比較差。
[0016] (2)現(xiàn)有方法不能評價非自然場景圖像
[0017] 非自然場景圖像主要是指通過計算機生成或者對圖像進行處理之后圖像不具有 自然場景統(tǒng)計特性的圖像?，F(xiàn)有的無參考圖像質量評價方法都是用于評價自然圖像，并且 這些方法很多都是利用自然圖像的一些特性提出的，對于非自然圖像如：二維碼、偏振圖像 中的P圖等評價效果比較差。
[0018] (3)圖像質量評價數(shù)據(jù)庫的缺乏
[0019] 目前圖像質量評價數(shù)據(jù)庫只有幾種失真類型，對一些特殊的圖像如：霧天圖像、二 維碼等缺少數(shù)據(jù)庫，這樣使得算法在訓練以及測試時缺少準確的依據(jù)。

【發(fā)明內(nèi)容】

[0020] 本發(fā)明涉及兩個方面的主要內(nèi)容：
[0021] (1)霧天圖像特征提取及碼書構建
[0022] 目前關于霧天圖像特征選取的研究較少，如何選取一種或者多種特征，能夠最大 限度的反映霧濃度的變化以及構建用于霧天圖像質量評價的碼書將是發(fā)明的主要內(nèi)容。 [0023] (2)霧天圖像質量評價
[0024] 針對現(xiàn)有圖像質量評價算法在霧天圖像質量評價方面的不足，發(fā)明了基于混合特 征碼書的適合霧天圖像的質量評價方法，實驗表明發(fā)明的方法性能優(yōu)越。
【附圖說明】
[0025] 附圖1是本發(fā)明的一種霧天圖像質量得分預測過程示意圖
[0026] 附圖2是本發(fā)明的一種霧天圖像質量評價SVR訓練過程示意圖
【具體實施方式】
[0027] -種適合霧天圖像的質量評價方法，包含以下幾個步驟：特征提取、碼書構建和編 碼、SVR模型訓練、質量得分預測。
[0028] (1)特征提取
[0029] 所提取的特征為混合特征可以較好的反映霧天圖像的特性。自然場景統(tǒng)計特 征可以很好的刻畫圖像的失真，為了獲得用于構建碼書的特征向量，選用廣義高斯分布 (GGD)以及非對稱廣義高斯分布（AGGD)對霧天圖像極其失真圖像進行有效的刻畫。如式 (1)-(3)：
[0030]
[0031]
[0032]
[0033]
[0034] 其中形狀參數(shù)α控制分布的形狀，同時σ 2控制方差。由于MSCN(Mean Subtracted Contrast Normalized)系數(shù)分布是動態(tài)的，所以選擇零均值分布。GGD的兩個參數(shù)（α，σ 2) 是能夠被有效估計的。用這個參數(shù)模型來擬合無失真圖像以及相應失真圖像的MSCN系數(shù) 統(tǒng)計圖。上述兩個變量是刻畫圖像失真的兩個參數(shù)。
[0035] 相鄰系數(shù)之間有一種規(guī)則的結構，這種規(guī)則隨著加入失真而改變，本節(jié)從四個方 向上來