[发明专利]基于图像失真类型的全参考图像质量评价方法

说明书

技术领域

本发明涉及图像处理、机器学习以及图像质量评价等多种领域，特别是涉及一种基于图像失真类型的全参考图像质量评价方法。

背景技术

图像质量评价是图像处理中的一个重要研究领域。图像质量评价方法分为主观评价和客观评价。其中，主观评价是人眼对图像质量的最真实的反映，是最可靠的评价指标。然而，主观评价是需要消耗大量人力和时间，且无法应用于实时图像质量评价的场合。而客观图像质量评价算法能较好地嵌入系统，能实现实时评价且成本低，适用于实际应用当中。因此，开发出模拟人眼主观评价的图像客观质量评价方法是意义重大的。

传统的客观图像质量评价算法如：1)PSNR(Peak Signal toNoise Ratio)、MSE(Mean SquaredError)；此类方法虽然计算简便，但是效果不好。2)基于图像结构信息的SSIM(Structural Similarity IndexMethod)算法，是客观图像质量评价算法中的里程碑，取得了巨大的成就。

文章《Gradient magnitude similarity deviation:A highly efficient perceptual image qualityindex》中记载了对11种目前最为优秀的客观图像质量评价算法的测试，测试结果显示：对于单一的失真类型来说，大多数算法的性能都很好，但是对于包含多种失真类型的图像库整体来看，所有算法的性能都不算优秀。其原因可能在于，人类视觉系统是一个多尺度的系统，针对不同的情形(例如失真类型)会有不同的评价对策，所以单一对策的评价模型与人的主观评价无法高度一致。

在信息化时代，人工智能是在近20多年逐渐兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。深度学习是人工智能领域一个新的研究方向，近年来在语音识别、机器视觉、推荐系统等多类应用中取得突破性的进展。作为深度学习模型的一种，卷积神经网络(Convolutional Neural Network，CNN)是一种端对端的架构，它的输入直接就是原始图像，然后通过深度学习自动提取图像的高维特征信息，最后根据提取到的信息对结果给予准确的预测。自2012年，Alex Krizhevskyj在ILSVRC(ImageNet Large Scale Visual Recognition Competition)竞赛上使用卷积神经网络将分类错误记录从26％降低到15％，此后每年卷积神经网络在ILSVRC竞赛上均取得不错成绩。卷积神经网络也从此被广泛应用于模式识别和分类问题。

发明内容

基于以上现状，本发明提出了一种基于图像失真类型的全参考图像质量评价方法，融合四种不同理论的全参考图像质量评价方法生成新的混合图像质量模型，然后采用卷积神经网络模型对失真图像的失真类型做出判断，接下来依据失真类型，选择对应的图像质量评价表达式，得出客观质量评价分数。

1.一种基于图像失真类型的全参考图像质量评价方法，其特征在于，该方法包括以下步骤：

第一步，选择图像库TID2008中4种失真类型的图像作为实验样本，将样本失真图像进行局部归一化处理，具体处理过程如下：

其中，I(i，j)表示图片(i，j)位置的像素值，P，Q是局部归一化操作时的归一化区域尺寸的大小(我们这里取值为3)，C是一个整数，用来防止第一个公式的分母趋向于0。u(i,j)表示归一化区域像素灰度值的均值，σ(i,j)表示归一化区域像素灰度值的方差。然后将归一化后的整张失真图片切割成互不重叠的小块，小块的大小为32×32；

第二步，将第一步中经过归一化处理的图像块随机分成训练数据集和测试数据集，其中80％作为训练集，20％作为测试集；对于所需的卷积神经网络网络，作为训练输入的数据是经过归一化处理和分割后的小图像块，对应的标签是图像的失真类型，输出的是样本图片对应4种失真类型的概率，然后选择概率最大的那种失真类型作为该样本图片的失真类型；

第三步，对于训练集的失真类型，利用四种经典算法PSNR、SSIM、JND、VIF分别求出失真图像的对应评价值；

第四步，对一种特定的失真类型的图像，用其PSNR、SSIM、JND、VIF值，经过多项式函数拟合，拟合出对应的图像质量评价表达式，表达式如下：