[发明专利]一种基于区域差异的屏幕图像质量评估方法

说明书

本发明提出了一种基于区域差异的屏幕图像质量评估方法，包括：S1：获取参考屏幕图像的数据库，进行局部归一化处理；S2：生成区分文本区域和图形区域的二值索引图；S3：将参考屏幕图像分割成文本块和图形块两种类型的图像块；S4:得到文本卷积神经网络模型和图形卷积神经网络模型；S5：将待测试的失真屏幕图像中的文本块和图形块分别用其相对应的卷积神经网络模型进行预测评估，得到每个图像块的质量分数，将原失真屏幕图像中像素点都以其所得的图像块的质量分数进行赋值，得到质量图；S6:根据屏幕图像活跃度赋给屏幕图像视觉差异区域不同的权重，再将质量图加权融合，得到该失真屏幕图像的预测得分，借此，本发明具有能准确评估屏幕图像的质量的优点。

技术领域

本发明属于图像质量评估技术领域，特别涉及一种基于区域差异的屏幕图像质量评估方法。

背景技术

目前，随着互联网技术的发展及现代多媒体通信终端的普及，使得用户能够执行许多复杂的通信任务，这些移动终端在使用期间呈现给消费者的可视内容，不再是单一的自然图像，而是包含文本、图像、地图和计算机生成的图形等的混合图像。类似于上述视觉内容的图像通常被称为屏幕图像。屏幕图像在产生、处理及传输的过程中都不可避免的产生失真，造成图像质量的下降，最终影响用户的体验，在过去的几十年中，已经提出了许多客观的图像质量评估方法，这些评估方法在自然图像质量评估上表现良好，但在屏幕图像质量评估上取得的成绩不佳，造成这种结果的原因是屏幕内容图像具有比自然图像更复杂的构图。

但是屏幕内容图像不仅包含自然图像，还添加了计算机生成的各种组件，如文本、图形和图标。这导致屏幕图像通常包含非常锋利的边缘、相对简单的形状、具有少量颜色的细线、甚至单像素宽的单色线，随着深度学习在计算机视觉领域的广泛应用，研究人员提出了许多深度学习网络来解决图像质量评估问题，并且具有优于传统算法的性能，将屏幕图像直接使用现有的卷积神经网络模型进行学习训练时，由于屏幕图像的特殊、复杂的结构特点，网络模型很难同时学习并区分不同区域的特征，从而不能准确的进行评估，此外，深度学习网络的训练过程需要大量数据，这些数据是通过将图像切割成图像块作为卷积神经网络模型中的训练样本来实现的，因此，特在提供一种基于区域差异的屏幕图像质量评估方法，能准确评估屏幕图像的质量，进而指导屏幕图像的处理过程，便于提高后续应用的性能。

发明内容

本发明提出一种基于区域差异的屏幕图像质量评估方法，能准确评估屏幕图像的质量，进而指导屏幕图像的处理过程，便于提高后续应用的性能。

本发明的技术方案是这样实现的：一种基于区域差异的屏幕图像质量评估方法，包括：

S1：获取参考屏幕图像的数据库，进行局部归一化处理；

S2：计算S1中参考屏幕图像的活跃度，并根据参考屏幕图像活跃度的高低，生成区分文本区域和图形区域的二值索引图；

S3：根据S2中的二值索引图将参考屏幕图像分割成文本块和图形块两种类型的图像块；

S4:使用端到端卷积神经网络，将S3中的若干图像块作为训练集及验证集训练卷积神经网络，其中端到端卷积神经网络输入为图像块、输出为预测的质量分数，卷积神经网络经过若干图像块的训练及验证，得到一个稳定收敛的图像块质量分数预测模型；分别使用文本块和图形块输入到图像块质量分数预测模型中进行训练，得到用于预测文本区域得分的文本卷积神经网络模型和用于预测图形区域得分的图形卷积神经网络模型；

S5：将待测试的失真屏幕图像中的文本块和图形块分别用其相对应的卷积神经网络模型进行预测评估，得到每个图像块的质量分数，将原失真屏幕图像中的每个像素点都以其所得的图像块的质量分数进行赋值，得到质量图；

S6:根据屏幕图像活跃度赋给失真屏幕图像视觉差异区域不同的权重，再将S6中得到的质量图进行加权融合，最终得到该失真屏幕图像的预测得分。