[发明专利]基于视觉显著性检测的无参考图像质量评价方法

说明书

本发明涉及一种基于视觉显著性检测的无参考图像质量评价方法，首先对数据集中每个图像进行局部归一化，并分割成图像小块IPs；然后计算数据集中每个图像的显著性图，并分割成显著性小块SPs；接着每个图像小块IP根据对应的显著性小块SP分配重要性值PI，如果PI≥α×M×N,则判定为显著性较强的图像小块SIPs；最后，将显著性较强的图像小块SIPs输入到DCNN模型，得到的质量分数均值为最终质量分数。本发明在自然场景中考虑人类视觉认知需求，重点关注人类感兴趣的图像区域，实时得到与人类主观相一致的图像质量评价，有较好的实用性。

技术领域

本发明涉及数字图像处理技术领域，特别是在自然场景中人类视觉认知方面，涉及基于视觉显著性检测的无参考图像质量评价方法。

背景技术

图像质量是指成像系统经过捕捉、处理、存储、压缩、传输和显示等步骤形成图像后，图像信号的精度水平。图像形成过程中存在噪声、模糊、数据丢失等干扰因素，容易造成图像质量下降，图像质量的好坏直接影响到人们的主观感受和信息量获取，因此有必要对图像质量进行评价。近年来，图像质量评价受到广泛关注，在评估图像捕获管道、存储技术和共享媒体等多方面得到应用。

图像质量评价以主观方法或客观方法，确定图像信号的精度水平。主观方法是基于一个或一组图像质量属性的人类观察者的感知评价，存在成本高且不能实时自动化的缺点。客观方法是经验测量质量的一部分，把任意图像输入计算模型，输出得到质量分数，能够预测感知图像质量，弥补主观方法的缺陷。

目前，图像质量评价的客观方法包括完全参考、半参考和无参考方法，主要手段运用了传统算法(如均方差、峰值信噪比等)、机器学习算法(如支持向量机、K-最近邻等)和深度学习算法(CNN)，但在自然场景中人类视觉认知方面，现有方法存在以下缺点：

(1)忽略了人类视觉系统在面对自然场景时具有快速搜索和定位感兴趣目标的能力，使图像质量评价结果不符合人类视觉认知。

(2)将有限的计算资源分配给图像中全部信息，没有关注重要信息，增加了计算量。

(3)深度卷积神经网络的输出仅为平均质量分数，且网络结构过于复杂。

发明内容

本发明的目的是针对以上不足，提出一种基于视觉显著性检测的无参考图像质量评价方法，该方法考虑自然场景中人类视觉认知需求，结合视觉显著性检测和深度卷积神经网络，预测给定图像的评级分布，设计得到与人类主观评价相一致的无参考图像质量评价方法，从而实时评价自然场景下的图像质量。

本发明的技术方案如下：

一种基于视觉显著性检测的无参考图像质量评价方法，其特征在于：

(1)首先对数据集中每个图像进行局部归一化，并分割成图像小块IPs；

(2)然后计算数据集中每个图像的显著性图，并分割成显著性小块SPs；

(3)接着每个图像小块IP根据对应的显著性小块SP分配重要性值PI，如果PI≥α×M×N,则判定为显著性较强的图像小块SIPs；

(4)最后，将显著性较强的图像小块SIPs输入到DCNN模型，得到的质量分数均值为最终质量分数。

本发明的优点在于：区别于现有技术，在自然场景中考虑人类视觉认知需求，重点关注人类感兴趣的图像区域，实时得到与人类主观相一致的图像质量评价，有较好的实用性。

具体实施方式

首先对数据集中每个图像进行局部归一化并分割成图像小块(IPs)；然后计算数据集中每个图像的显著性图并分割成显著性小块(SPs)；接着每个图像小块(IP)根据对应的显著性小块(SP)分配重要性值PI，如果PI≥α×M×N,则判定为显著性较强的图像小块(SIPs)；最后，显著性较强的图像小块(SIPs)输入到DCNN模型，得到的质量分数均值为最终质量分数。