[发明专利]一种基于Gabor加权特征的全参考型图像质量评价方法

摘要

本发明涉及一种基于Gabor加权特征的全参考型图像质量评价方法。本发明的具体步骤是：(一)输入失真图像和参考图像；(二)对输入失真图像和参考图像进行二维Gabor变换得到Gabor系数；(三)将失真图像和参考图像的Gabor系数组成矩阵，对其进行主成分分析，得到第一和第二主成分分量；(四)将失真图像和参考图像第一和第二主成分分量组成主成分矩阵，并计算失真图像和参考图像的主成分矩阵之间的相似度及相似度均值；(五)将相似度均值进行加权相加得到客观评价分值。本发明采用Gabor变换和PCA变换对图像进行转换，对相似度均值进行加权相加得到客观评价分值，提高了图像质量评价的精度。

主权项

1.一种基于Gabor加权特征的全参考图像质量评价方法，其特征在于其包含以下步骤：(1)输入参考图像和失真图像，对输入失真图像和参考图像进行二维Gabor变换，具体步骤如下：建立L个二维Gabor滤波器，二维Gabor滤波器有M个尺度和N个方向，因此有L＝M×N，对于二维离散Gabor滤波器，有如下公式：x′＝x cosθn+y sinθny′＝y cosθn‑x sinθnθ_n＝2πn/N，其中n＝0，1，...，N‑1，f_m＝a^‑mf_max，其中f_max为最高频率，m＝0，1，...，M‑1；构造L＝M×N个Gabor滤波器后，将输入失真图像D(x，y)和参考图像R(x，y)经过L个Gabor滤波器进行滤波，得到Gabor系数GD(x，y，m，n)和GR(x，y，m，n)；(2)对失真图像和参考图像的Gabor系数进行主成份分析(PCA)，得到主成分分析系数，进行PCA变换的步骤如下：若失真图像和参考图像的Gabor系数为GD(x，y，m，n)和GR(x，y，m，n)，将Gabor系数矩阵在某一像素点(x，y)的Gabor系数矩阵记为SD(m，n)和SR(m，n)，将失真图像和参考图像(x，y)像素点处的M×N维Gabor系数矩阵转换成MN×1维列向量VD(l)和VR(l)，其中1≤l≤MN，并进行PCA变换，具体如下：μ为向量V的均值，φ为协方差矩阵，对φ进行奇异值分解(SVD)得到特征向量，用特征向量组成矩阵ψ，PCA变换即为：V′＝ψTV，V′为PCA变换后的主成分分析系数，V′为MN×1维列向量；(3)取出失真图像和参考图像中每个像素点(x，y)的主成分分析系数向量V′的前两个元素，组成第一主成份矩阵和第二主成份矩阵，计算失真图像和参考图像对应像素块的相似度及其均值，具体步骤如下：其中PD1和PD2为失真图像的W×H维第一主成份矩阵和第二主成份矩阵，PR1和PR2为参考图像的W×H维第一主成份矩阵和第二主成份矩阵；将PD1，PD2，PR1和PR2分成大小为P×P的块，记为PD1(n)，PD2(n)，PR1(n)和PR1(n)，其中1≤n≤N’，N’为参考图像或失真图像中图像块的个数，计算失真图像和参考图像对应像素块的相似度，具体如下：其中C为根据经验确定的常数，计算图像中所有块相似度的均值，具体如下：(4)将训练图像和参考图像提取出第一主成份相似度均值S1和第二主成份相似度均值S2，将训练图像的S1，S2和差分主观分值(DMOS)组成训练样本对(S1，S2，DMOS)，训练得到加权系数ω1，ω2，ω3，具体步骤是：将训练图像的第一主成份相似度均值S1和第二主成份相似度均值S2组成矩阵：Qi＝[S1(i)，S2(i)，1]TI＝[Q1，Q2，...，QN]将训练图像的主观MOS分值DMOS和加权系数组成矩阵：Y＝[D1，D2，...，DN]J＝[ω1，ω2，ω3]其中，DN为第N幅训练图像的主观MOS分值DMOS；得到J的最小二乘解如下：(5)根据得到测试图像的第一主成份相似度S1和第二主成份相似度S2，利用加权公式得到测试图像的客观评价分值，得到的客观评价分值越高表示图像质量越好，具体步骤是：S＝ω1S1+ω2S1+ω3其中S1，S2是计算得到的第一相似度和第二相似度，S是预测客观评价分值，ω1，ω2，ω3是训练得到的加权系数。