[发明专利]一种结合多种特征的无参考自然图像质量评价方法

摘要

本发明涉及一种结合多种特征的无参考自然图像质量评价方法，通过计算得到的8个特征，然后构建一个向量fi＝[featureHBC featureNCSD featureH featureL featureHDW featureEAV featureASD featureN]T将图像的特征向量转化为无标注图像的评价概率矩阵，最终可得到无标注的图像i的评分di＝[x1 x2 x3 x4 x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5；该结合多种特征的无参考图像质量评价方法，结合多种图像特征对图像进行质量评价，能够综合考虑图像噪声、图像清晰度等特征，可以更好对图像进行分类，具有更好的普遍性，能够适应各种不同特性的图像质量评价，方便对图像进行科学的分类。

主权项

1.一种结合多种特征的无参考自然图像质量评价方法，其特征在于，包括如下步骤：步骤1、输入图像，对原图进行曝光值加减处理，得到+1EV、+2EV、‑1EV、‑2EV的4幅图像；步骤2、将步骤1中得到的4幅图像和原图依次转为灰度图像，得到5幅灰度图像；步骤3、将5幅图像分别进行直方图统计，计算其直方图均衡系数其中，N为总像素数，n为灰度级的数量，count(i)为灰度为i的像素数；故可以得到5个直方图均衡系数步骤4、对步骤3中得到的5个直方图均衡系数构建一个4次拟合函数，并求该拟合函数的极小值点，归一化之后作为特征featureHBC；步骤5、对步骤2得到的5幅灰度图像分别计算其均方根对比度系数其中，Imax为灰度值的最大值，Imin为最小值，μ为全图的灰度均值，其余与步骤3中定义相同；步骤6、对步骤5中5个均方根对比度值进行修正其中，为理想状态下的C_CSD值，用修正后的5个均方根对比度构建4次拟合函数，并求极小值点，归一化之后作为特征feature_NCSD；步骤7、对步骤2得到的5幅灰度图像分别计算其熵值其中，pi为灰度级为i的像素在图中出现的概率，其余定义与步骤5中相同；步骤8、对步骤7中的5个熵值构建4次拟合函数，并求极小值点，归一化之后作为特征featureH；步骤9、对步骤2中获得的原图的灰度图像计算其宽容度量化系数(4)并作为特征featureL；步骤10、对步骤2中获得的原图的灰度图像进行分块，计算每一块图像的熵值hi，从步骤7中获取全图熵值H；取hi的中位数为hmed；步骤11、利用步骤10中的hmed和H构建分段函数(5)，然后根据公式(6)计算分块带权值的熵值均值其中，r＝|hmed‑H|，MAX为分的块数，并将hDW归一化之后作为特征featureHDW；步骤12、对步骤2中获得的原图的灰度图像进行8邻域点锐度均值计算其中，w_a为权值ΔI为灰度差，N为总像素数；EAV值归一化之后转化为特征feature_EAV；步骤13、从步骤12中获取8邻域点锐度均值EAV和每一点的8邻域点锐度计算其标准差将ASD归一化之后转化为特征featureASD；步骤14、对步骤2中获得的原图的灰度图像进行分割，计算每一个小块的灰度均值其中，I_i为灰度值，N为小块内的像素数，然后计算小块内的标准差对所有小块进行计算之后，得到所有小块的LSD值LSD_i，然后进行统计，并建立K个统计区间，每个统计区间的间隔然后取含LSD_i最多的统计区间，将区间内的LSD_i值取出来求均值DLSD,计算参数作为特征feature_N；步骤15：利用上述步骤得到的8个特征构建一个向量fi＝[featureHBC featureNCSD featureH featureL featureHDW featureEAV featureASD featureN]T；步骤16、定义矩阵F＝[f1 f2 …… fn]＝[F1，F2],fj(j＝1,2,…,n)为第j张图像的特征向量，F1为人工标注数据，F2为未标注的数据；步骤17、定义评分向量d＝[x1 x2 x3 x4 x5]T，其中，x1为评价为极差的概率，x2为评价为差的概率，x3为评价为一般的概率，x4为评价为好的概率，x5为评价为极好的概率，然后输入已标注的统计概率；步骤18、定义矩阵d_i(i＝1,2,…,n)指第i张图的评价结果；步骤19、计算所有图像的特征点之间的欧氏距离ρ(fi,fj)＝||fi‑fj||2，寻找每个点k近邻点；步骤20、用K个近邻点线性表示原数据点，其误差函数最小时的权值矩阵，约束条件步骤21、利用步骤20中的权值矩阵w_ij将训练样本点映射到5维的评分空间d＝[x₁ x₂ x₃ x₄ x₅]中；映射方程为：满足约束条件其中，最小化问题可转化为即可求出无标注图像的评价概率矩阵D₂；步骤22、根据步骤21解得的无标注图像的评价概率矩阵D2，可得到无标注的图像i的评分di＝[x1 x2 x3 x4 x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5。若ai≤0.5则最终评价结果为极差，若0.5＜ai≤1.5则最终评价结果为差，若1.5＜ai≤2.5则最终评价结果为一般，若2.5＜ai≤3.5则最终评价结果为好，若ai≥3.5则最终评价结果为极好。