[发明专利]基于图像失真类型的全参考图像质量评价方法

摘要

本发明公开了一种基于图像失真类型的全参考图像质量评价方法，构建一个卷积神经网络模型对失真图像的失真类型进行预测；使用四种经典的全参考图像质量评价方法(PSNR、SSIM、JND、VIF)分别对待评价的失真图像质量进行评价，每张失真图片得到对应的四个方面的评价参考值；选用非线性拟合函数拟合上述的四种不同方式评价算法得到的评价分数，依据图像的不同失真类型训练得到对应每种失真类型下的拟合参数；对于待测图片，依据其失真类型选择对应的拟合参数利用拟合函数得到对失真图片最终的评价结果。与现有技术相比，本发明融合了4种经典算法(PSNR、SSIM、JND、VIF)不同理论的图像质量评价模型，发挥了各个模型的优点，使新方法的性能更加优秀。

主权项

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：I^(i,j)=I(i,j)-μ(i,j)σ(i,j)+c]]>μ(i,j)=Σp=-Pp=PΣq=-Qq=QI(i+p,j+q)]]>σ(i,j)=Σp=-Pp=PΣq=-Qq=Q(I(i,j)-μ(i,j))2]]>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：F-IQA=Σm=14Σi=1NαmiIQAmi+C]]>其中，F‑IQA表示建立的混合图像质量评价模型的输出值，即最后的评价值；N表示多项式的最高次数；αmi表示拟合的参数，代表四种评价参考值的权重；IQA1代表PSNR评价值，IQA2代表SSIM评价值，IQA3代表JND评价值，IQA4代表VIF评价值，，接下来，使用最小二乘法优化得到上述非线性拟合函数的参数：argminα,C||MOS-Σm=14Σi=1NαmiIQAmi+C||2]]>选择最高次项系数为2的多项式对四种经典算法进行拟合；第五步，针对包括高斯白噪声、高斯模糊、JPEG压缩、JPEG2000压缩的图像这4种失真类型，重复第四步，生成4种对应的图像质量评价表达式，组合成一个图像质量评价模型；第六步，对于测试集的失真图像，重复第一步的归一化处理过程，将预处理后的图像输入卷积神经网络模型判断每个小块图像的失真类型Di，然后统计整张图片中每种失真类型的小块数量，基于多数表决原则，将拥有最多小块数量的失真类型作为最终整张图片的失真类型Ti：Ti＝Dj，num(Dj)＝max{num(Dk)，k＝1，2，...，4}最后，图像质量评价模型依据此失真类型，选择相应的图像质量评价表达式，得出最终的客观评价分数。