[发明专利]一种基于贝叶斯压缩感知的无参考图像质量客观评价方法

摘要

本发明公开了一种基于贝叶斯压缩感知的无参考图像质量客观评价方法，该方法采用利用贝叶斯压缩感知方法的可重构特性，从输入失真图像中重构出重构图像，计算输入失真图像和重构图像的结构相似度索引，将整幅图像的结构相似度索引均值提取作为图像质量评价相似度特征；对输入失真图像进行归一化处理，提取归一化图像的均匀局部二值模式直方图作为均匀局部二值模式特征，联合贝叶斯压缩感知提取的相似度特征和均匀局部二值模式直方图特征得到图像质量评价特征，将图像质量评价特征送到支持向量回归机中进行训练和测试，得到输入失真图像的图像质量评价结果；该方法利用贝叶斯压缩感知方法的可重构特性进行图像质量评价，提高了图像质量评价的精度。

主权项

1.一种基于贝叶斯压缩感知的无参考图像质量客观评价方法，其特征在于，包括以下步骤：步骤(1)：输入训练图像，所述训练图像包括参考图像和失真图像；步骤(2)：将步骤1的参考图像和失真图像进行灰度变换，将彩色图像变换成灰度图像X；步骤(3)：将步骤2变换得到的灰度图像X的宽度和高度扩展成N的倍数，再将扩展后的灰色图像分成不重叠的大小为N×N的图像块Xi，其中1≤i≤M，Xi为划分后的图像块矩阵，Xi∈RN×N,N为图像块的高度和宽度，M为图像块的个数，R为实数；步骤(4)：将图像块Xi采用小波变换进行多层分解，将多层近似系数和细节系数组合成向量C，其中C为小波系数向量，C∈RK×1，K为小波系数向量的元素个数；步骤(5)：构建随机采样矩阵Ψ，Ψ∈RL×K，其中，L和K为采样矩阵Ψ的行数和列数，并且L＜K；用随机采样矩阵Ψ采样小波系数向量C，得到采样向量g，其中g∈RL×1，采样公式如下：g＝ΨC；步骤(6)：根据采样向量g和采样矩阵Ψ采用贝叶斯压缩感知对图像块矩阵Xi进行预测，具体步骤如下：步骤(6.1)：首先初始化超参数β0和β，其中超参数初始化公式如下：β0＝(var(g))‑1，β＝[β1，β2，...,βK]T＝ψTg；其中，var(·)表示求取向量方差操作，(·)‑1为求倒数操作，β0为初始的超参数，β为超参数向量，β1,...,βK为超参数向量β的K个元素；步骤(6.2)：根据超参数β0和β、采样矩阵Ψ和采样向量g计算小波系数向量C满足的多维高斯分布的均值μ和协方差矩阵Σ，计算公式如下:Σ＝(β0ΨTΨ+B)‑1μ＝β0ΣΨTg其中,B为超参数向量β的K个元素β1,...,βK组成的对角矩阵，B＝diag(β1,β2,...,βK)，μ为C满足的多维高斯分布的均值，Σ为C满足的多维高斯分布的协方差矩阵，(·)‑1为矩阵求逆操作；步骤(6.3)：迭代计算新的超参数β0*和β*，计算公式如下：其中1≤k≤L其中，λk＝1‑βkΣkk，∑kk为步骤7中∑矩阵的第k个对角元素,L为采样矩阵Ψ的行数；步骤(6.4)：重复步骤6.1‑步骤6.3，直到完成N次迭代循环，其中迭代循环次数N选取为10000；步骤(6.5)：对向量C的均值μ求小波反变换，并展开成二维矩阵，得到估计图像块Yi，其中1≤i≤M，M为图像块的个数；步骤(7)：利用原始图像块Xi和估计图像块Yi，采用结构相似度索引SSIM计算原始图像块Xi和估计图像块Yi的相似度，得到M个图像块的结构相似度索引均值Q(p)，其中结构相似度索引SSIM计算公式为：其中，r和c分别为原始图像块Xi或估计图像块Yi的行索引和列索引，m和n分别为二维高斯滤波器系数的行索引和列索引，ωm,n为二维高斯滤波器系数,N为滤波器窗口大小，C1和C2为避免分母为0设置的常数,μX为参考灰度图像经高斯滤波后的邻域灰度值的均值，μY为失真灰度图像经高斯滤波后的邻域灰度值的均值，σX为参考灰度图像经高斯滤波后的邻域灰度值的标准差，σY为失真灰度图像经高斯滤波后的邻域灰度值的标准差，σXY为参考灰度图像X和失真灰度图像Y之间的协方差，Q(i)为第i个图像块的结构相似度均值；步骤(8)：将M个图像块的结构相似度索引均值Q(i)求平均得到整幅图像的结构相似度索引均值Q，计算公式如下：步骤(9)：将灰度图像X进行归一化处理，得到归一化亮度图像I，采用公式如下：其中，i和j分别为灰度图像X中某一像素点在图像中的坐标，X(i,j)为灰度图像X在(i,j)处的取值，I(i,j)为归一化灰度图像I在(i,j)处的取值，ω为大小为M×N，均值为0，方差为1的二维高斯滤波器，μ_S(i,j)为灰度图像进行高斯滤波后(i,j)处的均值，σ_S(i,j)为灰度图像进行高斯滤波后(i,j)处的方差，M和N分别为滤波器的高度和宽度，M＝N＝1，其中C₃为避免分母为0而设的常数，C₃取值为0.01；步骤(10)：计算归一化亮度图像I的均匀局部二值模式ULBP特征，计算方法如下：其中，当Ii≥Ic时，t(Ii‑Ic)＝1，当Ii＜Ic时，t(Ii‑Ic)＝0，ULBPK,R为归一化亮度图像I在像素点c处的ULBP特征，Ic为归一化亮度图像I在像素点c处的取值，I0,I1,...,IK‑1为归一化亮度图像I在像素点c处以R为半径的K个邻域像素点的灰度取值，其中，R为邻域半径，K为邻域像素点个数；步骤(11)：计算得到ULBP直方图，并组合成特征向量F，并进行归一化处理，计算方法如下：F＝NH(ULBPK,R(i,j))F＝{f1,f2,...,fK+1}FMAX＝max(f1,f2,...,fK+1)其中ULBPK,R(i,j)为归一化灰度图像I在(i,j)处的ULBP特征，ULBP直方图的分组个数为K+1，NH(·)为取直方图操作，F为ULBP直方图特征向量，FMAX为f1,f2,...,fK+1中的最大值，FN为归一化处理后的ULBP直方图特征向量；步骤(12)：将归一化处理ULBP直方图特征向量FN和结构相似度索引均值Q组合成特征向量P1，组合公式如下：P1＝[FN,Q]步骤(13)：对灰度图像X进行三次下采样，得到三幅下采样图像；步骤(14)：对三幅下采样图像重复步骤2‑步骤12，得到特征向量P2，P3，P4，将特征向量P1，P2，P3，P4组合成特征向量P，组合公式如下：P＝[P1,P2,P3,P4]步骤(15)：将特征向量P合并主观MOS分值送到支持向量回归机中进行训练，得到训练后的支持向量回归机；步骤(16)：从输入图像集中输入测试图像，将测试图像同样按步骤2到步骤14提取出特征向量P，送到训练后的支持向量回归机中进行测试，得到客观的图像质量评价结果。