[发明专利]一种基于梯度关联性的无参考图像质量评价方法

摘要

本发明提出了一种基于梯度关联性的无参考图像质量评价方法，属于计算机图像分析领域。本方法首先求出图像梯度当中易受失真影响的三种子性质，分别为图像梯度幅值性质，图像梯度方向变化性质和图像梯度幅值变化性质。将这三种性质进行M×M的图像分块，在每一个图像块中求出上述三种性质的统计方差，并使用整幅图像中所有的图像块的统计方差的平均数作为其图像特征，最后使用支持向量机与图像质量评价中两步框架相结合的方法求得图像质量。本发明方法拥有时间复杂度小、主观一致性高、图像特征维数低通用性好等优点，可应用与小型计算设备或与图像质量相关的应用中，具有良好的实用价值。

主权项

一种基于梯度关联性的无参考图像质量评价方法，其特征在于包括以下步骤：步骤一、对输入的失真图像进行特征提取；首先，对每一幅图像求取其在图像梯度方面的三种不同的子性质，即梯度幅值性质GM、梯度方向变化性质CO和梯度幅值变化性质CM，其中，三种梯度性质分别定义如下：$\mathrm{GM}(i,j)=\sqrt{{\left(\mathrm{Gx}(i,j)\right)}^2+{\left(\mathrm{Gy}(i,j)\right)}^2}---\left(1\right)$CO(i,j)＝orientation(i,j)‑orientation_avg(i,j) (2)$\mathrm{CM}(i,j)=\sqrt{{(\mathrm{Gx}(i,j)-{\mathrm{Gx}}_{\mathrm{avg}}(i,j))}^2+{(\mathrm{Gy}(i,j)-{\mathrm{Gy}}_{\mathrm{avg}}(i,j))}^2}---\left(3\right)$其中，$\mathrm{orientation}(i,j)=\mathrm{arc}\tan \left(\frac{\mathrm{Gy}(i,j)}{\mathrm{Gx}(i,j)}\right)$${\mathrm{orientation}}_{\mathrm{avg}}(i,j)=\mathrm{arc}\tan \left(\frac{{\mathrm{Gy}}_{\mathrm{avg}}(i,j)}{{\mathrm{Gx}}_{\mathrm{avg}}(i,j)}\right)$${\mathrm{Gx}}_{\mathrm{avg}}=\frac{\underset{i}{\overset{M}{\mathrm{\Σ}}}\underset{j}{\overset{N}{\mathrm{\Σ}}}\mathrm{Gx}(i,j)}{M\×N}$${\mathrm{Gy}}_{\mathrm{avg}}=\frac{\underset{i}{\overset{M}{\mathrm{\Σ}}}\underset{j}{\overset{N}{\mathrm{\Σ}}}\mathrm{Gy}(i,j)}{M\×N}$其中，orientation(i,j)表示图像梯度的方向，Gx和Gy为离散的数字图像在X、Y两个正交方向的导数，M、N是为了描述区域内的变化所设定的窗口的大小；并且在求取梯度Gx和Gy中，使用sobel梯度计算算子，并且将其由一组正交方向扩展到两组；其中包含0度和90度的一组正交方向，以及一组‑45度和45度的正交方向；正交方向0度和90度的sobel算子为：$S^y=\left[\begin{array}{ccccc}0& 0& 0& 0& 0\\ 0& 1& 0& -1& 0\\ 0& 2& 0& -2& 0\\ 0& 1& 0& -1& 0\\ 0& 0& 0& 0& 0\end{array}\right]$与$S^x=\left[\begin{array}{ccccc}0& 0& 0& 0& 0\\ 0& 1& 2& 1& 0\\ 0& 0& 0& 0& 0\\ 0& -1& -2& -1& 0\\ 0& 0& 0& 0& 0\end{array}\right]$正交方向‑45度和45度的sobel算子为：$S^y=\left[\begin{array}{ccccc}0& 0& 0& 0& 0\\ 1& 0& -1& 0& 0\\ 0& 2& 0& 2& 0\\ 0& 0& 1& 0& -1\\ 0& 0& 0& 0& 0\end{array}\right]$与$S^x=\left[\begin{array}{ccccc}0& 0& 0& 0& 0\\ 0& 0& 1& 0& -1\\ 0& 2& 0& -2& 0\\ 1& 0& -1& 0& 0\\ 0& 0& 0& 0& 0\end{array}\right]$其中上标为y的算子为计算Gy的算子，其中上标为x的算子为计算Gx的算子；然后，将上述所求得的图像梯度性质图像进行分块处理，在每一块梯度性质上求取统计方差，在此基础上将该方差以log函数规范后，以计算平均数的形式将每一块梯度所求取的统计方差融合为整体图像梯度性质的方差，具体如下：将每一种图像梯度性质分割为128×128大小的图像梯度性质图像块，并将每一个图像梯度性质图像块求取其统计方差，即第n块图像块的方差d_n；计算公式如式4：d_n＝∑(h(x)‑E(h(x)))² (4)其中，h(x)＝pdf(θ)其中，θ为每种性质图像中的参数，pdf为该参数的统计分布，h(x)表示对θ进行量化统计后的统计概率表示，E(h(x))表示h(x)的期望；接着将每个求出的方差d_n以log函数规范化，并使用平均聚集的方法融合图像梯度性质的图像块所求出的统计方差作为最终的特征f，如式5；$f=\frac{1}{N}\×\log \left(\underset{n=1}{\overset{N}{\mathrm{\Π}}}{d}_n\right),n=\mathrm{1,2}.......N---\left(5\right)$最后，将输入的失真图像进行降采样，变为第二尺度的图像，并重复上述过程，最终得到一组12维特征向量Feature：Feature＝[f_GM,f_CO,f_CM×2orientation×2scale] (6)步骤二、进行特征映射，将经步骤一得到的12维特征向量作为最终的图像质量特征，据此建立图像特征和图像分数之间的映射关系；首先，将图像库分为训练集和测试集；所述测试集用来建立图像特征与图像质量之间的映射关系，测试集用来测试建立的映射关系的机能；使用支持向量机的方法，将测试集中图像的图像特征进行失真分类模型和对应的每个失真分类的质量评价模型的训练；然后，基于无参考图像质量评价中两步框架的流程，在测试集中进行分数的预测测试，即使用失真分类模型将受测图像的失真进行分类，再在失真分类当中使用质量评价模型来预测受测图像质量，从而得到受测图像质量分数，进而可利用现有算法性能标准对其进行评估。