[发明专利]基于图像信息量自然场景统计特征的图像质量评价方法

摘要

本发明公开了一种基于图像信息量自然场景统计特征的图像质量评价方法，主要解决现有技术的对图像进行质量评价时不符合人类视觉主观感知特性的问题。其法包括：1)基于互信息理论将图像分割成不重叠的子块，建立图像亮度分布和图像子块间的联系；2)把图像转换为显著信息量、实际信息量和缠绕信息量；3)分别在三种信息量上进行亮度归一化系数特征，梯度模值特征和高斯‑拉普拉斯信号特征的提取；4)在上述特征的基础上，通过支持向量机的方法构建图量评价模型。实验结果表明，本发明与主观质量评价具有较高一致性，评价性能优于现有部分参考质量评价方法及部分全参考质量评价方法，可用于图像压缩、存储、传输中对图像的处理。

主权项

1.基于图像信息量自然场景统计特征的图像质量评价方法，包括如下步骤：(1)对图像进行无重叠的划分，建立图像亮度信息和位置信息之间的联系：(1a)在信息通道中，定义输入X和输出Y之间的互信息为：其中，x,y分别为X,Y内的元素，p(x)＝P[X＝x]为x的概率分布，p(y)＝P[Y＝y]为y的概率分布，p(y|x)＝P[Y＝y|X＝x]为在x已知的条件下y的概率分布；(1b)将输入X随机分成X1和X2两部分，Y1,Y2分别为X1,X2对应互信息的输出，定义互信息增益最大化准则为：maxI(X；Y)＝I(X1；Y1)‑I(X2；Y2)逐点分割输入X，找到使增益最大的分割位置；(1c)对于一幅图像I，将图像像素亮度值集合记为：B＝{b1,...,bi,...,b255}，i＝0,1,...,255，使用图像亮度值分布B作为输入，采取水平或者竖直的划分方式，用互信息增益最大化原则确定最佳分块位置，循环对图像进行分割，得到块内亮度差异最小，块间亮度差异最大的无重叠图像子块集合R、：R、＝{r1,...,rj,...,rk},j＝1,2,...,k,k为分块数目；(2)基于互信息将图像I转换为图像的显著信息量I1，实际信息量I2和缠绕信息量I3这三种信息量：其中p(b)代表图像像素值的概率分布，p(r)代表图像分块集的概率分布，p(r|b)代表在图像像素值为b时图像分块r的概率分布，p(b|r)表示在图像分块r中像素值b的概率分布；(3)获取一幅图像的统计特征向量F：(3a)对上述三个图像信息量I1,I2,I3分别进行亮度归一化系数特征，梯度模值特征和高斯‑拉普拉斯信号的提取，分别得到如下统计特征：显著信息量I1的亮度归一化系数特征α1,β1，梯度模值特征PG1和高斯‑拉普拉斯信号特征PL1；实际信息量I2的亮度归一化系数特征α2,β2，梯度模值特征PG2和高斯‑拉普拉斯信号特征PL2；缠绕信息量I3的亮度归一化系数特征α3,β3，梯度模值特征PG3和高斯‑拉普拉斯信号特征PL3；(3b)联合(3a)的各统计特征得到一幅图像的特征向量F：F＝{α1,α2,α3,β1,β2,β3,PG1,PG2,PG3,PL1,PL2,PL3}；(4)由步骤(1),(2),(3)对训练图像库中的所有图像进行统计特征的提取，得到训练图像特征集，利用支持向量机的方法在图像特征集与对应的图像主观质量分数集之间进行训练，建立如下图像质量评价模型：其中，Q代表图像质量分数，W是模型中的权重矩阵，T表示转置，表示RBF核函数，F表示特征向量，γ是模型中的偏差项；(5)对于任意一幅图像，由步骤(1),(2),(3)提取这幅图像的统计特征向量F，将F作为输入代入到步骤(4)的图像质量评价模型中，得到该图像的质量分数Q。