[发明专利]一种基于纹理特征的无参考图像质量评价方法

摘要

本发明涉及一种基于纹理特征的无参考图像质量评价方法。本发明的具体步骤是首先，将图形数据库分成训练图像集和测试图像集，对每幅图像构建不同尺度下的图像，并对不同尺度下的图像求取归一化亮度图像，并对归一化亮度图像求取四个方向的归一化灰度共生矩阵，然后计算归一化灰度共生矩阵的能量，熵，对比度和相关性组合成特征向量，将特征向量和主观MOS分值送到支持向量机中进行训练，并用训练好的支持向量机对测试图像进行预测，得到客观图像质量评价结果。本发明利用纹理特征进行图像质量评价，与现有算法相比计算复杂度更低，便于实时实现，同时利用多个尺度和多个角度的灰度共生矩阵提取纹理特征，提高了预测精度。

主权项

一种基于纹理特征的无参考图像质量评价方法，其特征在于包括如下步骤：步骤1.将输入图像随机分成训练图像集和测试图像集，并对每幅输入图像进行灰度变换，将彩色图像转换成灰度图像；步骤2.对每幅灰度图像先进行高斯滤波，得到滤波图像，然后对滤波图像进行下采样，得到不同尺度下的采样图像I；步骤3.采用N×N的高斯滤波器ω(k,l)对采样图像I进行滤波并求取均值和方差，采用公式如下：其中，0≤i≤W，0≤j≤H，W为采样图像I的宽度，H为采样图像I的高度；μ(i,j)指采样图像I在坐标为(i,j)处的灰度均值，σ(i,j)指采样图像I在坐标为(i,j)处的灰度均方差，ω(k,l)坐标为(k,l)处的高斯滤波器系数，K和L分别为高斯滤波器的高度和宽度；步骤4.对采样图像I进行归一化操作，采用公式如下：其中，I(i,j)为坐标为(i,j)处采样图像I的像素取值，C为防止除数为零所加的常数，为归一化图像；步骤5.对归一化图像求取像素距离d＝1，方向为θ＝0°，θ＝45°，θ＝90°和θ＝135°四个方向的灰度共生矩阵，具体是：将归一化图像的灰度级缩放并四舍五入取整到[0,255]范围，同时计算方向为θ＝0°，θ＝45°，θ＝90°和θ＝135°四个方向的灰度共生矩阵，分别记为CM0(p,q)、CM45(p,q)、CM90(p,q)和CM135(p,q)，其中p和q分别为灰度共生矩阵横向和纵向上的索引值，且0≤p≤255，0≤q≤255；步骤6.分别计算得到四个方向灰度共生矩阵的归一化灰度共生矩阵，具体计算公式如下：步骤7.分别对四个方向的归一化灰度共生矩阵计算能量、熵、对比度和相关性，具体步骤如下：能量计算公式为：其中θ＝0°,45°,90°,135°；公式(8)共生矩阵熵计算公式为：其中θ＝0°,45°,90°,135°；公式(9)对比度计算公式为：其中θ＝0°,45°,90°,135°；公式(10)相关性计算公式如下：其中，θ＝0°,45°,90°,135°，μx和σx为NCMθ(p,q)在横向的均值和均方差，μy和σy为NCMθ(p,q)在纵向的均值和均方差；步骤8.将不同尺度下四个方向的能量、熵、对比度和相关性组合成特征向量；步骤9.将训练图像集提取的特征向量合并失真类别送到支持向量机中进行训练，得到训练好的分类支持向量机；将JPEG,JPEG2000,Blur,Noise和Fast Fading各种类型的训练图像集的特征向量合并主观MOS分值，送到五种类型的支持向量回归机中进行训练，对每个类型的训练图像集得到训练好的支持向量回归机；步骤10.将测试图像集提取的特征向量送到分类支持向量机中输出失真类型概率pi；并将测试图像集提取的特征向量送到五种类型的支持向量回归机中得到预测分值qi；最终的客观图像质量评价Q由以下公式计算得到：