[发明专利]一种基于Gabor加权特征的全参考型图像质量评价方法

权利要求书

1.一种基于Gabor加权特征的全参考图像质量评价方法，其特征在于其包含以下步骤：

(1)输入参考图像和失真图像，对输入失真图像和参考图像进行二维Gabor变换，具体步骤如下：

建立L个二维Gabor滤波器，二维Gabor滤波器有M个尺度和N个方向，因此有L＝M×N，对于二维离散Gabor滤波器，有如下公式：

x′＝x cosθ_n+y sinθ_n

y′＝y cosθ_n-x sinθ_n

θ_n＝2πn/N，其中n＝0，1，...，N-1，f_m＝a^-mf_max，其中f_max为最高频率，m＝0，1，...，M-1；

构造L＝M×N个Gabor滤波器后，将输入失真图像D(x，y)和参考图像R(x，y)经过L个Gabor滤波器进行滤波，得到Gabor系数G_D(x，y，m，n)和G_R(x，y，m，n)；

(2)对失真图像和参考图像的Gabor系数进行主成份分析(PCA)，得到主成分分析系数，进行PCA变换的步骤如下：

若失真图像和参考图像的Gabor系数为G_D(x，y，m，n)和G_R(x，y，m，n)，将Gabor系数矩阵在某一像素点(x，y)的Gabor系数矩阵记为S_D(m，n)和S_R(m，n)，将失真图像和参考图像(x，y)像素点处的M×N维Gabor系数矩阵转换成MN×1维列向量V_D(l)和V_R(l)，其中1≤l≤MN，并进行PCA变换，具体如下：

μ为向量V的均值，φ为协方差矩阵，对φ进行奇异值分解(SVD)得到特征向量，用特征向量组成矩阵ψ，PCA变换即为：V′＝ψ^TV，V′为PCA变换后的主成分分析系数，V′为MN×1维列向量；

(3)取出失真图像和参考图像中每个像素点(x，y)的主成分分析系数向量V′的前两个元素，组成第一主成份矩阵和第二主成份矩阵，计算失真图像和参考图像对应像素块的相似度及其均值，具体步骤如下：

其中PD₁和PD₂为失真图像的W×H维第一主成份矩阵和第二主成份矩阵，PR₁和PR₂为参考图像的W×H维第一主成份矩阵和第二主成份矩阵；

将PD₁，PD₂，PR₁和PR₂分成大小为P×P的块，记为PD₁(n)，PD₂(n)，PR₁(n)和PR₁(n)，其中1≤n≤N’，N’为参考图像或失真图像中图像块的个数，计算失真图像和参考图像对应像素块的相似度，具体如下：

其中C为根据经验确定的常数，计算图像中所有块相似度的均值，具体如下：

(4)将训练图像和参考图像提取出第一主成份相似度均值S₁和第二主成份相似度均值S₂，将训练图像的S₁，S₂和差分主观分值(DMOS)组成训练样本对(S₁，S₂，DMOS)，训练得到加权系数ω₁，ω₂，ω₃，具体步骤是：

将训练图像的第一主成份相似度均值S₁和第二主成份相似度均值S₂组成矩阵：

Q_i＝[S₁(i)，S₂(i)，1]^TI＝[Q₁，Q₂，...，Q_N]

将训练图像的主观MOS分值DMOS和加权系数组成矩阵：

Y＝[D₁，D₂，...，D_N]J＝[ω₁，ω₂，ω₃]

其中，D_N为第N幅训练图像的主观MOS分值DMOS；

得到J的最小二乘解如下：

(5)根据得到测试图像的第一主成份相似度S₁和第二主成份相似度S₂，利用加权公式得到测试图像的客观评价分值，得到的客观评价分值越高表示图像质量越好，具体步骤是：

S＝ω₁S₁+ω₂S₁+ω₃

其中S₁，S₂是计算得到的第一相似度和第二相似度，S是预测客观评价分值，ω₁，ω₂，ω₃是训练得到的加权系数。