[发明专利]一种无参考混合失真图像质量评价方法

说明书

技术领域

本发明属于混合失真图像质量评价技术领域，涉及一种无参考混合失真图像质量评价方法。

背景技术

图像质量评价是图像处理领域至关重要的关键技术和热门研究点，图像在存储、压缩、编码等过程中无可避免地会造成质量的损坏。图像质量评价和图像质量改善在人们生产生活中有着广泛的应用。如在安防领域，全天候视频监控系统采集的原始图像质量的准确性和可靠性受到气候、设备或者其他人为因素等严重的影响。

图像质量评价主要分为全参考图像质量评价(Full Reference Assessment)、半参考图像质量评价(Reduced Reference Assessment)和无参考图像质量评价(No Reference Assessment)。现实生活中，由于往往得不到参考图像的信息，所以对于无参考图像质量的评价更为符合实际情况。在无参考图像质量评价体系中，目前研究最为普遍的是对单一失真图像的评价，即失真图像只受某一种失真类型的干扰，形成了诸如基于自然场景统计、基于支持向量机和基于神经网络等较为高效的方法。但图像除了受某种失真类型的影响外，更多是同时受多种失真类型混合干扰的影响，目前针对混合失真图像质量评价的研究相对较少，大多方法都从整体对图像进行评价，而未从每种具体失真类型特点出发，因此难形成一种有效且客观的质量评价模型和体系。

发明内容

有鉴于此，本发明的目的在于提供一种无参考混合失真图像质量评价方法，该方法能够解决对混合失真图像失真类型判定不准确，质量评价准确性不高等问题。

为达到上述目的，本发明提供如下技术方案：

一种无参考混合失真图像质量评价方法，该方法包括以下步骤：

S1：提取噪声底层特征，对失真图像总体噪声水平进行估计，利用独立分量分析(ICA)对混合失真图像进行噪声和失真图像的分离，并判定噪声程度；

S2：分别提取常见单一失真图像底层特征，利用SVC建立失真分类器，同时建立常见噪声类型的分类器；

S3：对分离出噪声的失真图像和噪声进行常见失真的底层特征提取，并通过失真分类器判断存在的失真类型，利用噪声分类器判断分离出的噪声类型；

S4：对存在的失真类型，使用每种失真的底层特征进行非线性加权组合作为总的混合失真图像的质量特征；

S5：对混合失真特征使用SVM进行训练、测试得出质量分数Q；

S6：设定质量阈值分数并进行自适应判断，若图像质量分数低于阈值，利用现有单一失真图像复原算法，逐一地复原图像，在复原过程中，运用解耦模型解除失真间的耦合关系，并对复原后图像，进行质量再评价。

进一步，在步骤S1中，利用ICA独立分量分析法对输入的失真图像进行噪声的分离，ICA算法思想为：

X(t)＝AS(t)+N(t)(1)

其中，t为离散时刻，A为混合矩阵，X为观测信号，在本发明中为混合失真图像，S为未知的原信号，即待获得的去噪后图像，N为噪声信号。

进一步，在步骤S3中，对分离出来的失真图像，提取常用的单一失真底层特征，如对于JPEG2000利用自然场景图像在不同尺度下的小波系数的衰减规律，提取相应指标。得到所有常见失真的底层特征集，并根据训练好的分类器，输入提取的特征，根据特征匹配的精确度判定其失真的存在及其失真类型；其中，对于分离出来的噪声进行噪声度量：

式中∑_y表示图像块的方差矩阵，λ_min(∑)表示矩阵的最小特征值。

进一步，在步骤S5中，采用带权重的Minkowski和度量方法得到总的客观评价指标：

quality＝(a·block^q+b·ring^q+c·blur^q+......+n·noise^q)^1/q(3)

其中，quality为图像总的客观评价分数，block、ring、blur、noise等代表块效应、振铃效应、模糊、噪声等失真的特征度量值，a、b、c等代表对于特征度量值的权重，q为归一化参数，使得到的评价值与DMOS主观分数具有相同范围。

本发明的有益效果在于：本发明提供了一种无参考混合失真图像质量评价的方法，从图像失真类型本身出发，利用图像底层特征对失真进行分类，结合解耦和独立分量分析的思想，提出一种针对混合失真图像质量评价的模型体系。

附图说明