[发明专利]基于威布尔统计特征的内容不敏感模糊图像质量评价方法

权利要求书

1.一种基于威布尔统计特征的内容不敏感模糊图像质量评价方法，其特征在于，包括如下步骤：

步骤1，将待评价图像转化为灰度图像，提取灰度图像的梯度幅值矩阵；

步骤2，采用威布尔分布模型对步骤1获得的梯度幅值矩阵进行建模拟合，得到梯度的威布尔分布形状和尺度参数，并计算威布尔分布形状的偏斜度；

步骤3，提取训练样本集中与待评价图像内容相同的模糊图像，并将这些模糊图像和待评价图像的威布尔分布形状、尺度和偏斜度进行分离归一化；

步骤4，以待评价图像的归一化后的威布尔分布形状、尺度和偏斜度为特征值，利用改进的稀疏超限学习机回归模型对待评价图像进行质量评价；

其中，改进的稀疏超限学习机的优化目标是：

其中，γ是学习机输出层权重，|| ||₂表示二范数，|| ||₁表示一范数；H为学习机网络隐层输出矩阵，Y为训练目标值，C是训练误差项的惩罚因子，λ₁、λ₂为控制系数；λ₁用于控制类间距离；λ₂用于控制学习机的稀疏性；C的取值在[10⁰,…,10¹⁰]范围内，λ₁和λ₂在0～10之间取值。

2.如权利要求1所述的基于威布尔统计特征的内容不敏感模糊图像质量评价方法，其特征在于，利用评价模型进行评价，并事先利用训练样本集对评价模型进行训练，其中，对训练样本集中具有相同内容的样本图像的威布尔分布形状、尺度和偏斜度进行分离归一化，然后以训练样本集中样本图像的主观质量评价值作为目标值，将目标值和对应样本图像的归一化后的特征值作为输入，进行训练。

3.如权利要求1或2所述的基于威布尔统计特征的内容不敏感模糊图像质量评价方法，其特征在于，所述稀疏超限学习机的网络隐层节点数取样本数的0.5-2倍。

4.如权利要求1所述的基于威布尔统计特征的内容不敏感模糊图像质量评价方法，其特征在于，所述步骤1中，分别用水平x方向和竖直y方向的Prewitt滤波器h_x、h_y计算图像I在水平方向和竖直方向的梯度，然后计算每个像素点(i,j)的梯度幅值GM(i,j)：

其中，表示卷积。

5.如权利要求4所述的基于威布尔统计特征的内容不敏感模糊图像质量评价方法，其特征在于，

6.如权利要求1所述的基于威布尔统计特征的内容不敏感模糊图像质量评价方法，其特征在于，所述步骤2中，偏斜度η的计算方法为：

其中，GM为灰度图像的梯度幅值矩阵；μ₃是GM的三阶矩，σ是GM的标准差，n是矩阵GM中的元素个数；GM_i为矩阵GM中第i个元素，为矩阵GM中所有元素的均值。