[发明专利]基于小波统计特征的无参考噪声图像质量评价方法

权利要求书

1.一种基于小波高频子带统计特征的无参考噪声图像质量评价方法，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，对灰度图像进行小波分解；

步骤2，将小波分解得到的高频子带系数组合成新的系数矩阵，计算新的系数矩阵的矩阵元素分布峰态值；

步骤3，以步骤2得到的分布峰态值为待评价图像的特征值，对待评价图像进行质量评价。

2.如权利要求1所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，所述步骤1中，将待评价图像转化为灰度图像后，计算灰度图像的均值；将灰度图像减去所述均值，得到差值图像；对差值图像进行一级小波分解。

3.如权利要求1所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，采用Daubechies D8小波进行小波分解。

4.如权利要求1所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，所述步骤3中，利用超限学习机、BP神经网络或SVM算法回归模型对待评价图像进行评价。

5.如权利要求4所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，利用超限学习机进行评价时，事先利用训练样本集对超限学习机进行训练，其中，以训练样本集中样本图像的主观质量评价值作为目标值，将样本图像的目标值和特征值作为输入，对超限学习机进行训练。

6.如权利要求5所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，所述超限学习机的网络隐层节点数取训练样本集中样本总个数的0.5～2倍。

7.如权利要求1～6任意一项所述的基于小波高频子带统计特征的无参考噪声图像质量评价方法，其特征在于，步骤2中，所述分布峰态值计算方法如下：

$K\left(C\right)=\frac{\frac{1}{n}{\Σ}_{i=1}^n{(C_i-\stackrel{\‾}{C})}^4}{{\left(\frac{1}{n}{\Σ}_{i=1}^n{\left(C_i-\stackrel{\‾}{C}\right)}^2\right)}^2}-3$

其中，K(C)为系数矩阵C的矩阵元素分布峰态值；n为系数矩阵C中元素的总个数；C_i为系数矩阵C中的第i个元素，为系数矩阵C中所有元素的均值。