[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

说明书

技术领域

本发明涉及图像处理技术和机器视觉技术领域，具体涉及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。

背景技术

随着相机技术、人工智能技术和互联网技术的快速发展，图像获取变得越来越容易，而且人类对影像的质量要求也越来越高。在图像采集、传输、压缩以及存储等过程中，图像信号经常受到很多失真的干扰，包括噪声、模糊、压缩块效应等。其中，噪声是最常见的一种失真类型，比如夜间拍照由于光线不足会有很多加性高斯噪声出现，在信号传输过程中易受到随机噪声的破坏等，进而降低获取图像的质量，影响人类视觉审美体验。所以，有必要对噪声污染图像建立一种质量量化机制，评判图像的好坏，进而指导设备参数调节设置。

现有的噪声图像质量评价算法，依据是否借助无失真图像做参考，可以分为全参考评价和无参考评价算法。PSNR(Peak Signal-to-Noise Ratio)和MSE(Mean-Square-Error)作为全参考噪声评价算法的代表，虽然可以比较好地评判诸如加性高斯白噪声(Additive Gaussian White Noise,AWGN)和高频噪声(High Frequency Noise)等噪声污染图像，但是它们也有以下两方面缺陷：第一，全参考算法需要利用无失真图像信息，而实际应用中，无失真图像很难获取，所以该类算法比较难实际应用；第二，PSNR和MSE无法很好评价严重噪声带来的结构失真，只能评价图像像素值的失真。

因此，很多国内外学者进行了噪声图像质量评价的无参考研究，提出了很多算法，这些算法也可以分为两类：一类是通用无参考评价模型，可以评判噪声、模糊、压缩、丢包等失真类型；另一类是噪声图像特定的无参考评价模型。由于需要同时对多种失真类型建模或要求所建模型同时对多种失真类型适用，通用无参考评价算法往往所用模型比较复杂或者模型对某些失真类型特性无法很好建模描述，出现评价效果不好的情况。对于现有的噪声特定无参考评价算法，该类算法设计思路通常是估算噪声方差大小，方差越大，噪声越大，图像质量越差。因此，特定评价算法要求模型对噪声特性的表述要很准确，同时方差估算过程也要求误差很小。然而，目前所提的基于DCT(Discrete Cosine Transform)和RUT(Random Unitary Transform)变换的评价方法，由于DCT和RUT不能很好表征图像变化比较大或奇异的内容，而大部分图像噪声都出现在图像变化大或奇异的高频区域，因此，这两种算法对图像所受噪声污染程度的区分度不好，导致估算得到的噪声方差不准确，影响评价准确性。

因此，对图像中噪声的准确建模和特征提取是噪声图像质量评估的核心任务。而且，在图像不同处理过程中受到的噪声类型也不同，除了大部分现有算法研究的加性高斯白噪声外，还包括加性高斯颜色噪声、脉冲噪声、掩膜噪声和高频噪声等。所以，研究一种对上述不同噪声同时适用的有效特征建模方法非常有意义，同时也是一个难题。

发明内容

有鉴于此，本发明提供了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，能够很好解决现有算法对噪声大小区分度小、无法对多种不同类型噪声图像评判的问题，有效实现对图像的无参考质量评价。

本发明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，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。

进一步地，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。

进一步地，采用Daubechies D8小波进行小波分解。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，步骤2中，所述分布峰态值计算方法如下：