[发明专利]一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法

说明书

本发明公开了一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法，包括对基于视觉多通道的显著梯度特征进行更深一层的信息处理，通过设计视觉多通道梯度‑直方图和视觉多通道梯度‑奇异值互补评价算法来挖掘多重视觉梯度信息进行失真图像质量的深度评价，并对各重评价结果进行了深度融合处理。首先，通过构建BP神经网络视觉多通道图像质量融合评价模型对各重视觉信息的多通道评价结果分别进行了初次融合，然后，设计回归算法对各重视觉特征的初次融合评价从内层到外层逐层地进行了深度融合，最终获得失真图像质量的多重视觉特征深度融合处理评价结果。该方法解决了现有评价方法评价不稳定问题和缺乏主观性问题。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法。

背景技术

图像作为一种广泛应用的信号，其在信息获取、传递和处理等各个领域均具有举足轻重的地位。当前，随着云计算能力的提升和人工智能研究的兴起，基于图像终端处理平台的各种应用业务获得了前所未有的发展，然而，图像信号易受污染，因此，图像质量评价的研究意义重大。图像质量评价研究领域中，客观方法以自动连续的高效工作方式而成为了该领域的研究热点，其中，全参考图像质量评价的研究意义尤其重要。

传统经典评价算法如均方根误差RMSE、信噪比SNR以及峰值信噪比PSNR等评价结果和人眼主观测试差距较大。仿生学评价算法如Dalay算法，Safranek-Johnson算法，离散余弦变换算法以及Watson小波变换算法等建模复杂，速度慢，且有许多系统性缺陷制约导致建模效率较低。近些年出现的一些工程学评价方法及其改进算法，例如结构相似度SSIM方法，信息保真度IFC方法，奇异值分解SVD方法等，但这些方法的评价标准不相同，使得其评价结果数据没有可比性，例如，SSIM取值范围在{0，1}之间且取值越大说明图像质量越高，而IFC和SVD的取值范围则不受限，SVD越大说明图像质量越低，而IFC越大则说明图像质量越高；另外，实验证明，反映这些方法性能的一些重要评价指标水平尚有待提高，例如斯皮尔曼等级排序相关系数SROCC、均方根误差RMSE和皮尔逊相关系数PLCC等。

最近几年，将视觉系统特性融入图像质量评价成为了研究热点，例如，显著失真MAD，特征相似度FSIM，视觉显著VSI等，但这些方法存在两个问题，一个问题是图像特征处理算法缺乏视觉特性的理论依据，这使得其评价性能不稳定；另外一个更突出的问题是人眼的主观视觉多通道特性，对于不同的客观评价算法，具有不同的主、客观映射关系，例如，对于各视觉通道的频率敏感特性，上述方法均采用了统一的对比度敏感函数，降低了各种客观评价方法的性能。内在推导机制(Internal Generative Mechanism，IGM)则基于大脑的自由能量场理论，通过信息感知最大化算法评价图像质量，但其信息处理算法过于单一，难以揭示视觉大脑的工作机制，并且也缺乏有力的实验结果证实。

发明内容

本发明的目的是提供一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法，以解决现有评价方法评价不稳定问题和缺乏主观性问题。

为实现上述发明目的，本发明提供以下技术方案：

一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法，包括：

步骤1，选取一个图像质量数据库，对其中包含的参考图像和失真图像进行预处理得到相应的图像灰度矩阵；

步骤2，将失真图像分为训练集和测试集，并计算测试集中所有失真图像灰度矩阵的梯度特征评价结果；

步骤3，提取所有参考图像灰度矩阵和失真图像灰度矩阵的视觉多通道梯度特征信息视图，并计算所有失真图像灰度矩阵的视觉通道梯度特征评价；

步骤4，设计视觉多通道梯度特征-直方图误差深度信息处理评价算法，并计算所有失真图像质量的视觉多通道梯度-直方图深度信息评价；