[发明专利]一种基于视觉测量率自适应融合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测量率自适应融合的全参考图像质量客观评价方法，包括：首先，通过设计视觉多通道自适应调节的测量率来构造各个视觉通道的随机压缩测量矩阵，实现对图像的各个视觉通道信息视图进行稀疏投影变换；然后，再对各个视觉通道的投影系数矩阵进行质量评价，并通过构建BP神经网络来实现对各个视觉通道评价结果的初次融合；最后，基于回归函数实现视觉多通道测量率融合评价和视觉多通道相似度融合评价的二次互补融合。这样使得各项评价指标都维持了最高水平，大多数情况下具有较大的优势，并且具有更好的稳定性。

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测量率自适应融合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测量试差距较大。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。

近些年来，随着神经网络研究的深入，其已经在信号处理、模式识别等多个人工智能领域取得了非凡的成就。其中，反向传播(Back Propagation，BP)神经网络技术尤其在图像处理领域获得了重要的应用，理论上，一个三层以上的BP神经网能够以任意精度逼近一个非线性函数，并且对外界激励具有自适应学习的能力，从而具备了非常强大的分类识别能力。

发明内容

本发明的目的是提供一种基于视觉测量率自适应融合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：

一种基于视觉测量率自适应融合的全参考图像质量客观评价方法，其特征在于，包括：

步骤1，选取一个图像质量数据库，对该图像质量数据库中所有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，并将图像灰度矩阵分为训练集和测试集；

步骤2，基于小波变换提取所有图像灰度矩阵的视觉多通道信息视图；