[发明专利]一种特征字典映射的图像盲评价方法和装置

说明书

本发明公开了一种特征字典映射的图像盲评价方法，该图像盲评价方法包括：S1：根据LIVE图像数据库，提取训练图像的特征；S2：根据训练图像提取的特征，获得图像的质量等级模型字典；S3：根据质量等级模型字典，评价任意待评价图像的质量。本发明还公开了一种特征字典映射的图像盲评价装置，该图像盲评价装置包括：特征提取模块、学习训练模块和质量评价模块。本发明较现有的其它图像盲评价方法具有更高的准确度和鲁棒性。

技术领域

本发明涉及图像质量评价技术领域，特别涉及一种特征字典映射的图像盲评价方法和装置。

背景技术

数字影像技术的发展拉近了人与自然的距离。但是由于各种各样的失真，比如图像退化和畸变，可能会让图像丢失有用的信息，因此如何正确评价失真图像的质量成为当前的迫切需要。理论上，人类视觉系统(HVS)是最有效和最直接评价图像质量的方式，但是其收集大量人类打分数据的过程却极其耗时和复杂。

学界对图像质量评价的研究已经有较长时间。一般情况下，可以通过直接计算失真图像及其对应原始清晰图像之间的差距来衡量图像质量。但是在很多情况下，往往只有失真后的图像，并没有该失真图像失真前的清晰图像做参考。出现这种问题影响了图像质量评价的进程，继而可能会给后续分析带来麻烦，因此怎样设计出一个不需要失真前清晰图像的盲图像质量评价系统，是该系统要解决的主要问题。

发明内容

本发明实施例提供了一种特征字典映射的图像盲评价方法和装置，较现有的其它算法具有更高的准确度和鲁棒性。

第一方面，本发明实施例提供了一种特征字典映射的图像盲评价方法，该图像盲评价方法包括：

S1：根据LIVE图像数据库，提取训练图像的特征；

S2：根据训练图像提取的特征，获得图像的质量等级模型字典；

S3：根据质量等级模型字典，评价任意待评价图像的质量。

优选地，步骤S1的具体过程包括：

S11：对训练图像进行高斯滤波，得到训练滤波图像；所述训练图像为LIVE图像数据库中具有人类打分数据的图像；

S12：将训练滤波图像分割成互相重叠的图像块；

S13：从各训练滤波图像块中提取局部特征；

S14：从各训练滤波图像块中提取全局特征；

S15：由所述全局特征和所述局部特征共同组成该图像块的特征向量。

优选地，步骤S12中采用显著性准则和梯度幅值准则提取局部特征；

所述显著性准则为：

S(x,y)＝‖I_μ-I_ωhc(x,y)‖

其中，(x,y)为二维图像中的横纵坐标点；S(x,y)为(x,y)点的显著性；I_μ是图像块局部特征的均值；I_ωhc(x,y)为训练图像进行高斯模糊后(x,y)点的像素值；||*||是L2范数；

所述梯度幅值准则为：

其中，G_x为训练图像相应像素位置的水平梯度；G_y为训练图像相应像素位置的垂直梯度。

优选地，步骤S14中采用无参考图像质量评价BRISQUE模型提取图像块所有像素值的峭度值S和峰度值K的统计特性作为全局特征；

所述的峭度值S为：

所述的峰度值K为：