[发明专利]图像质量评价方法、装置、电子设备及可读存储介质

说明书

本申请涉及图像处理领域，具体提供了一种图像质量评价方法、装置、电子设备及可读存储介质，该图像质量评价方法通过对待处理图像进行小波分解，得到多个子带图像，接着计算各所述子带图像的小波对数熵，并对所述小波对数熵进行归一化处理。利用预先建立的图像质量预测模型，对各所述子带图像进行图像特征提取，以获得各所述子带图像对应的质量预测值。最后，将各所述子带图像归一化处理后的小波对数熵作为累加权重以对多个子带图像的质量预测值进行累加处理，获得所述待处理图像的质量评价值。如此，利用了小波对数熵能较好地描述图像的突变区域的特点及小波变换的多尺度分析特性，提高了图像质量评价的有效性和稳健性。

技术领域

本申请涉及图像处理领域，具体而言，涉及一种图像质量评价方法、装置、电子设备及可读存储介质。

背景技术

图像质量评价在图像压缩、图像复原及视频处理等领域有着广泛的应用。已有的图像质量评价方法主要包括主观评价方法和客观评价方法。其中，主观评价方法根据人们自身的相关经验对图像质量直接评估或打分，常用的评分等级有优秀、良好、中等、较差、很差等。由此可以看出主观评价方法简单，准确性较高。但是主观评价方法需要依赖人们的主观经验，人工成本较高，在实际应用中难以推广，尤其是在实时处理方面的应用也非常受限。

客观评价方法的性能虽然不如主观评价方法，但是通过建立图像的失真评价模型可以对图像质量自动评价，节省了人工成本，而且客观评价方法具有较强的实时性能。因此，客观评价方法成了近年来图像质量评价领域中的热点研究课题。一般来说，客观评价方法包括全参考(Full Reference,FR)、部分参考(Reduced Reference,RR)以及无参考(NoReference,NR)三种类型。

近年来，深度神经网络(deep neural network,DNN)在图像处理领域得到了空前的发展，尤其是卷积神经网络(convolutional neural network,CNN)技术，在图像识别、目标检测及图像复原等领域取得了优于传统客观评价方法的效果。但是其图像质量评价的有效性及稳健性有待提高。

发明内容

本申请提供了一种图像质量评价方法、装置、电子设备和可读存储介质，以提高图像质量评价的有效性及稳健性。

本申请的实施例可以这样实现：

第一方面，本申请实施例提供一种图像质量评价方法，所述方法包括:

获取待处理图像，对所述待处理图像进行小波分解，得到多个子带图像；

计算各所述子带图像的小波对数熵，并对所述小波对数熵进行归一化处理；

利用预先建立的图像质量预测模型，对各所述子带图像进行图像特征提取，以获得各所述子带图像对应的质量预测值；

将各所述子带图像归一化处理后的小波对数熵作为累加权重以对多个子带图像的质量预测值进行累加处理，获得所述待处理图像的质量评价值。

进一步地，所述计算各所述子带图像的小波对数熵，并对所述小波对数熵进行归一化处理的步骤包括：

将每个所述子带图像划分为多个第一图像子块，根据各所述第一图像子块的小波系数，按以下公式计算各所述第一图像子块的小波对数熵：

其中，W_(a，i)为第i个所述第一图像子块中第a个小波系数，N_w为第i个所述第一图像子块包含的小波系数的数量；

根据各所述第一图像子块的小波对数熵及第一图像子块的总数，按以下公式计算对所述小波对数熵进行归一化处理：