[发明专利]一种无参考混合失真图像质量评价方法

摘要

本发明涉及一种无参考混合失真图像质量评价方法，包括：对图像I进行三级双树复小波变换。利用第一尺度下6个方向子带的幅值信息求权重值来反映图像的对比度信息。利用旋转不变LBP算子对第一尺度下6个方向的小波系数信息与低频子带信息进行统计。对第一级分解尺度下6个方向小波系数幅值分别求取其能量和能量偏差，将第一分解尺度下六个方向的小波系数统计特征，低频子带幅值信息统计特征和能量与能量偏差统计特征进行组合，得到最终特征向量；利用上述步骤提取图像特征，运用SVM网络对训练图像的特征以及与其对应的主观分数进行训练，得到特征到主观质量分数的映射关系模型。利用此关系模型对测试图像的质量进行预测。

主权项

1.一种无参考混合失真图像质量评价方法，包括下列步骤：/n第一步，对图像I进行三级双树复小波变换，变换后，每个尺度下有6个方向子带，记为W_l,n(i,j)，l＝1,2,3表示分解尺度，n＝1,2,3,4,5,6为方向数，M,N表示图像尺寸大小；/n第二步，利用第一尺度下6个方向子带的幅值信息求权重值来反映图像的对比度信息；/n第一分解尺度下6个方向子带图像的小波系数均为复数为：/nW_1,n(i,j)＝a_1,n(i,j)+jb_1,n(i,j)/n其中W_1,n(i,j)表示子带图像的小波复系数，a_1,n(i,j)为小波复系数的实部，b_1,n(i,j)为虚部，将6个方向的小波复系数实部与虚部分别相加，得到：/n /n /nW^real与W^imag分别为小波复系数实部求和结果与虚部求和结果；/n最终的权重值为：/n /nweight即为得到的最终权重图；/n第三步，利用旋转不变LBP算子对第一尺度下6个方向的小波系数信息与低频子带信息进行统计；/n首先得到每个方向下小波复系数的幅值信息，如下：/n /n 即为得到的每个方向子带图像的幅值图；/n进行三级分解后得到的低频子带的幅值信息如下：/n /n其中W_LL为分解后得到的低频子带，为求得的低频子带幅值图，/n考虑第二步中求得的权重值，由LBP算子对6个方向小波系数进行统计的特征如下：/n /n /n其中即为利用LBP算子分别对6个方向小波系数进行统计得到的特征向量，LBP_P,R为利用LBP算子得到的特征统计图，P为选取的领域像素点的个数，R为半径，为待统计图中像素点的个数，t表示待统计图像的第t个像素点，weight_t为待统计图所对应的权值图中第t个像素点的权重值，LBP_P,R有2^P种不同的二进制模式，m即为LBP算子产生的不同模式；/n利用旋转不变LBP算子对低频子带幅值特征进行统计，但在对LBP编码图进行直方图统计时不考虑权值信息，如下：/n /n其中即为利用LBP算子对低频子带幅值信息进行统计得到的特征向量，为待统计图中像素点的个数；/n第四步，对第一级分解尺度下6个方向小波系数幅值分别求取其能量和能量偏差分别为μ_1,n和σ_1,n，由能量与能量偏差组成的特征向量为：/nf_μσ＝{μ_1,1,σ_1,1,μ_1,2,σ_1,2,...,μ_1,6,σ_1,6}/n将第一分解尺度下六个方向的小波系数统计特征，低频子带幅值信息统计特征和能量与能量偏差统计特征进行组合，得到最终特征向量为：/n /n第五步，利用上述步骤提取图像特征，运用SVM网络对训练图像的特征以及与其对应的主观分数进行训练，得到特征到主观质量分数的映射关系模型,利用此关系模型对测试图像的质量进行预测。/n