本發(fā)明屬于混合失真圖像質(zhì)量評(píng)價(jià)技術(shù)領(lǐng)域，涉及一種無(wú)參考混合失真圖像質(zhì)量評(píng)價(jià)方法。

背景技術(shù)：

圖像質(zhì)量評(píng)價(jià)是圖像處理領(lǐng)域至關(guān)重要的關(guān)鍵技術(shù)和熱門研究點(diǎn)，圖像在存儲(chǔ)、壓縮、編碼等過程中無(wú)可避免地會(huì)造成質(zhì)量的損壞。圖像質(zhì)量評(píng)價(jià)和圖像質(zhì)量改善在人們生產(chǎn)生活中有著廣泛的應(yīng)用。如在安防領(lǐng)域，全天候視頻監(jiān)控系統(tǒng)采集的原始圖像質(zhì)量的準(zhǔn)確性和可靠性受到氣候、設(shè)備或者其他人為因素等嚴(yán)重的影響。

圖像質(zhì)量評(píng)價(jià)主要分為全參考圖像質(zhì)量評(píng)價(jià)(Full Reference Assessment)、半?yún)⒖紙D像質(zhì)量評(píng)價(jià)(Reduced Reference Assessment)和無(wú)參考圖像質(zhì)量評(píng)價(jià)(No Reference Assessment)。現(xiàn)實(shí)生活中，由于往往得不到參考圖像的信息，所以對(duì)于無(wú)參考圖像質(zhì)量的評(píng)價(jià)更為符合實(shí)際情況。在無(wú)參考圖像質(zhì)量評(píng)價(jià)體系中，目前研究最為普遍的是對(duì)單一失真圖像的評(píng)價(jià)，即失真圖像只受某一種失真類型的干擾，形成了諸如基于自然場(chǎng)景統(tǒng)計(jì)、基于支持向量機(jī)和基于神經(jīng)網(wǎng)絡(luò)等較為高效的方法。但圖像除了受某種失真類型的影響外，更多是同時(shí)受多種失真類型混合干擾的影響，目前針對(duì)混合失真圖像質(zhì)量評(píng)價(jià)的研究相對(duì)較少，大多方法都從整體對(duì)圖像進(jìn)行評(píng)價(jià)，而未從每種具體失真類型特點(diǎn)出發(fā)，因此難形成一種有效且客觀的質(zhì)量評(píng)價(jià)模型和體系。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種無(wú)參考混合失真圖像質(zhì)量評(píng)價(jià)方法，該方法能夠解決對(duì)混合失真圖像失真類型判定不準(zhǔn)確，質(zhì)量評(píng)價(jià)準(zhǔn)確性不高等問題。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種無(wú)參考混合失真圖像質(zhì)量評(píng)價(jià)方法，該方法包括以下步驟：

S1：提取噪聲底層特征，對(duì)失真圖像總體噪聲水平進(jìn)行估計(jì)，利用獨(dú)立分量分析(ICA)對(duì)混合失真圖像進(jìn)行噪聲和失真圖像的分離，并判定噪聲程度；

S2：分別提取常見單一失真圖像底層特征，利用SVC建立失真分類器，同時(shí)建立常見噪聲類型的分類器；

S3：對(duì)分離出噪聲的失真圖像和噪聲進(jìn)行常見失真的底層特征提取，并通過失真分類器判斷存在的失真類型，利用噪聲分類器判斷分離出的噪聲類型；

S4：對(duì)存在的失真類型，使用每種失真的底層特征進(jìn)行非線性加權(quán)組合作為總的混合失真圖像的質(zhì)量特征；

S5：對(duì)混合失真特征使用SVM進(jìn)行訓(xùn)練、測(cè)試得出質(zhì)量分?jǐn)?shù)Q；

S6：設(shè)定質(zhì)量閾值分?jǐn)?shù)并進(jìn)行自適應(yīng)判斷，若圖像質(zhì)量分?jǐn)?shù)低于閾值，利用現(xiàn)有單一失真圖像復(fù)原算法，逐一地復(fù)原圖像，在復(fù)原過程中，運(yùn)用解耦模型解除失真間的耦合關(guān)系，并對(duì)復(fù)原后圖像，進(jìn)行質(zhì)量再評(píng)價(jià)。

進(jìn)一步，在步驟S1中，利用ICA獨(dú)立分量分析法對(duì)輸入的失真圖像進(jìn)行噪聲的分離，ICA算法思想為：

X(t)＝AS(t)+N(t) (1)

其中，t為離散時(shí)刻，A為混合矩陣，X為觀測(cè)信號(hào)，在本發(fā)明中為混合失真圖像，S為未知的原信號(hào)，即待獲得的去噪后圖像，N為噪聲信號(hào)。

進(jìn)一步，在步驟S3中，對(duì)分離出來(lái)的失真圖像，提取常用的單一失真底層特征，如對(duì)于JPEG2000利用自然場(chǎng)景圖像在不同尺度下的小波系數(shù)的衰減規(guī)律，提取相應(yīng)指標(biāo)。得到所有常見失真的底層特征集，并根據(jù)訓(xùn)練好的分類器，輸入提取的特征，根據(jù)特征匹配的精確度判定其失真的存在及其失真類型；其中，對(duì)于分離出來(lái)的噪聲進(jìn)行噪聲度量：

式中∑_y表示圖像塊的方差矩陣，λ_min(∑)表示矩陣的最小特征值。

進(jìn)一步，在步驟S5中，采用帶權(quán)重的Minkowski和度量方法得到總的客觀評(píng)價(jià)指標(biāo)：

quality＝(a·block^q+b·ring^q+c·blur^q+......+n·noise^q)^1/q (3)

其中，quality為圖像總的客觀評(píng)價(jià)分?jǐn)?shù)，block、ring、blur、noise等代表塊效應(yīng)、振鈴效應(yīng)、模糊、噪聲等失真的特征度量值，a、b、c等代表對(duì)于特征度量值的權(quán)重，q為歸一化參數(shù)，使得到的評(píng)價(jià)值與DMOS主觀分?jǐn)?shù)具有相同范圍。

本發(fā)明的有益效果在于：本發(fā)明提供了一種無(wú)參考混合失真圖像質(zhì)量評(píng)價(jià)的方法，從圖像失真類型本身出發(fā)，利用圖像底層特征對(duì)失真進(jìn)行分類，結(jié)合解耦和獨(dú)立分量分析的思想，提出一種針對(duì)混合失真圖像質(zhì)量評(píng)價(jià)的模型體系。

附圖說明

為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚，本發(fā)明提供如下附圖進(jìn)行說明：

圖1為本發(fā)明所述方法的流程示意圖；

圖2為本發(fā)明所述圖像質(zhì)量獲得流程框圖。

具體實(shí)施方式

下面將結(jié)合附圖，對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)的描述。

本發(fā)明主要分為三部分，第一部分為待評(píng)價(jià)圖像所含失真類型的分類；第二部分為混合失真圖像質(zhì)量評(píng)價(jià)特征的提取和構(gòu)造，得出圖像質(zhì)量分?jǐn)?shù)；第三部分為在圖像復(fù)原過程中引入解耦模型，消除失真之間的相互耦合影響。

圖1為本發(fā)明所述方法的流程示意圖，如圖所示，具體包括以下步驟：

1、失真類型判定

1)對(duì)常見圖像失真類型分別提取底層質(zhì)量特征，運(yùn)用SVC構(gòu)建先驗(yàn)的失真分類器，供后續(xù)步驟使用；

2)利用ICA獨(dú)立分量分析法對(duì)輸入的失真圖像進(jìn)行噪聲的分離，ICA算法思想為：

X(t)＝AS(t)+N(t) (1)其中，t為離散時(shí)刻，A為混合矩陣，X為觀測(cè)信號(hào)，在本發(fā)明中為混合失真圖像，S為未知的原信號(hào)，即待獲得的去噪后圖像，N為噪聲信號(hào)。

3)對(duì)分離出來(lái)的失真圖像，提取常用的單一失真底層特征，如對(duì)于JPEG2000利用自然場(chǎng)景圖像在不同尺度下的小波系數(shù)的衰減規(guī)律，提取相應(yīng)指標(biāo)。得到所有常見失真的底層特征集，并根據(jù)1)中訓(xùn)練好的分類器，輸入提取的特征，根據(jù)特征匹配的精確度判定其失真的存在及其失真類型。其中，對(duì)于分離出來(lái)的噪聲進(jìn)行噪聲度量：

式中Σ_y表示圖像塊的方差矩陣，λ_min(Σ)表示矩陣的最小特征值。

2、質(zhì)量分?jǐn)?shù)的構(gòu)造

在本實(shí)施例中，采用帶權(quán)重的Minkowski和度量方法得到總的客觀評(píng)價(jià)指標(biāo)：

quality＝(a·block^q+b·ring^q+c·blur^q+......+n·noise^q)^1/q (3)

其中，quality為圖像總的客觀評(píng)價(jià)分?jǐn)?shù)，block、ring、blur、noise等代表塊效應(yīng)、振鈴效應(yīng)、模糊、噪聲等失真的特征度量值，a、b、c等代表對(duì)于特征度量值的權(quán)重，q為歸一化參數(shù)，是得到的評(píng)價(jià)值與DMOS主觀分?jǐn)?shù)具有相同范圍。圖2為本發(fā)明所述圖像質(zhì)量獲得流程框圖。

3、圖像復(fù)原過程的優(yōu)化

圖像評(píng)價(jià)不是一個(gè)孤立的研究?jī)?nèi)容，評(píng)價(jià)是為了給后續(xù)的圖像處理做鋪墊，是整個(gè)圖像處理過程中的一環(huán)，因此本發(fā)明提出質(zhì)量達(dá)標(biāo)閾值，當(dāng)圖像質(zhì)量的低于閾值時(shí)，視為不合格，進(jìn)行圖像質(zhì)量復(fù)原。目前，針對(duì)各種失真的圖像復(fù)原算法已有諸多研究，也取得了較有效的效果，但是由于是混合失真圖像，在進(jìn)行單一失真復(fù)原的過程中難免可能對(duì)其他失真造成影響，因此本發(fā)明引入解耦模型，解除各失真之間的耦合關(guān)系，以免復(fù)原過程中造成不必要的影響，在本實(shí)施例中，解耦模型目前只針對(duì)兩種混合失真的處理，但基本原理相同，具有客觀的理論價(jià)值。主要的步驟包括：(1)失真類型的確定；(2)引入失真檢測(cè)方法表征失真信號(hào)；(3)利用非線性擬合的方式找出不同輸入與輸出之間關(guān)系；(4)建立系統(tǒng)模型并求得解耦模型。

解耦模型所涉及的公式為：

其中，y₁(s)為輸出信號(hào)，x₁(s)為控制信號(hào)，G₁₁(s)x₁(s)與之對(duì)應(yīng)的匹配信號(hào)，D₂₁(s)G₁₂(s)x₁(s)為自耦合信號(hào)，x₂(s)為控制信號(hào)，G₁₂(s)x₂(s)是干擾信號(hào)，D₁₂(s)G₂₁(s)x₂(s)為解耦信號(hào)。當(dāng)耦合信號(hào)與解耦信號(hào)互相抵消，則解除了控制信號(hào)x₁(s)對(duì)控制信號(hào)x₂(s)的耦合。

其中，完全解耦條件為：

因此，根據(jù)式(5)可將式(4)簡(jiǎn)化為如下形式：

利用上述解耦模型可解除失真之間的相互影響，可保證復(fù)原算法的有效進(jìn)行。當(dāng)圖像復(fù)原完成，再次對(duì)其進(jìn)行評(píng)價(jià)。

圖2為本發(fā)明中圖像質(zhì)量獲得流程說明圖，如圖所示，具體步驟包括：

1)訓(xùn)練-測(cè)試模型

對(duì)圖像庫(kù)進(jìn)行相應(yīng)失真類型的特征提取，所選取特征進(jìn)行組合得到最終所需質(zhì)量特征，結(jié)合圖像的人眼主觀質(zhì)量評(píng)價(jià)分?jǐn)?shù)，隨機(jī)選用部分圖像(比例可調(diào)節(jié))利用支持向量機(jī)對(duì)特征進(jìn)行訓(xùn)練，其余圖像特征用于測(cè)試，得到評(píng)價(jià)模型；

2)客觀分?jǐn)?shù)輸出

根據(jù)訓(xùn)練得到的成熟模型對(duì)輸入圖像質(zhì)量進(jìn)行判定，輸出圖像客觀質(zhì)量分?jǐn)?shù)。

最后說明的是，以上優(yōu)選實(shí)施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管通過上述優(yōu)選實(shí)施例已經(jīng)對(duì)本發(fā)明進(jìn)行了詳細(xì)的描述，但本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，可以在形式上和細(xì)節(jié)上對(duì)其做出各種各樣的改變，而不偏離本發(fā)明權(quán)利要求書所限定的范圍。