本發(fā)明涉及一種圖像質(zhì)量評(píng)價(jià)方法，尤其是涉及一種基于梯度自相似度的無(wú)參考圖像客觀(guān)質(zhì)量評(píng)價(jià)方法。

背景技術(shù)：

圖像是人類(lèi)獲取信息的重要途徑，圖像質(zhì)量表示圖像向人或設(shè)備提供信息的能力，直接關(guān)系著所獲取信息的充分性與準(zhǔn)確性。然而，圖像在獲取、處理、傳輸和存儲(chǔ)的過(guò)程中，由于各種因素影響，因此將不可避免的產(chǎn)生降質(zhì)問(wèn)題，這給信息的獲取或圖像的后期處理帶來(lái)了極大困難。因此，建立有效的圖像質(zhì)量評(píng)價(jià)機(jī)制非常重要，如在圖像去噪、圖像融合等處理過(guò)程中可用于各種算法的性能比較、參數(shù)選擇；在圖像編碼與通信領(lǐng)域可用于指導(dǎo)整個(gè)圖像的傳輸過(guò)程并評(píng)估系統(tǒng)性能。

圖像質(zhì)量評(píng)價(jià)方法可以分為兩類(lèi)：主觀(guān)評(píng)價(jià)方法和客觀(guān)評(píng)價(jià)方法。前者是由觀(guān)察者對(duì)圖像質(zhì)量進(jìn)行評(píng)分，得到平均評(píng)價(jià)分用以衡量圖像質(zhì)量；后者是利用數(shù)學(xué)模型計(jì)算圖像質(zhì)量。主觀(guān)評(píng)價(jià)方法的實(shí)驗(yàn)結(jié)果比較可靠，但費(fèi)時(shí)費(fèi)力?？陀^(guān)評(píng)價(jià)方法又可分為三類(lèi)：全參考圖像質(zhì)量評(píng)價(jià)方法、半?yún)⒖紙D像質(zhì)量評(píng)價(jià)方法和無(wú)參考圖像質(zhì)量評(píng)價(jià)方法，當(dāng)前研究最多的是全參考圖像質(zhì)量評(píng)價(jià)方法，但是多數(shù)應(yīng)用中無(wú)法獲得相應(yīng)的原始圖像，因此，無(wú)參考圖像質(zhì)量評(píng)價(jià)方法的研究更具實(shí)用價(jià)值。

無(wú)參考圖像質(zhì)量評(píng)價(jià)方法可分為特定失真評(píng)價(jià)方法和通用評(píng)價(jià)方法兩種，特定失真評(píng)價(jià)方法只能對(duì)某種特定失真類(lèi)型的圖像進(jìn)行評(píng)價(jià)，例如jpeg、jpeg2k及gblur失真等，無(wú)法對(duì)其它失真類(lèi)型的圖像及多種處理技術(shù)處理后的圖像進(jìn)行質(zhì)量評(píng)價(jià)；通用評(píng)價(jià)方法可以同時(shí)對(duì)多種失真類(lèi)型的圖像進(jìn)行評(píng)價(jià)。

然而，現(xiàn)有的通用無(wú)參考圖像質(zhì)量評(píng)價(jià)方法并沒(méi)有充分考慮結(jié)構(gòu)失真對(duì)視覺(jué)質(zhì)量的影響，因此，如何在評(píng)價(jià)過(guò)程中有效地提取視覺(jué)結(jié)構(gòu)特征信息，在評(píng)價(jià)過(guò)程中與人眼視覺(jué)特性結(jié)合，通過(guò)梯度自相似度特征提取和機(jī)器學(xué)習(xí)等方法，使得客觀(guān)評(píng)價(jià)結(jié)果更加符合人類(lèi)視覺(jué)感知系統(tǒng)，是圖像進(jìn)行客觀(guān)質(zhì)量評(píng)價(jià)過(guò)程中需要研究解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于梯度自相似度的無(wú)參考圖像客觀(guān)質(zhì)量評(píng)價(jià)方法，其能夠充分考慮到圖像梯度自相似度改變對(duì)視覺(jué)質(zhì)量的影響，從而能夠有效地提高客觀(guān)評(píng)價(jià)結(jié)果與主觀(guān)感知之間的相關(guān)性。

本發(fā)明解決上述技術(shù)問(wèn)題所采用的技術(shù)方案為：一種基于梯度自相似度的無(wú)參考圖像客觀(guān)質(zhì)量評(píng)價(jià)方法，其特征在于包括以下步驟：

①令{id(x,y)}表示待評(píng)價(jià)的失真圖像，其中，1≤x≤w,1≤y≤h，w表示{id(x,y)}的寬度，h表示{id(x,y)}的高度，id(x,y)表示{id(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值；

②對(duì){id(x,y)}實(shí)施梯度濾波，得到{id(x,y)}的梯度信息的幅值圖像，記為{md(x,y)}，其中，md(x,y)表示{md(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值；

③對(duì){md(x,y)}進(jìn)行四個(gè)方向的濾波處理，得到{md(x,y)}的水平方向信息圖像、垂直方向信息圖像、主對(duì)角線(xiàn)方向信息圖像和副對(duì)角線(xiàn)方向信息圖像，對(duì)應(yīng)記為{hd(x,y)}、{vd(x,y)}、{dd(x,y)}和其中，hd(x,y)表示{hd(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，vd(x,y)表示{vd(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，dd(x,y)表示{dd(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，表示中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值；

④計(jì)算{md(x,y)}與{hd(x,y)}之間的自相似度圖像，記為{hd,sim(x,y)}；同樣，計(jì)算{md(x,y)}與{vd(x,y)}之間的自相似度圖像，記為{vd,sim(x,y)}；計(jì)算{md(x,y)}與{dd(x,y)}之間的自相似度圖像，記為{dd,sim(x,y)}；計(jì)算{md(x,y)}與之間的自相似度圖像，記為其中，hd,sim(x,y)表示{hd,sim(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，vd,sim(x,y)表示{vd,sim(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，dd,sim(x,y)表示{dd,sim(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，表示中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值；

⑤采用像素間特征提取方法中的局部二值化模式操作對(duì){hd,sim(x,y)}進(jìn)行處理，得到{hd,sim(x,y)}的像素間特征圖，記為{hd,sim,lbp(x,y)}；同樣，采用像素間特征提取方法中的局部二值化模式操作對(duì){vd,sim(x,y)}進(jìn)行處理，得到{vd,sim(x,y)}的像素間特征圖，記為{vd,sim,lbp(x,y)}；采用像素間特征提取方法中的局部二值化模式操作對(duì){dd,sim(x,y)}進(jìn)行處理，得到{dd,sim(x,y)}的像素間特征圖，記為{dd,sim,lbp(x,y)}；采用像素間特征提取方法中的局部二值化模式操作對(duì)進(jìn)行處理，得到的像素間特征圖，記為其中，hd,sim,lbp(x,y)表示{hd,sim,lbp(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，vd,sim,lbp(x,y)表示{vd,sim,lbp(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，dd,sim,lbp(x,y)表示{dd,sim,lbp(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，表示中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值；

并采用像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作對(duì){hd,sim(x,y)}進(jìn)行處理，得到{hd,sim(x,y)}的像素內(nèi)特征圖，記為{hd,sim,q(x,y)}；同樣，采用像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作對(duì){vd,sim(x,y)}進(jìn)行處理，得到{vd,sim(x,y)}的像素內(nèi)特征圖，記為{vd,sim,q(x,y)}；采用像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作對(duì){dd,sim(x,y)}進(jìn)行處理，得到{dd,sim(x,y)}的像素內(nèi)特征圖，記為{dd,sim,q(x,y)}；采用像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作對(duì)進(jìn)行處理，得到的像素內(nèi)特征圖，記為其中，hd,sim,q(x,y)表示{hd,sim,q(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，vd,sim,q(x,y)表示{vd,sim,q(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，dd,sim,q(x,y)表示{dd,sim,q(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，表示中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值；

⑥采用直方圖統(tǒng)計(jì)方法對(duì){hd,sim,lbp(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{hd,sim,lbp(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為hd,sim,lbp,hist；同樣，采用直方圖統(tǒng)計(jì)方法對(duì){vd,sim,lbp(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{vd,sim,lbp(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為vd,sim,lbp,hist；采用直方圖統(tǒng)計(jì)方法對(duì){dd,sim,lbp(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{dd,sim,lbp(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為dd,sim,lbp,hist；采用直方圖統(tǒng)計(jì)方法對(duì)進(jìn)行統(tǒng)計(jì)操作，得到的直方圖統(tǒng)計(jì)特征向量，記為其中，hd,sim,lbp,hist、vd,sim,lbp,hist、dd,sim,lbp,hist和的維數(shù)均為1×m'維，m'＝p+2，p表示步驟⑤中的像素間特征提取方法中的局部二值化模式操作中的鄰域參數(shù)；

采用直方圖統(tǒng)計(jì)方法對(duì){hd,sim,q(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{hd,sim,q(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為hd,sim,q,hist；同樣，采用直方圖統(tǒng)計(jì)方法對(duì){vd,sim,q(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{vd,sim,q(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為vd,sim,q,hist；采用直方圖統(tǒng)計(jì)方法對(duì){dd,sim,q(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{dd,sim,q(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為dd,sim,q,hist；采用直方圖統(tǒng)計(jì)方法對(duì)進(jìn)行統(tǒng)計(jì)操作，得到的直方圖統(tǒng)計(jì)特征向量，記為其中，hd,sim,q,hist、vd,sim,q,hist、dd,sim,q,hist和的維數(shù)均為1×n'維，符號(hào)為向上取整操作符號(hào)，max()為取最大值函數(shù)，δ表示步驟⑤中的像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作的步長(zhǎng)；

⑦采用n”幅原始的無(wú)失真圖像，建立其在不同失真類(lèi)型不同失真程度下的失真圖像集合，將該失真圖像集合作為訓(xùn)練集，訓(xùn)練集包括多幅失真圖像；然后利用主觀(guān)質(zhì)量評(píng)價(jià)方法評(píng)價(jià)出訓(xùn)練集中的每幅失真圖像的主觀(guān)評(píng)分值，將訓(xùn)練集中的第j幅失真圖像的主觀(guān)評(píng)分值記為dmosj；再按照步驟①至步驟⑥的操作，以相同的方式獲取訓(xùn)練集中的每幅失真圖像對(duì)應(yīng)的8個(gè)直方圖統(tǒng)計(jì)特征向量，將訓(xùn)練集中的第j幅失真圖像對(duì)應(yīng)的8個(gè)直方圖統(tǒng)計(jì)特征向量依次記為和其中，n”>1，1≤j≤n'，n'表示訓(xùn)練集中包含的失真圖像的總幅數(shù)，0≤dmosj≤100，和的維數(shù)均為1×m'維，和的維數(shù)均為1×n'維；

⑧利用支持向量回歸對(duì)訓(xùn)練集中的所有失真圖像各自的主觀(guān)評(píng)分值及對(duì)應(yīng)的8個(gè)直方圖統(tǒng)計(jì)特征向量進(jìn)行訓(xùn)練，使得經(jīng)過(guò)訓(xùn)練得到的回歸函數(shù)值與主觀(guān)評(píng)分值之間的誤差最小，擬合得到最優(yōu)的權(quán)值矢量w^opt和最優(yōu)的偏置項(xiàng)b^opt；接著利用w^opt和b^opt構(gòu)造得到支持向量回歸訓(xùn)練模型；再根據(jù)支持向量回歸訓(xùn)練模型，對(duì)hd,sim,lbp,hist、vd,sim,lbp,hist、dd,sim,lbp,hist、hd,sim,q,hist、vd,sim,q,hist、dd,sim,q,hist和進(jìn)行測(cè)試，預(yù)測(cè)得到{id(x,y)}的客觀(guān)質(zhì)量評(píng)價(jià)預(yù)測(cè)值，記為q，q＝f(x)，其中，q是x的函數(shù)，f()為函數(shù)表示形式，x為輸入變量，x表示hd,sim,lbp,hist、vd,sim,lbp,hist、dd,sim,lbp,hist、hd,sim,q,hist、vd,sim,q,hist、dd,sim,q,hist和(w^opt)^t為w^opt的轉(zhuǎn)置矢量，為x的線(xiàn)性函數(shù)。

所述的步驟②中采用以sobel算子作為梯度算子的梯度濾波器對(duì){id(x,y)}實(shí)施梯度濾波。

所述的步驟③中hd(x,y)＝md(x,y+1)，vd(x,y)＝md(x+1,y)，dd(x,y)＝md(x+1,y+1)，其中，若1<y+1≤h，則md(x,y+1)表示{md(x,y)}中坐標(biāo)位置為(x,y+1)的像素點(diǎn)的像素值，若y+1>h，則令md(x,y+1)＝md(x,h)，md(x,h)表示{md(x,y)}中坐標(biāo)位置為(x,h)的像素點(diǎn)的像素值；若1<x+1≤w，則md(x+1,y)表示{md(x,y)}中坐標(biāo)位置為(x+1,y)的像素點(diǎn)的像素值，若x+1>w，則令md(x+1,y)＝md(w,y)，md(w,y)表示{md(x,y)}中坐標(biāo)位置為(w,y)的像素點(diǎn)的像素值；若1<x+1≤w且1<y+1≤h，則md(x+1,y+1)表示{md(x,y)}中坐標(biāo)位置為(x+1,y+1)的像素點(diǎn)的像素值，若1<x+1≤w且y+1>h，則令md(x+1,y+1)＝md(x+1,h)，若x+1>w且1<y+1≤h，則令md(x+1,y+1)＝md(w,y+1)，若x+1>w且y+1>h，則令md(x+1,y+1)＝md(w,h)，md(x+1,h)、md(w,y+1)和md(w,h)對(duì)應(yīng)表示{md(x,y)}中坐標(biāo)位置為(x+1,h)、(w,y+1)和(w,h)的像素點(diǎn)的像素值；若1<x+1≤w且1≤y-1<h，則md(x+1,y-1)表示{md(x,y)}中坐標(biāo)位置為(x+1,y-1)的像素點(diǎn)的像素值，若1<x+1≤w且y-1<1，則令md(x+1,y-1)＝md(x+1,1)，若x+1>w且1≤y-1<h，則令md(x+1,y-1)＝md(w,y-1)，若x+1>w且y-1<1，則令md(x+1,y-1)＝md(w,1)，md(x+1,1)、md(w,y-1)和md(w,1)對(duì)應(yīng)表示{md(x,y)}中坐標(biāo)位置為(x+1,1)、(w,y-1)和(w,1)的像素點(diǎn)的像素值；上述，md(x,y+1)＝md(x,h)、md(x+1,y)＝md(w,y)、md(x+1,y+1)＝md(x+1,h)、md(x+1,y+1)＝md(w,y+1)、md(x+1,y+1)＝md(w,h)、md(x+1,y-1)＝md(x+1,1)、md(x+1,y-1)＝md(w,y-1)和md(x+1,y-1)＝md(w,1)中的“＝”為賦值符號(hào)。

所述的步驟④中其中，c為控制參數(shù)。

所述的步驟⑤中的像素間特征提取方法中的局部二值化模式操作中的鄰域參數(shù)p取值為8，且局部半徑參數(shù)r取值為1；所述的步驟⑤中的像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作的步長(zhǎng)δ取值為0.1。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：

1)本發(fā)明方法在充分利用了視覺(jué)感知特性的基礎(chǔ)上，采用計(jì)算梯度自相似度的方法獲取視覺(jué)感知特征，因此能有效地提高客觀(guān)評(píng)價(jià)結(jié)果與主觀(guān)感知之間的相關(guān)性。

2)本發(fā)明方法在提取特征時(shí)，采用了像素間特征提取方法和像素內(nèi)特征提取方法相結(jié)合，使得圖像特征更能反映圖像失真程度。

3)本發(fā)明方法采用機(jī)器學(xué)習(xí)的方法即支持向量回歸模擬視覺(jué)記憶檢索功能，能夠獲得更加準(zhǔn)確的失真圖像的客觀(guān)質(zhì)量評(píng)價(jià)預(yù)測(cè)值。

附圖說(shuō)明

圖1為本發(fā)明方法的總體實(shí)現(xiàn)框圖。

具體實(shí)施方式

以下結(jié)合附圖實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。

本發(fā)明提出的一種基于梯度自相似度的無(wú)參考圖像客觀(guān)質(zhì)量評(píng)價(jià)方法，其總體實(shí)現(xiàn)框圖如圖1所示，其包括以下步驟：

①令{id(x,y)}表示待評(píng)價(jià)的失真圖像，其中，1≤x≤w,1≤y≤h，w表示{id(x,y)}的寬度，h表示{id(x,y)}的高度，id(x,y)表示{id(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值。

②對(duì){id(x,y)}實(shí)施梯度濾波，得到{id(x,y)}的梯度信息的幅值圖像，記為{md(x,y)}，其中，md(x,y)表示{md(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值。

在本實(shí)施例中，步驟②中采用以sobel算子作為梯度算子的梯度濾波器對(duì){id(x,y)}實(shí)施梯度濾波。

③對(duì){md(x,y)}進(jìn)行四個(gè)方向的濾波處理，得到{md(x,y)}的水平方向信息圖像、垂直方向信息圖像、主對(duì)角線(xiàn)方向信息圖像和副對(duì)角線(xiàn)方向信息圖像，對(duì)應(yīng)記為{hd(x,y)}、{vd(x,y)}、{dd(x,y)}和其中，hd(x,y)表示{hd(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，vd(x,y)表示{vd(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，dd(x,y)表示{dd(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，表示中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值。

在本實(shí)施例中，步驟③中hd(x,y)＝md(x,y+1)，vd(x,y)＝md(x+1,y)，dd(x,y)＝md(x+1,y+1)，其中，若1<y+1≤h，則md(x,y+1)表示{md(x,y)}中坐標(biāo)位置為(x,y+1)的像素點(diǎn)的像素值，若y+1>h，則令md(x,y+1)＝md(x,h)，md(x,h)表示{md(x,y)}中坐標(biāo)位置為(x,h)的像素點(diǎn)的像素值；若1<x+1≤w，則md(x+1,y)表示{md(x,y)}中坐標(biāo)位置為(x+1,y)的像素點(diǎn)的像素值，若x+1>w，則令md(x+1,y)＝md(w,y)，md(w,y)表示{md(x,y)}中坐標(biāo)位置為(w,y)的像素點(diǎn)的像素值；若1<x+1≤w且1<y+1≤h，則md(x+1,y+1)表示{md(x,y)}中坐標(biāo)位置為(x+1,y+1)的像素點(diǎn)的像素值，若1<x+1≤w且y+1>h，則令md(x+1,y+1)＝md(x+1,h)，若x+1>w且1<y+1≤h，則令md(x+1,y+1)＝md(w,y+1)，若x+1>w且y+1>h，則令md(x+1,y+1)＝md(w,h)，md(x+1,h)、md(w,y+1)和md(w,h)對(duì)應(yīng)表示{md(x,y)}中坐標(biāo)位置為(x+1,h)、(w,y+1)和(w,h)的像素點(diǎn)的像素值；若1<x+1≤w且1≤y-1<h，則md(x+1,y-1)表示{md(x,y)}中坐標(biāo)位置為(x+1,y-1)的像素點(diǎn)的像素值，若1<x+1≤w且y-1<1，則令md(x+1,y-1)＝md(x+1,1)，若x+1>w且1≤y-1<h，則令md(x+1,y-1)＝md(w,y-1)，若x+1>w且y-1<1，則令md(x+1,y-1)＝md(w,1)，md(x+1,1)、md(w,y-1)和md(w,1)對(duì)應(yīng)表示{md(x,y)}中坐標(biāo)位置為(x+1,1)、(w,y-1)和(w,1)的像素點(diǎn)的像素值；上述，md(x,y+1)＝md(x,h)、md(x+1,y)＝md(w,y)、md(x+1,y+1)＝md(x+1,h)、md(x+1,y+1)＝md(w,y+1)、md(x+1,y+1)＝md(w,h)、md(x+1,y-1)＝md(x+1,1)、md(x+1,y-1)＝md(w,y-1)和md(x+1,y-1)＝md(w,1)中的“＝”為賦值符號(hào)。

④計(jì)算{md(x,y)}與{hd(x,y)}之間的自相似度圖像，記為{hd,sim(x,y)}；同樣，計(jì)算{md(x,y)}與{vd(x,y)}之間的自相似度圖像，記為{vd,sim(x,y)}；計(jì)算{md(x,y)}與{dd(x,y)}之間的自相似度圖像，記為{dd,sim(x,y)}；計(jì)算{md(x,y)}與之間的自相似度圖像，記為其中，hd,sim(x,y)表示{hd,sim(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，vd,sim(x,y)表示{vd,sim(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，dd,sim(x,y)表示{dd,sim(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，表示中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值。

在本實(shí)施例中，步驟④中其中，c為控制參數(shù)，在本實(shí)施例中取c＝0.0028。

⑤采用現(xiàn)有的像素間特征提取方法中的局部二值化模式操作對(duì){hd,sim(x,y)}進(jìn)行處理，得到{hd,sim(x,y)}的像素間特征圖，記為{hd,sim,lbp(x,y)}；同樣，采用現(xiàn)有的像素間特征提取方法中的局部二值化模式操作對(duì){vd,sim(x,y)}進(jìn)行處理，得到{vd,sim(x,y)}的像素間特征圖，記為{vd,sim,lbp(x,y)}；采用現(xiàn)有的像素間特征提取方法中的局部二值化模式操作對(duì){dd,sim(x,y)}進(jìn)行處理，得到{dd,sim(x,y)}的像素間特征圖，記為{dd,sim,lbp(x,y)}；采用現(xiàn)有的像素間特征提取方法中的局部二值化模式操作對(duì)進(jìn)行處理，得到的像素間特征圖，記為其中，hd,sim,lbp(x,y)表示{hd,sim,lbp(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，vd,sim,lbp(x,y)表示{vd,sim,lbp(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，dd,sim,lbp(x,y)表示{dd,sim,lbp(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，表示中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值。

并采用現(xiàn)有的像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作對(duì){hd,sim(x,y)}進(jìn)行處理，得到{hd,sim(x,y)}的像素內(nèi)特征圖，記為{hd,sim,q(x,y)}；同樣，采用現(xiàn)有的像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作對(duì){vd,sim(x,y)}進(jìn)行處理，得到{vd,sim(x,y)}的像素內(nèi)特征圖，記為{vd,sim,q(x,y)}；采用現(xiàn)有的像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作對(duì){dd,sim(x,y)}進(jìn)行處理，得到{dd,sim(x,y)}的像素內(nèi)特征圖，記為{dd,sim,q(x,y)}；采用現(xiàn)有的像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作對(duì)進(jìn)行處理，得到的像素內(nèi)特征圖，記為其中，hd,sim,q(x,y)表示{hd,sim,q(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，vd,sim,q(x,y)表示{vd,sim,q(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，dd,sim,q(x,y)表示{dd,sim,q(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值，表示中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值。

在本實(shí)施例中，步驟⑤中的像素間特征提取方法中的局部二值化模式操作中的鄰域參數(shù)p取值為8，且局部半徑參數(shù)r取值為1；步驟⑤中的像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作的步長(zhǎng)δ取值為0.1。

⑥采用現(xiàn)有的直方圖統(tǒng)計(jì)方法對(duì){hd,sim,lbp(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{hd,sim,lbp(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為hd,sim,lbp,hist；同樣，采用現(xiàn)有的直方圖統(tǒng)計(jì)方法對(duì){vd,sim,lbp(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{vd,sim,lbp(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為vd,sim,lbp,hist；采用現(xiàn)有的直方圖統(tǒng)計(jì)方法對(duì){dd,sim,lbp(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{dd,sim,lbp(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為dd,sim,lbp,hist；采用現(xiàn)有的直方圖統(tǒng)計(jì)方法對(duì)進(jìn)行統(tǒng)計(jì)操作，得到的直方圖統(tǒng)計(jì)特征向量，記為其中，hd,sim,lbp,hist、vd,sim,lbp,hist、dd,sim,lbp,hist和的維數(shù)均為1×m'維，hd,sim,lbp,hist中的第m個(gè)元素為hd,sim,lbp,hist(m)，vd,sim,lbp,hist中的第m個(gè)元素為vd,sim,lbp,hist(m)，dd,sim,lbp,hist中的第m個(gè)元素為dd,sim,lbp,hist(m)，中的第m個(gè)元素為1≤m≤m'，m'＝p+2，p表示步驟⑤中的像素間特征提取方法中的局部二值化模式操作中的鄰域參數(shù)。

采用現(xiàn)有的直方圖統(tǒng)計(jì)方法對(duì){hd,sim,q(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{hd,sim,q(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為hd,sim,q,hist；同樣，采用現(xiàn)有的直方圖統(tǒng)計(jì)方法對(duì){vd,sim,q(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{vd,sim,q(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為vd,sim,q,hist；采用現(xiàn)有的直方圖統(tǒng)計(jì)方法對(duì){dd,sim,q(x,y)}進(jìn)行統(tǒng)計(jì)操作，得到{dd,sim,q(x,y)}的直方圖統(tǒng)計(jì)特征向量，記為dd,sim,q,hist；采用現(xiàn)有的直方圖統(tǒng)計(jì)方法對(duì)進(jìn)行統(tǒng)計(jì)操作，得到的直方圖統(tǒng)計(jì)特征向量，記為其中，hd,sim,q,hist、vd,sim,q,hist、dd,sim,q,hist和的維數(shù)均為1×n'維，hd,sim,q,hist中的第n個(gè)元素為hd,sim,q,hist(n)，vd,sim,q,hist中的第n個(gè)元素為vd,sim,q,hist(n)，dd,sim,q,hist中的第n個(gè)元素為dd,sim,q,hist(n)，中的第n個(gè)元素為1≤n≤n'，符號(hào)為向上取整操作符號(hào)，max()為取最大值函數(shù)，δ表示步驟⑤中的像素內(nèi)特征提取方法中的等步長(zhǎng)量化操作的步長(zhǎng)。

⑦采用n”幅原始的無(wú)失真圖像，建立其在不同失真類(lèi)型不同失真程度下的失真圖像集合，將該失真圖像集合作為訓(xùn)練集，訓(xùn)練集包括多幅失真圖像；然后利用現(xiàn)有的主觀(guān)質(zhì)量評(píng)價(jià)方法評(píng)價(jià)出訓(xùn)練集中的每幅失真圖像的主觀(guān)評(píng)分值，將訓(xùn)練集中的第j幅失真圖像的主觀(guān)評(píng)分值記為dmosj；再按照步驟①至步驟⑥的操作，以相同的方式獲取訓(xùn)練集中的每幅失真圖像對(duì)應(yīng)的8個(gè)直方圖統(tǒng)計(jì)特征向量，將訓(xùn)練集中的第j幅失真圖像對(duì)應(yīng)的8個(gè)直方圖統(tǒng)計(jì)特征向量依次記為和其中，n”>1，如取n”＝3，1≤j≤n'，n'表示訓(xùn)練集中包含的失真圖像的總幅數(shù)，0≤dmosj≤100，和的維數(shù)均為1×m'維，中的第m個(gè)元素為中的第m個(gè)元素為中的第m個(gè)元素為中的第m個(gè)元素為1≤m≤m'，m'＝p+2，和的維數(shù)均為1×n'維，中的第n個(gè)元素為中的第n個(gè)元素為中的第n個(gè)元素為中的第n個(gè)元素為1≤n≤n'。

⑧支持向量回歸(supportvectorregression，svr)是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的新型機(jī)器學(xué)習(xí)方法和統(tǒng)計(jì)學(xué)理論，其可以有效地抑制過(guò)擬合問(wèn)題，因此本發(fā)明利用支持向量回歸對(duì)訓(xùn)練集中的所有失真圖像各自的主觀(guān)評(píng)分值及對(duì)應(yīng)的8個(gè)直方圖統(tǒng)計(jì)特征向量進(jìn)行訓(xùn)練，使得經(jīng)過(guò)訓(xùn)練得到的回歸函數(shù)值與主觀(guān)評(píng)分值之間的誤差最小，擬合得到最優(yōu)的權(quán)值矢量w^opt和最優(yōu)的偏置項(xiàng)b^opt；接著利用w^opt和b^opt構(gòu)造得到支持向量回歸訓(xùn)練模型；再根據(jù)支持向量回歸訓(xùn)練模型，對(duì)hd,sim,lbp,hist、vd,sim,lbp,hist、dd,sim,lbp,hist、hd,sim,q,hist、vd,sim,q,hist、dd,sim,q,hist和進(jìn)行測(cè)試，預(yù)測(cè)得到{id(x,y)}的客觀(guān)質(zhì)量評(píng)價(jià)預(yù)測(cè)值，記為q，q＝f(x)，其中，q是x的函數(shù)，f()為函數(shù)表示形式，x為輸入變量，x表示hd,sim,lbp,hist、vd,sim,lbp,hist、dd,sim,lbp,hist、hd,sim,q,hist、vd,sim,q,hist、dd,sim,q,hist和(w^opt)^t為w^opt的轉(zhuǎn)置矢量，為x的線(xiàn)性函數(shù)。

為了進(jìn)一步驗(yàn)證本發(fā)明方法的可行性和有效性，進(jìn)行實(shí)驗(yàn)。

在此，采用live圖像庫(kù)來(lái)分析利用本發(fā)明方法得到的失真圖像的客觀(guān)質(zhì)量評(píng)價(jià)預(yù)測(cè)值與主觀(guān)評(píng)分值之間的相關(guān)性。這里，利用評(píng)估圖像質(zhì)量評(píng)價(jià)方法的3個(gè)常用客觀(guān)參量作為評(píng)價(jià)指標(biāo)，即非線(xiàn)性回歸條件下的pearson相關(guān)系數(shù)(pearsonlinearcorrelationcoefficient，plcc)、spearman相關(guān)系數(shù)(spearmanrankordercorrelationcoefficient，srocc)、均方誤差(rootmeansquarederror，rmse)，plcc和rmse反映失真圖像的客觀(guān)評(píng)價(jià)結(jié)果的準(zhǔn)確性，srocc反映其單調(diào)性。

利用本發(fā)明方法計(jì)算live圖像庫(kù)中的每幅失真圖像的客觀(guān)質(zhì)量評(píng)價(jià)預(yù)測(cè)值，再利用現(xiàn)有的主觀(guān)質(zhì)量評(píng)價(jià)方法獲得live圖像庫(kù)中的每幅失真圖像的主觀(guān)評(píng)分值。將按本發(fā)明方法計(jì)算得到的失真圖像的客觀(guān)質(zhì)量評(píng)價(jià)預(yù)測(cè)值做五參數(shù)logistic函數(shù)非線(xiàn)性擬合，plcc和srocc值越高，rmse值越低說(shuō)明客觀(guān)評(píng)價(jià)方法的客觀(guān)評(píng)價(jià)結(jié)果與主觀(guān)評(píng)分值之間的相關(guān)性越好。反映本發(fā)明方法的質(zhì)量評(píng)價(jià)性能的plcc、srocc和rmse相關(guān)系數(shù)如表1所列。從表1所列的數(shù)據(jù)可知，按本發(fā)明方法得到的失真圖像的客觀(guān)質(zhì)量評(píng)價(jià)預(yù)測(cè)值與主觀(guān)評(píng)分值之間的相關(guān)性是很好的，表明客觀(guān)評(píng)價(jià)結(jié)果與人眼主觀(guān)感知的結(jié)果較為一致，足以說(shuō)明本發(fā)明方法的可行性和有效性。

表1利用本發(fā)明方法得到的失真圖像的客觀(guān)質(zhì)量評(píng)價(jià)預(yù)測(cè)值與主觀(guān)評(píng)分值之間的相關(guān)性