基于离散余弦变换和稀疏表示的无参考图像质量评价方法
【专利摘要】本发明公开了一种基于离散余弦变换和稀疏表示的无参考图像质量评价方法，主要解决现有技术对无参考图像质量评价不准确的问题。其实现步骤是：输入一副灰度图像，对其进行离散余弦变换并提取自然场景统计特征；提取一系列不同失真类型和不同内容的图像的自然场景统计特征，结合平均主观差异分数构建原始特征字典；对原始特征字典进行聚类，根据测试图像特征与原始特征字典中各类的近似程度自适应选择原子组成稀疏表示字典；利用稀疏表示在特征空间张成测试图像特征并计算稀疏表示系数，结合稀疏表示字典中的主观评价值进行线性加权求和，得到图像质量测度。本发明与主观评价结果具有较好的一致性，适用于对各种失真类型图像的质量评价。
【专利说明】基于离散余弦变换和稀疏表示的无参考图像质量评价方法
【技术领域】
[0001] 本发明属于图像处理领域，涉及图像质量的客观测评，可用于图像采集、编码压 缩、网络传输。
【背景技术】
[0002] 图像是人类获取信息的重要途径，图像质量表示图像向人或设备提供信息的能 力，直接关系着所获取信息的充分性与准确性。然而，图像在获取、处理、传输和存储的过程 中，由于各种因素影响将不可避免的产生降质问题，这给信息的获取或图像的后期处理带 来了极大困难。因此，建立有效的图像质量评价机制非常重要。如在图像去噪、图像融合等 处理过程中可用于各种算法的性能比较、参数选择；在图像编码与通信领域可用于指导整 个图像的传输过程并评估系统性能；此外，在图像处理算法优化、生物特征识别等科学领域 也具有重大的意义。
[0003] 图像质量评价从方法上可分为主观评价方法和客观评价方法。主观方法是凭借实 验人员的主观感知来评价图像质量，而客观方法则依据模型给出的量化指标，模拟人类视 觉系统感知机制衡量图像质量。由于人是图像的最终接收者，故主观质量评价是最可靠的 评价方法。目前最常用的主观方法是平均主观分值法MOS和差分主观分值法DM0S，然而由 于其评价结果易受主观因素的影响，在图像数量大的情况下耗时并且也不能自动实现，因 此对客观图像评价方法的研究就显得特别重要。
[0004] 根据评价时对参考图像的依赖程度，客观图像质量评价可分为全参考图像质量评 价FR-IQA、部分参考图像质量评价RR-IQA和无参考图像质量评价NR-IQA。
[0005] 全参考图像质量评价FR-IQA方法的最大优点是对失真图像质量预测准确，目前 常用的全参考方法有基于像素误差统计的方法MSE和PSNR、基于结构相似性的方法SSIM和 基于人眼视觉系统的方法HVS等。然而由于这些方法都需要原始图像完整的先验知识，需 要存储和传输的数据量较大，限制了其在许多实际领域的应用，因此部分参考型图像质量 评价方法成为人们研究的热点之一。
[0006] 部分参考图像质量评价RR-IQA方法不需要完整的原始参考图像，但需要利用一 些参考图像的特征组合来获取失真图像的质量分数。虽然能够在减小所需传输信息量的基 础上保证质量评价方法具备较好的准确性，但仍需传输原始图像的部分信息。在大多数实 际应用中，原始图像的信息根本无法获得或者获取成本很高。
[0007] 无参考型图像质量评价NR-IQA方法是一种不需要原始图像的任何先验信息，直 接对失真图像进行质量评估的方法。由于人们目前对人类视觉系统和相应的大脑认知过 程理解有限，其算法的设计和实现更加困难。目前无参考图像质量评价方法有=Sazzad 等提出的针对JP2000失真的无参考图像质量评价方法"Ζ·Μ.P.Sazzad,Y.Kawayoke,and Y.HoritajN〇-referenceimagequalityassessmentforjpeg2000basedonspatial features，SignalProcess.ImageCommun.，vol. 23,no. 4,pp. 257 - 268,Apr. 2008"，但该 方法只针对JPEG2000压缩而不适用于评价模糊、噪声等对图像的影响。Moorthy等提出了 基于学习的方法"A.K.MoorthyandA.C.Bovik,Atwo-stepframeworkforconstructing blindimagequalityindices,IEEESignalProcess.Lett.,vol. 17,no. 5,pp. 513 -516，May2010. "，这种方法是直接模拟图像特征与质量的映射关系，其数学模型和模型 参数都需训练或手动获取，由于映射关系不能精确模拟，致使最终质量评价结果不够准 确。AnushKrishnaMoorthy等又提出了基于自然场景统计的方法"theDistortion Identification-basedImageVerityandINtegrityEvaluation(DIIVINE)index，',该方 法评价结果与主观评价有高度的一致性，但对一副图像提取的特征多达88维，特征提取过 程耗时过长，并且庞大的特征维度也不方便分类和回归模型的训练。
【发明内容】
[0008] 本发明的目的在于针对上述现有方法的不足，提出了一种基于离散余弦变换和稀 疏表示的无参考图像质量评价方法，可以在降低图像提取特征维度的同时充分利用所提取 的数据信息，用稀疏表示的方法对图像特征信息高效建模，提高质量评价结果的准确性。
[0009] 实现本发明目的技术方案包括如下步骤：
[0010] (1)读入一幅灰度图像I，对其进行离散余弦变换，提取一系列与主观感知相关联 的自然场景统计特征f;
[0011] (2)组建训练图像的原始特征字典；
[0012] (2a)重复步骤（1)，提取η副训练图像的自然场景统计特征，并构成特征矩阵F，F =Iif1,f2，…，fi,…，fn]，其中fi为第i副训练图像的自然场景统计特征，i= 1，2,…，η;
[0013] (2b)整合η副训练图像的平均主观差异分数，并构成质量向量M，M= [1?,!?,…，IIii,其中IIii为第i副训练图像的平均主观差异分数，i= 1，2,…，η;
[0014] (2c)将质量向量M和特征矩阵F进行对应结合，构建原始特征字典D:
【权利要求】
1. 一种基于离散余弦变换和稀疏表示的无参考图像质量评价方法，包括如下步骤： (1) 读入一幅灰度图像I，对其进行离散余弦变换，提取一系列与主观感知相关联的自 然场景统计特征f; (2) 组建训练图像的原始特征字典； (2a)重复步骤（1)，提取η副训练图像的自然场景统计特征，并构成特征矩阵F，F = [f\，f2,. . .，fi，. . .，fn]，其中fi为第η副训练图像的自然场景统计特征，i = 1，2,. . .，η ; (2b)整合η副训练图像的平均主观差异分数，并构成质量向量M，M = [IIi1, m2,…，IIii,…，mn],其中IIii为第η副训练图像的平均主观差异分数，i = 1，2,…，η ; (2c)将质量向量M和特征矩阵F进行对应结合，构建原始特征字典D :
(2d)用K-means算法将原始特征字典D聚为H类，H类中第k类聚类中心为Ck，其中 Fck为特征聚类中心，Mck为质量聚类中心，k = 1，2. .. H。 1头八一副测试图像Γ，重复步骤（1)，提取测试图像Γ的自然场景统计特征f ; (4) 计算测试图像Γ的自然场景统计特征f'与原始特征字典D中第k类的特征聚类 中心Fck的欧式距离disk，得到测试图像Γ与原始特征字典D中第k类的近似程度Pk，其 1
k = 1，2, · · ·，H ; (5) 根据近似程度Pk，从原始特征字典D的第k类中选择与特征聚类中心Fck 的欧式距离最小的前Nk个样本作为测试图像Γ的稀疏表示原子f，其中i = l，2，...，N，k = 1，2，...，H，H类原子共同构成针对测试图像Γ的稀疏表示字典D' ：
,/,:*为从 原始特征字典D中选择的第k类中的第i个样本的自然场景统计特征，i?f为第k类中的第 i个样本的平均主观差异分数，i = 1，2,. . .，Nk，Nk = δ *Pk，k = 1，2,. . .，Η，δ为正常数； (6) 根据稀疏表示的方法求解测试图像Γ的自然场景统计特征f'在特征矩阵 F'下的稀疏表示系数：
其中argmin表示将使目标函 数入· I I a I I ^ I I f' -D ' a I 12 最小的 α = [ α \ α 2,…，a k,…，α H]τ 赋值给 α % = l，2，...，H，i = l，2，...，Nk，Rl 表示 L 维实数空 间，
表示向量β = [ β η β 2,...，旦1，...，旦JT的1范数，
良示向量β的2范数，λ是用于平衡保真项和正则项的正常数，T代表转置 操作； (7)根据所构建的稀疏表示计算测试图像Γ的质量
，Q e [〇, 1〇〇]， 其中4为稀疏表示字典D'中第k类第i个原子#的质量分数，CIlu表示测试图像Γ的 自然场景统计特征f'在特征矩阵F'中的第k类第i个原子夕的表示系数，Q为测试图像 I'的最终质量测度。
2.根据权利要求1所述的基于离散余弦变换和稀疏表示的无参考图像质量评价方法， 其中步骤（1)所述的对灰度图像I进行离散余弦变换，提取一系列与主观感知相关联的自 然场景统计特征f，具体步骤如下： (1. 1)提取灰度图像I在第一个尺度上的自然场景统计特征fSil ; (I. la)将灰度图像I分解为5*5的相互之间有重叠的图像块，对每个图像块进行离散 余弦变换，并去除离散余弦变换系数的直流分量； (I. Ib)分别对每个图像块的去除直流分量后的离散余弦变换系数使用广义高 斯分布模型拟合，得到每个图像块的形状因子Y，取所有图像块的形状因子Y的 均值作为第一个尺度上的自然场景统计特征L1的第一个元素，对所有图像块 的形状因子按照从小到大排列，取前10 %的均值作为第一个尺度上的自然场景统 计特征fSil的第二个元素 f；li2，其中计算形状因子Y的广义高斯分布模型函数为：
μ 为均值，σ为方差，Y为形状因子，β为比例因子； (I. Ic)计算每个图像块的频率变化系数?，取所有图像块的频率变化系数?的均值作 为第一个尺度上的自然场景统计特征fSil的第三个元素 f；li3，对所有图像块的频率变化系 数?按照从大到小排列，取前10%的均值作为第一个尺度上的自然场景统计特征f Sil的第 四个元素 fs，u，其中? Ρ|Χ|和。W分别为每个图像块的去除直流分量的离散余 弦变换系数的均值和标准差，I I表示求绝对值； (I. Id)按照从高频到低频的顺序，将每个图像块的离散余弦变换系数分为3个频带， 计算每个图像块的频带能量变化率Rn，具体计算如下式：
.，其中￡" ，11 = 1，2, 3, σ2代表第η个频带的方差，η代表 每个频带，En代表第η个频带的能量，j为正整数； (I. Ie)取所有图像块的的频带能量变化率Rn的均值作为第一个尺度上的自然场景统 计特征L1的第五个元素对所有图像块的频带能量变化率Rn按照从大到小排列，取 前10%的均值作为第一个尺度上的自然场景统计特征f Sil的第六个元素 f；li6 ; (I. If)将每个图像块的离散余弦变换系数分为沿45°，90°，135°这3个方向的子 带，并用广义高斯分布函数分别对每个方向的子带拟合，得到3个方向子带的频率变化系 数，并计算这3个方向子带的频率变化系数的方差; (I. Ig)取所有图像块的3个方向子带的频率变化系数的方差^的均值作为第一个尺 度上的自然场景统计特征fSil的第七个元素 f；li7，对取所有图像块的3个方向子带的频率 变化系数的方差按照从大到小的顺序排列，取前10%的均值作为第一个尺度上的自然 场景统计特征fSil的第八个元素 f；li8 ; (I. Ih)得到灰度图像I在第一个尺度上的8维自然场景统计特征: f s, 1 - [f s, 1，1，f s, 1，2，· · ·，f s, 1，i. · ·，f s, 1,8]，i - 1，2，···，8〇 (1. 2)对灰度图像I进行下采样操作得到下采样图像12,对下采样图像12重复步骤 (1. 1)操作，得到灰度图像I在第二个尺度上的自然场景统计特征fs，2 ; (1. 3)对下采样图像12再次进行下采样操作得到二次下采样图像13,对二次下采样图 像13重复步骤（I. 1)操作，得到灰度图像I在第三个尺度上的自然场景统计特征fs，3 ; (1. 4)求得灰度图像I的自然场景统计特征：f = [f；" fs,2, fs,3]T，T代表转置操作。
【文档编号】G06T7/00GK104376565SQ201410695579
【公开日】2015年2月25日 申请日期:2014年11月26日 优先权日:2014年11月26日
【发明者】张小华, 焦李成, 温阳, 王爽, 钟桦, 田小林, 朱虎明 申请人:西安电子科技大学