CN104282019A

CN104282019A - 基于自然场景统计和感知质量传播的盲图像质量评价方法

Info

Publication number: CN104282019A
Application number: CN201410473339.3A
Authority: CN
Inventors: 李宏亮; 吴庆波; 熊健; 李威; 罗冰
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2014-09-16
Filing date: 2014-09-16
Publication date: 2015-01-14
Anticipated expiration: 2034-09-16
Also published as: CN104282019B

Abstract

本发明提供一种基于自然场景统计和感知质量传播的盲图像质量评价方法，对测试图像和大量无失真的自然图像计算专家场FoE梯度响应值，统计响应值直方图分布，计算两者分布的KL散度，得到测试图像的绝对失真程度。对测试图像和已标记的失真图像提取质量感知特征，并根据特征间的卡方距离，找到与测试图像最相似的N个标记图像。通过将这些标记图像的质量打分加权求和，可得到测试图像的相对失真程度。最后，通过把前两步预测打分组合到一起即可获得最终的预测图像质量分数。相比于现有的代表性无参考图像质量评价方法，该方法简单高效，并且无需大量人工标记样本。

Description

基于自然场景统计和感知质量传播的盲图像质量评价方法

技术领域

本发明涉及图像处理技术，特别涉及感知视觉信号处理技术。

背景技术

高效的图像感知质量评价方法则是多媒体服务质量监控领域的关键技术。目前，比较可靠的图像质量评价方法主要为全参考与弱参考类型。这些方法要求能够完全访问无失真的原图信息。然而，在许多应用环境当中，这一要求往往无法满足。

盲图像(无参考图像)质量评价方法只需要失真图像自身的信息即可预测其感知质量。现有的盲图像质量评价方法往往通过支撑矢量回归等有监督的学习方法直接训练图像特征和感知质量打分的黑盒投影模型用于图像质量预测。为了保证模型的鲁棒性，这些方法需要大量的人工标记图像用于训练。同时，由于其黑盒投影的特点，这些方法无法清晰描述图像特征和感知质量之间的关系。

发明内容

本发明所要解决的技术问题是，提供一种能描述图像特征和质量打分之间的关系的盲参考图像质量评价方法。

本发明为解决上述技术问题所采用的技术方案是，基于自然场景统计和感知质量传播的盲图像质量评价方法，包括以下步骤：

步骤1)自然场景统计：

计算测试图像和所有无失真图像的专家场FoE(Fields of Experts)梯度响应值，并分别统计得到测试图像的FoE梯度响应值直方图分布P_d以及第i个无失真图像的FoE响应值直方图分布P_u(i)，i＝1,2,…,K，K为无失真图像总数，计算测试图像与无失真图像的相对熵KL散度

Q_{NSS} = Σ_{i = 1}^{K} P_{d} \log_{2} (\frac{P_{d}}{P_{u} (i)});

步骤2)感知质量传播：

1-1：对测试图像提取图像纹理特征，全局梯度特征和基于下采样的边界强度特征；所述下采样的边界强度特征的提取方法为：对图像进行1/8下采样，下采样后图像每个点的边界强度值由其垂直和水平方向上梯度的最大值表示，再对所有点的边界强度值进行直方图统计，归一化后的直方图即为基于下采样的边界强度特征；

1-2：计算测试图像与已标记的失真图像的特征卡方距离D，所述已标记的失真图像为已通过人工标记的方式进行了图像质量打分的失真图像；其中F_i ^q和F_i ^r分别表示测试图像的第i个特征向量、已标记无失真图像的第i个特征向量，i＝{1,2,3}分别对应图像纹理特征，全局梯度特征和基于下采样的边界强度特征；

1-3：根据特征卡方距离D从到小到大的顺序选择前N个已标记失真图像；并根据这N个特征卡方距离D计算各自的权值w_n，D_n表示测试图像与小到大的顺序选择的第n个已标记无失真图像的特征卡方距离；

1-4：利用权值w_n对N个已标记失真图像的图像质量分数DMOS_n进行加权求和得到测试图像的预测分数Q_PQP，

Q_{PQP} = Σ_{n = 1}^{N} w_{n} \cdot {DMOS}_{n};

步骤3)设置相对熵KL散度Q_NSS以及预测分数Q_PQP的权重参数，参考相对熵KL散度Q_NSS以及预测分数Q_PQP得到最终的预测打分Q。

本发明对测试图像和大量无失真的自然图像计算专家场FoE梯度响应值，分别统计测试图像与所有无失真图像的响应值直方图分布。再通过计算两者分布的KL散度，我们可以得到测试图像的绝对失真程度。其次，我们对测试图像和已标记的失真图像提取质量感知特征，并根据特征间的卡方距离，找到与测试图像最相似的N个标记图像。通过将这些标记图像的质量打分加权求和，可得到测试图像的相对失真程度。最后，通过把前两步预测打分组合到一起即可获得最终的预测图像质量分数。

本发明的有益效果是，通过相比于现有的代表性无参考图像质量评价方法，该方法简单高效，并且无需大量人工标记样本。

附图说明

图1：本发明框架示意图。

具体实施方式

为有效的对无参考图像进行质量评价，本发明由三个步骤组成：自然场景统计步骤、感知质量传播步骤、综合打分步骤。其中，自然场景统计通过比较测试图像和大量无失真自然图像的统计差异，来获得绝对失真信息的评估。而质量传播通过将部分标记图像的质量打分传播给与之相似的测试图像，可获得相对失真信息的评估。最终，通过将两个模块预测打分结合起来以获得最终的预测打分。

本实施例在matlab2009b软件平台上进行实现，具体如图1所示：

步骤一、计算测试图像和选定的无失真图像的FoE梯度响应值，并分别统计两者的直方图分布。让P_d表示测试图像的响应分布，P_u表示全部无失真图像的响应分布。则自然场景统计模块的质量打分可表示为两者的KL散度，即

如测试图像失真则与无失真图像的FoE梯度响应分布有区别，当测试图像模糊时，则测试图像的FoE梯度响应分布较无失真图像扁平，当测试图像有噪声时，则其FoE梯度响应分布会出现夹峰。

步骤二、感知质量传播主要由以下三步构成：

第1步：对测试图像提取质量敏感的特征，包括图像纹理特征，全局梯度特征和基于下采样的边界强度DSBS特征，其中图像纹理特征可以通过SFTA(Segmentation-based Fractal Texture Analysis)特征体现，全局梯度特征通过GIST特征体现。对于基于下采样的边界强度特征的提取，首先对图像进行1/8下采样，采样后图像每个点的边界强度由其垂直和水平方向上梯度的最大值表示。然后，对所有点的边界强度值进行直方图统计，归一化后的直方图即为DSBS特征向量，DSBS特征用于反映图像压缩后的块效应。

第2步：让F_i ^q和F_i ^r表示测试图像和已标记图像的第i个特征向量，d(F_i ^q,F_i ^r)表示两者的卡方距离，则测试图像和标记图像总的特征距离可表示为其中i＝{1,2,3}分别对应SFTA，GIST和DSBS特征。

第3步：找到使D最小的5幅已标记图像，并根据他们的特征距离计算各自的权值w_n：

D_n表示测试图像与小到大的顺序选择的第n个已标记无失真图像的特征卡方距离；

然后，该模块的预测打分可表示为已标记图像的质量分数DMOS的加权求和，这里质量分数DMOS的取值范围是0到100，0代表最好，100代表最差：

Q_{PQP} = Σ_{n = 1}^{N} w_{n} \cdot {DMOS}_{n}

步骤三、通过将前两步质量打分组合，即可得到最终的预测打分

Q = Q_{NSS}^{γ} \cdot Q_{PQP}^{1 - γ}

其中γ为两个模块的权重参数，这里，我们将其设置为0.2。

Claims

1.基于自然场景统计和感知质量传播的盲图像质量评价方法，其特征在于，包括以下步骤：

步骤1)自然场景统计：

计算测试图像和所有无失真图像的专家场FoE梯度响应值，并分别统计得到测试图像的FoE梯度响应值直方图分布P_d以及第i个无失真图像的FoE响应值直方图分布P_u(i)，i＝1,2,…,K，K为无失真图像总数，计算测试图像与无失真图像的相对熵KL散度

Q_{NSS} = Σ_{i = 1}^{K} P_{d} \log_{2} (\frac{P_{d}}{P_{u} (i)});

步骤2)感知质量传播：

Q_{PQP} = Σ_{n = 1}^{N} w_{n} \cdot {DMOS}_{n};

2.如权利要求1所述基于自然场景统计和感知质量传播的盲图像质量评价方法，其特征在于，所述最终的预测打分Q为γ为权重参数。

3.如权利要求2所述基于自然场景统计和感知质量传播的盲图像质量评价方法，其特征在于，γ＝0.2。

4.如权利要求1所述基于自然场景统计和感知质量传播的盲图像质量评价方法，其特征在于，所述下采样为1/8下采样。

5.如权利要求1所述基于自然场景统计和感知质量传播的盲图像质量评价方法，其特征在于，N＝5。