CN109523542B - 一种基于彩色向量夹角lbp算子的无参考彩色图像质量评价方法 - Google Patents
一种基于彩色向量夹角lbp算子的无参考彩色图像质量评价方法 Download PDFInfo
- Publication number
- CN109523542B CN109523542B CN201811406907.2A CN201811406907A CN109523542B CN 109523542 B CN109523542 B CN 109523542B CN 201811406907 A CN201811406907 A CN 201811406907A CN 109523542 B CN109523542 B CN 109523542B
- Authority
- CN
- China
- Prior art keywords
- image
- color
- theta
- vector
- clbp
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000013598 vector Substances 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 35
- 101000822805 Naja atra Cytotoxin A5 Proteins 0.000 claims abstract 16
- 101000822803 Naja kaouthia Cytotoxin homolog Proteins 0.000 claims abstract 16
- 101000783567 Naja naja Cytotoxin 1 Proteins 0.000 claims abstract 16
- 101000822819 Naja naja Cytotoxin-like basic protein Proteins 0.000 claims abstract 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于彩色向量夹角LBP算子的无参考彩色图像质量评价方法,本发明将彩色图像提取出红色图像分量、绿色图像分量和蓝色图像分量,将三个分量组成彩色向量,根据彩色向量计算出彩色向量夹角图像,并从彩色向量夹角图像中提取出CLBP特征和DLBP特征,并得到其均值、标准差、偏度、峰度和熵合成得到特征向量,送入支持向量机中训练和测试,得到客观图像质量分值。该方法充分利用图像的彩色信息构造出彩色向量夹角CLBP算子和DLBP算子,该方法充分考虑图像的空间邻域失真信息和彩色失真信息,提高了图像质量评价的效率和准确度。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于彩色向量夹角LBP(局部二值模式)算子的无参考彩色图像质量评价方法。
背景技术
图像质量评价是图像处理领域的关键问题,图像质量评价方法根据是否有人的参与可分成主观图像质量评价方法和客观图像质量评价方法。主观图像质量评价方法由人对图像进行打分,评价结果精确,但评价过程复杂,耗时时间长,难以得到实时应用。客观图像质量评价方法无需人的参与,通过特定的计算机算法自动预测图像质量,根据是否使用原始无失真图像作为参考图像,可将图像质量评价方法分成全参考图像质量评价方法,半参考图像质量评价方法和无参考图像质量评价方法。全参考图像质量评价算法使用参考图像的所有信息预测图像质量,半参考图像质量评价方法采用参考图像的部分信息进行图像质量预测,无参考图像质量评价方法不使用参考图像的任何信息进行图像质量评价。传统的全参考图像质量评价方法采用MSE(均方误差)或PSNR(峰值信噪比)进行图像质量评价,该方法物理意义明确,算法简单,但存在与人眼主观视觉特性不匹配等缺点。针对传统全参考图像质量评价方法以上缺点,Wang提出一种基于SSIM(结构相似度)的全参考图像质量评价模型,但SSIM对模糊图像评价效果不太理想,特别是对于严重模糊的图像评价效果与主观视觉感受不符。当前的无参考图像质量评价方法可以分成基于特定失真类型的方法和通用型方法,基于特定失真类型的方法主要面向特定失真类型,如块效应、模糊度、噪声等;而通用型方法对所有失真类型进行图像质量评价。Moorthy采用小波系数的统计特性进行无参考图像质量评价,Ye采用Gabor滤波系数的视觉码本构建直方图进行质量评价,虽然这些方法提高了无参考图像质量评价的精度,但其结果与人眼的主观图像质量评价结果仍存在着差距。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于彩色向量夹角LBP算子的无参考彩色图像质量评价方法,该方法预测效果更精确。
为了达到上述目的,本发明所采用的技术方案如下:一种基于彩色向量夹角LBP算子的无参考彩色图像质量评价方法,该方法包括如下步骤:
步骤(1):从输入图像集中输入彩色图像,将输入图像集随机划分成测试图像集和训练图像集;
步骤(2):将测试图像集和训练图像集中的彩色图像提取出红色图像分量R、绿色图像分量G和蓝色图像分量B;
步骤(3):对R通道图像、G通道图像和B通道图像进行归一化处理,分别得到归一化R通道图像NR、归一化G通道图像NG和归一化B通道图像NB;
步骤(4):将归一化R通道图像在(i,j)点处的取值NR(i,j)、归一化G通道在(i,j)点处的取值NG(i,j)和归一化B通道在(i,j)点处的取值NB(i,j)组成彩色向量C(i,j),组合公式如下:
C(i,j)=[NR(i,j),NG(i,j),NB(i,j)]
步骤(5):计算彩色图像在(i,j)点处的彩色向量中心夹角θ(i,j),将彩色向量中心夹角θ(i,j)组成彩色向量中心夹角图像θ,计算彩色向量中心夹角图像θ的CLBP特征;计算CLBP特征的均值、标准差、偏度、峰度和熵作为CLBP特征向量X;
步骤(6):计算彩色向量中心夹角图像的DLBP特征,计算DLBP特征的均值、标准差、偏度、峰度和熵作为DLBP直方图特征向量Y;
步骤(7):将特征向量X和特征向量Y合并成特征向量f1;
f1=[X,Y]
步骤(8):将步骤(1)中的输入彩色图像进行2级的下采样,得到另外2个不同尺度下的彩色图像;
步骤(9):对另外2个不同尺度下的彩色图像重复步骤(2)到步骤(9),得到另外2个不同尺度下的特征向量,记为f2和f3;
步骤(10):将特征向量f1、f2和f3组合成最终总的特征向量F,组合公式如下:
F=[f1,f2,f3]
步骤(11):将特征向量F合并主观MOS分值送到支持向量回归机中进行训练,得到训练后的支持向量回归机;
步骤(12):将测试图像同样按步骤(1)到步骤(10)提取出特征向量F,送到训练后的支持向量回归机中进行测试,得到客观的图像质量评价结果。
进一步的,所述步骤(3)中的归一化处理具体如下:
以计算归一化R通道图像NR为例,采用公式如下:
其中,(i,j)为某一像素在图像中的坐标,ω为大小为高为(2K+1)、宽为(2K+1)、均值为0、方差为1的二维高斯滤波器系数,K为邻域像素点个数,m为二维高斯滤波器的行索引,n为二维高斯滤波器的列索引,R(i,j)为R通道图像在(i,j)处的取值,μR(i,j)为R通道图像进行高斯滤波后在(i,j)处的均值,σR(i,j)为R通道图像进行高斯滤波后在(i,j)处的标准差,其中C0为避免分母为0而设的常数;
采用同样的方法,可以计算出归一化G通道图像NG和归一化B通道图像NB。
进一步的,所述步骤(5)具体如下:
步骤(5.1):取出彩色图像在(i,j)点处的彩色向量C(i,j),以及(i,j)点半径为1的邻域的8个彩色向量C(i-1,j-1)、C(i-1,j)、C(i-1,j+1)、C(i,j+1)、C(i+1,j+1)、C(i+1,j)、C(i+1,j-1)和C(i,j-1);
步骤(5.2):计算(i,j)像素点处的彩色向量C(i,j)和8个半径为1的邻域彩色向量之间的夹角,以彩色向量C(i,j)和彩色向量C(i-1,j)之间的夹角θ(i-1,j)为例,计算公式如下:
同理,可以计算出其他夹角,八个夹角分别为θ(i-1,j-1)、θ(i-1,j)、θ(i-1,j+1)、θ(i,j+1)、θ(i+1,j+1)、θ(i+1,j)、θ(i+1,j-1)和θ(i,j-1),并分别简化记为θQ0、θQ1、θQ2、θQ3、θQ4、θQ5、θQ6和θQ7;
步骤(5.3):计算彩色向量夹角图像θ在(i,j)像素点处的CLBP特征,计算方法如下:
其中,t(·)为阈值函数,当x≥0时,t(x)=1,当x<0时,t(x)=0;CLBPK,R(i,j)为彩色向量夹角图像θ在像素点c处的CLBP特征,θQ0,θQ1,...,θQK-1为彩色向量夹角图像θ在(i,j)处以R=1为半径的K个邻域像素点的取值,其中,R为邻域半径,K为邻域像素点个数;
步骤(5.4):将所有像素点的CLBP特征组成CLBP图像,并将CLBP图像缩放到[0,255]范围,计算CLBP图像的均值、标准差、偏度、峰度和熵作为CLBP特征,计算公式如下:
熵:
W为CLBP图像的宽度,H为CLBP图像的高度,p1(j)为CLBP图像中像素取值为j的概率,CLBP直方图特征向量为X,X=[μ1,σ1,s1,k1,h1]。
进一步的,所述步骤(6)具体如下:
步骤(6.1):采用与步骤(5.1)类似的方法,取出彩色图像在(i,j)点处的彩色向量C(i,j),以及(i,j)点半径为2的邻域的8个彩色向量C(i-2,j-2)、C(i-2,j)、C(i-2,j+2)、C(i,j+2)、C(i+2,j+2)、C(i+2,j)、C(i+2,j-2)和C(i,j-2);
步骤(6.2):采用与步骤(5.2)类似的方法,计算出(i,j)点处的彩色向量C(i,j)和8个半径为2的彩色向量之间的夹角θ(i-2,j-2)、θ(i-2,j)、θ(i-2,j+2)、θ(i,j+2)、θ(i+2,j+2)、θ(i+2,j)、θ(i+2,j-2)和θ(i,j-2),分别简化记为θP0、θP1、θP2、θP3、θP4、θP5、θP6和θP7;
步骤(6.3):计算彩色向量夹角图像θ在像素点(i,j)处的DLBP特征,计算方法如下:
其中,t(·)为阈值函数,当x≥0时,t(x)=1,当x<0时,t(x)=0;DLBPK,R(i,j)为彩色向量夹角图像在像素点(i,j)处的DLBP特征,θP0、θP1、θP2、θP3、θP4、θP5、θP6和θP7为彩色向量夹角图像θ在像素点(i,j)处以R=2为半径的K=8个邻域像素点的取值。
进一步的,所述步骤(6)中的均值通过下式计算:
进一步的,所述步骤(6)中的标准差通过下式计算:
进一步的,所述步骤(6)中的偏度通过下式计算:
进一步的,所述步骤(6)中的峰度通过下式计算:
进一步的,所述步骤(6)中的熵通过下式计算:
其中p2(j)为DLBP图像中像素取值为j的概率。
进一步的,所述步骤(8)中的下采样具体方法如下:
对上一层图像采用窗口为J×J,方差为σ的高斯滤波器进行滤波,并进行横向和纵向N:1下采样,得到下一尺度的图像,其中N为图像下采样的倍率。
本发明的有益效果如下:本发明将彩色图像提取出红色图像分量、绿色图像分量和蓝色图像分量,将三个分量组成彩色向量,根据彩色向量计算出彩色向量夹角图像,并从彩色向量夹角图像中提取出CLBP特征和DLBP特征,并得到其均值、标准差、偏度、峰度和熵合成得到特征向量,送入支持向量机中训练和测试,得到客观图像质量分值。该方法充分利用图像的彩色信息构造出彩色向量夹角CLBP算子和DLBP算子,该方法充分考虑图像的空间邻域失真信息和彩色失真信息,提高了图像质量评价的效率和准确度。
附图说明
图1为基于彩色向量夹角LBP算子的无参考彩色图像质量评价方法流程图;
图2为计算彩色向量夹角所需的像素点(i,j)邻域处的像素点示意图;
图3为计算彩色向量夹角所需的像素点(i,j)邻域处的像素点标记符号示意图。
具体实施方式
以下结合附图和实施实例对本发明详细说明:
步骤(1):从输入图像集中输入彩色图像,将输入图像集随机划分成测试图像集和训练图像集;
步骤(2):如图1所示,将测试图像集和训练图像集中的彩色图像提取出红色图像分量R、绿色图像分量G和蓝色图像分量B;
步骤(3):对R通道图像、G通道图像和B通道图像进行归一化处理,分别得到归一化R通道图像NR、归一化G通道图像NG和归一化B通道图像NB,以计算归一化R通道图像NR为例,采用公式如下:
其中,(i,j)为某一像素在图像中的坐标,ω为大小为高为(2K+1)、宽为(2K+1)、均值为0、方差为1的二维高斯滤波器系数,K为邻域像素点个数,m为二维高斯滤波器的行索引,n为二维高斯滤波器的列索引,R(i,j)为R通道图像在(i,j)处的取值,μR(i,j)为R通道图像进行高斯滤波后在(i,j)处的均值,σR(i,j)为R通道图像进行高斯滤波后在(i,j)处的标准差,其中C0为避免分母为0而设的常数,其中C0取值为0.01;
采用同样的方法,可以计算出归一化G通道图像NG和归一化B通道图像NB;
步骤(4):将归一化R通道图像在(i,j)点处的取值NR(i,j)、归一化G通道在(i,j)点处的取值NG(i,j)和归一化B通道在(i,j)点处的取值NB(i,j)组成彩色向量C(i,j),组合公式如下:
C(i,j)=[NR(i,j),NG(i,j),NB(i,j)]
步骤(5):计算彩色图像在(i,j)点处的彩色向量中心夹角θ(i,j),将彩色向量中心夹角θ(i,j)组成彩色向量中心夹角图像θ,计算彩色向量中心夹角图像θ的CLBP特征;计算CLBP(中心局部二值模式)特征的均值、标准差、偏度、峰度和熵作为CLBP特征向量X;该步骤具体为:
步骤(5.1):取出彩色图像在(i,j)点处的彩色向量C(i,j),以及(i,j)点半径为1的邻域的8个彩色向量C(i-1,j-1)、C(i-1,j)、C(i-1,j+1)、C(i,j+1)、C(i+1,j+1)、C(i+1,j)、C(i+1,j-1)和C(i,j-1);
步骤(5.2):计算(i,j)像素点处的彩色向量C(i,j)和8个半径为1的邻域彩色向量之间的夹角,以彩色向量C(i,j)和彩色向量C(i-1,j)之间的夹角θ(i-1,j)为例,计算公式如下:
同理,可以计算出其他夹角,如图2所示,八个夹角分别为θ(i-1,j-1)、θ(i-1,j)、θ(i-1,j+1)、θ(i,j+1)、θ(i+1,j+1)、θ(i+1,j)、θ(i+1,j-1)和θ(i,j-1),如图3所示,并分别简化记为θQ0、θQ1、θQ2、θQ3、θQ4、θQ5、θQ6和θQ7;
步骤(5.3):计算彩色向量夹角图像θ在(i,j)像素点处的CLBP特征,计算方法如下:
其中,t(·)为阈值函数,当x≥0时,t(x)=1,当x<0时,t(x)=0;CLBPK,R(i,j)为彩色向量夹角图像θ在像素点(i,j)处的CLBP特征,θQ0,θQ1,...,θQK-1为彩色向量夹角图像θ在(i,j)处以R=1为半径的K个邻域像素点的取值,其中,R为邻域半径,K为邻域像素点个数;
步骤(5.4):将所有像素点的CLBP特征组成CLBP图像,并将CLBP图像缩放到[0,255]范围,计算CLBP图像的均值、标准差、偏度、峰度和熵作CLBP特征,计算公式如下:
W为CLBP图像的宽度,H为CLBP图像的高度,p1(j)为CLBP图像中像素取值为j的概率,CLBP直方图特征向量为X,X=[μ1,σ1,s1,k1,h1];
步骤(6):计算彩色向量中心夹角图像的DLBP(边缘局部二值模式)特征,计算DLBP特征的均值、标准差、偏度、峰度和熵作为DLBP特征向量Y;
步骤(6.1):采用与步骤(5.1)类似的方法,取出彩色图像在(i,j)点处的彩色向量C(i,j),以及(i,j)点半径为2的邻域的8个彩色向量C(i-2,j)、C(i-2,j)、C(i-2,j-2)、C(i,j-2)、C(i+2,j-2)、C(i+2,j)、C(i+2,j+2)、C(i,j+2)和C(i-2,j+2);
步骤(6.2):如图2所示,采用与步骤(5.2)类似的方法,计算出(i,j)点处的彩色向量C(i,j)和8个半径为2的彩色向量之间的夹角θ(i-2,j-2)、θ(i-2,j)、θ(i-2,j+2)、θ(i,j+2)、θ(i+2,j+2)、θ(i+2,j)、θ(i+2,j-2)和θ(i,j-2),如图3所示,分别简化记为θP0、θP1、θP2、θP3、θP4、θP5、θP6和θP7;
步骤(6.3):计算彩色向量夹角图像θ在像素点(i,j)处的DLBP(差分均匀局部二值模式)特征,计算方法如下:
其中,t(·)为阈值函数,当x≥0时,t(x)=1,当x<0时,t(x)=0;DLBPK,R(i,j)为彩色向量夹角图像在像素点(i,j)处的DLBP特征,θP0、θP1、θP2、θP3、θP4、θP5、θP6和θP7为彩色向量夹角图像θ在像素点(i,j)处以R=2为半径的K=8个邻域像素点的取值;
步骤(6.4):将所有像素点的DLBP特征组成DLBP图像,并将DLBP图像缩放到[0,255]范围,计算DLBP图像的均值、标准差、偏度、峰度和熵作为DLBP直方图特征向量Y,计算公式如下:
其中,Y为DLBP直方图特征向量,Y=[μ2,σ2,s2,k2,h2];p2(j)为DLBP图像中像素取值为j的概率;
步骤(7):将特征向量X和特征向量Y合并成特征向量f1;
f1=[X,Y]
步骤(8):将步骤(1)中的输入彩色图像进行2级的下采样,得到另外2个不同尺度下的彩色图像,具体下采样方法是:对上一层图像采用窗口为J×J,方差为σ的高斯滤波器进行滤波,并进行横向和纵向N:1的下采样,得到下一尺度的图像;其中,J为高斯滤波器的高度或宽度,σ为高斯滤波器的方差,N为下采样的倍率,J取值为5,σ取值为1,N取值为2;
步骤(9):对另外2个不同尺度下的彩色图像重复步骤(2)到步骤(9),得到不同尺度下的特征向量,记为f2和f3;
步骤(10):将特征向量f1、f2和f3组合成最终总的特征向量F,组合公式如下:
F=[f1,f2,f3]
步骤(11):将特征向量F合并主观MOS分值送到支持向量回归机中进行训练,得到训练后的支持向量回归机;
步骤(12):将测试图像同样按步骤(1)到步骤(10)提取出特征向量F,送到训练后的支持向量回归机中进行测试,得到客观的图像质量评价结果。
Claims (10)
1.一种基于彩色向量夹角LBP算子的无参考彩色图像质量评价方法,其特征在于,该方法包括如下步骤:
步骤(1):从输入图像集中输入彩色图像,将输入图像集随机划分成测试图像集和训练图像集;
步骤(2):将测试图像集和训练图像集中的彩色图像提取出红色图像分量R、绿色图像分量G和蓝色图像分量B;
步骤(3):对R通道图像、G通道图像和B通道图像进行归一化处理,分别得到归一化R通道图像NR、归一化G通道图像NG和归一化B通道图像NB;
步骤(4):将归一化R通道图像在(i,j)点处的取值NR(i,j)、归一化G通道在(i,j)点处的取值NG(i,j)和归一化B通道在(i,j)点处的取值NB(i,j)组成彩色向量C(i,j),组合公式如下:
C(i,j)=[NR(i,j),NG(i,j),NB(i,j)]
步骤(5):计算彩色图像在(i,j)点处的彩色向量中心夹角θ(i,j),将彩色向量中心夹角θ(i,j)组成彩色向量中心夹角图像θ,计算彩色向量中心夹角图像θ的CLBP特征;计算CLBP特征的均值、标准差、偏度、峰度和熵作为CLBP特征向量X;
步骤(6):计算彩色向量中心夹角图像的DLBP特征,计算DLBP特征的均值、标准差、偏度、峰度和熵作为DLBP直方图特征向量Y;
步骤(7):将特征向量X和特征向量Y合并成特征向量f1;
f1=[X,Y]
步骤(8):将步骤(1)中的输入彩色图像进行2级的下采样,得到另外2个不同尺度下的彩色图像;
步骤(9):对另外2个不同尺度下的彩色图像重复步骤(2)到步骤(9),得到另外2个不同尺度下的特征向量,记为f2和f3;
步骤(10):将特征向量f1、f2和f3组合成最终总的特征向量F,组合公式如下:
F=[f1,f2,f3]
步骤(11):将特征向量F合并主观MOS分值送到支持向量回归机中进行训练,得到训练后的支持向量回归机;
步骤(12):将测试图像同样按步骤(1)到步骤(10)提取出特征向量F,送到训练后的支持向量回归机中进行测试,得到客观的图像质量评价结果。
2.根据权利要求1所述的一种基于彩色向量夹角LBP算子的无参考彩色图像质量评价方法,其特征在于,所述步骤(3)中的归一化处理具体如下:
以计算归一化R通道图像NR为例,采用公式如下:
其中,(i,j)为某一像素在图像中的坐标,ω为大小为高为(2K+1)、宽为(2K+1)、均值为0、方差为1的二维高斯滤波器系数,K为邻域像素点个数,m为二维高斯滤波器的行索引,n为二维高斯滤波器的列索引,R(i,j)为R通道图像在(i,j)处的取值,μR(i,j)为R通道图像进行高斯滤波后在(i,j)处的均值,σR(i,j)为R通道图像进行高斯滤波后在(i,j)处的标准差,其中C0为避免分母为0而设的常数;
采用同样的方法,可以计算出归一化G通道图像NG和归一化B通道图像NB。
3.根据权利要求1所述的一种基于彩色向量夹角LBP算子的无参考彩色图像质量评价方法,其特征在于,所述步骤(5)具体如下:
步骤(5.1):取出彩色图像在(i,j)点处的彩色向量C(i,j),以及(i,j)点半径为1的邻域的8个彩色向量C(i-1,j-1)、C(i-1,j)、C(i-1,j+1)、C(i,j+1)、C(i+1,j+1)、C(i+1,j)、C(i+1,j-1)和C(i,j-1);
步骤(5.2):计算(i,j)像素点处的彩色向量C(i,j)和8个半径为1的邻域彩色向量之间的夹角,以彩色向量C(i,j)和彩色向量C(i-1,j)之间的夹角θ(i-1,j)为例,计算公式如下:
同理,可以计算出其他夹角,八个夹角分别为θ(i-1,j-1)、θ(i-1,j)、θ(i-1,j+1)、θ(i,j+1)、θ(i+1,j+1)、θ(i+1,j)、θ(i+1,j-1)和θ(i,j-1),并分别简化记为θQ0、θQ1、θQ2、θQ3、θQ4、θQ5、θQ6和θQ7;
步骤(5.3):计算彩色向量夹角图像θ在(i,j)像素点处的CLBP特征,计算方法如下:
其中,t(·)为阈值函数,当x≥0时,t(x)=1,当x<0时,t(x)=0;CLBPK,R(i,j)为彩色向量夹角图像θ在像素点(i,j)处的CLBP特征,θQ0,θQ1,...,θQK-1为彩色向量夹角图像θ在(i,j)处以R=1为半径的K个邻域像素点的取值,其中,R为邻域半径,K为邻域像素点个数;
步骤(5.4):将所有像素点的CLBP特征组成CLBP图像,并将CLBP图像缩放到[0,255]范围,计算CLBP图像的均值、标准差、偏度、峰度和熵作为CLBP特征,计算公式如下:
W为CLBP图像的宽度,H为CLBP图像的高度,p1(j)为CLBP图像中像素取值为j的概率,CLBP直方图特征向量为X,X=[μ1,σ1,s1,k1,h1]。
4.根据权利要求1所述的一种基于彩色向量夹角LBP算子的无参考彩色图像质量评价方法,其特征在于,所述步骤(6)具体如下:
步骤(6.1):采用与步骤(5.1)类似的方法,取出彩色图像在(i,j)点处的彩色向量C(i,j),以及(i,j)点半径为2的邻域的8个彩色向量C(i-2,j-2)、C(i-2,j)、C(i-2,j+2)、C(i,j+2)、C(i+2,j+2)、C(i+2,j)、C(i+2,j-2)和C(i,j-2);
步骤(6.2):采用与步骤(5.2)类似的方法,计算出(i,j)点处的彩色向量C(i,j)和8个半径为2的彩色向量之间的夹角θ(i-2,j-2)、θ(i-2,j)、θ(i-2,j+2)、θ(i,j+2)、θ(i+2,j+2)、θ(i+2,j)、θ(i+2,j-2)和θ(i,j-2),分别简化记为θP0、θP1、θP2、θP3、θP4、θP5、θP6和θP7;
步骤(6.3):计算彩色向量夹角图像θ在像素点(i,j)处的DLBP特征,计算方法如下:
其中,t(·)为阈值函数,当x≥0时,t(x)=1,当x<0时,t(x)=0;DLBPK,R(i,j)为彩色向量夹角图像在像素点(i,j)处的DLBP特征,θP0、θP1、θP2、θP3、θP4、θP5、θP6和θP7为彩色向量夹角图像θ在像素点(i,j)处以R=2为半径的K=8个邻域像素点的取值。
10.根据权利要求1所述的一种基于彩色向量夹角LBP算子的无参考彩色图像质量评价方法,其特征在于,所述步骤(8)中的下采样具体方法如下:
对上一层图像采用窗口为J×J,方差为σ的高斯滤波器进行滤波,并进行横向和纵向N:1下采样,得到下一尺度的图像,其中N为图像下采样的倍率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406907.2A CN109523542B (zh) | 2018-11-23 | 2018-11-23 | 一种基于彩色向量夹角lbp算子的无参考彩色图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406907.2A CN109523542B (zh) | 2018-11-23 | 2018-11-23 | 一种基于彩色向量夹角lbp算子的无参考彩色图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523542A CN109523542A (zh) | 2019-03-26 |
CN109523542B true CN109523542B (zh) | 2022-12-30 |
Family
ID=65778956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811406907.2A Active CN109523542B (zh) | 2018-11-23 | 2018-11-23 | 一种基于彩色向量夹角lbp算子的无参考彩色图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523542B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968073B (zh) * | 2020-07-07 | 2022-07-12 | 南昌大学 | 一种基于纹理信息统计的无参考图像质量评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780449A (zh) * | 2016-12-06 | 2017-05-31 | 嘉兴学院 | 一种基于纹理特征的无参考图像质量评价方法 |
CN108289222A (zh) * | 2018-01-26 | 2018-07-17 | 嘉兴学院 | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913413B (zh) * | 2016-03-31 | 2019-02-22 | 宁波大学 | 一种基于在线流形学习的彩色图像质量客观评价方法 |
-
2018
- 2018-11-23 CN CN201811406907.2A patent/CN109523542B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780449A (zh) * | 2016-12-06 | 2017-05-31 | 嘉兴学院 | 一种基于纹理特征的无参考图像质量评价方法 |
CN108289222A (zh) * | 2018-01-26 | 2018-07-17 | 嘉兴学院 | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109523542A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104978715B (zh) | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 | |
CN103595980B (zh) | 基于轮廓非局部均值的色彩滤波阵列图像去马赛克方法 | |
CN109035163A (zh) | 一种基于深度学习的自适应图像去噪方法 | |
CN102982513B (zh) | 一种基于纹理的自适应图像去雾方法 | |
CN109886945B (zh) | 基于对比度增强的无参考对比度失真图像质量评价方法 | |
WO2016169244A1 (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
CN103595981B (zh) | 基于非局部低秩的色彩滤波阵列图像去马赛克方法 | |
CN109829924B (zh) | 一种基于主体特征分析的图像质量评价方法 | |
CN106780449A (zh) | 一种基于纹理特征的无参考图像质量评价方法 | |
CN109118442B (zh) | 一种基于Sobel算子滤波的图像增强方法 | |
CN109685772B (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
CN109754390B (zh) | 一种基于混合视觉特征的无参考图像质量评价方法 | |
CN109523542B (zh) | 一种基于彩色向量夹角lbp算子的无参考彩色图像质量评价方法 | |
CN107292866B (zh) | 一种基于相对梯度的图像质量客观评价方法 | |
CN103841411B (zh) | 一种基于双目信息处理的立体图像质量评价方法 | |
CN104144339B (zh) | 一种基于人眼感知的质降参考立体图像质量客观评价方法 | |
CN108090914B (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
CN102497576A (zh) | 基于Gabor特征互信息的全参考图像质量评价方法 | |
CN104809735A (zh) | 基于傅里叶变换实现图像雾霾评价的***及方法 | |
CN109447952B (zh) | 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法 | |
CN112102379A (zh) | 一种无人机多光谱影像配准方法 | |
CN116402802A (zh) | 一种基于颜色空间多特征融合的水下图像质量评价方法 | |
CN108122233B (zh) | 基于局部像素综合特征的彩色图像分割方法 | |
CN110930398B (zh) | 一种基于Log-Gabor相似度的全参考视频质量评价方法 | |
Choppala et al. | Isolated vector median filtering for noise reduction in digital color images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 314033 2 building, Photovoltaic Science Park, 1288 Kang He road, Xiuzhou District, Jiaxing, Zhejiang. Applicant after: JIAXING University Address before: 314000 No. 56 South Yuexiu Road, Nanhu District, Zhejiang, Jiaxing Applicant before: JIAXING University |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |