一种基于多重分形谱的无参考图像质量评价方法

摘要

本发明公开了一种基于多重分形谱的无参考图像质量评价方法，属于图像处理领域。本发明方法具体实施包括如下步骤：（一）输入失真图像，对图像进行灰度处理，并去掉边框；（二）将图像的长和宽进行裁剪，成为64的整数倍，并分割为多个64×64像素的图像碎片；（三）建立同一种类型的失真图像数据库，从中训练出多重分形谱的参考数据；（四）输入失真图像，得到其多重分形谱aq,fq；（五）与数据库中的多重分形谱对应点求距离。本发明通过建立多重分形谱提取图像特征，并基于数据训练进行图像质量评价，评价结果符合人类视觉主观认识。

主权项

一种基于多重分形谱的无参考图像质量评价方法，其特征在于它包括以下步骤：步骤(1)：输入参考图像R；步骤(2)：对参考图像R进行灰度化处理，当参考图像R有边框时，裁剪掉边框；步骤(3)：对步骤(2)处理后的图像的长和宽进行裁剪，使其像素成为64的整数倍，并分割成为64×64像素大小的图像碎片；步骤(4)：对每一个图像碎片建立多重分形谱；多重分形谱的建立步骤如下：1)由于计算机存储的8位bmp格式图像的灰度有256阶，将Sums作为该图像碎片的所有像素点的灰度值相加得到的和，$Sums=\underset{i=1}{\overset{64}{\Sigma }}\underset{j=1}{\overset{64}{\Sigma }}{a}_{ij}$其中a_ij表示第i行第j列的像素点的灰度值；2)将图像碎片分割为边长w为2的小盒子，即大小为2×2的小盒子，总共可分成32×32共1024块小盒子，求每个小盒子的灰度值的和nL_k，${\mathrm{nL}}_k=\underset{m=1}{\overset{w}{\Sigma }}\underset{n=1}{\overset{w}{\Sigma }}{a}_{mn}$其中，a_mn表示每个小盒子内部第m行第n列的像素点的灰度值；k作为小盒子的序号，取值随小盒子边长w的改变而改变，其最大值$k_{max}=\frac{{64}^2}{w^2}$由于此时小盒子大小为2×2，则k的取值范围为1～1024；3)使每个小盒子的灰度值的和nL_k与总的灰度值的和Sums做比例，得到比值pL_k，${\mathrm{pL}}_k=\frac{{\mathrm{nL}}_k}{Sums}$4)设置统计矩的阶q，表征多重分形不均匀程度的量，根据q对各个小盒子进行概率加权求和得到Xq，$Xq[L,count]=\underset{k=1}{\overset{k_{\max }}{\Sigma }}{{\mathrm{pL}}_k}^q$其中根据参数设定，q取最小值为‑50.5，最大值为+50.5，步长为1，共102个值，所以count取1～102，且count与统计矩的阶q的函数关系为：count＝q+50.5+1而由于图像碎片大小为64×64，小盒子边长w的值是2,即小盒子大小为2×2，所以L的取值为1，且L与小盒子边长w的函数关系为L＝log₂ w所以得到的Xq矩阵为Xq[1,102]；5)根据多重分形谱的原理，计算奇异性指数aq和多重分形奇异谱fq，得到aq‑fq图像；首先计算奇异性指数aq的中间变量矩阵αql和多重分形奇异谱fq的中间变量矩阵fql：$\alpha ql[L,count]=\underset{k=1}{\overset{k_{\max }}{\Sigma }}\frac{{{\mathrm{pL}}_k}^q}{Xq[L,count]}\ln \left({\mathrm{pL}}_k\right)$$fql[L,count]=\underset{k=1}{\overset{k_{\max }}{\Sigma }}\frac{{{\mathrm{pL}}_k}^q}{Xq[L,count]}\ln \left(\frac{{{\mathrm{pL}}_k}^q}{Xq[L,count]}\right)$分别更改小盒子边长w的大小和统计矩的阶q的取值，填充质量指数函数矩阵Xq，和中间变量矩阵αql，fql；当边长w取4时，在计算每个小盒子的灰度值的和nL_k时，m和n的取值范围为1～4，而小盒子的序号k的取值范围为1～256，当w取8,16,32时以此类推；6)以横坐标为小盒子边长相对于图像碎片边长的对数值le$le\left[L\right]=ln\left(\frac{w}{64}\right)$其中，w取2,4,8,16,32，L取1～5，得到图像碎片边长的对数值数列le[5]；以纵坐标为当前边长w下的小盒子的中间变量矩阵αql的中间变量值，进行最小二乘法直线拟合，则拟合出的直线斜率即为当前统计矩的阶q的奇异性指数aq；改变统计矩的阶q值，则奇异性指数aq共有102个结果，得到数列aq[102]；同理，以横坐标为小盒子边长w相对于图像碎片边长的对数值数列le[5]，以纵坐标为当前边长w下的小盒子的中间变量矩阵fql的中间变量值，进行最小二乘法直线拟合，则拟合出的直线斜率即为当前q值的多重分形奇异谱fq，改变q值，则多重分形奇异谱fq共有102个结果，得到数列fq[102]；则奇异性指数aq和多重分形奇异谱fq即为多重分形谱的横轴与纵轴；步骤(5)：对相同种类图片的相同位置的奇异性指数aq和多重分形奇异谱fq求平均数，作为本类图像经数据训练后的数据步骤(6)：将待评价图像经步骤(2)至步骤(4)处理，得到待评价图像多重分形谱的奇异性指数αq'和多重分形奇异谱fq'；将步骤(5)得到的本类图像经数据训练后的数据与待评价图像多重分形谱的奇异性指数αq'和多重分形奇异谱fq’对应点之间逐点进行取距离dis，其计算公式为：$dis=\sqrt{{({\mathrm{\alpha q}}^{\prime }-\overline{\alpha q})}^2+{({\mathrm{fq}}^{\prime }-\overline{fq})}^2};$步骤(7)：求距离dis的平均值，并作为得到的分数，平均值越小，表示图像质量越高。