基于高质量自然图像统计量模型的无参考图像质量评价方法

摘要

本发明所示的基于高质量自然图像统计量学模型的无参考图像质量评价方法：首先从高质量自然图像的第一图像块中学多元高斯模型所对应的参数；对于测试图像，先将其分割成等大小的第二图像块，并提取每一个第二图像块的多元高斯模型；使用巴氏距离确定多元高斯模型之间的距离，从而确定失真图像质量块的质量；利用视觉显著性线性加权所有失真图像块的质量，最终得到测试图像的客观评价分数，其可较好地克服了现有评价方法泛化能力弱的问题，满足实际应用对无参考图像质量评价方法的要求。

主权项

一种基于高质量自然图像统计量模型的无参考图像质量评价方法，其特征在于：包括以下步骤：(一)从无损图像中学习参考多元高斯模型，以确定作为衡量基准的无损图像质量块特征(μ,∑)：(a)对于每一幅无损图像，将其缩放为固定尺寸E，并且将缩放后的无损图像分成多块大小为e的RGB三颜色通道图像块，其中E的取值范围为300×300至600×600，e的取值范围为60×60至100×100；(b)从无损图像多块大小为e的图像块中挑选出对比度>0.78的第一图像块；(c)分别使用归一化亮度特征、归一化亮度乘积特征、梯度与梯度幅值特征、log‑Gabor滤波器响应值特征以及颜色特征5种自然图像的统计规律提取出每一个第一图像块所对应的特征，记为(d)对X使用PCA降维，得到一个投影矩阵每一个特征向量x_i被转换成：(e)使用最大似然估计从中学习到对应的多元高斯分布，表示为：$f\left(x\right)=\frac{1}{{\left(2\pi \right)}^{m/2}{\left|\Sigma \right|}^{1/2}}\exp (-\frac{1}{2}{(x-\mu )}^T{\Sigma }^{-1}(x-\mu )),$其中μ和∑分别代表x的平均向量和协方差矩阵；(二)确定测试图像的第二图像块对应特征(I)对于每一幅测试图像，将其缩放为固定尺寸E，并且将缩放后的无损图像分成k(k取值为50到120)块大小为e的第二图像块，其中E的取值范围为300×300至600×600，e的取值范围为60×60至100×100；(II)对于每一个第二图像块，分别使用归一化亮度特征、归一化亮度乘积特征、梯度与梯度幅值特征、log‑Gabor滤波器响应值特征以及颜色特征5种自然图像的统计规律提取出与质量相关的特征y_i，并使用投影矩阵Φ对其降维：$y_i^1={\Phi }^T{y}_i$(III)对于所有的第二图像块的集合使用最大似然估计求出协方差矩阵∑¹，考虑到运算效率，所有的第二图像块共享一个协方差矩阵∑¹，则第二图像块对应的特征为(三)使用巴氏距离确定k块第二图像块的质量：使用测试图像块的多元高斯模型学习到的参数与作为基准的无损图像多元高斯模型(μ,∑)之间的巴氏距离评价每一块第二图像块的质量：$q_i=\sqrt{{(-y_i^1)}^T{\left(\frac{\Sigma +{\Sigma }^1}{2}\right)}^{-1}(-y_i^1)}$其中q_i是计算得到的一个图像块的质量；(四)利用视觉显著性线性加权所有失真图像块的质量，最终得到测试图像的客观评价分数：$q={\Sigma }_{i=1}^k\frac{q_i·s_i}{{\Sigma }_{i=1}^k{s}_i}$其中s_i代表图像块i对应的视觉显著性值。