基于威布爾統計特征的內容不敏感模糊圖像質量評價方法技術

本發明專利技術公開了一種基于威布爾統計特征的內容不敏感模糊圖像質量評價方法。使用本發明專利技術能夠很好解決現有算法對相同模糊程度但內容不同的模糊圖像評價不準確的問題。本發明專利技術取待評價圖像的邊緣梯度幅值矩陣，對邊緣梯度幅值矩陣采用威布爾分布進行建模擬合，得到梯度的威布爾分布形狀和尺度參數，同時計算威布爾分布形狀的偏斜度值，提取的形狀、尺度和偏斜度參數可以很好地區分不同模糊程度圖像的梯度幅值分布；然后對具有相同內容圖像的威布爾分布形狀、尺度和偏斜度做分離歸一化，減少參數與圖像內容之間的關系，到達與圖像內容不敏感的目的；最后利用歸一化后的威布爾分布形狀、尺度和偏斜度為特征值，對待評價圖像進行質量評價。

Fuzzy image quality evaluation method based on Weibull statistical feature insensitive

The invention discloses a content insensitive fuzzy image quality evaluation method based on Weibull statistical characteristics. The invention can solve the problem that the fuzzy image of the same fuzzy degree but different content is not accurately evaluated by the prior algorithm. The invention takes the evaluation of edge gradient amplitude matrix of the image, the edge gradient magnitude matrix of the model fitting Weibull distribution, shape and scale parameters of the Weibull distribution gradient, skewness value and calculate the Weibull distribution form, extract the shape, scale and skewness of gradient amplitude distribution parameters can be well separated in different degree of ambiguity image; then the content of the image with the same shape and size of Weibull distribution and skewness of the separation of normalization, reduce the relationship between parameters and image content, image content and reach is not sensitive to the normalized; Weibull distribution shape, scale and skewness as feature values, treat the evaluation of image quality evaluation.

【技術實現步驟摘要】
基于威布爾統計特征的內容不敏感模糊圖像質量評價方法
本專利技術涉及圖像處理
，具體涉及一種基于威布爾統計特征的內容不敏感模糊圖像質量評價方法。
技術介紹
數字多媒體技術和互聯網技術的迅猛發展，使得多媒體內容可以成為現代人們日常娛樂、通信的主要內容，比如，高分辨率電視(HighDefinitionTelevision，HDTV)、流媒體網絡電視(StreamingInternetProtocolTV，IPTV)、愛奇藝、優酷、Youtube、Flickr等視頻網站。如此海量的數據和龐大的需求使得人類對多媒體影像的觀賞質量要求越來越高，同時觸發多媒體信號采集、壓縮、傳輸、增強以及重構等技術的大力研究。在多媒體采集、處理等過程中，信號經常受到很多外界不利因素的干擾，包括噪聲、模糊、壓縮塊效應等。其中，圖像模糊是最常見的一種失真類型，通常包括失焦模糊和運動模糊兩種。失焦模糊是由于相機焦點不在物體上導致的，而運動模糊則是由于相機和物體存在相對運動。無論是哪種模糊都會使得被模糊物體的邊緣失去銳度，結構變得不清晰，嚴重影響人類視覺體驗。因此，期望能夠建立一種客觀的圖像模糊評價機制，對模糊圖像質量評判打分，進而指導采集、處理等過程。現有的圖像質量評價算法，依據是否借助無失真圖像做參考，可以分為全參考、部分參考和無參考評價算法。全參考評價算法可以利用無失真圖像的所有信息，部分參考評價算法則只能通過無失真圖像的部分信息做參考，而無參考評價算法無需利用無失真圖像的信息。從效果進行比較，全參考評價模型由于可以利用全部的信息，往往有最好的效果；而從實用的角度比較，由于實際中無失真圖像很多時候是獲取不到的，此時，只有無參考評價模型適用。所以，研究無參考模糊圖像質量評價算法具有重要的實際作用。最近一些年，國內外很多專家學者進行了模糊圖像無參考質量評價方面的研究，提出了一系列算法，根據特征提取方法的不同，可以分為基于空間域的、基于變換域的和基于梯度的三種類型算法。基于空間域特征提取的無參考模糊評價算法，一般提取圖像邊緣寬度和紋理等特征作為圖像模糊的表征。該類方法中，無論是空間域計算水平和豎直方向圖像邊緣的延伸度，還是計算像素變化協方差的模型，都很容易受到邊緣提取精度和邊緣銳度建模精度的影響，容易產生誤差。同時，這些模型提取的特征描述對圖像內容敏感，可能導致相同模糊程度的但內容不同的兩幅圖像計算得到的特征表征差別比較大。基于變換域的無參考模糊評判模型基于模糊導致圖像高頻能量減少的理論提出對圖像進行傅里葉變換、離散余弦變換、離散小波變換或稀疏變換等。其中一些算法通過變換系數計算得到能量損失程度，另外一些算法則從變換系數中提取自然場景統計特征(NaturalSceneStatistics,NSS)。這類方法同樣受到圖像內容的影響，無論是能量還是NSS特征，對無失真的圖像平滑區域和紋理區域結果差別很大，無法客觀衡量圖像模糊與否。而基于圖像梯度域方法的提出是來源于模糊會導致圖像梯度下降的理論。有的方法通過提取梯度計算邊緣的寬度，有的方法結合邊緣梯度幅值的標準差和梯度幅值，也有一些方法提取梯度分布的統計特性。然而，這些方法在提取特征的過程中沒有考慮圖像內容對特征值的影響，給評價結果帶來誤差。因此，有必要研究一種對圖像內容不敏感的模糊評價算法，對相同模糊程度不同圖像內容的圖像評價結果一樣，有效解決現有評價算法存在的問題。
技術實現思路
有鑒于此，本專利技術提供了一種基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，能夠很好解決現有算法對相同模糊程度但內容不同的模糊圖像評價不準確的問題。本專利技術的基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，包括如下步驟：步驟1，將待評價圖像轉化為灰度圖像，提取灰度圖像的梯度幅值矩陣；步驟2，采用威布爾分布模型對步驟1獲得的梯度幅值矩陣進行建模擬合，得到梯度的威布爾分布形狀和尺度參數，并計算威布爾分布形狀的偏斜度；步驟3，提取訓練樣本集中與待評價圖像內容相同的模糊圖像，并將這些模糊圖像和待評價圖像的威布爾分布形狀、尺度和偏斜度進行分離歸一化；步驟4，以待評價圖像的歸一化后的威布爾分布形狀、尺度和偏斜度為特征值，對待評價圖像進行質量評價。進一步地，利用評價模型進行評價，并事先利用訓練樣本集對評價模型進行訓練，其中，對訓練樣本集中具有相同內容的樣本圖像的威布爾分布形狀、尺度和偏斜度進行分離歸一化，然后以訓練樣本集中樣本圖像的主觀質量評價值作為目標值，將目標值和對應樣本圖像的歸一化后的特征值作為輸入，進行訓練。進一步地，所述步驟4中，采用BP神經網絡、SVM算法、超限學習機或稀疏超限學習機回歸模型對待評價圖像進行評價。進一步地，利用改進的稀疏超限學習機回歸模型對待評價圖像進行評價；其中，改進的稀疏超限學習機的優化目標是：其中，γ是學習機輸出層權重，||||2表示二范數，||||1表示一范數；H為學習機網絡隱層輸出矩陣，Y為訓練目標值，C是訓練誤差項的懲罰因子，λ1、λ2為控制系數；λ1用于控制類間距離；λ2用于控制學習機的稀疏性；C的取值在[100,…,1010]范圍內，λ1和λ2在0～10之間取值。進一步地，所述稀疏超限學習機的網絡隱層節點數取樣本數的0.5-2倍。進一步地，所述步驟1中，分別用水平x方向和豎直y方向的Prewitt濾波器hx、hy計算圖像在水平方向和豎直方向的梯度，然后計算每個像素點(i,j)的梯度幅值GM(i,j)：其中，表示卷積。進一步地，進一步地，所述步驟2中，偏斜度η的計算方法為：其中，GM為灰度圖像的梯度幅值矩陣；μ3是GM的三階矩，σ是GM的標準差，n是矩陣GM中的元素個數；GMi為矩陣GM中第i個元素，為矩陣GM中所有元素的均值。有益效果：1、該方法提出基于威布爾統計建模的無參考模糊圖像質量評價模型，提取的形狀、尺度和偏斜度參數可以很好地區分不同模糊程度圖像的梯度幅值分布。2、本方法對威布爾模型參數進行分離歸一化處理，有效降低特征與圖像內容之間的關聯程度，使得無參考模糊評價模型對圖像內容不敏感，模型評價結果相比于傳統算法更加準確，同時具有更好的實用性。3、本方法和傳統計算圖像邊緣寬度的算法相比，不容易受到特征提取模型準確性和圖像其他噪聲的干擾，評價結果也更準確。4、本方法在擬合威布爾統計特征和圖像客觀質量分數之間對應關系時，與傳統人為設計的擬合函數或傳統機器學習方法不同，本方法采用了一種無需通過訓練可以隨機生成學習權重的系數超限學習機學習算法，比BP、SVM和原始ELM算法具有更好的學習效果。附圖說明圖1為本專利技術的實施流程圖。圖2為威布爾分布模型中形狀(β)和尺度(γ)參數影響的示意圖。具體實施方式下面結合附圖并舉實施例，對本專利技術進行詳細描述。本專利技術提供了一種基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，首先提取待評價圖像的邊緣梯度幅值矩陣，對邊緣梯度幅值矩陣采用威布爾分布進行建模擬合，得到梯度的威布爾分布形狀和尺度參數，同時計算威布爾分布形狀的偏斜度值；然后對具有相同內容圖像的威布爾分布形狀、尺度和偏斜度做分離歸一化，減少參數與圖像內容之間的關系，到達與圖像內容不敏感的目的；最后利用歸一化后的威布爾分布形狀、尺度和偏斜度為特征值，對待評價圖像進行質量評價。具體流程如本文檔來自技高網...

【技術保護點】
一種基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，包括如下步驟：步驟1，將待評價圖像轉化為灰度圖像，提取灰度圖像的梯度幅值矩陣；步驟2，采用威布爾分布模型對步驟1獲得的梯度幅值矩陣進行建模擬合，得到梯度的威布爾分布形狀和尺度參數，并計算威布爾分布形狀的偏斜度；步驟3，提取訓練樣本集中與待評價圖像內容相同的模糊圖像，并將這些模糊圖像和待評價圖像的威布爾分布形狀、尺度和偏斜度進行分離歸一化；步驟4，以待評價圖像的歸一化后的威布爾分布形狀、尺度和偏斜度為特征值，對待評價圖像進行質量評價。

【技術特征摘要】
1.一種基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，包括如下步驟：步驟1，將待評價圖像轉化為灰度圖像，提取灰度圖像的梯度幅值矩陣；步驟2，采用威布爾分布模型對步驟1獲得的梯度幅值矩陣進行建模擬合，得到梯度的威布爾分布形狀和尺度參數，并計算威布爾分布形狀的偏斜度；步驟3，提取訓練樣本集中與待評價圖像內容相同的模糊圖像，并將這些模糊圖像和待評價圖像的威布爾分布形狀、尺度和偏斜度進行分離歸一化；步驟4，以待評價圖像的歸一化后的威布爾分布形狀、尺度和偏斜度為特征值，對待評價圖像進行質量評價。2.如權利要求1所述的基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，利用評價模型進行評價，并事先利用訓練樣本集對評價模型進行訓練，其中，對訓練樣本集中具有相同內容的樣本圖像的威布爾分布形狀、尺度和偏斜度進行分離歸一化，然后以訓練樣本集中樣本圖像的主觀質量評價值作為目標值，將目標值和對應樣本圖像的歸一化后的特征值作為輸入，進行訓練。3.如權利要求1或2所述的基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，所述步驟4中，采用BP神經網絡、SVM算法、超限學習機或稀疏超限學習機回歸模型對待評價圖像進行評價。4.如權利要求1或2所述的基于威布爾統計特征的內容不敏感模糊圖像質量評價方法，其特征在于，利用改進的稀疏超限學習機回歸模型對待評價圖像進行評價；其中，改進的稀疏超限學習機的優化目標是：其中，γ是學習機輸出層權重，||||2表示二范數，||||1表示一范數...

【專利技術屬性】
技術研發人員：鄧宸偉，王水根，周士超，李震，趙保軍，
申請(專利權)人：北京理工大學，
類型：發明
國別省市：北京,11