用于圖像質(zhì)量評(píng)價(jià)的圖像稀疏多維度特征提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，尤其涉及一種用于圖像質(zhì)量評(píng)價(jià)的圖像稀疏多維 度特征提取方法。
【背景技術(shù)】
[0002] 圖像質(zhì)量評(píng)價(jià)，是指對(duì)圖像在壓縮和信道傳輸中引入的失真或噪聲進(jìn)行分析，量 化成分?jǐn)?shù)，從而反映圖像質(zhì)量的方法。在圖像處理智能化系統(tǒng)中，圖像質(zhì)量評(píng)價(jià)通過機(jī)器模 仿人類對(duì)圖像質(zhì)量的認(rèn)知，成為了優(yōu)化系統(tǒng)參數(shù)的閉環(huán)中的關(guān)鍵反饋。另外，圖像質(zhì)量評(píng)價(jià) 也是評(píng)測(cè)各種圖像處理算法優(yōu)劣的重要指標(biāo)。如何客觀地反映人類的主觀認(rèn)知，是圖像質(zhì) 量評(píng)價(jià)的研宄重點(diǎn)和難點(diǎn)所在。
[0003] 傳統(tǒng)的主觀圖像質(zhì)量評(píng)價(jià)憑借實(shí)驗(yàn)人員的主觀感知來評(píng)價(jià)圖像質(zhì)量。實(shí)驗(yàn)中通過 大量實(shí)驗(yàn)人員的數(shù)據(jù)，進(jìn)行較為復(fù)雜的心理學(xué)模型建模和分析，得出較為公正的圖像質(zhì)量 分?jǐn)?shù)。但是，主觀實(shí)驗(yàn)過程中的觀測(cè)距離、實(shí)驗(yàn)環(huán)境等都必須嚴(yán)格一致，而且實(shí)驗(yàn)費(fèi)時(shí)費(fèi)力， 難以操作。相對(duì)于主觀圖像質(zhì)量評(píng)價(jià)，基于圖像特征提取的客觀圖像質(zhì)量評(píng)價(jià)，具有操作簡(jiǎn) 單，成本低，可重復(fù)等優(yōu)點(diǎn)，正在逐漸引起越來越多的關(guān)注。
[0004] 圖像質(zhì)量的損失，主要體現(xiàn)在圖像壓縮算法在壓縮過程中追求壓縮比例而丟失的 信息和傳輸過程中信道衰落或干擾而引入的噪聲或失真。譬如在JPEG壓縮過程中，由于在 離散余弦變換后，對(duì)頻譜高頻即圖像細(xì)節(jié)進(jìn)行壓縮而引入的塊效應(yīng)；又如在無線傳輸中，由 于接收端周圍存在散射、反射和折射體，引起信號(hào)多徑傳輸，到達(dá)的信號(hào)之間相互疊加而引 起的快衰落失真。由于這些噪聲和失真都具有較為顯著的數(shù)學(xué)特征，所以圖像質(zhì)量評(píng)價(jià)可 以通過建立各種不同的數(shù)學(xué)模型，實(shí)現(xiàn)對(duì)圖像失真的數(shù)學(xué)表達(dá)和測(cè)定，如把圖像作為信號(hào)， 失真作為信號(hào)差錯(cuò)來衡量的差錯(cuò)模型；利用人眼的生物學(xué)和心理學(xué)的特性，提取圖像空域 紋理特征和頻譜特征的人眼視覺特性模型；利用自然圖像統(tǒng)計(jì)學(xué)，分析失真對(duì)圖像統(tǒng)計(jì)學(xué) 參數(shù)的影響的自然圖像統(tǒng)計(jì)模型。
[0005] 由于數(shù)字圖像作為一種自然場(chǎng)景的離散數(shù)學(xué)表示，所包含的信息是抽象、高維度 且極其復(fù)雜的，所以提取反映圖像質(zhì)量的圖像特征是圖像質(zhì)量評(píng)價(jià)最為重要的核心。傳統(tǒng) 的信號(hào)模型并不能反映圖像作為一種獨(dú)特信號(hào)的特殊性質(zhì)，與人的主觀判斷差距甚遠(yuǎn)。人 眼視覺特性模型依賴于人眼的生物學(xué)和心理學(xué)研宄，實(shí)現(xiàn)人眼建模難度極大，而各種紋理 特征和頻譜特征較為單一。自然圖像統(tǒng)計(jì)模型的特征提取，復(fù)雜度高，耗時(shí)并且分析難度 大。歸根結(jié)底，如何高效地提取獨(dú)立不冗余的特征是構(gòu)建圖像質(zhì)量評(píng)價(jià)方法的關(guān)鍵。
[0006] 近年來，稀疏的概念逐漸從神經(jīng)科學(xué)發(fā)展到計(jì)算機(jī)科學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域。一方面， 由于在神經(jīng)科學(xué)中，稀疏編碼理論可以更加成功地描述哺乳動(dòng)物的初級(jí)視覺的簡(jiǎn)單細(xì)胞具 有的空域局部性、方向性和帶通性；另一方面，稀疏性是信息表示的最普遍屬性之一，一個(gè) 具有稀疏性的信息載體是可壓縮的，可壓縮的信息是能夠被更加高效的處理與應(yīng)用的。對(duì) 于圖像而言，稀疏的圖像特征去除了圖像表示中的冗余信息，從更深的層次代表圖像，進(jìn)而 反映圖像特征。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的針對(duì)現(xiàn)有圖像質(zhì)量評(píng)價(jià)過程中，由于圖像特征的信息冗余以及變換 域特征對(duì)空域信息的缺失導(dǎo)致質(zhì)量評(píng)價(jià)不高的缺陷，提出一種用于圖像質(zhì)量評(píng)價(jià)的圖像稀 疏多維度特征提取方法。發(fā)明立足于空間域降維和變換域稀疏處理的方法，有效地提取出 代表圖像質(zhì)量的圖像特征，并應(yīng)用于圖像質(zhì)量評(píng)價(jià)。圖像稀疏多維度特征能夠更好地模 擬人類視覺系統(tǒng)對(duì)圖像質(zhì)量的感知特性，從而為構(gòu)建更高性能的圖像質(zhì)量評(píng)價(jià)方法奠定基 礎(chǔ)。
[0008] 本發(fā)明采取的技術(shù)方案是：
[0009] 首先，將圖像分為若干參考?jí)K，針對(duì)每個(gè)參考?jí)K，利用全局搜索，分別查找和參考 塊空間域和變換域相似的圖像塊并堆疊成高維度的組；其次，對(duì)每組堆疊的圖像塊提取3D 變換后的稀疏信息；最后，以稀疏信息和構(gòu)造出組記錄的位置信息的統(tǒng)計(jì)特征作為分析圖 像視覺質(zhì)量的基準(zhǔn)。
[0010] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案如下：
[0011] 步驟（1).輸入圖像I，并按一定的塊寬度Npatdl將圖像I分為互不重疊的塊作為 參考?jí)K空間PKef={PieI:iGY+，i彡m}，其中，P為參考圖像塊的總稱，i為圖像塊的索 弓丨，Y+為正整數(shù)，m為假定的參考?jí)K個(gè)數(shù)。
[0012] 步驟（2).根據(jù)步驟⑴輸入的圖像I，并按一定的步長(zhǎng)凡_，按同樣的塊寬度Npateh 將圖像I分為互相重疊的塊作為參考?jí)K搜索空間PseaTCh={P/eI:jGY+，j彡n}，其中 P'為搜索空間圖像塊的總稱，n為搜索空間中塊的個(gè)數(shù)，j為搜索空間的塊索引。
[0013] 同時(shí)記錄每一個(gè)塊的起始位置，記為：
[°014]Spos= {(xpJ,ypJ)} (1)
[0015] 其中，xpjpyw.分別對(duì)應(yīng)L塊的起始位置的橫縱坐標(biāo)。
[0016] 步驟（3).在搜索空間PseaTCh中，分別找出與參考?jí)K的空間域距離和變換域距離小 于一定閾值的圖像塊，并分別堆疊成組，記錄塊的起始位置形成拓?fù)湫畔?，并將其從PSMTCh 和Sp()s中取出。具體如下：
[0021]
[0022] 其中，dspatial和dtans分別代表空間域距離和變換域距離，|卜| | 2代表1 2范數(shù)，即 歐氏距離，T2D( ?)代表2D的線性變換（如傅里葉變換、離散正余弦變換等），這里使用的是 離散余弦變換，得到的為離散余弦變換系數(shù)，P和q分別為方塊內(nèi)的橫縱坐標(biāo)索引， 和分別代表在空間域和變換域與參考?jí)K匕相似的集合，t ^ t_s分別代 表空間域和變換域判斷相似的閾值，Kx，y)spatial}和Kx，y)trans}分別為記錄下的位置集 合。
[0023] 步驟（4).分別將步驟（3)堆疊后的組進(jìn)行3D變換，獲得多維度稀疏的變換域信 息。具體方法為：3D變換分為針對(duì)每一個(gè)圖像塊的2D對(duì)角變換和組堆疊縱方向上的1D變 換。2D變換使用步驟（3)中的離散余弦變換，1D變換使用Walsh-Hadamard變換：
[0026] 其中，T1D( ?)為3D堆疊塊的堆疊方向的1D變換，7"是堆疊方向的塊序列，Nstack 為堆疊方向的塊個(gè)數(shù)，WAL為Walsh函數(shù)，分別為矩陣中的每行或每列。對(duì)角變換是為了保 證2D變換后信息的稀疏性。由于不限定變換形式，所以記每組空域相似塊變換后的變換域 譜為，每組變換域相似塊變換后的變換域譜為。
[0027] 步驟（5).將步驟（4)得到的變換域譜^^和分別做直方圖統(tǒng)計(jì)，獲取統(tǒng)計(jì)結(jié)果 的一階矩、二階矩和三階矩作為變換域特征。
[0029] 其中，f(x)為直方圖統(tǒng)計(jì)結(jié)果中的概率密度函數(shù)，n分別取1、2、3使11'"代表一、 二、三階矩（期望、方差和偏態(tài)），c為相對(duì)值，通常一階矩計(jì)算中c為0,其余為一階矩。
[0030] 步驟（6).利用最小二乘法的經(jīng)驗(yàn)公式做每組塊位置的線性擬合，并求出相關(guān)系 數(shù)。
[0034] (x，y)G{(x，y)spatial}或{(x，y) trans}
[0035] 其中，a和b代表線性擬合成y=ax+b直線中的系數(shù)，x和y分別代表記錄位置的 橫縱坐標(biāo)，r代表相關(guān)系數(shù)。[和^分別為x和y的均值，n為每組塊的總數(shù)。
[0036] 步驟（7).分別將空域和變換域提取出的特征構(gòu)成特征向量，利用支持向量機(jī) (SupportVectorMachine)和已有的數(shù)據(jù)庫中的部分?jǐn)?shù)據(jù)，進(jìn)行訓(xùn)練，利用剩余數(shù)據(jù)進(jìn)行 交叉驗(yàn)證，從而得到圖像質(zhì)量分?jǐn)?shù)。
[0037] V[P1spatial,P2spatial,P3spatialJ -^spatial?1trans? 2transJ 3 trans? -^trans-l為特 征向量，下標(biāo)spatial和trans分別代表空域和變換域特征。
[0038] 本發(fā)明的有益效果：
[0039] 本發(fā)明充分利用空間域?qū)D像數(shù)據(jù)進(jìn)行降維處理和3D變換獲得的變換域稀疏信 息，結(jié)合降維處理時(shí)記錄的塊相似度的拓?fù)湫畔?，?gòu)建用于圖像質(zhì)量評(píng)價(jià)的多維度特征向 量。該方法具有較為適當(dāng)?shù)挠?jì)算復(fù)雜度，且所有的搜索和變換過程可并行，實(shí)驗(yàn)結(jié)果表明， 基于本發(fā)明提出的圖像質(zhì)量評(píng)價(jià)方法具有較好的效率和較好的性能。
【附圖說明】
[0040] 圖1為本發(fā)明基于稀疏多維度特征提取的原理框圖。
【具體實(shí)施方式】
[0041] 下面結(jié)合附圖對(duì)本發(fā)明方法作進(jìn)一步說明。
[0042] 如圖1所示，用于圖像