一種分數(shù)傅立葉變換和廣義伽瑪分布的圖像質(zhì)量評價方法
【專利說明】一種分數(shù)傅立葉變換和廣義伽瑪分布的圖像質(zhì)量評價方法 (一） .技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，公開了一種基于分數(shù)傅立葉變換和廣義伽瑪分布的無 參考圖像質(zhì)量評價方法。 (二） .【背景技術(shù)】
[0002] 圖像質(zhì)量評價可分成主觀圖像質(zhì)量評價方法和客觀圖像質(zhì)量評價方法。主觀評價 方法根據(jù)觀察者的感受進行打分，雖然準確，但存在著成本高昂和費時等缺點，客觀圖像質(zhì) 量評價方法采用計算模型自動預測圖像質(zhì)量，成本低，耗時短，具有很好的應用價值?？陀^ 圖像質(zhì)量評價方法可分成全參考，半?yún)⒖己蜔o參考三種類型。全參考圖像質(zhì)量評價方法利 用原始圖像的完整信息作為評價的參考，半?yún)⒖紙D像質(zhì)量評價方法利用原始圖像的部分信 息作為評價參考，無參考圖像質(zhì)量評價方法完全利用待評價圖像的本身信息進行圖像質(zhì)量 評價。本發(fā)明涉及一種無參考圖像質(zhì)量評價方法。BIQI(BlindImageQualityIndices) 是一種常用的無參考圖像質(zhì)量評價方法，BIQI首先對圖像進行二維小波變換得到小波系 數(shù)，在用廣義高斯分布建模小波系數(shù)，估計得到廣義高斯分布的均值，方差，形狀參數(shù)，并將 均值，方差和形狀參數(shù)組成特征向量，將特征向量用訓練好的支持向量機進行分類，將失真 圖像分類到開￡6，開￡62000^81^1?和？？類型中的某個類型。分類完畢后，特征向量被輸 入到訓練好的支持向量回歸機中，得到輸入圖像的主觀質(zhì)量分值。BIQI算法在圖像質(zhì)量評 價中得到廣泛應用，但BIQI算法中的廣義高斯分布不能很好地建模小波系數(shù)，導致預測輸 出的主觀質(zhì)量分值與實際的主觀質(zhì)量分值存在較大的偏差。與廣義1?斯分布相比，廣義伽 瑪分布比廣義高斯分布多出一個索引形狀參數(shù)，當滿足一定條件時，廣義伽瑪分布變成廣 義高斯分布，因此廣義伽瑪分布比廣義高斯分布能更好地建模小波系數(shù)。因此，可得到更好 的預測主觀質(zhì)量分值。此外，BIQI中采用小波變換對圖像進行處理，但小波變換的濾波系 數(shù)固定，不能很好地反映圖像的時頻特性，因此可采用分數(shù)階傅里葉變換對圖像進行處理， 改變分數(shù)階傅立葉變換的階數(shù)，可得到圖像的不同階數(shù)下的時頻分析，相比小波變換，分數(shù) 階傅立葉變換有更好的靈活性，因此用分數(shù)階傅里葉變換代替小波變換，得到的預測輸出 的主觀質(zhì)量分值與實際圖像主觀質(zhì)量分值更吻合。 (三） .
【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是提供一種預測更精確的無參考圖像質(zhì)量評價方法。
[0004] 本發(fā)明采用的技術(shù)方案是：一.將圖像數(shù)據(jù)庫劃分成訓練圖像和測試圖像兩類， 對訓練圖像和測試圖像分別進行二維離散分數(shù)階傅立葉變換得到分數(shù)階傅立葉系數(shù)，分數(shù) 階傅立葉變換的階數(shù)取為〇. 25,0. 5,0. 75和1。二.對不同分數(shù)階下的分數(shù)傅立葉系數(shù)采 用廣義伽馬分布進行建模，得到每個分數(shù)階下水平，垂直和對角三個方向廣義伽馬分布的 均值，方差，形狀參數(shù)和索引形狀參數(shù)，并組成每個圖像的特征向量。三.將訓練圖像的特 征向量和訓練圖像所屬的失真類別送到分類支持向量機中進行訓練，得到訓練好的分類支 持向量機，用于將圖像分成JPEG，JPEG2000,WN，BLUR和FF五個不同的失真類。四.將訓 練圖像分成JPEG，JPEG2000,WN，BLUR和FF五個不同的失真類，每一類的圖像的特征向量 和主觀MOS分值送到支持向量回歸機中進行訓練，得到訓練好的支持向量回歸機，用于預 測每一類的客觀圖像質(zhì)量。五.將測試圖像的特征向量送到第三步訓練好的支持向量機中 進行分類，將圖像分類到JPEG，JPEG2000,WN，BLUR和FF五個失真類中的某一類。六.將 測試圖像的特征向量送到第五步訓練得到的某個失真類的支持向量回歸機中，得到測試圖 像預測的客觀圖像質(zhì)量分值。
[0005] 下面詳細給出該發(fā)明技術(shù)方案的各個細節(jié)說明：
[0006] 步驟（1):對輸入訓練圖像和測試圖像進行分數(shù)傅里葉變換，具體是：
[0007] 將圖像數(shù)據(jù)庫分成訓練圖像和測試圖像兩部分，對訓練圖像和測試圖像分別進行 二維離散分數(shù)階傅立葉變換，二維分數(shù)階傅里葉變換采用的階數(shù)分別取為〇. 25,0. 5,0. 75 和1。二維分數(shù)階傅里葉變換采用串聯(lián)的一維分數(shù)階傅里葉行變換和一維分數(shù)階傅里葉列 變換實現(xiàn)，若訓練圖像和測試圖像記為X，AJPA2表示分數(shù)傅里葉行變換系數(shù)矩陣和分數(shù) 傅里葉列變換系數(shù)矩陣，則圖像的二維P階傅里葉變換系數(shù)可表示為=Af。P為 二維傅立葉變換系數(shù)。其中P為分數(shù)階傅里葉變換的階數(shù)。
[0008] 步驟（2):用廣義伽瑪分布對二維分數(shù)傅立葉系數(shù)進行建模，具體是：
[0009] 將階數(shù)為0. 25,0. 5,0. 75和1的二維分數(shù)階傅立葉系數(shù)劃分成水平，垂直和對角 三個方向的系數(shù)，分別得到水平，垂直和對角方向的分數(shù)傅里葉變換系數(shù)直方圖，再用廣義 伽瑪分布對水平，垂直和對角方向的分數(shù)傅立葉系數(shù)進行建模，采用期望值最大化方法得 到廣義伽瑪分布的均值，方差，形狀參數(shù)和索引形狀參數(shù)。設(shè)建模水平方向，垂直方向和對 角方向二維分數(shù)階傅里葉變換系數(shù)的廣義伽瑪分布的均值，方差，形狀參數(shù)和索引形狀參 數(shù)分別為： h，〇h，ah，3J，v，〇v，av，3J及 d，〇d，ad，3 d}。則構(gòu)成圖像的 48x1 維特征向量為：?[?，<，此，?<，AT思}，其中P=0. 25,0? 5,0? 75 和1。
[0010] 步驟（3):將訓練圖像的特征向量送到用于分類的支持向量機中進行訓練，具體 是：
[0011] 為了將測試圖像分類到JPEG，JPEG2000，WN，BLUR和FF五個失真類中，將步驟1和 步驟2中提取的訓練圖像特征向量和訓練圖像所屬的失真類別送到支持向量機中進行訓 練，得到訓練好的支持向量機用于對輸入圖像進行分類。
[0012] 步驟（4):將每一類訓練圖像的特征向量和對應的主觀MOS分值送到支持向量回 歸機中進行訓練，具體是：
[0013] 將JPEG，JPEG2000,WN，BLUR和FF五個失真類中的某一類圖像的特征向量和對 應圖像的主觀MOS分值送到支持向量回歸機中進行訓練，得到某一失真類的訓練好的支持 向量回歸機。步驟（5):將測試圖像的特征向量送到訓練好的支持向量機中進行分類，具體 是：
[0014] 將步驟⑴和步驟⑵提取的測試圖像特征向量送到步驟（3)中訓練好的用于分 類的支持向量機中進行分類，將輸入測試圖像分類到JPEG，JPEG2000,WN，BLUR和FF五個 失真類中的某一類中。
[0015] 步驟（6):將測試圖像的特征向量送到訓練好的支持向量回歸機中得到測試圖像 的主觀分值，具體是：
[0016] 將測試圖像的特征向量送到步驟（3)中訓練好的支持向量機中進行分類，將測試 圖像分類到JPEG，JPEG2000,WN，BLUR和FF五個失真類的某一類后，將測試圖像的特征向 量送到該類的訓練好的支持向量回歸機中，輸出得到測試圖像的對應客觀MOS分值。 (四） .【附圖說明】
[