技術特征：

1.一種圖像質量盲評估方法，其特征在于，包括如下步驟：

1)在訓練圖像集中提取降質圖像的圖像塊特征，估計所述圖像塊特征與非降質圖像塊特征間的偏移；

2)用概率潛在語義分析的方法分析不同類型的降質，并將不同類型的降質映射為不同的主題分布特征，其中，所述不同類型的降質包括單一降質和混合降質；

3)利用機器學習的方法在訓練圖像集基礎上建立圖像主題分布特征與圖像質量間的關系，形成混合降質圖像的質量盲評價模型；

4)用所述質量盲評價模型評估訓練圖像集以外的降質圖像質量。

2.根據(jù)權利要求1所述的圖像質量盲評估方法，其特征在于，在所述步驟1)中，還包括產(chǎn)生非降質圖像塊特征的步驟：

101)收集無損圖像作為訓練集；

102)分解所述無損圖像中的圖像塊；

103)用所述圖像塊聚類的類中心表征該類圖像塊；

104)用該類圖像塊的特征的幾何均值表述該類圖像塊的特征，也即產(chǎn)生非降質圖像塊特征。

3.根據(jù)權利要求2所述的圖像質量盲評估方法，其特征在于，在所述步驟1)中，在訓練圖像集中提取降質圖像的圖像塊特征的具體步驟包括：

105)將圖像塊去亮度均值，并作歸一化處理去除圖像相關性，產(chǎn)生歸一化亮度系數(shù)

其中為在坐標上像素的亮度，常數(shù)C＝1，μ(i,j)、分別為圖像塊的加權均值與方差：

其中，w＝{w_k,l|k＝-K,…,K,l＝-L,…,L}為權重系數(shù)，K＝L＝3，歸一化亮度系數(shù)的分布反應了圖像的失真程度；

106)使用廣義高斯分布描述圖像的進而提取圖像的空域自然統(tǒng)計特征：

$f(x;\mathrm{\α},{\mathrm{\σ}}^2)=\frac{\mathrm{\α}}{2\mathrm{\β}\mathrm{\Γ}(1/\mathrm{\α})}\exp (-{\left(\frac{\left|x\right|}{\mathrm{\β}}\right)}^{\mathrm{\α}})---\left(4\right)$

$\mathrm{\β}=\mathrm{\σ}\sqrt{\frac{\mathrm{\Γ}(1/\mathrm{\α})}{\mathrm{\Γ}(3/\mathrm{\α})}}---\left(5\right)$

其中，α、β分別是廣義高斯分布函數(shù)的形狀與方差參數(shù)，觀察水平、垂直、主對角線、次對角線方向上像素乘積對的分布情況，像素乘積對的定義如下：

其中，和分別表示水平、垂直、主對角線、次對角線方向上像素乘積對；

107)使用零均值非對稱廣義高斯分布在上述四個方向上對像素乘積進行建模：

$f(x;v,{\mathrm{\σ}}_l^2,{\mathrm{\σ}}_r^2)=\left\{\begin{array}{cc}\frac{v}{({\mathrm{\β}}_l+{\mathrm{\β}}_r)\mathrm{\Γ}\left(\frac{1}{v}\right)}\exp (-{\left(\frac{-x}{{\mathrm{\β}}_l}\right)}^v)& x\<0\\ \frac{v}{({\mathrm{\β}}_l+{\mathrm{\β}}_r)\mathrm{\Γ}\left(\frac{1}{v}\right)}\exp (-{\left(\frac{x}{{\mathrm{\β}}_l}\right)}^v)& x\≥0\end{array}\right.---\left(11\right)$

其中：

${\mathrm{\β}}_l={\mathrm{\σ}}_l\sqrt{\frac{\mathrm{\Γ}\left(\frac{1}{v}\right)}{\mathrm{\Γ}\left(\frac{3}{v}\right)}}---\left(12\right)$

${\mathrm{\β}}_r={\mathrm{\σ}}_r\sqrt{\frac{\mathrm{\Γ}\left(\frac{1}{v}\right)}{\mathrm{\Γ}\left(\frac{3}{v}\right)}}---\left(13\right)$

$\mathrm{\η}=({\mathrm{\β}}_r-{\mathrm{\β}}_l)\frac{\mathrm{\Γ}\left(\frac{2}{v}\right)}{\mathrm{\Γ}\left(\frac{1}{v}\right)}---\left(14\right)$

其中，v反映分布形狀，σ_l、σ_r分別為非對稱廣義高斯分布的左方差、右方差，η是非對稱廣義高斯分布的均值；

108)擬合計算零均值非對稱廣義高斯分布在4個方向上的共16個參數(shù)，與中心方向上廣義高斯分布的α、β參數(shù)共同組成圖像特征向量；

109)將圖像縮放一次再產(chǎn)生18個特征參數(shù)，總計產(chǎn)生36個圖像空域特征參數(shù)。

4.根據(jù)權利要求3所述的圖像質量盲評估方法，其特征在于，在所述步驟1)中，估計塊圖像特征與非降質圖像塊特征間的偏移包括以下步驟：

110)從圖像庫中取出最接近降質圖像的無損圖像的樣本；

111)得到降質圖像樣本可能對應的無損空域特征模型；

112)計算降質圖像塊的空域特征差，其中，該空域特征差對應圖像的底層特征。

5.根據(jù)權利要求4所述的圖像質量盲評估方法，其特征在于，在所述步驟2)中，用概率潛在語義分析的方法分析不同類型降質，具體包括以下步驟：

21)將概率潛在語義分析中的文檔對應圖像頂層空域特征，圖像塊的空域特征差對應圖像的底層特征，整幅圖像特征與圖像塊特征差間的關系被映射為概率潛在語義分析模型中“圖像文檔-潛在語義-圖像塊單詞”的關系；

22)建立圖像單詞集，令圖像為圖像文檔集中的第p張圖像，含多個圖像塊，圖像的底層特征組成概率潛在語義分析中的單詞w_i，將圖像塊用圖像單詞集中的單詞w_i代替后，被重建為求解概率潛在語義分析時引入潛在語義層X_s，s∈[1,S]，以X_s建立和w_i的關聯(lián)，其中S為潛在語義主題數(shù)；概率潛在語義分析建?？杀硎鰹椋?/p>

$P({\stackrel{\·}{I}}_j,w_i)=P\left(w_i\right)P\left(w_i\right|{\stackrel{\·}{I}}_j)$

$P\left(w_i\right|{\stackrel{\·}{I}}_j)={\mathrm{\Σ}}_{s=1}^{S}P\left(x_s\right|{\stackrel{\·}{I}}_j)P\left(w_i\right|x_s)---\left(15\right)$

其中，是圖像的單詞概率；

23)使用最大相似估計和EM算法求解該模型，通過迭代求取圖像潛在主題分布觀察確定圖像所受到的降質類型。

6.根據(jù)權利要求5所述的圖像質量盲評估方法，其特征在于，在所述步驟3)中，建立圖像潛在主題分布與圖像質量間的關系，形成混合降質圖像的質量盲評價模型，具體包括以下步驟：

31)使用支持向量機學習圖像質量與圖像特征分布的關系；

32)圖像質量評估時，使用圖像潛在主題分布作為特征；

33)將圖像潛在主題分布與訓練圖像的平均意見得分值代入支持向量機，產(chǎn)生圖像質量與圖像潛在主題分布間的關系，形成混合降質圖像的質量盲評價模型。

7.根據(jù)權利要求6所述的圖像質量盲評估方法，其特征在于，在所述步驟4)中，用質量盲評價模型評估訓練集以外的降質圖像的質量，具體包括以下步驟：

41)計算待測試圖像圖像塊的空域特征；

42)使用視覺單詞庫對其進行重構；

43)求取待測試圖像潛在的主題分布；

44)將待測試圖像的主題分布代入支持向量機訓練的質量盲評價模型中，產(chǎn)生待測試圖像的質量評估。