本發(fā)明涉及圖像處理技術(shù)和機(jī)器視覺技術(shù)領(lǐng)域，具體涉及一種基于小波高頻子帶統(tǒng)計(jì)特征的無(wú)參考噪聲圖像質(zhì)量評(píng)價(jià)方法。

背景技術(shù)：

隨著相機(jī)技術(shù)、人工智能技術(shù)和互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，圖像獲取變得越來(lái)越容易，而且人類對(duì)影像的質(zhì)量要求也越來(lái)越高。在圖像采集、傳輸、壓縮以及存儲(chǔ)等過程中，圖像信號(hào)經(jīng)常受到很多失真的干擾，包括噪聲、模糊、壓縮塊效應(yīng)等。其中，噪聲是最常見的一種失真類型，比如夜間拍照由于光線不足會(huì)有很多加性高斯噪聲出現(xiàn)，在信號(hào)傳輸過程中易受到隨機(jī)噪聲的破壞等，進(jìn)而降低獲取圖像的質(zhì)量，影響人類視覺審美體驗(yàn)。所以，有必要對(duì)噪聲污染圖像建立一種質(zhì)量量化機(jī)制，評(píng)判圖像的好壞，進(jìn)而指導(dǎo)設(shè)備參數(shù)調(diào)節(jié)設(shè)置。

現(xiàn)有的噪聲圖像質(zhì)量評(píng)價(jià)算法，依據(jù)是否借助無(wú)失真圖像做參考，可以分為全參考評(píng)價(jià)和無(wú)參考評(píng)價(jià)算法。PSNR(Peak Signal-to-Noise Ratio)和MSE(Mean-Square-Error)作為全參考噪聲評(píng)價(jià)算法的代表，雖然可以比較好地評(píng)判諸如加性高斯白噪聲(Additive Gaussian White Noise,AWGN)和高頻噪聲(High Frequency Noise)等噪聲污染圖像，但是它們也有以下兩方面缺陷：第一，全參考算法需要利用無(wú)失真圖像信息，而實(shí)際應(yīng)用中，無(wú)失真圖像很難獲取，所以該類算法比較難實(shí)際應(yīng)用；第二，PSNR和MSE無(wú)法很好評(píng)價(jià)嚴(yán)重噪聲帶來(lái)的結(jié)構(gòu)失真，只能評(píng)價(jià)圖像像素值的失真。

因此，很多國(guó)內(nèi)外學(xué)者進(jìn)行了噪聲圖像質(zhì)量評(píng)價(jià)的無(wú)參考研究，提出了很多算法，這些算法也可以分為兩類：一類是通用無(wú)參考評(píng)價(jià)模型，可以評(píng)判噪聲、模糊、壓縮、丟包等失真類型；另一類是噪聲圖像特定的無(wú)參考評(píng)價(jià)模型。由于需要同時(shí)對(duì)多種失真類型建?；蛞笏Ｐ屯瑫r(shí)對(duì)多種失真類型適用，通用無(wú)參考評(píng)價(jià)算法往往所用模型比較復(fù)雜或者模型對(duì)某些失真類型特性無(wú)法很好建模描述，出現(xiàn)評(píng)價(jià)效果不好的情況。對(duì)于現(xiàn)有的噪聲特定無(wú)參考評(píng)價(jià)算法，該類算法設(shè)計(jì)思路通常是估算噪聲方差大小，方差越大，噪聲越大，圖像質(zhì)量越差。因此，特定評(píng)價(jià)算法要求模型對(duì)噪聲特性的表述要很準(zhǔn)確，同時(shí)方差估算過程也要求誤差很小。然而，目前所提的基于DCT(Discrete Cosine Transform)和RUT(Random Unitary Transform)變換的評(píng)價(jià)方法，由于DCT和RUT不能很好表征圖像變化比較大或奇異的內(nèi)容，而大部分圖像噪聲都出現(xiàn)在圖像變化大或奇異的高頻區(qū)域，因此，這兩種算法對(duì)圖像所受噪聲污染程度的區(qū)分度不好，導(dǎo)致估算得到的噪聲方差不準(zhǔn)確，影響評(píng)價(jià)準(zhǔn)確性。

因此，對(duì)圖像中噪聲的準(zhǔn)確建模和特征提取是噪聲圖像質(zhì)量評(píng)估的核心任務(wù)。而且，在圖像不同處理過程中受到的噪聲類型也不同，除了大部分現(xiàn)有算法研究的加性高斯白噪聲外，還包括加性高斯顏色噪聲、脈沖噪聲、掩膜噪聲和高頻噪聲等。所以，研究一種對(duì)上述不同噪聲同時(shí)適用的有效特征建模方法非常有意義，同時(shí)也是一個(gè)難題。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種基于小波高頻子帶統(tǒng)計(jì)特征的無(wú)參考噪聲圖像質(zhì)量評(píng)價(jià)方法，能夠很好解決現(xiàn)有算法對(duì)噪聲大小區(qū)分度小、無(wú)法對(duì)多種不同類型噪聲圖像評(píng)判的問題，有效實(shí)現(xiàn)對(duì)圖像的無(wú)參考質(zhì)量評(píng)價(jià)。

本發(fā)明的基于小波高頻子帶統(tǒng)計(jì)特征的無(wú)參考噪聲圖像質(zhì)量評(píng)價(jià)方法，包括如下步驟：

步驟1，將待評(píng)價(jià)圖像轉(zhuǎn)化為灰度圖像，對(duì)灰度圖像進(jìn)行小波分解；

步驟2，將小波分解得到的高頻子帶系數(shù)組合成新的系數(shù)矩陣，計(jì)算新的系數(shù)矩陣的矩陣元素分布峰態(tài)值；

步驟3，以步驟2得到的分布峰態(tài)值為待評(píng)價(jià)圖像的特征值，對(duì)待評(píng)價(jià)圖像進(jìn)行質(zhì)量評(píng)價(jià)。

進(jìn)一步地，所述步驟1中，將待評(píng)價(jià)圖像轉(zhuǎn)化為灰度圖像后，計(jì)算灰度圖像的均值；將灰度圖像減去所述均值，得到差值圖像；對(duì)差值圖像進(jìn)行一級(jí)小波分解。

進(jìn)一步地，采用Daubechies D8小波進(jìn)行小波分解。

進(jìn)一步地，所述步驟3中，利用超限學(xué)習(xí)機(jī)、BP神經(jīng)網(wǎng)絡(luò)或SVM算法回歸模型對(duì)待評(píng)價(jià)圖像進(jìn)行評(píng)價(jià)。

進(jìn)一步地，利用超限學(xué)習(xí)機(jī)進(jìn)行評(píng)價(jià)時(shí)，事先利用訓(xùn)練樣本集對(duì)超限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，其中，以訓(xùn)練樣本集中樣本圖像的主觀質(zhì)量評(píng)價(jià)值作為目標(biāo)值，將樣本圖像的目標(biāo)值和特征值作為輸入，對(duì)超限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練。

進(jìn)一步地，所述超限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)取訓(xùn)練樣本集中樣本總個(gè)數(shù)的0.5～2倍。

進(jìn)一步地，步驟2中，所述分布峰態(tài)值計(jì)算方法如下：

其中，K(C)為系數(shù)矩陣C的矩陣元素分布峰態(tài)值；n為系數(shù)矩陣C中元素的總個(gè)數(shù)；C_i為系數(shù)矩陣C中的第i個(gè)元素，為系數(shù)矩陣C中所有元素的均值。

有益效果：

(1)本發(fā)明通過計(jì)算噪聲圖像小波高頻子帶系數(shù)概率分布的統(tǒng)計(jì)特征，對(duì)圖像噪聲程度進(jìn)行表征，統(tǒng)計(jì)特征的大小可以很好地衡量不同噪聲程度失真的圖像質(zhì)量。圖像噪聲越嚴(yán)重，統(tǒng)計(jì)特征越小。因此，該方法可以很好地彌補(bǔ)基于DCT或RUT變換的無(wú)參考噪聲評(píng)價(jià)算法的不足。

(2)本發(fā)明和傳統(tǒng)無(wú)參考噪聲圖像特定評(píng)價(jià)方法相比，傳統(tǒng)方法的做法是通過特征量去估算噪聲的方差大小，而該發(fā)明中的算法無(wú)需估算噪聲的方差，直接通過提取有效特征評(píng)價(jià)圖像質(zhì)量，可以避免方差估計(jì)中可能引入的誤差。

(3)本方法在擬合統(tǒng)計(jì)特征特征和圖像客觀質(zhì)量分?jǐn)?shù)之間對(duì)應(yīng)關(guān)系時(shí)，與傳統(tǒng)人為設(shè)計(jì)的擬合函數(shù)或傳統(tǒng)機(jī)器學(xué)習(xí)方法不同，本方法采用超限學(xué)習(xí)機(jī)學(xué)習(xí)算法，只需要設(shè)置隱含層節(jié)點(diǎn)個(gè)數(shù)，實(shí)現(xiàn)簡(jiǎn)單，且具有很好的學(xué)習(xí)效果，此外，超限學(xué)習(xí)機(jī)具有很低的計(jì)算復(fù)雜度。

(4)本發(fā)明具有很好的魯棒性。一方面，算法只需對(duì)圖像做一級(jí)小波分解就能達(dá)到做多級(jí)小波分解幾乎一樣的效果，可以大大降低計(jì)算復(fù)雜度，節(jié)約時(shí)間。另一方面，超限學(xué)習(xí)機(jī)的訓(xùn)練學(xué)習(xí)效果對(duì)學(xué)習(xí)機(jī)神經(jīng)元個(gè)數(shù)具有很好的魯棒性。

(5)本發(fā)明提出的無(wú)參考噪聲圖像評(píng)價(jià)算法具有更好的通用性，不僅可以很好評(píng)判現(xiàn)有算法普遍評(píng)判的加性高斯白噪聲圖像，而且可以對(duì)包括加性高斯顏色噪聲、脈沖噪聲、掩膜噪聲和高頻噪聲在內(nèi)的四種其他噪聲圖像進(jìn)行質(zhì)量評(píng)價(jià)，評(píng)判效果也很好，和人眼主觀評(píng)價(jià)結(jié)果一致性很好。

附圖說明

圖1為本發(fā)明流程圖。

圖2為本發(fā)明示例差值噪聲圖像及其Daubechies一級(jí)小波變換子帶。

具體實(shí)施方式

下面結(jié)合附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)行詳細(xì)描述。

本發(fā)明提供了一種基于小波高頻子帶統(tǒng)計(jì)特征的無(wú)參考噪聲圖像質(zhì)量評(píng)價(jià)方法，首先對(duì)圖像進(jìn)行小波分解，然后利用小波分解得到的高頻子帶構(gòu)建新的小波系數(shù)矩陣，求取新的系數(shù)矩陣的矩陣元素分布峰態(tài)值，以分布峰態(tài)值作為圖像的特征值，對(duì)圖像進(jìn)行質(zhì)量評(píng)價(jià)。具體流程圖如1所示，包括如下步驟：

步驟1、對(duì)待評(píng)價(jià)圖像進(jìn)行小波分解。

首先，判斷待評(píng)價(jià)圖像是否是灰度圖像，若不是灰度圖像，則將彩色圖像轉(zhuǎn)換成灰度圖像，對(duì)灰度圖像進(jìn)行小波分解。

考慮到圖像中常見的5種噪聲(加性高斯白噪聲、加性高斯顏色噪聲、脈沖噪聲、掩膜噪聲和高頻噪聲)大部分是加性噪聲，會(huì)對(duì)原始圖像的灰度值造成直接影響，因此，為了更好地提取圖像中的噪聲，本實(shí)施例將原始灰度圖像和灰度圖像的像素值均值作差，得到差值圖像。如此，差值圖像小波分解后的高頻子帶中所包含的圖像低頻內(nèi)容就會(huì)比原始灰度圖像小波分解對(duì)應(yīng)的高頻子帶中所包含的圖像低頻內(nèi)容少，更有利于噪聲建模。

在進(jìn)行小波分解時(shí)，本實(shí)施例采用在JPEG2000壓縮標(biāo)準(zhǔn)中使用很廣泛的Daubechies D8(也稱為db4)小波。在選擇進(jìn)行幾級(jí)小波分解時(shí)，通過實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)于差值圖像，多級(jí)小波分解的最終評(píng)價(jià)結(jié)果相對(duì)于一級(jí)小波分解的評(píng)價(jià)結(jié)果在效果上提升很小，然而引入的計(jì)算復(fù)雜度卻高很多。因此，本發(fā)明對(duì)差值圖像只做一級(jí)小波分解，可以得到一個(gè)低頻子帶CA和三個(gè)高頻子帶(一個(gè)水平高頻子帶CH，一個(gè)垂直高頻子帶CV和一個(gè)對(duì)角線高頻子帶CD)。

由于上述五種噪聲都屬于高頻信號(hào)，幾乎出現(xiàn)在小波分解的高頻子帶里，低頻子帶分量很少，所以，只對(duì)三個(gè)高頻子帶進(jìn)行后續(xù)建模。圖2是示例噪聲差值圖像及其一級(jí)小波分解子帶結(jié)果。圖2(a)中矩形框標(biāo)注的是加性高斯噪聲污染明顯區(qū)域，對(duì)應(yīng)圖2(b)中CH、CV和CD三個(gè)子帶中矩形框所標(biāo)的三個(gè)區(qū)域。而低頻子帶CA中沒有明顯的噪聲污染區(qū)域。因此，本發(fā)明只保留CH、CV和CD三個(gè)高頻子帶用來(lái)提取特征。

步驟2、將步驟1獲得高頻子帶的系數(shù)組合成一個(gè)新的系數(shù)矩陣，求解所述新的系數(shù)矩陣的矩陣元素的分布峰態(tài)值。該矩陣的分布峰態(tài)值就是待評(píng)價(jià)圖像的特征值。

以差值圖像的一級(jí)小波分解為例，將一級(jí)小波分解得到的三個(gè)高頻子帶CH、CV和CD組合成一個(gè)新的系數(shù)矩陣C＝[CH CV CD]，計(jì)算新的系數(shù)矩陣C的矩陣元素的分布峰態(tài)值。

隨機(jī)變量的統(tǒng)計(jì)特征是一個(gè)常用的概率統(tǒng)計(jì)特征，可以很好地描述一個(gè)隨機(jī)變量統(tǒng)計(jì)概率分布的峰部的尖度以及分布形態(tài)的拖尾程度。標(biāo)準(zhǔn)正太分布的統(tǒng)計(jì)特征為3。統(tǒng)計(jì)特征越大，對(duì)應(yīng)的分布越尖，拖尾越長(zhǎng)；相反，統(tǒng)計(jì)特征越小，對(duì)應(yīng)的分布尖度越扁，拖尾越短。本發(fā)明發(fā)現(xiàn)，有噪聲的圖像，其小波高頻子帶統(tǒng)計(jì)特征比無(wú)噪聲圖像統(tǒng)計(jì)特征小，對(duì)應(yīng)的分布峰度低拖尾短。并且，噪聲越嚴(yán)重，統(tǒng)計(jì)特征越小，小波高頻子帶系數(shù)分布越扁胖，拖尾越短。

系數(shù)矩陣C矩陣元素的分布峰態(tài)值即為系數(shù)矩陣C的概率密度分布統(tǒng)計(jì)特征K(C)：

其中，n為系數(shù)矩陣C中元素的總個(gè)數(shù)；是C的四階累積函數(shù)，同理，是C的二階累積函數(shù)，μ₄(C)是C的四階矩，σ是標(biāo)準(zhǔn)差；C_i為系數(shù)矩陣C中的第i個(gè)元素，為系數(shù)矩陣C中所有元素的均值。

該分布峰態(tài)值K(C)可以作為圖像噪聲失真程度的一個(gè)表征，作為特征變量對(duì)待評(píng)價(jià)圖像進(jìn)行評(píng)價(jià)。

步驟3，以步驟2得到的統(tǒng)計(jì)特征為待評(píng)價(jià)圖像的特征值，對(duì)待評(píng)價(jià)圖像進(jìn)行質(zhì)量評(píng)價(jià)。

可以采用傳統(tǒng)的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)和SVM(Support Vector Machine)算法擬合圖像統(tǒng)計(jì)特征和其質(zhì)量得分的關(guān)系，對(duì)待評(píng)價(jià)圖像進(jìn)行圖像質(zhì)量評(píng)價(jià)打分。

本實(shí)施例在擬合圖像統(tǒng)計(jì)特征特征和其質(zhì)量得分的關(guān)系時(shí)，采用了一種比較新穎的超限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)機(jī)器學(xué)習(xí)方法，該方法只需要設(shè)置隱含層節(jié)點(diǎn)個(gè)數(shù)，然后利用訓(xùn)練樣本集的噪聲圖像樣本的主觀質(zhì)量評(píng)價(jià)值以及噪聲圖像樣本的統(tǒng)計(jì)特征，即可進(jìn)行權(quán)值訓(xùn)練，獲得訓(xùn)練好的超限學(xué)習(xí)機(jī)，在進(jìn)行圖像質(zhì)量評(píng)價(jià)時(shí)，只需要輸入待評(píng)價(jià)圖像的統(tǒng)計(jì)特征，即可得到該圖像的質(zhì)量評(píng)分，相比于傳統(tǒng)BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)和SVM(Support Vector Machine)算法，該超限學(xué)習(xí)機(jī)一方面具有更低的計(jì)算復(fù)雜度，另一方面也具有和SVM相當(dāng)甚至更好的學(xué)習(xí)效果。

其中，超限學(xué)習(xí)機(jī)訓(xùn)練時(shí)，將訓(xùn)練集中噪聲圖像樣本的主觀質(zhì)量評(píng)價(jià)值作為目標(biāo)值，該噪聲圖像樣本的統(tǒng)計(jì)特征作為特征變量，輸入到超限學(xué)習(xí)機(jī)中，根據(jù)訓(xùn)練集樣本數(shù)目選擇一個(gè)合適的網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)(一般取樣本總個(gè)數(shù)的0.5-2倍數(shù)值)，訓(xùn)練得到超限學(xué)習(xí)機(jī)模型參數(shù)。

在進(jìn)行圖像質(zhì)量評(píng)價(jià)時(shí)，將待評(píng)價(jià)圖像的統(tǒng)計(jì)特征作為特征變量，以隨機(jī)產(chǎn)生的一個(gè)數(shù)作為目標(biāo)值，輸入到訓(xùn)練好的超限學(xué)習(xí)機(jī)中計(jì)算得到待評(píng)價(jià)圖像的客觀質(zhì)量分?jǐn)?shù)。

自此，就完成了基于小波高頻子帶統(tǒng)計(jì)特征的噪聲圖像無(wú)參考質(zhì)量評(píng)價(jià)。

綜上所述，以上僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。