基于多級字典集的無參考圖像質(zhì)量評價方法
【專利摘要】本發(fā)明公開了一種基于多級字典編碼的無參考質(zhì)量評價方法，主要解決計算機對噪聲圖像的評價與人眼感知不符的問題。其實現(xiàn)步驟是：1.劃分圖像數(shù)據(jù)庫；2.提取單個實驗樣本的特征向量；3.計算訓練樣本一副污染圖的特征向量質(zhì)量值；4.計算全部訓練樣本的特征向量；5.計算訓練樣本中所有污染圖的特征向量質(zhì)量值；6.用訓練樣本參考圖的特征向量構(gòu)建第一級字典集；7.用訓練樣本污染圖的特征向量構(gòu)建第二級字典集；8.計算第二級字典集中每個聚類中心的質(zhì)量值；9.將測試樣本投影到第二級字典集計算測試樣本的質(zhì)量值；10.根據(jù)樣本質(zhì)量值判斷樣本質(zhì)量。本發(fā)明的評價結(jié)果與人眼感知一致，可用在互聯(lián)網(wǎng)上圖像篩選、傳輸、壓縮。
【專利說明】
基于多級字典集的無參考圖像質(zhì)量評價方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種基于多級字典集的無參考圖像質(zhì)量 評價方法，可以用在互聯(lián)網(wǎng)上圖像篩選、傳輸、檢索、壓縮以及對質(zhì)量等級參差不齊的海量 圖像數(shù)據(jù)鑒別中。 技術(shù)背景
[0002] 隨著數(shù)字圖像、網(wǎng)絡技術(shù)和多媒體技術(shù)的發(fā)展，數(shù)字圖像已經(jīng)成為了信息的主要 載體，在越來越多的應用場合中被處理、傳遞、存儲以及重構(gòu)。然而，原始的圖像信號中通常 含有大量的冗余并且圖像數(shù)據(jù)在進行多步處理的過程中會混入多種噪聲，怎樣從包含各種 噪聲并且質(zhì)量等級參差不齊的大量圖像數(shù)據(jù)中獲得更有價值的信息成為熱門的研究課題。
[0003] 在過去的幾十年里，圖像質(zhì)量評價方法取得了較大的進展，大量的評價算法被提 出。根據(jù)對參考圖像的依賴程度，這些算法可大致分為三類:全參考圖像質(zhì)量評價算法，部 分參考圖像質(zhì)量評價算法和無參考圖像質(zhì)量評價算法。全參考質(zhì)量評價需要原始圖像的全 部信息做參考，部分參考質(zhì)量評價需要一部分原始圖像信息作參考。在更多的實際應用中 我們無法知道污染圖，如無人機的航拍圖、地球衛(wèi)星的遙感圖以及地面監(jiān)控設備拍攝的自 然圖像的原始圖像信息，但是使用計算機對這些污染圖進行客觀分析評價又是我們必須用 到的，基于此，提出了不需要任何原始圖像信息的無參考質(zhì)量評價算法。
[0004] 無參考質(zhì)量評價的目的是建立一種不需要任何原圖信息就能預測污染圖質(zhì)量的 數(shù)學模型，并且計算出來的質(zhì)量值與人的主觀評價具有一致性。現(xiàn)有的一般意義上的無參 考質(zhì)量評價算法是基于這樣的假設:用于測試的污染圖和用于訓練的樣本擁有相同或者相 似的質(zhì)量衰減。在這樣的假設下，可以用"學習"的思想來建立擬合模型進行分析預測。實際 實現(xiàn)過程中，采用機器學習的方法進行質(zhì)量評價，把質(zhì)量評價的問題轉(zhuǎn)化為線性回歸或者 分類問題，然后選用與圖像質(zhì)量相關(guān)聯(lián)的特征向量進行訓練得到回歸模型或者分類器。由 于回歸算法和分類算法已經(jīng)比較成熟，如何選用特征向量來捕獲影響圖像質(zhì)量的相關(guān)因素 成為工作的重點?；谧匀粓鼍敖y(tǒng)計特性的方法在眾多特征描述算法中脫穎而出，該方法 假定自然場景具有某種統(tǒng)計學特性并且噪聲的出現(xiàn)會影響這種特性。Queluz等人在文章 "No-reference image quality assessment based on DCT domain statistics，''Signal Proscess，vol. 88，no. 4，pp. 822-833，Apr. 2008中依據(jù)基于離散余弦變換系數(shù)的統(tǒng)計特性 對具有JPEG或者MPEG壓縮噪聲的污染圖進行質(zhì)量評價;Moorthy等人在文章 "Blind image quality assessment:From natural scene statistics to perceptual quality，''IEEE Trans. Image Process.，vol .20,no. 12,pp.3350-3364,Dec.2011 中提出使用小波變換系數(shù) 建立統(tǒng)計模型，將估計好的統(tǒng)計模型參數(shù)作為特征向量執(zhí)行回歸算法SVR并預測出圖像質(zhì) 量。這些不同的特征提取方法被開發(fā)出來并取得成功，但是仍然有缺點：1)許多同類算法只 針對特定一兩種噪聲來設計并且假設噪聲種類已知，對于其它噪聲的評價效果不理想；2) 還有一些算法是在某一種變換如離散余弦變換、小波變換域中進行，需要依賴較多的變換 域知識并且限制了這些算法在其它圖像域中的使用。這些缺點會影響質(zhì)量評價的準確性， 在實際應用中存在較多限制。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明目的在于針對上述已有技術(shù)中存在的缺陷和不足，提出基于多級字典集的 無參考圖像質(zhì)量評價方法，以實現(xiàn)對多種噪聲類型在不同圖像域中進行無參考質(zhì)量評價， 并提高質(zhì)量評價的準確性。
[0006] 本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：
[0007] 本發(fā)明首先學習高質(zhì)量圖像的基元組成，結(jié)合使用基向量組描述多維空間元素的 數(shù)學思想，構(gòu)建對應的基元字典;然后分析噪聲對每個基元的影響，以及造成的質(zhì)量衰減。 通過分析不同基元下不同類型噪聲所帶來的變化，構(gòu)建字典集codebook，這些字典集就如 同人們大腦中的先驗知識，指導無參考質(zhì)量評價的進行;最后將測試樣本投影到codebook 中通過加權(quán)求和的方式得到測試樣本的質(zhì)量值，其實現(xiàn)步驟包括如下：
[0008] (1)將圖像數(shù)據(jù)庫中的實驗樣本隨機分為兩份，其中80%的參考圖及其對應的污 染圖作為訓練樣本，20%的參考圖對應的污染圖作為測試樣本；
[0009] (2)提取實驗樣本的特征向量：
[0010] (2a)輸入大小為ΜX N的待處理圖像I，將該圖像I按大小為B X B進行無混疊分塊， 得到Κ個子塊；
[0011] (2b)用Gabor濾波器組對各個子塊進行濾波，將濾波結(jié)果作為各個子塊對應的特 征向量，即一副待處理圖像對應K個特征向量；
[0012] (3)給訓練樣本污染圖的特征向量賦予質(zhì)量值：
[0013] (3a)輸入大小為MXN的訓練樣本中的污染圖X及其對應的參考圖Y，并使用梯度相 似性算法GMS計算它們的梯度相似性矩陣g;
[0014] (3b)將得到的梯度相似性矩陣g歸一化，并將歸一化后的梯度相似性矩陣與污染 圖X的質(zhì)量值mos相乘得到質(zhì)量值矩陣m;
[0015] (3c)對污染圖X對應的質(zhì)量值矩陣m按大小為BXB進行無混疊分塊，得到K個子塊 并將第i個子塊設為Pi，將每個Pi的中點值作為其對應特征向量的質(zhì)量值mosi，1 ;
[0016] (4)對所有訓練樣本進行步驟(2)的操作，得到所有訓練樣本的特征向量，其中每 一副參考圖對應的第i個特征向量為ri，每一副污染圖對應的第i個特征向量為di;
[0017] (5)將訓練樣本中每一副污染圖及其對應的參考圖進行步驟(3)的操作，得到每一 副污染圖的K個特征向量di對應的質(zhì)量值mosi;
[0018] (6)將聚類中心的個數(shù)設為200,用kmeans聚類算法對訓練樣本中所有參考圖的m 個特征向量進行聚類，每一個聚類中心是一個基元向量C，用所有聚類中心構(gòu)成第一級11的 字典集codebook11，該字典集codebook 11中每個聚類中心C對應參考圖的多個特征向量ri，l ^i^200；
[0019] (7)從參考圖的多個特征向量Γι找到這些參考圖特征向量對應的污染圖特征向量 cU;用kmeans聚類算法對第i個聚類中心C對應的污染圖的特征向量cU進行聚類，將聚類中心 個數(shù)設為64,得到第二級12字典集的第i個字典codebooki 12,將200個聚類中心C對應的200 個字典codebooki12組合在一起，構(gòu)成第二級12的字典集codebook 12;
[0020] (8)計算第二級12的字典集codebook12中每個聚類中心C對應的多個特征向量質(zhì)量 值的均值，用這個均值作為該聚類中心C的質(zhì)量值；
[0021 ] (9)將測試樣本的特征向量投影到第二級12的字典集codebook12中，計算測試樣本 的質(zhì)量值Q;
[0022] (10)根據(jù)質(zhì)量值Q對測試樣本圖像的質(zhì)量進行判斷：
[0023] 若Q = 0,則表示該測試樣本沒有被噪聲污染；
[0024] 若0〈Q<5,則表示該測試樣本被噪聲輕度污染；
[0025] 若5〈Q<8,則表示該測試樣本被噪聲中度污染；
[0026]若Q>8，則表示該測試樣本被噪聲重度污染。
[0027] 本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點：
[0028] 1)本發(fā)明提出的無參考圖像質(zhì)量評價方法由于是以圖像塊為單位提取訓練樣本 特征，然后用訓練樣本特征建立特征空間的基元向量組，以圖像塊為單位而不是以像素點 為單位提取訓練樣本特征，因而對特定變換域的依賴性較少，方便以后在不同的變換域中 使用。
[0029] 2)本發(fā)明充分考慮了一副污染圖不同區(qū)域質(zhì)量可能不一致的情況，使用梯度相似 性算法給污染圖的不同區(qū)域賦予一個更能衡量其污染程度的質(zhì)量值，使得基元向量的計算 質(zhì)量值更加準確有效，提高了預測測試樣本質(zhì)量的準確度。
[0030] 3)本發(fā)明由于構(gòu)建字典集是基于建立圖像特征空間的基向量組的思想，當選定有 效的基向量組時，就能表征大量的視覺內(nèi)容信息，突破了噪聲種類的限制，減少對數(shù)據(jù)庫的 依賴程度；同時由于在第一層字典集的基礎上構(gòu)建第二層字典集，使得第二層字典集的每 個基元向量提取更加豐富了噪聲和圖像結(jié)構(gòu)信息，減少了基元向量之間的線性相關(guān)性和冗 余度。
【附圖說明】
[0031]圖1是本發(fā)明的實現(xiàn)流程圖。
【具體實施方式】
[0032] 以下結(jié)合附圖對本發(fā)明作進一步詳細描述。
[0033] 參照圖1，本發(fā)明的具體實現(xiàn)步驟如下：
[0034]步驟1，劃分圖像數(shù)據(jù)庫。
[0035] 無參考質(zhì)量評價的圖像數(shù)據(jù)庫包含多幅參考圖以及參考圖對應的污染圖，通常的 做法是將圖像數(shù)據(jù)庫隨機地分成兩份，80%的圖像用于訓練，20%的圖像用于測試。按照這 個原則將實驗數(shù)據(jù)庫中的參考圖按照8:2的比例隨機分為兩份，其中80%的參考圖及其對 應的污染圖作為訓練樣本，20%的參考圖對應的污染圖作為測試樣本。訓練樣本中的每幅 污染圖都對應一個質(zhì)量值mos用來表征污染圖的質(zhì)量等級。
[0036] 步驟2,提取單個實驗樣本的特征向量。
[0037] (2a)輸入大小為MXN的待處理圖像I，對該圖像I按大小為BXB進行無混疊分塊， 得到K個子塊，并將第i個子塊記為Pi，1 < 1
表示不大于 Μ xN f 的最大整數(shù)，Β = 11; Β~
[0038] (2b)用Gabor濾波器組對各個子塊?:進行濾波，將濾波結(jié)果作為各個子塊Pi對應的 特征向量fvi, KKK:
[0039] (2b 1)給出二維Gabor濾波器的函數(shù)表達式：
[0040]
[00411其中X和y是像素點的橫縱坐標，f是正弦曲線的頻率，Θ是Gabor核函數(shù)的方向，Φ是 相位偏移，它的取值范圍為-180度到180度；X' = xcos0+ysin0，y ' = -xsin0+ycos0;o是 Gabor核函數(shù)的標準差，當f選定后γ是空間縱橫比，其決定Gabor函數(shù)形狀的橢圓 率，取值為0.5;
[0042] (2b2)選取Gabor濾波器組的參數(shù):選用5種頻率?
，4個方向Θ:
.，_用這5種頻率和4個方向任意組合產(chǎn)生20個Gabor濾波器，構(gòu)成一個Gabor濾波 器組，其中第i個濾波器為
[0043] (2b3)用構(gòu)建好的Gabor濾波器組的各個濾波器81&，7彳，0)與子塊? 1作卷積得到 響應矩陣GiS
[0044] G; = d.(.r,y，/,<9)
[0045] 其中，*代表卷積運算；
[0046] (2b4)計算響應矩陣GJ的均值nu，再計算響應矩陣GJ的方差Si，將每個6^的均值和 方差組合在一起構(gòu)成子塊Pi的特征向量fvi:
[0047] fvi= (mi，m2，· · ·，nu，· · ·，m2〇, si，S2，· · ·，Si · · ·，S20)，
[0048] 其中1彡i彡20。
[0049] 步驟3,給訓練樣本中一幅污染圖的特征向量賦予質(zhì)量值。
[0050] (3a)輸入大小為Μ X N的訓練樣本中的污染圖X及其對應的參考圖像Y，分別計算污 染圖X和參考圖Υ的梯度值矩陣gx和g y:
[0051] gx=maxk=i，2{mean | X*Mk | }，
[0052] gy=maxk=i，2{mean I Y*Mk I }，
[0053] 其中，*代表卷積運算，M#PM2是卷積算子， mean I X*Mk I代表對(X*Mk)先取絕對值再求均值，mean I Y*Mk I代表對(Y*Mk)先取絕對值再求 均值，maxk=i,2{. . .}代表對括號中的部分求最大值；
[0054] (3b)計算污染圖X和參考圖Y的梯度相似性矩陣g:
[0055]
[0056] 其中g(shù)x和gy分別代表污染圖X和參考圖Y的梯度值矩陣，S取一個較小的正實數(shù) 0.0001，為了防止分母過小引起算法的不穩(wěn)定；
[0057] (3c)訓練樣本中每一副污染圖都對應一個質(zhì)量值mos，將得到的梯度相似性矩陣g 歸一化并與這個mos值相乘得到質(zhì)量值矩陣m;
[0058] (3d)對污染圖X對應的質(zhì)量值矩陣m按大小為BXB進行無混疊分塊，得到K個子塊 并將第i個子塊設為 Pl，將每個中點值作為其對應特征向量的質(zhì)量值記為m〇Sl，l<i< K〇
[0059 ]步驟4，提取全部訓練樣本的特征向量。
[0060]將所有的訓練樣本經(jīng)過步驟(2)的操作，每一個訓練樣本都能得到Κ個特征向量， 其中每一副參考圖對應的第i個特征向量為ri，每一副污染圖對應的第i個特征向量為di，l ^i^K〇
[0061 ]步驟5,給訓練樣本中所有污染圖的特征向量賦予質(zhì)量值。
[0062]將訓練樣本中每一副污染圖及其對應的參考圖經(jīng)過步驟(3)的操作，得到每一副 污染圖的K個特征向量di對應的K個質(zhì)量值mosi。
[0063] 步驟6，用kmeans聚類算法構(gòu)建第一級11的字典集codebook11。
[0064]將聚類中心的個數(shù)設為200,用kmeans聚類算法對訓練樣本中所有參考圖的m個特 征向量進行聚類，每一個聚類中心是一個基元向量C，用所有聚類中心構(gòu)成第一級11的字典 集codebook11，該字典集codebook 11中每個聚類中心C對應參考圖的多個特征向量ri，1彡i彡 200 〇
[0065] 步驟7,用kmeans聚類算法構(gòu)建第二級12的字典集codebook12。
[0066] (7a)第一級11的字典集codebook11的每個聚類中心C對應參考圖的多個特征向量 r i，從參考圖的特征向量η找到r i對應的污染圖的特征向量di;
[0067] (7b)用kmeans聚類算法對第i個聚類中心C對應的污染圖的特征向量di進行聚類， 將聚類中心個數(shù)設為64,得到第二級12字典集的第i個字典codebooki 12,將200個聚類中心C 對應的200個字典codebooki12組合在一起，構(gòu)成第二級12的字典集codebook12:
[0068] codebook12= (codebooki12，codebooki12，···，codebooki12，···，codebook2QQ 12)，
[0069] 其中，codebooki12代表第二級12字典集codebook12的第i個字典。
[0070] 步驟8,計算第二級12的字典集codebook12中每個聚類中心C的質(zhì)量值。
[0071] (8a)給出第i個字典codebooki12與其對應的聚類中心的關(guān)系式：
[0072] mdebookl1 ,
[0073] 其中，codebooki12代表第二級12字典集codebook12的第i個字典，Cij 12代表第i個字 典codebooki12對應的第j個聚類中心，1 < j <64，每個聚類中心Cij12對應污染圖的多個特征 向量；
[0074] (8b)計算每個聚類中心Cu12對應的多個特征向量質(zhì)量值的均值，用這個均值作為 Cij12 的質(zhì)量值 mosij，l^a<200，l彡 j彡64。
[0075]步驟9,將測試樣本的特征向量投影到第二級12的字典集codebook12中，計算測試 樣本的質(zhì)量值Q。
[0076] (9a)將用于測試的一個樣本進行步驟(2)的操作，得到該測試樣本的K個特征向 量，其中第i個特征向量為
[0077] (9b)計算特征向量ti到第m個字典c〇deb〇〇k m12中所有聚類中心C的歐幾里得距離 之和Dm:
[0078]
[0079] 其中，Cm?2代表第m個字典c〇deb〇〇k m12的第j個聚類中心，^代表測試樣本的第i個 特征向量，d( ti，Cmj12 )代表特征向量ti和聚類中心Cm/2的歐幾里得距離dmj ;
[0080] (9c)將最小的距離值Dm對應的第m個字典codebookm12設為codebookp 12，并將 C〇deb〇〇kP12中所有聚類中心C對應的距離值歸一化，再用歸一化后的距離值與對應聚類中 心C的質(zhì)量值進行加權(quán)求和，得到第i個特征向量ti的質(zhì)量值qi;
[0081 ] (9d)將測試樣本中的K個特征向量進行(9a)到(9c)的操作，得至ijK個特征向量的質(zhì) 量值qi，1 ，取K個特征向量質(zhì)量值qi的均值作為測試樣本的質(zhì)量值Q;
[0082] (9e)重復步驟(9d)的操作得到多個測試樣本的質(zhì)量值。
[0083]步驟10,根據(jù)質(zhì)量值Q對測試樣本圖像的質(zhì)量進行判斷。
[0084] 每個測試樣本的計算質(zhì)量值Q的取值范圍在0到10之間，Q值越大代表測試樣本的 污染程度越嚴重：
[0085] 若Q = 0,則表示該測試樣本沒有被噪聲污染；
[0086] 若0〈Q<5，則表示該測試樣本被噪聲輕度污染；
[0087] 若5〈Q<8,則表示該測試樣本被噪聲中度污染；
[0088] 若8〈Q< 10，則表示該測試樣本被噪聲重度污染。
[0089]以上描述僅是本發(fā)明的一個具體實例，不構(gòu)成對本發(fā)明的任何限制。顯然對于本 領(lǐng)域的專業(yè)人員來說，在了解了本
【發(fā)明內(nèi)容】
和原理后，都可能在不背離本發(fā)明原理、結(jié)構(gòu)的 情況下，進行形式和細節(jié)上的各種修改和改變，但是這些基于本發(fā)明思想的修正和改變?nèi)?在本發(fā)明的權(quán)利要求保護范圍之內(nèi)。
【主權(quán)項】
1. 一種基于多級字典集的無參考圖像質(zhì)量評價方法，包括： (1) 將圖像數(shù)據(jù)庫中的實驗樣本隨機分為兩份，其中80%的參考圖及其對應的污染圖 作為訓練樣本，20%的參考圖對應的污染圖作為測試樣本； (2) 提取實驗樣本的特征向量： (2a)輸入大小為MXN的待處理圖像I，將該圖像I按大小為BXB進行無混疊分塊，得到K 個子塊； (2b)用Gabor濾波器組對各個子塊進行濾波，將濾波結(jié)果作為各個子塊對應的特征向 量，即一副待處理圖像對應K個特征向量； (3) 給訓練樣本污染圖的特征向量賦予質(zhì)量值： (3a)輸入大小為MXN的訓練樣本中的污染圖X及其對應的參考圖Y，并使用梯度相似性 算法GMS計算它們的梯度相似性矩陣g; (3b)將得到的梯度相似性矩陣g歸一化，并將歸一化后的梯度相似性矩陣與污染圖X的 質(zhì)量值mos相乘得到質(zhì)量值矩陣m; (3c)對污染圖X對應的質(zhì)量值矩陣m按大小為BXB進行無混疊分塊，得到K個子塊并將 第i個子塊設為Pi，將每個Pi的中點值作為其對應特征向量的質(zhì)量值moSi，l《i《K; (4) 對所有訓練樣本進行步驟(2)的操作，得到所有訓練樣本的特征向量，其中每一副 參考圖對應的第i個特征向量為ri，每一副污染圖對應的第i個特征向量為di; (5) 將訓練樣本中每一副污染圖及其對應的參考圖進行步驟(3)的操作，得到每一副污 染圖的K個特征向量di對應的質(zhì)量值mosi; (6) 將聚類中屯、的個數(shù)設為200,用kmeans聚類算法對訓練樣本中所有參考圖的m個特 征向量進行聚類，每一個聚類中屯、是一個基元向量C，用所有聚類中屯、構(gòu)成第一級11的字典 集codebookii，該字典集codebookii中每個聚類中屯、C對應參考圖的多個特征向量ri，1《i《 200； (7) 從參考圖的多個特征向量ri找到運些參考圖特征向量對應的污染圖特征向量di;用 kmeans聚類算法對第i個聚類中屯、C對應的污染圖的特征向量di進行聚類，將聚類中屯、個數(shù) 設為64,得到第二級12字典集的第i個字典codebookii2,將200個聚類中屯、C對應的200個字 典codebookiU組合在一起，構(gòu)成第二級12的字典集codebookU; (8) 計算第二級12的字典集codebookU中每個聚類中屯、C對應的多個特征向量質(zhì)量值的 均值，用運個均值作為該聚類中屯、C的質(zhì)量值； (9) 將測試樣本的特征向量投影到第二級12的字典集codebookU中，計算測試樣本的質(zhì) 量值Q; (10) 根據(jù)質(zhì)量值Q對測試樣本圖像的質(zhì)量進行判斷： 若Q = 〇，則表示該測試樣本沒有被噪聲污染； 若0<Q《5，則表示該測試樣本被噪聲輕度污染； 若5<Q《8，則表示該測試樣本被噪聲中度污染； 若Q〉8，則表示該測試樣本被噪聲重度污染。2. 如權(quán)利要求1所述的方法，其步驟(2)中用Gabor濾波器組對各個子塊Pi進行濾波，按 如下步驟進行： (2a)給出Gabor濾波器的函數(shù)表達式：其中X和y是像素點的橫縱坐標，f是正弦曲線的頻率，目是Gabor核函數(shù)的方向，Φ是相位 偏移，它的取值范圍為-180度到180度；X' =xcos目+ysin目，y ' =-xsin目+ycos目；日是Gabor核 函數(shù)的標準差，當f選定后(了==^ ; 丫是空間縱橫比，其決定Gabor函數(shù)形狀的楠圓率，取值為 0.5; (2b)選取Gabor濾波器組的參數(shù)：選用5種頻率f4個方向Θ : (0，;.;.^)，用運5種頻率和4個方向任意組合產(chǎn)生20個Gabor濾波器，構(gòu)成一個Gabor濾波 '424 器組，其中第i個濾波器為gi(x，y，f，目 (2c)用構(gòu)建好的Gabor濾波器組的各個濾波器gi(x，y，f，0)與子塊Pi作卷積得到響應矩 陣 Gii: 其中，*代表卷積運算；(2c)計算響應矩陣Gii的均值mi，再計算響應矩陣Gii的方差si，將每個Gii的均值和方差 組合在一起構(gòu)成子塊Pi的特征向量fvi: fvi=(mi,m2, . . . ,ΠΗ, . . . ,m2〇,si,S2, . . . ,si. . . ,S2〇) 其中l(wèi)《i《20。3. 如權(quán)利要求1所述的方法，其步驟(3)中使用梯度相似性算法GMS計算訓練樣本中的 污染圖X及其對應的參考圖Y的梯度相似性矩陣g，按如下步驟進行： (3a)分別計算污染圖X和參考圖Y的梯度值矩陣gx和gy，gx和gy的計算公式為： gx=maxk=i,2{mean|X*Mk| } gy=maxk=i,2{mean|Y*Mk| } 其中，*代表卷積運算，Ml和M2是卷積算子X*Mk I代表對(X*Mk)先取絕對值再求均值，mean I Y*Mk I代表對(Y*Mk)先取絕對值再求均值， maxk=i,2{. . .}代表對括號中的部分求最大值； (3b)計算污染圖X和參考圖Y的梯度相似性矩陣g:其中g(shù)x和gy分別代表圖像X和Y的梯度值矩陣，S取一個較小的正實數(shù)0.0001，為了防止 分母過小引起算法的不穩(wěn)定。4. 如權(quán)利要求1所述的方法，其步驟(8)中計算第二級12的字典集codebookU中每個聚 類中屯、C對應的多個特征向量質(zhì)量值的均值，按如下步驟進行： (8a)給出第二級12的字典集codebookU的表達式： codebooki2=(codebookii2,codebook2i2, . . . ,codebookii2, . . . ,codebook2〇〇i2) 其中，codebookiU代表字典集codebookU的第i個字典，codebookiU對應的第j個聚類中 屯、為CijU, j《64，codebookii2與CijU的對應關(guān)系表示如下：第i個字典codebookiU的每個聚類中屯、Cl產(chǎn)對應污染圖的多個特征向量； (8b)計算每個聚類中屯、Cl/2對應的多個特征向量質(zhì)量值的均值，用運個均值作為CijU 的質(zhì)量值mosu。5.如權(quán)利要求1所述的方法，其步驟(9)中將測試樣本的特征向量投影到第二級12的字 典集codebookU中，計算測試樣本的質(zhì)量值Q，按如下步驟進行： (9a)將用于測試的一個樣本進行步驟(2)的操作，得到該測試樣本的K個特征向量，其 中第i個特征向量為 (9b)計算特征向量ti到第m個字典codebookm"中所有聚類中屯、C的歐幾里得距離之和 Dm：其中，Cm/2代表第m個字典codebookmU的第j個聚類中屯、，ti代表測試樣本的第i個特征 向量，d(ti，Cmjl2)代表特征向量ti和聚類中屯、Cm/2的歐幾里得距離dmj。 (9c)將最小的距離Dm對應的字典codebookmU設為codebookpi2,并將codebookpU中所有 聚類中屯、C對應的距離值歸一化，再用歸一化后的距離值與對應聚類中屯、C的質(zhì)量值進行加 權(quán)求和，得到第i個特征向量ti的質(zhì)量值qi; (9d)將該測試樣本中的K個特征向量進行(9a)到(9c)的操作，得至化個特征向量的質(zhì)量 值qi，1《i《K，取K個特征向量質(zhì)量值qi的均值作為測試樣本的質(zhì)量值Q; (9e)重復步驟(9d)的操作得到多個測試樣本的質(zhì)量值。
【文檔編號】G06K9/62GK105976361SQ201610273831
【公開日】2016年9月28日
【申請日】2016年4月28日
【發(fā)明人】吳金建, 張滿, 石光明, 張亞中, 謝雪梅
【申請人】西安電子科技大學