一種改進(jìn)的基于psnr的dct域無參考模糊圖像質(zhì)量評(píng)價(jià)方法
【專利摘要】本發(fā)明針對(duì)傳統(tǒng)PSNR圖像質(zhì)量評(píng)價(jià)算法的缺點(diǎn)，提出了改進(jìn)的基于PSNR的DCT域無參考模糊圖像質(zhì)量評(píng)價(jià)算法。首先對(duì)預(yù)測(cè)圖像進(jìn)行高斯模糊處理，并對(duì)預(yù)測(cè)圖像和高斯模糊處理圖像進(jìn)行DCT變換，得到DCT系數(shù)矩陣；然后分別提取預(yù)測(cè)圖像和高斯模糊圖像的DCT系數(shù)矩陣的前100列，并計(jì)算這兩幅圖像前100列每列之間的PSNR值，得到特征向量；最后應(yīng)用支持向量機(jī)回歸模型對(duì)特征向量進(jìn)行訓(xùn)練學(xué)習(xí)，得到圖像質(zhì)量預(yù)測(cè)模型，進(jìn)而得到圖像質(zhì)量的預(yù)測(cè)值。實(shí)驗(yàn)結(jié)果表明，此算法性能明顯好于傳統(tǒng)的全參考PSNR圖像質(zhì)量評(píng)價(jià)算法，與人類主觀感覺相一致。
【專利說明】-種改進(jìn)的基于PSNR的DCT域無參考模糊圖像質(zhì)量評(píng)價(jià)方 法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種改進(jìn)的基于PSNR的DCT域無參考模糊圖像質(zhì)量評(píng)價(jià)指標(biāo)，屬于圖 像處理【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 隨著數(shù)碼相機(jī)的普及，產(chǎn)生出了大量的數(shù)碼圖像，在數(shù)碼相機(jī)的使用過程中，由于 焦距和手的抖動(dòng)會(huì)導(dǎo)致圖像模糊。如何從這些數(shù)碼圖像中自動(dòng)挑選出質(zhì)量合格的圖像，舍 棄哪些不合格的模糊圖像，就需要對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)。對(duì)圖像進(jìn)行質(zhì)量評(píng)價(jià)，分為主觀質(zhì) 量評(píng)價(jià)和客觀質(zhì)量評(píng)價(jià)兩大類，因?yàn)橐曈X信息的最終接受者是人，所以利用人的主觀實(shí)驗(yàn) 來對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)是最準(zhǔn)確可靠的，但主觀評(píng)價(jià)費(fèi)時(shí)費(fèi)力且不能嵌入到系統(tǒng)中進(jìn)行自 動(dòng)大量評(píng)判，所以設(shè)計(jì)出可以像人類視覺系統(tǒng)（HumanVisionSystem,HVS)-樣，自動(dòng)預(yù)測(cè) 與感知質(zhì)量下降的客觀圖像質(zhì)量評(píng)價(jià)（ImageQualityAssessment,IQA)方法尤為重要。
[0003] 按照評(píng)價(jià)過程需要多少原始參考圖像信息，客觀圖像質(zhì)量評(píng)價(jià)方法又可以分為三 大類：全參考（Full-Reference,FR)圖像質(zhì)量評(píng)價(jià)法，部分參考
[0004] (Reduced-Reference，RR)圖像質(zhì)量評(píng)價(jià)法和無參考（N〇-Reference，NR)或盲參 考（Blind)圖像質(zhì)量評(píng)價(jià)法。全參考和部分參考圖像質(zhì)量評(píng)價(jià)方法需要參考圖像的全部或 部分信息，而在很多應(yīng)用場(chǎng)合沒有或無法獲得參考圖像的全部或部分信息，因此無參考圖 像質(zhì)量評(píng)價(jià)方法更加實(shí)用。
[0005] 傳統(tǒng)PSNR被定義為：

【權(quán)利要求】
1. 一種改進(jìn)的基于PSNR的DCT域無參考模糊圖像質(zhì)量評(píng)價(jià)方法，其特征主要是通過對(duì) 圖像進(jìn)行高斯再模糊后進(jìn)行DCT變換，再分別提取參考圖像和模糊圖像的前100列DCT系 數(shù)；根據(jù)構(gòu)造公式計(jì)算DCTPSNR，出模糊失真圖像的評(píng)價(jià)指標(biāo)，預(yù)測(cè)圖像質(zhì)量得分，過程如 下： 步驟1 :設(shè)原圖像記為Amxn，高斯模糊后的圖像記為Bmxn，分別對(duì)A和B進(jìn)行DCT變換， 得到DCT系數(shù)矩陣為CAmxn (i，j)和CBmxn (i，j); 步驟2 :分別提取CAmXn(i，j)和CBmXn(i，j)的前100列矩陣作為圖像的特征，記為 CAmxioo (i， j)和 CBniX100 (i, j); 步驟3 :根據(jù)下述公式計(jì)算DCTPSNRave ; DCTPSNR(i) = PSR(CVA(:, i), CVB (:, i)), i = 1, 2, - 100
步驟4:在支持向量機(jī)回歸（Support Vector Regression, SVR)模型中，首先將輸入樣 本經(jīng)過非線性映射函數(shù)㈧.0映射到一個(gè)高維特征空間中,然后在此特征空間中建立一個(gè)線 性模型估計(jì)回歸函數(shù)，解為：
采用徑向基核函數(shù)為：k(Xi, X) = exp(-X I Ix-Xi I I2) 步驟5 :選擇5折交叉驗(yàn)證方法進(jìn)行實(shí)驗(yàn)，獲得圖像質(zhì)量預(yù)測(cè)分值。
【文檔編號(hào)】G06T7/00GK104392446SQ201410669644
【公開日】2015年3月4日 申請(qǐng)日期:2014年11月20日 優(yōu)先權(quán)日:2014年11月20日
【發(fā)明者】殷瑩 申請(qǐng)人:江南大學(xué)