模糊失真图像的无参考质量评价方法研究

发布时间：2018-06-29 17:43

  本文选题：模糊图像 + 无参考图像质量评价　； 参考：《西安科技大学》2017年硕士论文

【摘要】：图像在获取、处理、传输和存储的过程中都会伴随有各种程度的降质现象,图像质量下降会影响人眼观感,会为图像信息的获取增加很大的困难。因此,有必要建立良好的图像质量评价机制。由于在实际应用中很难获得参考图像,因此对无参考图像质量评价方法的研究更具有实际应用价值。图像模糊失真是图像各种失真类型中最为常见的一种,本文在研究了现有的模糊图像质量评价方法的基础上,结合结构相似性理论、图像区域划分、图像特征提取提出了针对模糊图像的无参考质量评价方法以及改进方法。针对目前模糊图像无参考质量评价方法不能有效评价模糊图像质量这一问题,本文在研读了大量相关文献的基础之上,给出了一种基于区域划分的模糊图像无参考质量评价方法。首先对模糊失真图像进行滤波构造参考图像。然后对模糊图像及参考图像进行区域划分,文中介绍了三区域划分方法和四区域划分方法,四区域划分方法是在三区域划分方法上的改进,它利用图像的灰度梯度值将图像划分为保留的边缘区、变化的边缘区、纹理区和平坦区。然后计算各个区域的结构相似度(Structural Similarity,SSIM),将其作为图像质量评价指标,建立支持向量回归模型(Support Vector Regression,SVR),通过对数据进行训练预测得到最终的质量评测值。该方法能够得到较好的质量评价结果。对于模糊图像而言,边缘特征、纹理特征和结构特征的变化对图像质量的改变有着很大影响。基于此,本文提出了一种改进的模糊图像无参考质量评价方法。首先通过低通滤波来构造参考图像,然后将图像划分为保留的边缘区域、变化的边缘区域以及平坦区域。再采用局部二值模式(Local Binary Patterns,LBP)算法获取图像的纹理区域,采用Tamura算法提取纹理区域的纹理特征。然后计算保留边缘区域的边缘梯度相似度、纹理区域的纹理相似度以及四个区域的结构相似度,再将这三个相似度进行融合作为图像的质量评价指标,最后使用SVR模型训练预测得到最终的客观质量评价值。该方法的Pearson相关系数和Spearman等级相关系数能够达到0.96以上,算法性能较好。
[Abstract]:In the process of image acquisition, processing, transmission and storage, there are various degrees of degradation phenomenon, the degradation of image quality will affect the perception of human eyes, which will increase the difficulty of obtaining image information. Therefore, it is necessary to establish a good image quality evaluation mechanism. Because it is difficult to obtain reference image in practical application, the research on evaluation method of non-reference image quality has practical application value. Image fuzzy distortion is one of the most common types of image distortion. In this paper, based on the research of existing fuzzy image quality evaluation methods, combined with structural similarity theory, the image region is divided. In this paper, an evaluation method without reference quality for blurred images and an improved method are proposed for image feature extraction. In view of the problem that the evaluation method of blur image without reference quality can not effectively evaluate the quality of blur image at present, based on the study of a large number of relevant documents, This paper presents an evaluation method of blur image without reference quality based on region division. Firstly, the fuzzy distortion image is filtered to construct the reference image. Then the fuzzy image and the reference image are divided into three regions and four regions. The four regions division method is an improvement on the three regions division method. It uses the grayscale gradient of the image to divide the image into reserved edge regions, varying edge areas, texture areas and flat areas. Then the structural similarity (SSIM) of each region is calculated as an index of image quality evaluation, and the support Vector regression Model (SVR) is established, and the final quality evaluation value is obtained by training and forecasting the data. This method can obtain better quality evaluation results. For fuzzy image, the change of edge feature, texture feature and structure feature has great influence on the change of image quality. Based on this, an improved evaluation method of blur image without reference quality is proposed. First, the reference image is constructed by low-pass filtering, and then the image is divided into reserved edge region, variable edge region and flat region. Then the local binary pattern (LBP) algorithm is used to obtain the texture region of the image, and the Tamura algorithm is used to extract the texture feature of the texture region. Then the edge gradient similarity, texture similarity and structural similarity of the four regions are calculated, and then the three similarity are fused as the image quality evaluation index. Finally, SVR model training is used to predict the final objective quality evaluation value. The Pearson correlation coefficient and Spearman rank correlation coefficient of this method can reach above 0.96, and the performance of the algorithm is good.
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41

【参考文献】

中国期刊全文数据库 前10条

1 林佳楠;;一种基于结构相似度的部分参考型图像质量评价方法[J];长春大学学报;2016年10期

2 王红玉;冯筠;牛维;卜起荣;贺小伟;;基于再模糊理论的无参考图像质量评价[J];仪器仪表学报;2016年07期

3 谢立志;李玉惠;李勃;;一种基于视觉特性加权的图像质量评价方法[J];计算机技术与发展;2016年08期

4 王志明;;无参考图像质量评价综述[J];自动化学报;2015年06期

5 黄晓妹;田绪红;;无参考的模糊图像清晰度评价方法[J];小型微型计算机系统;2015年05期

6 桑庆兵;梁狄林;吴小俊;李朝锋;;基于支持向量回归的无参考模糊和噪声图像质量评价方法[J];光电子.激光;2014年03期

7 付燕;解丹婷;;一种失真模糊图像的无参考质量评价方法[J];科学技术与工程;2014年05期

8 詹曙;胡德凤;蒋建国;;结合GLWT和LBP提取纹理特征的图像分割[J];电子测量与仪器学报;2014年02期

9 张伟;糜靖峰;李庆武;霍冠英;;一种无参考型模糊图像质量评价方法[J];光学与光电技术;2014年01期

10 殷莹;;基于广义回归神经网络无参考模糊图像质量评价[J];激光与红外;2013年04期

中国博士学位论文全文数据库 前1条

1 桑庆兵;半参考和无参考图像质量评价新方法研究[D];江南大学;2013年

中国硕士学位论文全文数据库 前7条

1 黄珊;无参考模糊图像质量评价方法研究[D];北京邮电大学;2015年

2 张妍;基于HVS特性的无参考图像质量评价[D];西安科技大学;2014年

3 王龙;图像纹理特征提取及分类研究[D];中国海洋大学;2014年

4 王洪姣;图像质量评价方法的研究及实现[D];西安电子科技大学;2014年

5 马大江;基于图像内容的结构相似性质量评价研究[D];西安科技大学;2013年

6 韩宇;基于集成学习的图像质量评价[D];西安电子科技大学;2013年

7 庞胜利;图像模糊度评价研究[D];西安电子科技大学;2010年

，

本文编号：2082879