一种用于雾天图像的质量评价方法
【技术领域】
[0001] 本发明涉及一种图像处理技术领域的方法，具体是一种用于雾天图像的质量评价 方法。
【背景技术】
[0002] 随着到处存在的数字图像的生成设备以及快速发展的网络服务，数字图像已经变 成一个人们在日常生活中不可缺少的东西。例如：可以轻松在百度、谷歌上找到大量的图 像。这些图像常会受到噪声、模糊、JPEG/J2K压缩等干扰，会造成质量的下降，如何衡量图 像质量的下降程度是目前的一个热点研究方向。因此图像质量评价在图像处理中变的越来 越重要。
[0003]目前有很多的高校以及科研机构参与到图像质量评价的研究中，在国外具有代表 性的学者是加拿大滑铁卢大学副教授Wang Zhou以及美国德克萨斯大学教授Bovik，2004 年，他们首次将图像的一些结构信息（对比度、亮度、结构相似度）用于全参考图像质量评 价，取得了非常好的效果，使得图像质量评价进入了一个快速发展的时代。
[0004] 近年来图像质量评价方法热点日益转向无参考图像质量评价领域，无参考图像质 量评价是一类不需要任何图像的先验知识（即参考图像）去评价失真图像的算法。无参考 图像质量评价可以划分为两类：基于特定失真和不基于特定失真。基于特定失真的方法， 即这类无参考算法评价的失真类型是已知的。例如：Wang Zhou等提出了用来评价JPEG失 真的算法。Sheikh等提出了基于NSS的算法用来评价J2K失真。但是在绝大部分情况下 图像的失真类型是未知的，很难确定它适用于以上的哪一种无参考算法，这就限制了这些 算法的应用范围。不基于特定失真的方法，即这类算法评价的失真类型是未知的，是通用的 无参考图像质量评价算法。同样也可以将它分为两类：〇A_DU(opinion aware distortion unaware)，OU-DU(opinion unaware distortion unaware) 〇 0A-DU 是指这类算法在训练过 程中需要训练图像的主观评分，例如：BIQI，BRISQUE，CBIQ，CORNIA等。OU-DU是指这类算 法不需要训练图像的主观评分。例如：QAC算法，NIQE算法。QAC算法虽然没有用到图像的 主观评分，但是它利用全参考算法FS頂给出训练图像的客观评价结果，这相当于给训练图 像构造出了 "主观评分"，该算法的优点是不需要利用现有的图像质量评价数据库中的图像 进行训练，可以将训练图像的范围进行拓展。NIQE算法所选取的训练图像都是无失真的参 考图像，通过训练相当于构造了一个"参考图像"，它的训练图像也可以不从已有的图像质 量评价数据库中选取。这类算法的优点是不依赖图像质量评价数据库，适应性强。
[0005] 在无参考图像质量评价领域中，统计学习理论占有极其重要的地位，2010年 Bovik等提出了 BIQI算法，首次通过运用统计学习理论获得了通用无参考图像质量评价算 法，使得无参考图像质量评价得到了长足的发展。在文中，提出了"两步框架理论"即：首先 对训练图像提取特征，然后通过统计学习理论方法对训练图像特征与图像主观评分进行 训练，正是这"两步框架理论"的提出标志着统计学习理论在通用无参考图像质量评价领域 获得了成功。
[0006] 此类算法一般由以下几个过程组成：
[0007] (1)特征提取：通过对图像进行变换，提取能反映图像信息的特征向量。此步骤在 此类图像质量评价算法中具有重要的意义，特征选取的质量直接影响算法的评价结果以及 算法评价图像耗时。
[0008] (2)学习预测：对所得到的特征通过神经网络、SVR等学习得到一个模型。再利用 学习的模型预测未知图像的质量。这是此类算法的核心部分，由于将这些统计学习理论的 引入，使得无参考图像质量评价算法不再需要聚焦到某一种具体的失真上，这大大增加了 无参考图像质量评价算法的鲁棒性，以及实际应用性。
[0009] (3)实验分析：对提出的算法进行数据库测试以及与其他算法进行对比。
[0010] 较早提出的基于统计学习理论的图像质量评价算法虽然取得了成功，但是也存在 这一定的问题，如：算法复杂度较高，算法的精确性不够。为了解决这个问题，2011年，Ye Peng等提出了基于码书的无参考图像质量评价算法，2012年Ye Peng对此算法进行了改 进，提出了 CORNIA算法，该算法首次将半监督学习引入到图像质量评价中。并且在编码过 程中使用了 soft编码，此编码方式要优于前面算法所使用了 hard编码。
[0011] 我国在图像质量评价领域起步较晚，但也取得了一定的成果。目前，在2D图像质 量评价方面成果比较突出的是同济大学、西安电子科技大学以及香港理工大学。在3D图像 质量评价方面起步较早的是天津大学和国防科技大学。
[0012] 目前国内对无参考图像质量评价研究主要分为两类：第一类是通用无参考图像质 量评价，2012年国内学者高新波等首次将稀疏表示用于图像质量评价，提出了一种通用的 图像质量评价算法，并且取得了比较好的效果。2013年香港理工大学学者Zhang Lei等提 出了 QAC算法首次将码书引入到OU-DU(训练图像主观评分未知，失真类型未知）中。第二 类是对特定类型图像质量评价。其中具有代表性的是去雾后图像质量评价，郭墦和禹晶分 别在自动化学报和中国图像图形学报上发表了用于综合评价雾天图像复原效果的算法。
[0013] 目前图像质量评价主要聚焦于无参考图像质量评价，并且取得了较大的进展。但 是目前的研究存在很多地方的不足，主要表现在以下三个方面：
[0014] (1)针对的失真类型有限
[0015] 目前的无参考图像质量评价算法，都是基于现有的图像质量评价数据库，但是目 前图像质量评价数据库只有几种类型失真。而雾是一种特殊的失真，现有的无参考算法对 其的评价效果比较差。
[0016] (2)现有方法不能评价非自然场景图像
[0017] 非自然场景图像主要是指通过计算机生成或者对图像进行处理之后图像不具有 自然场景统计特性的图像。现有的无参考图像质量评价方法都是用于评价自然图像，并且 这些方法很多都是利用自然图像的一些特性提出的，对于非自然图像如：二维码、偏振图像 中的P图等评价效果比较差。
[0018] (3)图像质量评价数据库的缺乏
[0019] 目前图像质量评价数据库只有几种失真类型，对一些特殊的图像如：雾天图像、二 维码等缺少数据库，这样使得算法在训练以及测试时缺少准确的依据。
【发明内容】
[0020] 本发明涉及两个方面的主要内容：
[0021] (1)雾天图像特征提取及码书构建
[0022] 目前关于雾天图像特征选取的研究较少，如何选取一种或者多种特征，能够最大 限度的反映雾浓度的变化以及构建用于雾天图像质量评价的码书将是发明的主要内容。 [0023] (2)雾天图像质量评价
[0024] 针对现有图像质量评价算法在雾天图像质量评价方面的不足，发明了基于混合特 征码书的适合雾天图像的质量评价方法，实验表明发明的方法性能优越。
【附图说明】
[0025] 附图1是本发明的一种雾天图像质量得分预测过程示意图
[0026] 附图2是本发明的一种雾天图像质量评价SVR训练过程示意图
【具体实施方式】
[0027] -种适合雾天图像的质量评价方法，包含以下几个步骤：特征提取、码书构建和编 码、SVR模型训练、质量得分预测。
[0028] (1)特征提取
[0029] 所提取的特征为混合特征可以较好的反映雾天图像的特性。自然场景统计特 征可以很好的刻画图像的失真，为了获得用于构建码书的特征向量，选用广义高斯分布 (GGD)以及非对称广义高斯分布（AGGD)对雾天图像极其失真图像进行有效的刻画。如式 (1)-(3)：
[0030]
[0031]
[0032]
[0033]
[0034] 其中形状参数α控制分布的形状，同时σ 2控制方差。由于MSCN(Mean Subtracted Contrast Normalized)系数分布是动态的，所以选择零均值分布。GGD的两个参数（α，σ 2) 是能够被有效估计的。用这个参数模型来拟合无失真图像以及相应失真图像的MSCN系数 统计图。上述两个变量是刻画图像失真的两个参数。
[0035] 相邻系数之间有一种规则的结构，这种规则随着加入失真而改变，本节从四个方 向上来