论文部分内容阅读
数字图像在获取、传输、存储以及压缩过程中会不可避免地产生失真,如模糊、JPEG压缩和高斯白噪声等,这些失真会造成图像质量的下降。图像质量评价已成为图像处理的重要研究方向之一。本文针对图像质量评价问题,提出一种分两阶段评价的框架:第一阶段,针对图像的失真类型进行判定;第二阶段,针对特定的失真类型的失真程度进一步进行评价。本文在图像失真类型判定阶段,采用基于深度学习的方法对失真类型进行判定;在特定失真类型评价阶段,针对图像模糊这种特定的失真类型进行更深入的评价。两阶段的主要工作如下:一、针对图像失真类型判定问题,本文提出了一种基于Gabor小波和CNN(Convolutional Neural Network)的失真类型判定新算法。该算法先利用Gabor小波的良好特性对图像进行特征粗提取,再通过改进的CNN进一步提取关键特征。算法步骤包括:1)对图像进行预处理(包括标签设定、样本均衡和样本扩充等);2)对预处理后的图像进行8方向的Gabor小波变换,并将不同方向的子带叠加构成输入样本;3)通过自行设计的CNN和Softmax分类器对样本进行训练,训练的过程中采用随机梯度下降和反向误差传播的方法对卷积核参数进行优化得到最终模型;4)利用训练好的模型进行失真类型判定。实验表明,本算法能够将图像的各种失真类型进行区分,具有较高的准确性和鲁棒性。二、在判定图像的失真类型为模糊的前提下,本文进一步提出一种基于DCT(Discrete Cosine Transform)和SIFT(Scale-Invariant Feature Transform)的无参考图像模糊评价新算法,该算法不仅充分利用DCT频率分解能力衡量图像的模糊程度,还借助SIFT特征点的优势使算法性能与HVS(Human Visual System)更接近。算法步骤包括:1)失真图像的灰度转换和梯度图的计算,然后对灰度图像进行SIFT特征点检测;2)将灰度图像和梯度图像分成大小相等的图像块;3)将灰度图像中含有SIFT特征点的块选为感兴趣块,同时梯度图像中与之对应的块转换到DCT域并计算该块的SSAD(Sum of Squared AC Coefficients of DCT)值;4)为消除图像内容的影响,结合所有感兴趣块的SIFT特征点数量、方差和熵对SSAD的总和进行归一化处理,最终获得图像的模糊评价分数。实验表明,本算法能对失真图像的模糊程度进行较准确的评价,最后的模糊分数与人的主观评价结果保持高度一致。