一种基于区域显著性池化的图像质量评估方法

文献发布时间：2023-06-19 11:26:00

技术领域

本发明涉及图像质量评价领域，特别是一种基于区域显著性池化的图像质量评估方法。

背景技术

图像在获取、压缩和传输过程中容易受到失真。这些失真将严重损害图像的感知质量，并进一步影响实际应用的经验质量。因此，提出有效的图像质量评价模型对于监测和提高图像质量至关重要。传统的图像质量评价指标，如峰值信噪比(PSNR)和结构相似度(SSIM)得到了广泛的应用。这些度量大多基于整个图像的内容信息来评估图像的质量，而不充分考虑人类视觉系统(HVS)的特性。近年来，对图像质量评价的相关研究很多，表明引入视觉显著性有利于提高图像质量评价的性能。人类观察者通常只对图像的一部分感兴趣。这就是人类视觉注意力机制发挥作用的地方。它集中在有限的认知资源上的重要区域的形象。目前已有许多与视觉显著性相关的图像质量评价方法，通过主观实验或提取图像的低层次特征来完成。CSRSWTC2020会议上的学者进行了一个主观实验，以验证兴趣区域(ROI)对感知图像质量的影响大于背景。在此基础上，通过将图像内容划分为不同权重的ROI和背景，提出了一种图像质量评估(IQA)模型。Alaei等人开发了一种基于ROI的IQA方法。该方法与本专利所研究的内容可以更好的解决这个问题，可实现在更高级的层次上进行图像质量评估。

发明内容

本发明的目的在于提供一种基于区域显著性池化的图像质量评估方法，该方法在预测图像质量方面取得了良好的性能。

为实现上述目的，本发明的技术方案是：一种基于区域显著性池化的图像质量评估方法，包括如下步骤：

步骤S1、区域权重计算；

步骤S2、图像显著性检测；

步骤S3、VGG16网络预测。

在本发明一实施例中，所述步骤S1具体实现如下：

步骤S11、假设图像区域显著性与相应块的质量权重之间存在映射关系，将图像分为3x3个块；

步骤S12、利用如下公式图像质量计算模型进行图像整体质量的计算：

其中Q表示图像的整体质量，s

步骤S13、将LIVE图像质量数据库中的所有图像按图像内容分成29组，根据上述公式每组图像得到相应的联立方程组。然后求解出每组方程的w

在本发明一实施例中，所述步骤S2具体实现如下：

步骤S21、首先，我们使用简单线性迭代聚类(SLIC)方法分割图像的每个个块，即抽象地将每个个块视为一系列规则的超像素；

步骤S22、然后，利用超像素之间最短路径累积的边缘权值来构造任意两个超像素之间的相似性；

步骤S23、我们进一步计算了跨越面积

步骤S24、接下来，定义一个边界连通性BndCon(p)，用于测量超像素与图像边界连接的程度，定义如下：

其中p表示每个超像素；

步骤S25、然后，为了更好地分离图像个块的背景和对象，对模型进行了进一步的优化。我们计算每个超像素Ctr(p)的权重，然后根据每个超像素的边界连通性，绘制相应的背景概率w

步骤S26、接下来，超像素的背景加权对比度定义如下：

wCtr(p)＝Ctr(p)w

在本发明一实施例中，所述步骤S3具体实现如下：

步骤S31、由于我们需要使用结构简单的卷积神经网络来预测图像个块的权重w

步骤S32、由于LIVE图像质量数据库中包含的图像具有多个分辨率，因此不同图像分割的斑块的大小是不同的。为了确保VGG网络的所有的输入具有相同的大小，我们在所有显著性图中选择最小尺寸146x146作为标准；

步骤S33、然后使用遍历搜索方法从每个显著性图中提取具有最大平均灰度值的146x146区域；

步骤S34、我们将146x146显著性图作为输入内容传给VGG16网络，标签是与显著性图对应的图像个块的权重值，网络的最后一层输出预测权重值w

附图说明

图1是本发明实施过程中的整体工作流程图。

图2是本发明实施过程中的模型整体结构图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供了一种基于区域显著性池化的图像质量评估方法，包括如下步骤：

步骤S1、区域权重计算；

步骤S2、图像显著性检测；

步骤S3、VGG16网络预测。

以下为本发明一具体实施例。

本实施提供一种基于区域显著性池化的图像质量评估方法，检测整体工作流程如图1所示，包括以下步骤：步骤S1、区域权重计算；步骤S2、图像显著性检测；步骤S3、VGG16网络预测。

2.根据权利要求1所述的一种基于区域显著性池化的图像质量评估方法，其特征在于，所述步骤S1具体实现如下：