(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210684080.1 (22)申请日 2022.06.17 (65)同一申请的已公布的文献号 申请公布号 CN 114782422 A (43)申请公布日 2022.07.22 (73)专利权人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 朱树元　刘科　李鼎立　胡术明　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 甘茂 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/80(2022.01) G06V 10/774(2022.01) (56)对比文件 CN 104658002 A,2015.0 5.27 CN 10748121 1 A,2017.12.15CN 110246111 A,2019.09.17 CN 113409247 A,2021.09.17 CN 106127741 A,2016.1 1.16 CN 106454350 A,2017.02.2 2 US 2022058376 A1,202 2.02.24 WO 20180 58090 A1,2018.0 3.29 US 2007184373 A1,20 07.08.09 马允.无参 考立体图像客观质量评价方法研 究. 《中国优秀硕士学位 论文全文数据库信息科 技辑》 .2018,(第(2018)02期),I138-23 03. Liquan Shen 等.N o-Reference Stereoscopic Ima ge Quality Assessment Based on Image Distorti on and Stereo Perceptual I nformati on. 《IEEE TRANSACTIONS ON EMERGING TOPICS I N COMPUTATIONAL INTELLIGENCE》 .2018,第3卷(第1期),59-72. 李亚飞.图像质量评价及其应用研究. 《中国 优秀硕士学位 论文全文数据库信息科技 辑》 .2020,(第(2020)08 期),I138- 576. 审查员 黄娟 (54)发明名称 一种SVR特征融合的无参考JPEG图像质量评 价方法 (57)摘要 本发明属于无参考图像质量评价领域， 具体 提供一种SVR特征融合的无参考JPEG图像质量评 价方法， 用以进行单一图像的质量分数的有效评 价。 本发明在一阶梯度块效应特征、 二阶梯度块 效应特征及频域AC系数特征基础上， 引入梯度 Laplace水平特征与梯度 Laplace垂直特征， 并采 用SVR模型实现特征融合， 得到图像的质量预测 分数； 本发明通过引入梯度 Laplace特征， 更为全 面的提取图像的细节信息， 加上采用更为合理的 SVR特征融合方法， 在训练中通过特征值和标签 拟合出准确的SVR模型， 能够显著的提升图像的 质量评价 准确度， 进 而有效评价图像质量。 权利要求书2页 说明书6页 附图6页 CN 114782422 B 2022.10.14 CN 114782422 B 1.一种SVR特 征融合的无参 考JPEG图像质量评价方法， 其特 征在于， 包括以下步骤： 步骤1. 计算待评价JPEG图像的一阶梯度块效应特征 B1、 二阶梯度块效应特征 B2与频域 AC系数特征A； 步骤2. 计算待评价JPEG图像的梯度 Laplace特征， 具体为： 步骤2.1 采用Laplace矩阵对待评价JPEG图像的一阶水平梯度矩阵 Gh与一阶垂直梯度 矩阵Gv分别进行有效卷积， 得到水平梯度矩阵 Gch与垂直梯度矩阵 Gcv； 步骤2.2 基于待评价JPEG图像构建若干个图像块 T： 以8×8的像素块为单元块， 按照窗 口尺寸为3×3、 滑动步长为1的滑窗操作遍历整个图像， 构建得到若干个图像块 T； 步骤2.3 计算每一个图像块 T的梯度Laplace水平特征 Lch； 具体为： 取图像块 T的第9~16 行、 第4~21列像素点构成子图像 块t1， 基于子图像 块t1计算图像块T的梯度Laplace水平特征 Lch为： 其中， (i , j)表示像素点 坐标， (mh, nh)表示子图像块 t1的第一个 像素点的坐标； 步骤2.4 计算每一个图像块 T的梯度Laplace垂直特征 Lcv； 具体为： 取图像块 T的第9~16 列、 第4~21行像素点构成子图像 块t2， 基于子图像 块t2计算图像块T的梯度Laplace垂直特征 Lcv为； 其中， (i , j)表示像素点 坐标， (mv, nv)表示子图像块 t2的第一个 像素点的坐标； 步骤2.5设定阈值过滤无效梯度 Laplace水平特征： Lch > 0， 并将所有有效梯度 Laplace 水平特征取平均值， 作为待评价JPEG图像的梯度 Laplace水平特征 L1； 设定阈值过滤无效梯 度Laplace 垂直特征： Lcv > 0， 并将所有有效梯度 Laplace 垂直特征取平均值， 作为待评价 JPEG图像的梯度 Laplace垂直特征L2； 步骤3. 将待评价JPEG图像的一阶梯度块效应特征 B1、 二阶梯度块效应特征 B2、 频域AC 系数特征 A、 梯度Laplace水平特征 L1与梯度Laplace垂直特征 L2构成特征向量输入 至预训练 SVR模型， 由预训练SVR模型输出待评价JPEG图像的质量预测分数。 2.按权利要求1所述SVR特征融合的无参考JPEG图像质量评价方法， 其特征在于， 步骤 2.1中， 所述 Laplace矩阵为3×3的数字矩阵， 其中心元 素为8、 其 余元素均为‑1。 3.按权利 要求1所述SV R特征融合的无参考JPEG图像质量评价方法， 其特征在于， 步骤3 中， 所述SVR模型由 svmtrain 方法训练得到， 训练集基于LIV E、 CSIQ、 T ID2008与TID2013四个 数据库构建而成， 训练参数为： 核函数为sigmoid类型、 惩罚系数为9000、 gamma参数值为 0.0039； 训练集中每张训练图像的一阶梯度块效应特征 B1、 二阶梯度块效应特征 B2、 频域AC权　利　要　求　书 1/2 页 2 CN 114782422 B 2系数特征 A、 梯度Laplace水平特征 L1与梯度Laplace垂直特征 L2构成输入特征向量， 训练图 像对应的图像主观质量评价得分 mos作为输出 标签。 4.按权利要求3所述SVR特征融合的无参考JPEG图像质量评价方法， 其特征在于， 训练 集构建过程为： 首先， 将每个数据库的图像主观质量评价得分进行归一化处理， 针对 TID2008与TID2 013数据库， 将 归一化结果作为图像主观质量评价得分 mos； 针对LIVE与CSIQ 数据库， 将1减去归一化结果的差值作为图像主观质量评价得分 mos； 然后， 将四个数据库中 JPEG图像按照预设比例随机抽取构成训练集。权　利　要　求　书 2/2 页 3 CN 114782422 B 3