一種基于非線性結(jié)構(gòu)相似度偏差的有參圖像的質(zhì)量評(píng)估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，特別是一種基于非線性結(jié)構(gòu)相似度偏差的有參圖像的 質(zhì)量評(píng)估方法。
【背景技術(shù)】
[0002] 在圖像采集、存儲(chǔ)、傳遞、處理和顯示等每個(gè)階段中都可能會(huì)引入不同的失真干 擾，這些失真干擾一般會(huì)造成圖像質(zhì)量的不同層次的下降，從而使得用戶無(wú)法從眾多的圖 像中選取所需的圖像，因此如何有效正確地評(píng)估一幅圖像的質(zhì)量越來(lái)越引起眾多學(xué)者的關(guān) 注。目前評(píng)估圖像質(zhì)量方法主要有兩大類：主觀評(píng)估法和客觀評(píng)估法。主觀評(píng)估是通過(guò)多人 評(píng)估后得出，與人類視覺(jué)特性比較符合，但是它費(fèi)時(shí)費(fèi)力，受各類因素影響，并且成本高；而 客觀評(píng)估法通過(guò)構(gòu)建一些數(shù)學(xué)模型代替人類的視覺(jué)系統(tǒng)無(wú)需干預(yù)的對(duì)圖像進(jìn)行質(zhì)量評(píng)估， 以達(dá)到盡可能和人的視覺(jué)主觀評(píng)估結(jié)果一致，按照不同評(píng)估準(zhǔn)則又可分為兩種類型：帶參 圖像的評(píng)估法和無(wú)參圖像的評(píng)估法。在很多應(yīng)用中，無(wú)參圖像雖然可以評(píng)估圖像的質(zhì)量，但 其應(yīng)用范圍較窄，要求較高，不適合在實(shí)際中應(yīng)用，而參照?qǐng)D像可以提供更多有效的信息， 可以準(zhǔn)確地評(píng)估圖像的質(zhì)量，應(yīng)用范圍比較寬，因此本發(fā)明重點(diǎn)研究了有參照?qǐng)D像的質(zhì)量 評(píng)估。
[0003] 近年來(lái)，有參圖像的質(zhì)量評(píng)估研究領(lǐng)域異?；钴S，學(xué)者們提出了不少的具有代 表性的質(zhì)量評(píng)估算法，這些方法一般可粗分為兩類：自底向上和自頂向下。自底向上是 指從人的視覺(jué)系統(tǒng)對(duì)圖像質(zhì)量評(píng)價(jià)模型進(jìn)行構(gòu)建，然后以此模型對(duì)退化圖像進(jìn)行質(zhì)量評(píng) 估，如Masry提出了基于人類視覺(jué)多通道系統(tǒng)的圖像質(zhì)量評(píng)估模型，改善了基于單通道的 視覺(jué)系統(tǒng)模型，提高了圖像質(zhì)量的評(píng)估能力（M.A. Masry and S.S. Hemami. A metric for continuous quality evaluation of compressed video with severe distortions. Signal processing-image communication. 2004 :133-146.) a Wang 等人依據(jù)人類視覺(jué) 系統(tǒng)對(duì)退化圖像和參照?qǐng)D像差進(jìn)行感知量化后進(jìn)行評(píng)估（Z. Wang and A. C.Bovik，Modern Image Quality Assessment 2006(2))。另一類評(píng)估方法是自頂向下進(jìn)行研究D自頂向 下是一種依賴圖像結(jié)構(gòu)信息的方法，該類方法以Zhou Wang的結(jié)構(gòu)相似度為代表，該方 法同時(shí)考慮了亮度相似度、對(duì)比度相似度和結(jié)構(gòu)相似度對(duì)圖像質(zhì)量的影響（Z. Wang，A. Bovikj H. Sheikh, and E. SimoncelIi. Image quality assessment:From error visibility to structural similarity.IEEE Transactions on Image Process.，2004,13 (4)： 600 - 612)。接著，他們又考慮了多尺度的信息，提出了基于多尺度的結(jié)構(gòu)相似度，提高 了評(píng)估的準(zhǔn)石角性（Z. Wang，et al·· Multi-scale structural similarity for image quality assessment, in Signals, Systems and Computers, 2003. Conference Record of the Thirty-Seventh Asilomar Conference on,2003,pp. 1398-1402V〇1. 2.) 〇 Cheng 將梯度幅度譜，梯度方向譜和對(duì)比度引入到構(gòu)建評(píng)估模型中，提出了基于該模型的圖像 質(zhì)量評(píng)估算法（G. Q. Cheng，J. C. Huang，C. Zhu，Z. Liu and L. Z. Cheng. Perceptual image quality assessment using a geometric structural distortion model. 17th IEEE International Conference on Image Processing, 2010) .Zhang 等人通過(guò)結(jié)合梯度幅 度和相位一致性評(píng)估退化圖像質(zhì)量（Lin Zhang, Lei Zhang, X. Mou and D. Zhang. FSIM:a feature similarity index for image quality assessment. IEEE transactions on image process, 2011, 20(8) :2378-2386) Jue Wufeng等為了提高評(píng)估的速度，僅考慮了梯 度相似度，通過(guò)計(jì)算梯度相似度的偏差來(lái)評(píng)估圖像的質(zhì)量（Wufeng Xue, Lei Zhang，uanqin Mou and C. Bovikc. Gradient Magnitude Similarity Deviation:A Highly Efficient Perceptual Image Quality Index.)。這些評(píng)估方法對(duì)單一失真或退化圖像或者失真不嚴(yán) 重的圖像質(zhì)量評(píng)估較好，對(duì)交叉失真或嚴(yán)重失真的圖像評(píng)估效果不理想。本發(fā)明通過(guò)同時(shí) 考慮了高斯圖像空間的非線性歸一化局部邊緣強(qiáng)度圖和非線性歸一化局部梯度圖，提出了 基于非線性歸一化相似度的圖像質(zhì)量評(píng)估方法，實(shí)驗(yàn)結(jié)果表明提出的方法對(duì)多種失真或失 真嚴(yán)重的圖像評(píng)估值較好，和人的視覺(jué)一致性較高。
[0004] 目前，雖然在一些簡(jiǎn)單的退化圖像評(píng)估算法已經(jīng)比較成熟，但在有多種因素引起 的退化圖像質(zhì)量評(píng)估算法效果不理想。如果能找到較好的圖像目標(biāo)表征方式，將會(huì)對(duì)多種 因素引起的退化圖像評(píng)估有很大的幫助，除外，評(píng)估簡(jiǎn)便程度、移植性等，都是需要考慮的 問(wèn)題。

【發(fā)明內(nèi)容】

[0005] 針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明提供一種提尚表征的有效性、可以提尚圖像 質(zhì)量評(píng)估性，更加符合人的視覺(jué)主觀性、提高了質(zhì)量評(píng)估魯棒性，同時(shí)計(jì)算簡(jiǎn)便，可實(shí)現(xiàn)性 好，因此可以很方便應(yīng)用到計(jì)算機(jī)，甚至可以移植到嵌入式系統(tǒng)中，可以被廣泛地應(yīng)用于圖 像傳輸、圖像壓縮和圖像處理等領(lǐng)域，實(shí)現(xiàn)生物特征認(rèn)證和視頻監(jiān)控等用途的基于非線性 結(jié)構(gòu)相似度偏差的有參圖像的質(zhì)量評(píng)估方法。
[0006] 本發(fā)明的目的通過(guò)以下技術(shù)方案實(shí)現(xiàn)。
[0007] -種基于非線性結(jié)構(gòu)相似度偏差的有參圖像的質(zhì)量評(píng)估方法，步驟包括：
[0008] 1)讀取圖像：基于獲得參照和不同類型退化的圖像，首先利用公式
到計(jì)算每一個(gè)高斯顏色分量值，分別將其RGB顏 uq ,V1 ^ uq _，以獲取整個(gè)RGB顏色圖像對(duì)應(yīng)的高斯圖像其中， EI，EII，EIII分別表示不同的高斯顏色空間成分，R，G，B分別表示RGB顏色空間中的不同顏 色分量；
[0009] 2)利用公式GE。⑴=(Ejhx)2⑴+ (EJhy)2Q)計(jì)算局部圖像梯度譜，其中，GEJi) 表示第i個(gè)像素的類梯度幅度譜，c表示高斯顏色空間的分量，在本發(fā)明中為I，II，III ;hx 和1\分別表示X方向和y方向的梯度算子，*表示卷積，本文采用的是調(diào)整后的Scharr算 子，具體如下：
，利用 評(píng)佰的眚櫸性；
[0012] 5)根據(jù)局部梯度和邊緣強(qiáng)度相似度譜的結(jié)構(gòu)特性，對(duì)比局部梯度相似度譜和邊緣 強(qiáng)度相似度譜的偏差，選擇上述兩者較小的偏差作為退化圖像質(zhì)量的評(píng)估值。
[0013] 相比于現(xiàn)有技術(shù)，本發(fā)明的優(yōu)點(diǎn)在于：梯度雖然能表征圖像的質(zhì)量特征，但對(duì)于亮 度不同和噪聲不等的退化圖像，不符合人的主觀感受，降低了質(zhì)量評(píng)估的效果。并且實(shí)際采 集到的圖像偏離圖像平均亮度很多，因此為了提高表征的有效性，本發(fā)明選擇非線性歸一 化后的局部梯度和邊緣強(qiáng)度表征圖像，可以提高圖像質(zhì)量評(píng)估性，更加符合人的視覺(jué)主觀 性。而本發(fā)明自適應(yīng)選擇有效特征表征圖像，又進(jìn)一步提高了質(zhì)量評(píng)估魯棒性，同時(shí)計(jì)算簡(jiǎn) 便，可實(shí)現(xiàn)性好，因此可以很方便應(yīng)用到計(jì)算機(jī)，甚至可以移植到嵌入式系統(tǒng)中。本發(fā)明可 以被廣泛地應(yīng)用于圖像傳輸、圖像壓縮和圖像處理等領(lǐng)域，實(shí)現(xiàn)生物特征認(rèn)證和視頻監(jiān)控 等用途。
【附圖說(shuō)明】
[0014] 圖1是本發(fā)明方法生成非線性歸一化的局部邊緣強(qiáng)度譜和局部梯度譜示意圖。
[0015] 圖2是本發(fā)明方法生成的局部結(jié)構(gòu)相似度圖譜。
[0016] 圖3是本發(fā)明方法在含有噪聲的退化圖像中生成的局部結(jié)構(gòu)相似度圖譜示意圖 和對(duì)應(yīng)的評(píng)估值。
[0017] 圖4是本發(fā)明方法在不同壓縮比的退化圖像中生成的局部結(jié)構(gòu)相似度圖譜示意 圖和對(duì)應(yīng)的評(píng)估值。
[0018] 圖5是本發(fā)明方法在不同模糊比的退化圖像中生成的局部結(jié)構(gòu)相似度圖譜示意 圖和對(duì)應(yīng)的評(píng)估值。
【具體實(shí)施方式】
[0019] 下面結(jié)合說(shuō)明書(shū)附圖和具體的實(shí)施例，對(duì)本發(fā)明作詳細(xì)描述。
[0020] 本發(fā)明提出基于非線性結(jié)構(gòu)相似度偏差的有參圖像的質(zhì)量評(píng)估方法，用來(lái)評(píng)估 圖像采集、傳輸、處理和壓縮的圖像質(zhì)