針對jpeg2000壓縮失真的無參考圖像質(zhì)量客觀評價方法
【專利摘要】本發(fā)明涉及一種針對JPEG2000壓縮失真的無參考圖像質(zhì)量客觀評價方法，包括兩個部分，第一部分：建立圖像特征字典，將每組失真圖像塊的特征向量分別進行K?means聚類，得到聚類中心；第二部分：對JPEG2000失真的測試圖像質(zhì)量客觀評價：采用SDSP算法計算測試圖像的顯著性；用差分濾波器提取特征向量；將特征向量聚類；根據(jù)特征向量與聚類中心的距離計算質(zhì)量；將所有圖像塊質(zhì)量加和平均，求得整幅測試圖像的質(zhì)量分?jǐn)?shù)。本發(fā)明可以有效地提高客觀評價結(jié)果與主觀感知的相關(guān)性。
【專利說明】
針對JPEG2000壓縮失真的無參考圖像質(zhì)量客觀評價方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種圖像質(zhì)量評價方法，尤其是設(shè)及一種針對肝EG2000失真的無參考 圖像客觀質(zhì)量評價方法。
【背景技術(shù)】
[0002] 隨著日益增長的多媒體內(nèi)容在互聯(lián)網(wǎng)和移動網(wǎng)絡(luò)中傳輸，人們對信息的傳輸質(zhì)量 和傳輸速度提出越來越高的要求，為了適應(yīng)通信系統(tǒng)大量、快速傳輸?shù)男枨?，圖像壓縮技術(shù) 和圖像處理系統(tǒng)快速發(fā)展，圖像質(zhì)量是衡量圖像壓縮技術(shù)和圖像處理系統(tǒng)的重要性能指 標(biāo)，圖像質(zhì)量評價方法成為當(dāng)前研究的熱點。
[0003] 圖像質(zhì)量評價方法分為主觀質(zhì)量評價和客觀質(zhì)量評價，主觀質(zhì)量評價方法是多名 觀察者對圖像進行主觀打分，然后將所有觀察者的分值進行加和平均，作為圖像的質(zhì)量分 數(shù)?？陀^質(zhì)量評價方法是通過建立數(shù)學(xué)模型計算圖像的質(zhì)量。客觀質(zhì)量評價方法根據(jù)是否 有參考圖像，分為全參考圖像質(zhì)量評價方法，半?yún)⒖紙D像質(zhì)量評價方法和無參考圖像質(zhì)量 評價方法，因為在實際應(yīng)用中，多數(shù)情況無法獲得相應(yīng)的參考圖像，因此無參考質(zhì)量評價方 法更具有研究價值。
[0004] 肝EG2000是一種常見的壓縮方法，其引起的圖像失真也是一種常見的圖像失真類 型，本發(fā)明針對肝EG2000壓縮失真提出一種無參考圖像質(zhì)量評價方法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供一種無參考圖像客觀質(zhì)量評價方法，此方法不需要圖像的主觀質(zhì)量分 數(shù)進行回歸模型訓(xùn)練，而是通過利用建立的字典的方法進行圖像客觀質(zhì)量評價，從而可W 減少圖像質(zhì)量評價的工作量，降低算法的復(fù)雜度。本發(fā)明根據(jù)圖像顯著性進行圖像質(zhì)量評 價，符合人眼的觀看機理，有效地提高客觀評價結(jié)果與主觀感知的相關(guān)性。本發(fā)明的技術(shù)方 案為：
[0006] -種針對肝EG2000壓縮失真的無參考圖像質(zhì)量客觀評價方法，包括兩個部分，
[0007] 第一部分:建立圖像特征字典
[000引①將參考圖像和肝EG2000壓縮失真圖像分塊，每幅圖像分成大小為8*8,數(shù)量為8* 8的圖像塊，將一幅圖像的參考圖像塊記為xi，i = l，2...64,相應(yīng)的失真圖像塊記為山；
[0009] ②計算參考圖像塊Xi和相應(yīng)的失真圖像塊di的結(jié)構(gòu)相似度，記為Si,其中
，其中，PC(Xi)和G(Xi)分別是參考
圖像塊的相位一致性和梯度，相應(yīng)的，PC(di)和G(Cli)分別是失真圖像塊的相位一致性和梯 度，ti是正常數(shù)；
[0010] ③將Si進行歸一化，歸一化因子巧 -其中Q是一幅失真圖像中所有 圖像塊的集合，Qp是整幅圖像的圖像塊的結(jié)構(gòu)相似度Si按升序排列后，前10%的Si對應(yīng)的 圖像塊的集合，將結(jié)構(gòu)相似度歸一化為失真圖像塊的質(zhì)量分?jǐn)?shù)Cl,其中Ci = Si/C，歸一化后 的質(zhì)量分?jǐn)?shù)Cl的區(qū)間為[0，1]，將質(zhì)量分?jǐn)?shù)平分成10個等級；
[0011] ④計算上述步驟①中得到的所有失真圖像塊的質(zhì)量分?jǐn)?shù)，質(zhì)量分?jǐn)?shù)在同一質(zhì)量等 級的失真圖像塊為一組，共得到10組失真圖像塊，記為Gi, 1 = 1,2...10,第1等級的質(zhì)量分 數(shù)記為qi = 1/10;
[0012] ⑤用差分濾波器提取上述步驟①中得到的所有失真圖像塊的特征，差分濾波器的 尺度參數(shù)〇分別等于0.5,2.0,4.0,得到特征向量集{f};
[0013] ⑥將上述步驟④中的每組失真圖像塊的特征向量分別進行K-means ,K = 30聚類， 每組失真圖像塊得到30個聚類中屯、，記為Si,m，Si,m表示第1等級的第m，m= 1,2... 30個聚類 中屯、；
[0014]第二部分:對肝EG2000失真的測試圖像質(zhì)量客觀評價
[001引①將一幅現(xiàn)聯(lián)圖像的圖像塊記為ti，i = l，2...64,采用SDSP算法計算各個圖像塊 的顯著性，ti的顯著圖為
其中，、&,、馬,分別為ti的頻率顯著性，顏 色顯著性和位置顯著性，將SDSPi所有像素點X的值相加得到ti的顯著性VSi;
[0016] ②用差分濾波器提取ti的特征向量，差分濾波器的尺度參數(shù)O分別等于0.5，2.0， 4.0，得到特征向量'1;
[0017] ③在每個質(zhì)量等級內(nèi)，將ti的特征向量聚類，得到10個聚類結(jié)果，記在第1質(zhì)量等 級中與ti距離最小的聚類中屯、為巧,Vti與巧A的距離為
[001引④根據(jù)t i的特征向量與聚類中屯、的距離S1, i計算t i的質(zhì)量
其中A為控制衰減速率的因子，取A = 32;
[0019]⑤將ti的顯著性VSi作為現(xiàn)聯(lián)圖像每個圖像塊的質(zhì)量權(quán)重，所有圖像塊質(zhì)量加和平 均，求得整幅測試圖像的質(zhì)量分?jǐn)?shù)。
【附圖說明】
[0020] 圖1為圖像字典建立框圖
[0021] 圖2為本發(fā)明方法的總體實現(xiàn)框圖
[0022] 圖3為應(yīng)用本發(fā)明方法后，LIVE數(shù)據(jù)庫、TID2008數(shù)據(jù)庫和CSIQ數(shù)據(jù)庫上主觀質(zhì)量 分?jǐn)?shù)與客觀預(yù)測分?jǐn)?shù)的散點圖
【具體實施方式】
[0023] W下結(jié)合附圖對本發(fā)明作進一步詳細(xì)描述。
[0024] 本發(fā)明提出的一種針對肝EG2000失真的無參考圖像質(zhì)量客觀評價方法，其總體實 現(xiàn)框圖如圖2所示，包括W下步驟：
[0025] 第一步，建立圖像特征字典，如圖1所示。
[0026] ①從數(shù)據(jù)庫中選取10幅原始的無失真圖像作為參考圖像，通過改變圖像的壓縮 率，分別獲得每幅圖像的巧巾不同失真水平的失真圖像。將參考圖像和失真圖像分別分成大 小為8*8，數(shù)量為8*8的圖像塊，對于每幅圖像，將參考圖像的圖像塊記為Xi，i = 1,2. . . 64， 相應(yīng)的失真圖像塊記為dl。
[0027] 通過計算參考圖像塊Xi和相應(yīng)的失真圖像塊di的結(jié)構(gòu)相似度，賦予失真圖像塊質(zhì) 量分?jǐn)?shù)。結(jié)構(gòu)相似度是衡量兩幅圖像相似度的指標(biāo)，其值在[0，1]之間，結(jié)構(gòu)相似度值越大， 則兩幅圖像越相似，質(zhì)量也越相近。本發(fā)明通過計算失真圖像與參考圖像的結(jié)構(gòu)相似度，賦 予每個失真圖像塊一個質(zhì)量分?jǐn)?shù)。失真圖像塊與相應(yīng)的參考圖像塊的結(jié)構(gòu)相似度為Si,計 算公式為(1)
[0028]
(1)
[0029] 其中，PC(Xi)和G(Xi)分別是參考圖像塊Xi的相位一致性和梯度，相應(yīng)的，PC(di)和 G(Cli)分別是失真圖像塊di的相位一致性和梯度，ti是正常數(shù)。
[0030] 圖像的質(zhì)量很大程度上由失真程度大的圖像塊決定，因此將一幅圖像的失真圖像 塊與相應(yīng)的參考圖像塊的結(jié)構(gòu)相似度Si按升序進行排列，基于排序后的前10%的結(jié)構(gòu)相似 度，即失真最大的前10%的圖像塊Qp,得到歸一化因子C，計算公式為(2)，
[0031](2)
[0032] 具甲，U
是一帷天真圖像中所有圖像塊的集合，Q P是Si升序排列后，前10%的Si對 應(yīng)的圖像塊的集合。歸一化的圖像塊的質(zhì)量分?jǐn)?shù)為Cl,計算公式為(3)
[0033] Ci = SiZc (3)
[0034] ②歸一化后的質(zhì)量分?jǐn)?shù)Cl的區(qū)間為[0，1]，將質(zhì)量分?jǐn)?shù)平分成10個等級，計算上述 步驟①中得到的所有失真圖像塊的質(zhì)量分?jǐn)?shù)，質(zhì)量分?jǐn)?shù)在同一質(zhì)量等級的失真圖像塊為一 組，共得到10組圖像塊，記為Gi, 1 = 1,2...10,第1等級的質(zhì)量分?jǐn)?shù)記為qi = l/10;
[0035] ③用差分濾波器對②中所有失真圖像塊進行特征提取。差分濾波器能有效地提取 圖像的視覺信息，并且提取的特征隨著失真水平的改變而變化，因此，提取的特征能有效地 用于圖像質(zhì)量評價，特征計算公式為(4)
[0036]
(4)
[0037] O為控制濾波器形狀的尺度參數(shù)，本發(fā)明中取〇 = 0.5,2.0,4.0提取圖像塊di的特 征，得到特征向量/rf,:。.
[0038] ④將上述步驟②中的每組失真圖像塊的特征向量分別進行K-means聚類。其中，K- means算法是基于距離的聚類方法，認(rèn)為兩個對象的距離越近，越相似。本發(fā)明將每組圖像 塊分別聚類為30類，得到300個聚類中屯、，記為血,k，其中，mi,功第1等級的第k，k=l ,2...30 個聚類中屯、，對圖像塊di的特征向量尤進行聚類的計算公式為巧）
[0039]
W
[0040] 其中，Gi,k是圖像組Gi中的第k個聚類中屯、。
[0041] 第二步，對肝EG2000失真的無參考圖像質(zhì)量客觀評價。
[0042] ①將測試圖像分成大小8*8,數(shù)量為8*8(N = 64)的圖像塊，記為ti，i = l，2. . .64。 計算圖像塊ti的視覺顯著性，其中，視覺顯著性是指智能算法通過模擬人的視覺特點，標(biāo)注 圖片的顯著區(qū)域。在觀察圖片時，人眼更多的觀察圖像的顯著區(qū)域，因此顯著圖像塊的質(zhì)量 對整幅圖像的質(zhì)量影響更大。本發(fā)明中，在圖像塊的質(zhì)量中加入顯著性權(quán)重，得到整幅圖像 的質(zhì)量。采用SDSP(Saliency Detection by combining Simple Priors)算法計算圖像塊 的顯著性，ti的顯著性的計算公式為(6)。
[00創(chuàng)
樹
[0044] 其中，Sq,分別為ti的頻率顯著性，顏色顯著性和位置顯著性。
[0045] 將SDSPi所有像素點X的值相加得到ti的顯著性，計算公式為(7)
[0046]
巧
[0047] ②用差分濾波器提取ti的特征向量，濾波器的尺度參數(shù)O分別等于0.5，2.0，4.0， 將ti的特征向量記為fi。
[0048] ③在每個質(zhì)量等級內(nèi)，將ti的特征向量聚類，得到10個聚類結(jié)果，記在第個1質(zhì)量 等級中，與ti距離最小的中屯、為Wy,，ti與的距離為Si,1，計算公式為(8)
[0049]
徵
[0050] ④根據(jù)圖像塊的特征向量與聚類中屯、的距離Si,1，計算圖像塊的質(zhì)量。圖像的特征 會隨著失真水平的改變而變化，圖像的特征向量越相似，兩幅圖像的質(zhì)量越接近，因此，Si,1 可作為圖像塊與每個質(zhì)量等級qi的相似度。如果Si,1越小，認(rèn)為圖像塊的質(zhì)量越接近質(zhì)量等 級qi，本發(fā)明中將exp(-Si,iA)作為權(quán)重，計算圖像塊的質(zhì)量，計算公式為(9)
[0051]
(9)
[0052] 其中A控制衰減速率，取A = 32。
[0053] ⑤將圖像顯著性作為每個圖像塊的質(zhì)量權(quán)重，最后，整幅測試圖像的質(zhì)量分?jǐn)?shù)為 所有圖像塊質(zhì)量的加和平均，計算公式為（10)
[0054]
燈0)
[0055] 為了證明本發(fā)明的有效性和可行性，分別在LIVE圖像庫、CSIQ圖像庫和TID2008數(shù) 據(jù)庫進行測試，利用本發(fā)明方法獲得失真圖像的客觀質(zhì)量分?jǐn)?shù)，計算本方法的客觀質(zhì)量預(yù) 測分?jǐn)?shù)與主觀評價分?jǐn)?shù)之間的相關(guān)性。利用評估圖像質(zhì)量評價方法的2個常用客觀參量作 為評價指標(biāo)，即Pearson相關(guān)系數(shù)(Pearson linear correlation coefficient，PLCC)、 Spearman相關(guān)系數(shù)（Spearman rank order correlation coefficient，SR0CC)。其中，PLCC 反映失真圖像的客觀評價結(jié)果的準(zhǔn)確性，值在[0，l]之間，值越大，客觀評價結(jié)果的準(zhǔn)確性 越高。SROCC反映其單調(diào)性，值在[0，1]之間，值越高說明客觀評價方法的客觀評價結(jié)果與平 均主觀評分值相關(guān)性越好。反映本發(fā)明方法的質(zhì)量評價性能的化CC和SROCC表1所列。從表1 所列的數(shù)據(jù)可看出，S個數(shù)據(jù)庫中計算得到的化CC和SROCC都高于0.88,說明本發(fā)明方法 適用于多種數(shù)據(jù)庫。按本發(fā)明方法得到的失真圖像的最終的客觀質(zhì)量評價預(yù)測值與平均主 觀評分差值之間的相關(guān)性高，表明本發(fā)明方法與人眼視覺系統(tǒng)相一致。
[0056] 表1本發(fā)明方法在LIVE、CSIQ和TID2008數(shù)據(jù)庫的客觀質(zhì)量預(yù)測結(jié)果與主觀質(zhì)量分 數(shù)的化CC和SROCC相關(guān)系數(shù) [0化7]
[005引為了證明本發(fā)明算法在不同數(shù)據(jù)庫中的性能，證明客觀預(yù)測分?jǐn)?shù)與主觀質(zhì)量分?jǐn)?shù) 的一致性，分別畫出在LIVE數(shù)據(jù)庫、TID2008數(shù)據(jù)庫和CSIQ數(shù)據(jù)庫上主觀質(zhì)量分?jǐn)?shù)與客觀預(yù) 測分?jǐn)?shù)的散點圖，如圖3所示，主觀質(zhì)量分?jǐn)?shù)與客觀預(yù)測分?jǐn)?shù)呈線性關(guān)系，直觀的證明了本 發(fā)明方法的普適性和有效性。
【主權(quán)項】
1. 一種針對JPEG2000壓縮失真的無參考圖像質(zhì)量客觀評價方法，包括兩個部分， 第一部分:建立圖像特征字典 ① 將參考圖像和JPEG2000壓縮失真圖像分塊，每幅圖像分成大小為8*8,數(shù)量為8*8的 圖像塊，將一幅圖像的參考圖像塊記為^^二^^^七相應(yīng)的失真圖像塊記為土； ② 計算參考圖像塊X1和相應(yīng)的失真圖像塊Cl1的結(jié)構(gòu)相似度，記為S1，其中其中，PC(Xi)和G(Xi)分別是參考 圖像塊的相位一致性和梯度，相應(yīng)的，P(Xd1)和G(Cl1)分別是失真圖像塊的相位一致性和梯 度，t是正常數(shù)； ③ 將S1進行歸一化，歸一化因子；_中〇是一幅失真圖像中所有圖像 塊的集合，Ωρ是整幅圖像的圖像塊的結(jié)構(gòu)相似度Sl按升序排列后，前10%的81對應(yīng)的圖像 塊的集合，將結(jié)構(gòu)相似度歸一化為失真圖像塊的質(zhì)量分?jǐn)?shù)C1，其中Cl = Sl/C，歸一化后的質(zhì) 量分?jǐn)?shù)(^的區(qū)間為[〇，1 ]，將質(zhì)量分?jǐn)?shù)平分成10個等級； ④ 計算上述步驟①中得到的所有失真圖像塊的質(zhì)量分?jǐn)?shù)，質(zhì)量分?jǐn)?shù)在同一質(zhì)量等級的 失真圖像塊為一組，共得到10組失真圖像塊，記為G 1,1 = 1，2...10,第1等級的質(zhì)量分?jǐn)?shù)記 Sqi = VlO; ⑤ 用差分濾波器提取上述步驟①中得到的所有失真圖像塊的特征，差分濾波器的尺度 參數(shù)σ分別等于〇. 5，2.0，4.0，得到特征向量集{f}; ⑥ 將上述步驟④中的每組失真圖像塊的特征向量分別進行K-means，K = 30聚類，每組 失真圖像塊得到30個聚類中心，記為δ1>η，δ1>η表示第1等級的第!!!，!!^^..^個聚類中心； 第二部分:對JPEG2000失真的測試圖像質(zhì)量客觀評價 ① 將一幅測試圖像的圖像塊記為t，i = 1，2... 64，采用SDSP算法計算各個圖像塊的顯 著性，ti的顯著圖為SDST^Sr，其中，知、~分別為ti的頻率顯著性，顏色顯 著性和位置顯著性，將SDSP i所有像素點X的值相加得到ti的顯著性VSi; ② 用差分濾波器提取t的特征向量，差分濾波器的尺度參數(shù)σ分別等于0.5,2.0,4.0,得 到特征向量fi; ③ 在每個質(zhì)量等級內(nèi)，將^的特征向量聚類，得到10個聚類結(jié)果，記在第1質(zhì)量等級中與 離最小的聚類中心為《V,.義與…,的距離為心HU-丨丨 2; ④ 根據(jù)^的特征向量與聚類中心的距離S1,i計算tl的質(zhì)i10，其中λ為控制衰減速率的因子，取λ=32; ⑤ 將^的顯著性VSHt為測試圖像每個圖像塊的質(zhì)量權(quán)重，所有圖像塊質(zhì)量加和平均， 求得整幅測試圖像的質(zhì)量分?jǐn)?shù)。
【文檔編號】G06K9/62GK106022362SQ201610318482
【公開日】2016年10月12日
【申請日】2016年5月13日
【發(fā)明人】侯春萍, 馬彤彤, 岳廣輝, 劉月, 馮丹丹
【申請人】天津大學(xué)