CN101650833A - 彩色图像质量评价方法 - Google Patents

Abstract

本发明公开一种彩色图像质量评价方法，其特征在于按如下步骤进行：(一)选择至少两幅彩色图像为被评价图像；(二)获取每幅被评价图像的每个像素点的红、绿、蓝三种分量的色度值；(三)计算每幅被评价图像的信总体信息熵、总体平均对比度、归一化亮度差和关键区域总体色度标准差；(四)建立彩色图像质量评价函数NCAF；(五)计算每幅被评价图像的彩色图像质量评价函数NCAF的值；并比较所有被评价图像的NCAF值，NCAF值越大，该NCAF值对应的彩色图像质量越好。本发明能够不依赖参考图像，评价各种谱分布的彩色图像质量的好坏，并且评价结果符合人类视觉主观认识结果，NCAF值越大，被评价图像的质量越好。

Description

彩色图像质量评价方法

技术领域

本发明涉及图像处理领域，具体地讲，是一种用于评价彩色图像质量的方法。

背景技术

根据心理学研究结果，人类获取知识85％靠视觉，10％左右靠听觉，5％靠其他感觉系统。视觉感知的基础就是图像。图像质量评价是评价成像设备质量、成像设备监控以及图像的识别和分类的基础和决策的关键，具有重要的军事、安全和民用意义。目前在图像处理方面有很多种方法，如直方图均衡化、对比度拉伸等，需要比较经不同图像处理得到的图像质量，来选择质量较好的图像。

图像质量评价主要分为：全参考图像质量评价、无参考图像质量评价、精简参考图像质量评价。而目前图像质量评价的进展主要在灰度图像的全参考图像质量评价，并且主要评价图像经过处理后的降质情况，都需要对参考图像和被评价图像进行交叉计算，不利用大型图像的质量评价，也很少有涉及到彩色图像质量评价的文献。

发明内容

本发明的目的在于提供一种彩色图像质量评价方法，能够在不需要参考图像的情况下，评价彩色图像质量的好坏。

为了实现上述目的，本发明的技术方案如下：一种彩色图像质量评价方法，其关键在于按如下步骤进行：

(一)选择至少两幅彩色图像为被评价图像；

选择的至少两幅被评价图像可以由源图像和该源图像经过图像处理系统(如滤波系统、对比度拉伸系统、加噪系统等)或/和传输系统获得的图像组成，也可以由源图像经过图像处理系统或/和传输系统获得的图像组成。

(二)获取每幅被评价图像的每个像素点的红、绿、蓝三种分量的色度值R(x，y)、G(x，y)、B(x，y)；

(三)计算每幅被评价图像的总体信息熵InEn_C、总体平均对比度AC_C、归一化亮度差NGD和关键区域总体色度标准差SD_CK；

所述总体信息熵由下式获得：

${\mathrm{InEn}}_c=\frac{1}{\sqrt{3}}\sqrt{\mathrm{In}{\mathrm{En}}_R^2+\mathrm{InE}{n}_G^2+\mathrm{InE}{n}_B^2}$

其中，InEn_R、InEn_G、InEn_B分别表示被评价图像的红、绿、蓝三种分量的信息熵；

上述红、绿、蓝三种分量的信息熵按照下式计算：

$\mathrm{InEn}=-\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p\left(i\right)\mathrm{Lo}{g}_{2}p\left(i\right)$

上式中，p(i)表示被评价图像第i色度级上像素数分布的概率，当p(i)＝0时，令Log₂p(i)＝0；当p(i)对应的是红色分量时，得到的信息熵InEn就是红色分量的信息熵InEn_R，当p(i)对应的是绿色分量时，得到的信息熵InEn就是绿色分量的信息熵InEn_G，当p(i)对应的是蓝色分量时，得到的信息熵InEn就是蓝色分量的信息熵InEn_B。

所述总体平均对比度AC_C由下式获得：

${\mathrm{AC}}_C=\frac{1}{\sqrt{3}}\sqrt{A{C}_R^2+A{C}_G^2+A{C}_B^2}$

其中，AC_R、AC_G、AC_B分别表示被评价图像的红、绿、蓝三种分量的平均对比度；

上述红、绿、蓝三种分量的平均对比度按照下式计算：

$\mathrm{AC}=\frac{1}{\sqrt{2}}\sqrt{A{C}_x^2+A{C}_y^2}$

其中，AC_x、AC_y分别表示被评价图像在X、Y方向的平均对比度，AC_x、AC_y的计算公式分别为：

${\mathrm{AC}}_x=\frac{1}{(M-1)\×(N-1)}\underset{y=0}{\overset{N-2}{\mathrm{\Σ}}}\underset{x=0}{\overset{M-2}{\mathrm{\Σ}}}|P(x,y)-P(x+1,y)|$

${\mathrm{AC}}_y=\frac{1}{(M-1)\×(N-1)}\underset{y=0}{\overset{N-2}{\mathrm{\Σ}}}\underset{x=0}{\overset{M-2}{\mathrm{\Σ}}}|P(x,y)-P(x,y+1)|$

上两式中，P(x，y)为被评价图像像素点(x，y)的色度值，M、N为被评价图像在X、Y方向的像素数；当P(x，y)对应的是红色分量的色度值时，得到的AC就是红色分量的平均对比度AC_R，当P(x，y)对应的是绿色分量的色度值时，得到的AC就是绿色分量的平均对比度AC_G，当P(x，y)对应的是蓝色分量的色度值时，得到的AC就是蓝色分量的平均对比度AC_B。

所述归一化亮度差NGD由下式获得：

$\mathrm{NGD}=\frac{\mathrm{AOG}-|\mathrm{AOG}-\mathrm{AG}|}{\mathrm{AOG}}$

上式中，|AOG-AG|表示对AOG-AG的计算结果求绝对值，AOG表示人类视觉最佳平均亮度，根据理想均匀分布直方图算得其值为127.5；AG表示被评价图像平均亮度值，由下式计算：

$\mathrm{AG}=\frac{1}{M\×N}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\mathrm{Gray}(x,y)$

上式中，Gray(x，y)为被评价图像像素点(x，y)的亮度值，M、N为被评价图像在X、Y方向的像素数；

根据被评价图像像素点(x，y)的红、绿、蓝三种分量的色度值计算亮度值Gray(x，y)有两种方法：

第一种是采用归一化加权和方式计算：

Gray(x，y)＝0.3R(x，y)+0.59G(x，y)+0.11B(x，y)

第二种是采用等权转换公式计算：

Gray(x，y)＝R(x，y)/3+G(x，y)/3+B(x，y)/3

所述被评价图像的关键区域为被评价图像中背景均匀区域，关键区域总体色度标准差SD_CK由下式获得：

${\mathrm{SD}}_{\mathrm{CK}}=\frac{1}{\sqrt{3}}\sqrt{{\mathrm{SD}}_{\mathrm{RK}}^2+{\mathrm{SD}}_{\mathrm{GK}}^2+{\mathrm{SD}}_{\mathrm{BK}}^2}$

其中，SD_RK、SD_GK、SD_BK分别表示被评价图像关键区域的红、绿、蓝三种分量的色度标准差；

上述关键区域的红、绿、蓝三种分量的色度标准差按照下式计算：

${\mathrm{SD}}_K=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\mathrm{\μ})}^2}$

上式中，x_i表示关键区域像数点的色度值，μ表示关键区域像素点色度值的均值；当x_i、μ对应的是红色分量的色度值时，得到的关键区域标准差SD_K就是红色分量的关键区域标准差SD_RK，当x_i、μ对应的是绿色分量的色度值时，得到的关键区域标准差SD_K就是绿色分量的关键区域标准差SD_GK，当x_i、μ对应的是蓝色分量的色度值时，得到的关键区域标准差SD_K就是蓝色分量的关键区域标准差SD_BK。

(四)建立彩色图像质量评价函数NCAF，所用公式为：

$\mathrm{NCAF}=\frac{\mathrm{InE}{n}_{C}A{C}_C\mathrm{NGD}}{{\mathrm{SD}}_{\mathrm{CK}}^{\mathrm{\η}}}$

考虑被评价图像的噪声时，η∈[0.4，0.5]；

不考虑被评价图像的噪声时，令 ${\mathrm{SD}}_{\mathrm{CK}}^{\mathrm{\η}}=1;$

(五)计算每幅被评价图像的彩色图像质量评价函数NCAF的值；并比较所有被评价图像的彩色图像质量评价函数NCAF的值，NCAF值越大，该NCAF值对应的彩色图像质量越好。

本评价函数以人类视觉对图像的认知功能特征为基础，也可称为人类视觉图像质量评价的数学模型。首先，没有适当的光照度，就得不到质量好的图像，适当的景物照度反映在图像中就是适当的亮度；其次，质量好的图像具有适当的亮度或色度信息，即与信息熵有关；第三，质量好的图像有适当的亮度或色度信息的适当的空间分布，即与对比度有关；第四，质量好的图像有尽量低的噪声水平，即与标准差有关。其中色度是对彩色图像而言。

亮度、信息熵、对比度、噪声可称为图像质量描述的四个基本、可客观测量的物理参数，即图像质量四参数。可以看到，前三个参数都是适当的，第四个参数噪声，是尽量低的。实践中发现，彩色图像质量评价函数NCAF值最大时，图像的质量最好。

目前大部分数字图像都是用RGB表示的，本方法中分别对被评价彩色图像RGB三分量的信息熵、对比度、噪声进行整合，得到被评价图像的信息熵、对比度、噪声，能够更全面的反应彩色图像的质量，使得到的评价结果更加符合客观事实。

图像噪声是图像亮度或色度值在均值附近的涨落。在心电信号中，我们在等电位线处观察噪声，而不是在变化剧烈的R波处去观察噪声，因此，要正确反映图像噪声，应选图像中的背景均匀区域来测量，即用图像关键区域噪声来评价整个图像的噪声，也就是说，关键区域图像色度标准差是用来测量图像噪声的一个参数。图像关键区域的确定有两种方式：第一种，人工选定一个背景较均匀的区域作为图像关键区域；第二种，先定义图像关键区域的大小，然后在被评价图像中搜索与图像关键区域大小相同的区域的标准差，标准差最小的区域为图像关键区域。

考虑图像噪声时，η∈[0.4，0.5]，不考虑图像噪声时， ${\mathrm{SD}}_{\mathrm{CK}}^{\mathrm{\η}}=1,$ 彩色图像质量评价函数NCAF变为：

NCAF＝InEn_C×AC_C×NGD

有益效果：能够根据人类视觉对图像的认知功能特征，利用图像质量四参数：亮度、信息熵、对比度、噪声建立彩色图像质量评价函数NCAF，来评价任意谱分布的彩色图像的质量。弥补了目前对彩色图像少有评价的缺陷。与现有的全参考图像质量评价相比，本评价函数有以下几个优点：不依赖于参考图像的互计算；有利于大型图像的质量评价；可以实现不同大小图像质量的比较；可评价参考图像本身的质量，不需对参考图像做出先验的假定。

附图说明

图1是本发明的流程示意图。

具体实施方式

下面结合附图和实施例进一步对本发明加以说明。

实施例：

如图1所示：一种彩色图像质量评价方法，按如下步骤进行：

(一)选择至少两幅彩色图像为被评价图像；

(二)获取每幅被评价图像的每个像素点的红、绿、蓝三种分量的色度值R(x，y)、G(x，y)、B(x，y)；

(三)计算每幅被评价图像的总体信息熵InEn_C、总体平均对比度AC_C、归一化亮度差NGD和关键区域总体色度标准差SD_CK；

所述总体信息熵由下式获得：

$\mathrm{InE}{n}_c=\frac{1}{\sqrt{3}}\sqrt{\mathrm{InE}{n}_R^2+\mathrm{InE}{n}_G^2+\mathrm{InE}{n}_B^2}$

其中，InEn_R、InEn_G、InEn_B分别表示被评价图像的红、绿、蓝三种分量的信息熵；

上述红、绿、蓝三种分量的信息熵按照下式计算：

$\mathrm{InEn}=-\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p\left(i\right)\mathrm{Lo}{g}_{2}p\left(i\right)$

上式中，p(i)表示被评价图像第i色度级上像素数分布的概率，当p(i)＝0时，令Log₂p(i)＝0；当p(i)对应的是红色分量时，得到的信息熵InEn就是红色分量的信息熵InEn_R，当p(i)对应的是绿色分量时，得到的信息熵InEn就是绿色分量的信息熵InEn_G，当p(i)对应的是蓝色分量时，得到的信息熵InEn就是蓝色分量的信息熵InEn_B。

所述总体平均对比度AC_C由下式获得：

${\mathrm{AC}}_C=\frac{1}{\sqrt{3}}\sqrt{{\mathrm{AC}}_R^2+{\mathrm{AC}}_G^2+{\mathrm{AC}}_B^2}$

其中，AC_R、AC_G、AC_B分别表示被评价图像的红、绿、蓝三种分量的平均对比度；

上述红、绿、蓝三种分量的平均对比度按照下式计算：

$\mathrm{AC}=\frac{1}{\sqrt{2}}\sqrt{{\mathrm{AC}}_x^2+{\mathrm{AC}}_y^2}$

其中，AC_x、AC_y分别表示被评价图像在X、Y方向的平均对比度，AC_x、AC_y的计算公式分别为：

${\mathrm{AC}}_x=\frac{1}{(M-1)\×(N-1)}\underset{y=0}{\overset{N-2}{\mathrm{\Σ}}}\underset{x=0}{\overset{M-2}{\mathrm{\Σ}}}|P(x,y)-P(x+1,y)|$

${\mathrm{AC}}_y=\frac{1}{(M-1)\×(N-1)}\underset{y=0}{\overset{N-2}{\mathrm{\Σ}}}\underset{x=0}{\overset{M-2}{\mathrm{\Σ}}}|P(x,y)-P(x,y+1)|$

上两式中，P(x，y)为被评价图像像素点(x，y)的色度值，M、N为被评价图像在X、Y方向的像素数；当P(x，y)对应的是红色分量的色度值时，得到的AC就是红色分量的平均对比度AC_R，当P(x，y)对应的是绿色分量的色度值时，得到的AC就是绿色分量的平均对比度AC_G，当P(x，y)对应的是蓝色分量的色度值时，得到的AC就是蓝色分量的平均对比度AC_B。

所述归一化亮度差NGD由下式获得：

$\mathrm{NGD}=\frac{\mathrm{AOG}-|\mathrm{AOG}-\mathrm{AG}|}{\mathrm{AOG}}$

上式中，|AOG-AG|表示对AOG-AG的计算结果求绝对值，AOG表示人类视觉最佳平均亮度，根据理想均匀分布直方图算得其值为127.5；AG表示被评价图像平均亮度值，由下式计算：

$\mathrm{AG}=\frac{1}{M\×N}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\mathrm{Gray}(x,y)$

上式中，Gray(x，y)为被评价图像像素点(x，y)的亮度值，M、N为被评价图像在X、Y方向的像素数；

根据被评价图像像素点(x，y)的红、绿、蓝三种分量的色度值计算亮度值Gray(x，y)有两种方法：

第一种是采用归一化加权和方式计算：

Gray(x，y)＝0.3R(x，y)+0.59G(x，y)+0.11B(x，y)

第二种是采用等权转换公式计算：

Gray(x，y)＝R(x，y)/3+G(x，y)/3+B(x，y)/3

所述被评价图像的关键区域为被评价图像中背景均匀区域，关键区域总体色度标准差SD_CK由下式获得：

${\mathrm{SD}}_{\mathrm{CK}}=\frac{1}{\sqrt{3}}\sqrt{{\mathrm{SD}}_{\mathrm{RK}}^2+{\mathrm{SD}}_{\mathrm{GK}}^2+{\mathrm{SD}}_{\mathrm{BK}}^2}$

其中，SD_RK、SD_GK、SD_BK分别表示被评价图像关键区域的红、绿、蓝三种分量的色度标准差；

上述关键区域的红、绿、蓝三种分量的色度标准差按照下式计算：

${\mathrm{SD}}_K=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\mathrm{\μ})}^2}$

上式中，x_i表示关键区域像数点的色度值，μ表示关键区域像素点色度值的均值；当x_i、μ对应的是红色分量的色度值时，得到的关键区域标准差SD_K就是红色分量的关键区域标准差SD_RK，当x_i、μ对应的是绿色分量的色度值时，得到的关键区域标准差SD_K就是绿色分量的关键区域标准差SD_GK，当x_i、μ对应的是蓝色分量的色度值时，得到的关键区域标准差SD_K就是蓝色分量的关键区域标准差SD_BK。

(四)建立彩色图像质量评价函数NCAF，所用公式为：

$\mathrm{NCAF}=\frac{\mathrm{InE}{n}_C{\mathrm{AC}}_C\mathrm{NGD}}{{\mathrm{SD}}_{\mathrm{CK}}^{\mathrm{\η}}}$

考虑被评价图像的噪声时，η∈[0.4，0.5]；

不考虑被评价图像的噪声时，令 ${\mathrm{SD}}_{\mathrm{CK}}^{\mathrm{\η}}=1;$

(五)计算每幅被评价图像的彩色图像质量评价函数NCAF的值；并比较所有被评价图像的彩色图像质量评价函数NCAF的值，NCAF值越大，该NCAF值对应的彩色图像质量越好。

本发明利用文献《基于四元素奇异值分解方法的彩色图像质量评估》[WangYu-qing，Liu Wei-ya and Wang Rong.Color Image Quality Assessment Based OnQuaternion Singular Value Decomposition[C].Proceedings of CISP’08 Congress onImage and Signal Processing.27-30 May 2008：Volume 3，pp.433-9.]中提供的彩色小屋图像作为源图像，将源图像分别进行Zadeh-X变换(红、绿、蓝三分量的变换参数相同，变换参数为K＝255，Theta＝0，Delta＝221)、加入高斯噪声和对红、绿、蓝三分量进行模糊处理后，得到一组变换后的彩色图像。将源图像和变换后的一组彩色图像作为被评价图像，对它们进行质量评价。

当考虑被评价图像的噪声时，η∈[0.4，0.5]，分别取η＝0.4、0.5时，计算被评价图像的质量评价函数NCAF值，结果如表1所示。

本实施例中，在被评价图像上中部的蓝天背景处，人工选择每幅评价图像的左上角坐标为(123，5)的31×8的小方块作为被评价图像的关键区域，被评价图像的关键区域总体色度标准差SD_CK见表1的第五列。被评价图像的InEn_C值、AC_C值、AG值、NCAF值见表1所示。四幅被评价图像的NCAF值的排序见表1最后一列。可以看到，Zadeh-X变换后的彩色图像的NCAF值最大，排序第一，表明它的质量最好，模糊处理后的彩色图像的NCAF值最小，排序第四，表明它的质量最差。加入高斯噪声后的彩色图像相比其他被评价图像而言，虽然它的InEn_C值、AC_C值、AG值都是最大的，但是它有更多的噪声，因此计算出的NCAF值比较小，这与人类视觉的主观认识结果一致，同时也表明图像质量的好坏要综合评价图像的亮度、信息熵、对比度、噪声。

表1

被评价图像	InEnC	ACC	AG	SDCK	NCAF(η＝0.4)	NCAF(η＝0.5)	NCAF排序
								源图像	7.2048	10.8412	111.4783	1.0758	47.3900	43.2542	2
Zadeh-X变换后的彩色图像	7.1287	12.2865	127.2020	1.0855	58.0364	52.3818	1
								加入高斯噪声后的彩色图像	7.2370	14.7320	148.9254	1.1809	38.6256	31.3778	3
模糊处理后的彩色图像	7.0244	2.8927	111.9668	1.0471	14.1734	13.3805	4

当不考虑被评价图像的噪声时， ${\mathrm{SD}}_{\mathrm{CK}}^{\mathrm{\η}}=1,$ 彩色图像质量评价函数NCAF变为：

NCAF＝InEn_C×AC_C×NGD

在不考虑被评价图像的噪声时，对加入高斯噪声后的彩色图像不做评价。源图像、Zadeh-X变换后的彩色图像和模糊处理后的彩色图像的InEn_C、AC_C、AG、NCAF和NCAF排序见表2。

从表2可以看到，在不考虑被评价图像的噪声时，Zadeh-X变换后的彩色图像的NCAF值最大，质量最好，模糊处理后的彩色图像的NCAF值最小，质量最差。

表2

被评价图像	InEnC	ACC	AG	NCAF	NCAF排序
						源图像	7.2048	10.8412	111.4783	68.2937	2
Zadeh-X变换后的彩色图像	7.1287	12.2865	127.2020	87.3819	1
						模糊处理后的彩色图像	7.0244	2.8927	111.9668	17.8443	3

Claims (1)

1、一种彩色图像质量评价方法，其特征在于按如下步骤进行：

(一)选择至少两幅彩色图像为被评价图像；

(二)获取每幅被评价图像的每个像素点的红、绿、蓝三种分量的色度值R(x，y)、G(x，y)、B(x，y)；

(三)计算每幅被评价图像的总体信息熵InEn_C、总体平均对比度AC_C、归一化亮度差NGD和关键区域总体色度标准差SD_CK；

所述总体信息熵由下式获得：

${\mathrm{InEn}}_c=\frac{1}{\sqrt{3}}\sqrt{{\mathrm{InEn}}_R^2+\mathrm{InE}{n}_G^2+\mathrm{InE}{n}_B^2}$

其中，InEn_R、InEn_G、InEn_B分别表示被评价图像的红、绿、蓝三种分量的信息熵；

所述总体平均对比度AC_C由下式获得：

${\mathrm{AC}}_C=\frac{1}{\sqrt{3}}\sqrt{{\mathrm{AC}}_R^2+{\mathrm{AC}}_G^2+{\mathrm{AC}}_B^2}$

其中，AC_R、AC_G、AC_B分别表示被评价图像的红、绿、蓝三种分量的平均对比度；

所述归一化亮度差NGD由下式获得：

$\mathrm{NGD}=\frac{\mathrm{AOG}-|\mathrm{AOG}-\mathrm{AG}|}{\mathrm{AOG}}$

上式中，|AOG-AG|表示对AOG-AG的计算结果求绝对值，AOG表示人类视觉最佳平均亮度；AG表示被评价图像平均亮度值，由下式计算：

$\mathrm{AG}=\frac{1}{M\×N}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\mathrm{Gray}(x,y)$

上式中，Gray(x，y)为被评价图像像素点(x，y)的亮度值，M、N为被评价图像在X、Y方向的像素数；

所述被评价图像的关键区域为被评价图像中背景均匀区域，关键区域总体色度标准差SD_CK由下式获得：

${\mathrm{SD}}_{\mathrm{CK}}=\frac{1}{\sqrt{3}}\sqrt{{\mathrm{SD}}_{\mathrm{RK}}^2+{\mathrm{SD}}_{\mathrm{GK}}^2+{\mathrm{SD}}_{\mathrm{BK}}^2}$

其中，SD_RK、SD_GK、SD_BK分别表示被评价图像关键区域的红、绿、蓝三种分量的色度标准差；

(四)建立彩色图像质量评价函数NCAF，所用公式为：

$\mathrm{NCAF}=\frac{\mathrm{InE}{n}_C{\mathrm{AC}}_C\mathrm{NGD}}{{\mathrm{SD}}_{\mathrm{CK}}^{\mathrm{\η}}}$

考虑被评价图像的噪声时，η∈[0.4，0.5]；

不考虑被评价图像的噪声时，令 ${\mathrm{SD}}_{\mathrm{CK}}^{\mathrm{\η}}=1;$

(五)计算每幅被评价图像的彩色图像质量评价函数NCAF的值；并比较所有被评价图像的彩色图像质量评价函数NCAF的值，NCAF值越大，该NCAF值对应的彩色图像质量越好。

Images