CN101976444A - 一种基于像素类型的结构类似性图像质量客观评价方法 - Google Patents

Abstract

本发明公开了一种基于像素类型的结构类似性图像质量评价方法，包括：(1)采用Canny方法计算参考图和评价图的梯度，并同时得到两个表征图像梯度值强弱边界的阈值，将图像中的每个像素位置分别划分为边缘、纹理和平坦三个区域类型，建立不同像素区域类型不同权重的信息图RWM；(2)对参考图、评价图在亮度、对比度以及梯度结构类似性进行比较，得到梯度结构类似性指标GSSIM；(3)将步骤(1)与(2)中得到的RWM与GSSIM点乘得到不同像素区域不同权重的退化信息索引图，求取该图的均值得到评价图像质量的评价值。上述方法可广泛应用于图像处理的各个阶段，并能迅速给出衡量图像质量的具体指标值，准确度高，实用性强。

Description

一种基于像素类型的结构类似性图像质量客观评价方法

技术领域

本发明涉及计算机图像处理技术领域，尤其涉及一种基于像素类型的梯度结构类似性图像质量客观评价方法。

背景技术

图像是用各种观测系统以不同形式和手段观测客观世界而获得的，可以直接或间接作用于人眼并进而产生视觉的实体。人类从外界获得的信息约有75％是从图像中获得的，这既说明图像信息量巨大，也表明人类对图像信息有较高的利用率。随着信号处理理论和计算机科学技术的发展，图像工程也成为一门内容丰富且发展迅速的学科。一个图像(处理和分析)系统包括图像的采集、显示、存储、通信、处理和分析。它广泛地应用于国民经济中的各个领域，如：科学研究、工业生产、医疗卫生、教育、娱乐、管理和通信等领域，对推动社会发展，改善人们生活水平都起到重要的作用。

在数字图像处理的各种技术中数字图像在获取、压缩、储存、传输和重建处理等过程中可能会受到各种各样的失真，不可避免地出现图像质量退化的问题。如何有效地评价图像质量的问题成为了一个重要的研究课题，对现实的意义巨大。

最佳的图像质量评价方式自然是人眼的主观评价。但是一旦有人参与，这种方法便受到评价者自身能力、观察环境以及观测者的心理因素等影响，另外，主观评价比较耗时、复杂，并且比较昂贵，在工程应用中难以较好地运用。而客观评价方法的目标是自动化地获取图像质量的量化指标，由于其客观性、快速性等特点决定了它在实际应用中有着巨大的价值。图像质量客观评价方法在定义上来讲简单易行，能较好确定图像之间的差别，但是一般的模型难以与人的视觉系统相媲美，无法考虑到很多人眼视觉系统的因素，这也是导致客观评价方法的评价结果很多时候无法与人眼主观评价的结果相吻合。如何建立更符合人眼视觉系统的图像质量客观评价方法也是目前图像处理界的难题之一。

目前最为常用的客观评价方法如均方无差(Mean Square Error：MSE)、峰值信噪比(Peak Signal to Noise ratio：PSNR)、信噪比(Signal-to-NoiseRatio：SNR)等。这些是全参考型的图像质量评价手段，对尺寸为M、N的图像f(m，n)，MSE与PSNR定义为：

$\mathrm{MSE}=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(f_{\mathrm{ij}}-f_{\mathrm{ij}}^{\′})}^2$

$\mathrm{PSNR}=10\log {\left(\frac{255}{\mathrm{MSE}}\right)}^2$

其中f_ij、f′_ij分别表示参考图像和评价图像，M，N分别表示图像的高与宽。MSE越小、PSNR越大，效果越好。但是其只是简单的衡量图像之间的灰度差异或者信号与噪声的关系，在不同的图像退化条件下缺乏稳定性。

较新的最好算法是2004年Wang Zhou等人提出的SSIM(StructuralSimilarity)算法，其考虑到人眼最为关注的是景象的结构形态这个先验，所以取得了不错的效果，但其对于模糊程度稍大，噪声稍大、振铃波纹稍多的图像评价就显得无能为力了。

传统的方法将图像所有的像素等权重地运算处理，没有考虑不同区域的像素人眼的兴趣是不同的，因此往往效果很差。

发明内容

本发明公开了一种基于像素类型的结构类似性图像质量客观评价方法，该方法是基于像素类型给予不同权重因子，结合梯度变化结构类似性的方法W-GSSIM(Weight-based Gradient Structural Similarity)，图像经过此方法给出的质量评价结果跟人眼的视觉感受一致性较高，且可用于模糊程度稍大，噪声稍大、振铃波纹稍多的图像评价，实用性较强。

一种基于像素类型的结构类似性图像质量客观评价方法，包括：

(1)求取不同像素区域类型不同权重的信息图RWM：

采用Canny方法(详见Canny，J.，1986.A Computational Approach toEdge Detection.IEEE Transactions on Pattern Analysis and MachineIntelligence，8(6)：679-698.)计算参考图I的梯度G_I(x，y)，并同时得到两个表征图像梯度值强弱边界的阈值t1与t2，其中t1＞t2；同样用Canny方法得到评价图f的梯度G_f(x，y)；

通过分析G_I(x，y)、G_f(x，y)中各个像素与阈值t1、t2的关系，将图像中的每个像素位置分别划分为边缘、纹理、平坦三个区域类型；

建立不同像素区域类型不同权重的信息图RWM(x，y)(RegionalWeight Map)，该图对应边缘区域类型像素位置处的权重值为R1，纹理区域类型的对应像素位置处的权重值分别为R2和平坦区域类型的对应像素位置处的权重值为R3，其中R1+R2+R3＝1；

(2)从亮度，对比度，梯度结构的类似程度来衡量图像的质量：

对参考图I、评价图f在亮度、对比度以及梯度类似性进行比较，得到质量评价指标：亮度指标l(x，y)、对比度指标c(x，y)以及梯度类似性指标g(x，y)，

其中，亮度指标l(x，y)、对比度指标c(x，y)以及梯度类似性指标g(x，y)的计算公式如下(亮度l(x，y)、对比度c(x，y)详见Wang，Z.，Bovik，A.C.，Sheikh H.R.，Simoncelli，E.P.，2004.Image quality assessment：from error visibility to structural similarity.IEEE Transactions on ImageProcessing，13(4)：600-612.)：

$l(I,f)=\frac{{2\mathrm{\μ}}_I{\mathrm{\μ}}_f+C_1}{{{\mathrm{\μ}}_I}^2+{{\mathrm{\μ}}_f}^2+C_1}$

$c(I,f)=\frac{{2\mathrm{\σ}}_I{\mathrm{\σ}}_f+C_2}{{{\mathrm{\σ}}_I}^2+{{\mathrm{\σ}}_f}^2+C_2}$

$g(I,f)=\frac{{2G}_I{G}_f+C_3}{G_{I^2}+G_{f^2}+C_3}$

上式中μ_I为参考图I的局部均值，μ_f为评价图f的局部均值，σ_I为参考图I的局部方差与，σ_f为评价图f的局部方差，C₁、C₂与C₃为常数，且C1、C2与C3为很小常数(远远小于1且大于0)，它们是为了防止病态(分母等于零)的存在而设置；评价图f为最终需要评价的图像；

将上述亮度指标l(x，y)、对比度指标c(x，y)以及梯度类似性指标g(x，y)代入梯度结构类似性指标式中，其中梯度结构类似性指标式为：

$\mathrm{GSSIM}=l(I,f)c(I,f)g(I,f)$

$=\frac{{2\mathrm{\μ}}_I{\mathrm{\μ}}_f+C_1}{{{\mathrm{\μ}}_I}^2+{{\mathrm{\μ}}_f}^2+C_1}\frac{{2\mathrm{\σ}}_I{\mathrm{\σ}}_f+C_2}{{{\mathrm{\σ}}_I}^2+{{\mathrm{\σ}}_f}^2+C_2}\frac{{2G}_I{G}_f+C_3}{G_{I^2}+G_{f^2}+C_3}$

GSSIM(x，y)就是一张退化信息索引图，是一个数据矩阵。

(3)利用步骤(1)与(2)中得到的RWM与GSSIM为两个图像数据矩阵，每一相互对应的点相乘得到评价指标：

W-GSSIM＝RWM·GSSIM

W-GSSIM为映射成的不同像素区域不同权重的退化信息索引图，计算该图的均值，最终利用该图的均值来评价评价图的图像质量。

为了计算方便，上述步骤(1)中所述图像中任意像素点(x，y)划分为边缘、纹理、平坦区域类型的具体方法如下：

采用Canny算法在计算参考图I的梯度G_I(x，y)的同时得到表征图像梯度值强弱边界的阈值t1与t2，且t1＞t2，强边缘位置的梯度值＞t1，弱边缘位置的梯度值＜t2，并按照如下规则判定：

如果G_I(x，y)＞t1，或者G_f(x，y)＞t1，则将(x，y)判定为边缘区域类型；

如果G_I(x，y)＜t2，并且G_f(x，y)＜t2，则将(x，y)判定为平坦区域类型；

如果(x，y)同时不符合规则1与规则2，则将(x，y)判定为纹理区域类型。

所述步骤(2)中所述μ、σ、G和C等相关变量的具体求取方法如下：

先通过一个N×N的中心对称高斯加权窗W，在相应图像上逐点计算以该点为中心的邻域图像块的μ、σ和G：

$W=\left[\begin{array}{cccccc}{w}_{11}& w_{12}& ,& ,& ,& w_{1N}\\ w_{21}& w_{22}& ,& ,& ,& w_{2N}\\ ,& ,& ,& ,& ,& ,\\ ,& ,& ,& ,& ,& ,\\ ,& ,& ,& ,& ,& ,\\ w_{N1}& w_{N2}& ,& ,& ,& w_{\mathrm{NN}}\end{array}\right]$

${\mathrm{\μ}}_I=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{I}_{\mathrm{ij}},$ ${\mathrm{\μ}}_f=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{f}_{\mathrm{ij}};$

${\mathrm{\σ}}_I={\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{(I_{\mathrm{ij}}-{\mathrm{\μ}}_I)}^2\right)}^{1/2},$ ${\mathrm{\σ}}_f={\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{(f_{\mathrm{ij}}-{\mathrm{\μ}}_f)}^2\right)}^{1/2};$

$G_{I^2}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{\left(\frac{\∂I}{\∂\mathrm{ij}}\right)}^2,$ $G_{f^2}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{\left(\frac{\∂f}{\∂\mathrm{ij}}\right)}^2;$

$G_I{G}_f=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\left(\frac{\∂I}{\∂\mathrm{ij}}\right)\left(\frac{\∂f}{\∂\mathrm{ij}}\right);$

其中，

表示参考图I在位置(i，j)处的微分值，

表示评价图f在位置(i，j)处的微分值；例如对于N＝3时，W为：

$W=\left[\begin{array}{ccc}{w}_{12}& w_{22}& w_{32}\\ w_{21}& w_{22}& w_{23}\\ w_{31}& w_{32}& w_{33}\end{array}\right].$

本发明的基于像素类型的结构类似性图像质量评价方法主要思路是：

1、按像素在图像中表现的内容而给予不同权重因子，原图经过如此处理后符合人眼视觉系统对于不同图像内容感兴趣程度不同的特性。

人眼视觉系统对于景物的观察是区分重点的，对于像素强度值剧烈变化的区域的关注程度最高，这些区域的像素强度值的相对变化对人眼的刺激最大，强度值变化剧烈的区域称为边缘区域。而像素强度值变化越平缓的区域，人眼的关注度越小。强度值的变化直观体现在图像的梯度变化，梯度值越大的像素表明其附近强度跃迁很大。通过设计一定的阈值，根据图像的梯度值的大小将每个像素归类到边缘、纹理、平坦三类区域，并赋予不同的权重值，表示不同的关注度。

2、考虑图像的亮度，对比度，梯度结构的类似程度来衡量图像的质量。

图像的亮度、对比度都是体现图像信息的重要指标，另外对于人眼来讲，对景物的结构性观察是最重要的部分之一。现在的研究表明，人眼的主要作用是为了提取视场中的结构信息，而且人类视觉系统也非常适用于这个目的。实验表明，梯度反映图像的纹理和构造，其能够反映结构信息。

本发明方法通过一个中心对称高斯加权窗在图像上逐点计算以该点为中心的邻域图像块的相关信息，分别计算亮度、对比度和梯度结构类似性，从而计算得到各点对应图像块的信息并映射得到一幅图像来描述降质图像的降质信息，我们称这张图为降质信息索引图。

3、本发明方法最后将1和2中的不同像素区域类型不同像素权重因子图与降质信息索引图结合，构成符合视觉系统的“基于像素类型的结构类似性方法”，获得按像素权重分布的降质信息索引图，最终以此图的均值作为评价指标。

本发明的一种基于像素类型的结构类似性图像质量客观评价方法，结合人眼的观察特性，只要输入参考图和评价图，依据参考图的相关信息对评价图进行分析处理，即可得到符合人眼视觉特性的质量评价指标值，所得的结果符合人眼视觉系统。其可广泛应用于图像处理的各个阶段(也可应用于视频图像，每帧等同于一幅图像)，如压缩、储存、传输和重建等等方面，迅速给出衡量图像质量的指标，实用性强，准确度高。

附图说明

图1为本发明基于像素类型的结构类似性图像质量客观评价方法的操作流程示意图；

图2a为实施例1中所使用的参考图；

图2b为实施例1中所使用的评价图；

图2c为实施例1中所得到的GSSIM降质信息图；

图2d为实施例1中所提取的边缘区域像素图；

图2e为实施例1中所提取的纹理区域像素图；

图2f为实施例1中所提取的平坦区域像素图。

图3a为实施例2所使用的参考图；

图3b为实施例2所使用的均值偏移图；

图3c为实施例2所使用的对比拉伸图；

图3d为实施例2所使用的椒盐噪声图；

图3e为实施例2所使用的乘性散斑噪声图；

图3f为实施例2所使用的加性高斯噪声图；

图3g为实施例2所使用的模糊图；

图3h为实施例2所使用的JPEG压缩图；

图4a为准确度测试例中使用JPEG2000压缩退化数据库数据的实验结果；

图4b为准确度测试例中使用高斯模糊退化数据库数据的实验结果。

具体实施方式

下面以具体实施例和VQEG(The Video Quality Experts Group)建议的采用庞大的数据库作为具体实验对象来直接测试本发明所述的基于像素类型的结构类似性图像质量评价方法的有效性。

实施例1

利用本发明评价方法处理图像的流程图如图1所示，通过输入参考图与评价图，即可得到图像质量的评价值。以图2a作为参考图I和图2b作为评价图f为例对本发明的评价方法的过程进行详细说明：

(1)求取图像不同像素区域类型不同权重的信息图RWM：

将图2a所示的参考图I和图2b所示评价图f输入；

采用canny方法计算参考图I的梯度G_I(x，y)，并同时得到两个表征图像梯度值强弱边界的阈值t1与t2，t1＞t2；同样用canny方法可以得到评价图f(最终需要评价的图像)的梯度G_f(x，y)；

对于图像中任意位置的像素(x，y)，其归属区域类型遵从以下规则，

规则1：如果G_I(x，y)＞t1，或者G_f(x，y)＞t1，(x，y)判定为边缘区域类型；

规则2：如果G_I(x，y)＜t2，并且G_f(x，y)＜t2，(x，y)判定为平坦区域类型；

规则3：如果(x，y)不符合规则1与规则2，(x，y)判定为纹理区域类型；

建立不同像素区域类型不同权重的信息图RWM(x，y)(RegionalWeight Map)，该图对应边缘区域类型像素位置的值为R1，同理，纹理区域类型像素位置的值为R2，平坦区域类型的对应像素位置的值为R3，经大量实验佐证，取R1＝0.6、R2＝0.25、R3＝0.15；

(2)从亮度，对比度，梯度结构的类似程度来衡量图像的质量：

通过参考图I和评价图f在亮度、对比度、梯度类似性等方面的比较，得到质量评价指标：亮度指标l(x，y)、对比度指标c(x，y)、梯度类似性指标g(x，y)；

先通过一个9×9(这里N取9)的中心对称高斯加权窗W在图像上逐点计算以该你为中心的邻域图像块的μ、σ和G：

$W=\left[\begin{array}{cccccc}{w}_{11}& w_{12}& ,& ,& ,& w_{19}\\ w_{21}& w_{22}& ,& ,& ,& w_{29}\\ ,& ,& ,& ,& ,& ,\\ ,& ,& ,& ,& ,& ,\\ ,& ,& ,& ,& ,& ,\\ w_{91}& w_{92}& ,& ,& ,& w_{99}\end{array}\right]$

${\mathrm{\μ}}_I=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{I}_{\mathrm{ij}},$ ${\mathrm{\μ}}_f=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{f}_{\mathrm{ij}};$

${\mathrm{\σ}}_I={\left(\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{(I_{\mathrm{ij}}-{\mathrm{\μ}}_I)}^2\right)}^{1/2},$ ${\mathrm{\σ}}_f={\left(\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{(f_{\mathrm{ij}}-{\mathrm{\μ}}_f)}^2\right)}^{1/2};$

$G_{I^2}=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{\left(\frac{\∂I}{\∂\mathrm{ij}}\right)}^2,$ $G_{f^2}=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{\left(\frac{\∂f}{\∂\mathrm{ij}}\right)}^2;$

$G_I{G}_f=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\left(\frac{\∂I}{\∂\mathrm{ij}}\right)\left(\frac{\∂f}{\∂\mathrm{ij}}\right);$

其中，

表示参考图I在位置(i，j)处的微分值，

表示评价图f在位置(i，j)处的微分值；

另外，C1、C2、C3都取0.001；亮度指标l(x，y)、对比度指标c(x，y)、梯度类似性指标g(x，y)分别为：

$l(I,f)=\frac{{2\mathrm{\μ}}_I{\mathrm{\μ}}_f+C_1}{{{\mathrm{\μ}}_I}^2+{{\mathrm{\μ}}_f}^2+C_1}$

$c(I,f)=\frac{{2\mathrm{\σ}}_I{\mathrm{\σ}}_f+C_2}{{{\mathrm{\σ}}_I}^2+{{\mathrm{\σ}}_f}^2+C_2}$

$g(I,f)=\frac{{2G}_I{G}_f+C_3}{G_{I^2}+G_{f^2}+C_3}$

最终得到梯度结构类似性指标：

$\mathrm{GSSIM}=l(I,f)c(I,f)g(I,f)$

$=\frac{{2\mathrm{\μ}}_I{\mathrm{\μ}}_f+C_1}{{{\mathrm{\μ}}_I}^2+{{\mathrm{\μ}}_f}^2+C_1}\frac{{2\mathrm{\σ}}_I{\mathrm{\σ}}_f+C_2}{{{\mathrm{\σ}}_I}^2+{{\mathrm{\σ}}_f}^2+C_2}\frac{{2G}_I{G}_f+C_3}{G_{I^2}+G_{f^2}+C_3}$

GSSIM(x，y)就是一张退化信息索引图，是一个数据矩阵，如图2c所示就是图2b的GSSIM退化信息索引图。

(3)基于像素类型的结构类似性图像质量评价方法W-GSSIM：

利用步骤(1)与(2)中得到的RWM与GSSIM为两个图像数据矩阵，每一相互对应的点相乘得到评价指标：

W-GSSIM(x，y)＝RWM(x，y)·GSSIM(x，y)

这样，W-GSSIM就是所映射成的不同像素区域不同权重的退化信息索引图，W-GSSIM是由边缘区域像素图、纹理区域像素图、平坦区域像素图构成的，如图2d、2e、2f所示的就是这三类图，其结合起来就是W-GSSIM。

最终，我们利用W-GSSIM的均值来衡量评价图f的图像质量。

实施例2

按照实施例1中相同的方法，分别对图3a～3h进行评价，图3a～3h所示的一组灰度图(参考图和不同退化形式图)的是实验采用的参考图(图3a)以及评价图(图3b～3h)，评价所得结果如表1所示。其中图3a图3a为参考图，图3b为均值偏移图，图3c为对比拉伸图，图3d为椒盐噪声图，图3e为乘性散斑噪声图，图3f为加性高斯噪声，图3g为模糊图，图3h为JPEG压缩图。表1中W-GSSIM评价值越大，说明图像质量越好，参考图是图3(a)；由表1的测试结果可知，由本发明的评价方法与人眼观察基本一致。

表1

准确度测试

利用同实施例1相同的评价方法对VQEG推荐的大型图像库中的图像进行评价，图4a和图4b所示为采用VQEG推荐的大型图像库所做的实验结果，是一张点列图，每一个点代表一张图像的评价信息，图中横轴代表本发明方法的评价值，纵轴代表人眼主观评价值DMOS(DMOS：DifferenceMean Opinion Scores)。通过对图像数据库中的大量图像进行评价，结合其主观评价值，生成了人眼主观评价值与本发明方法W-GSSIM评价值的点列图以及对应的拟合曲线。这里只是列举了JPEG2000压缩退化数据和高斯模糊退化数据的实验结果，JPEG2000压缩退化数据实验结果如图4a所示，高斯模糊退化数据的实验结果如图4b所示。图4a和图4b所示的点列图中横坐标为客观评价值(本发明评价值)，纵坐标为主观评价值。客观评价(本发明评价值)符合主观评价值(DMOS)，并且各点几乎均匀的在曲线两边分布证明了该方法的稳定性，所有数据也更靠近拟合曲线，具有较好的单调性，说明了本发明的有效性。

上述实验采用的图像数据库提供了982张图片。它们是从29张原图通过JPEG2000、JPEG、高斯噪声、高斯模糊和比特传输错误等退化得到的。数据库还提供了对各图主观评价的数据，用差异平均评价分数(DMOS：Difference Mean Opinion Scores)来表征，其中DMOS值越小，图像越佳，DMOS为零则表明这是一张原图。该图像数据库网址为http://live.ece.utexas.edu/research/quality/subiective.htm。

Claims (3)

1.一种基于像素类型的结构类似性图像质量客观评价方法，包括：

(1)采用Canny方法计算参考图I的梯度G_I(x，y)，并同时得到两个表征图像梯度值强弱边界的阈值t1与t2，其中t1＞t2；同样用Canny方法得到评价图f的梯度G_f(x，y)；

通过分析G_I(x，y)、G_f(x，y)中各个像素与阈值t1、t2的关系，将图像中的每个像素位置分别划分为边缘、纹理和平坦三个区域类型；

建立不同像素区域类型不同权重的信息图RWM(x，y)，该图对应边缘区域类型像素位置处的权重值为R1，纹理区域类型的对应像素位置处的权重值分别为R2，平坦区域类型的对应像素位置处的权重值为R3，其中R1+R2+R3＝1；

(2)对参考图I、评价图f在亮度、对比度以及梯度类似性进行比较，得到质量评价指标：亮度指标l(x，y)、对比度指标c(x，y)以及梯度类似性指标g(x，y)，

其中，亮度指标l(x，y)、对比度指标c(x，y)以及梯度类似性指标g(x，y)的计算公式如下：

$l(I,f)=\frac{{2\mathrm{\μ}}_I{\mathrm{\μ}}_f+C_1}{{{\mathrm{\μ}}_I}^2+{{\mathrm{\μ}}_f}^2+C_1}$

$c(I,f)=\frac{{2\mathrm{\σ}}_I{\mathrm{\σ}}_f+C_2}{{{\mathrm{\σ}}_I}^2+{{\mathrm{\σ}}_f}^2+C_2}$

$g(I,f)=\frac{{2G}_I{G}_f+C_3}{G_{I^2}+G_{f^2}+C_3}$

上式中μ_I为参考图I的局部均值，μ_f为评价图f的局部均值，σ_I为参考图I的局部方差与，σ_f为评价图f的局部方差，C₁、C₂与C₃为大于0且小于1的常数；

将上述亮度指标l(x，y)、对比度指标c(x，y)以及梯度类似性指标g(x，y)代入梯度结构类似性指标式中，其中梯度结构类似性指标式为：

$\mathrm{GSSIM}=l(I,f)c(I,f)g(I,f)$

$=\frac{{2\mathrm{\μ}}_I{\mathrm{\μ}}_f+C_1}{{{\mathrm{\μ}}_I}^2+{{\mathrm{\μ}}_f}^2+C_1}\frac{{2\mathrm{\σ}}_I{\mathrm{\σ}}_f+C_2}{{{\mathrm{\σ}}_I}^2+{{\mathrm{\σ}}_f}^2+C_2}\frac{{2G}_I{G}_f+C_3}{G_{I^2}+G_{f^2}+C_3}$

(3)利用步骤(1)与(2)中得到的RWM与GSSIM为两个图像数据矩阵，将两个图像数据矩阵中每一相互对应的点相乘得到评价指标：

W-GSSIM＝RWM·GSSIM

W-GSSIM为映射成的不同像素区域不同权重的退化信息索引图，求取该图的均值，利用该均值评价评价图的图像质量。

2.根据权利要求1所述的基于像素类型的结构类似性图像质量客观评价方法，其特征在于，所述的步骤(1)中图像中任意像素点(x，y)划分为边缘、纹理、平坦区域类型的具体方法如下：

采用Canny算法在计算参考图I的梯度G_I(x，y)的同时得到表征图像梯度值强弱边界的阈值t1与t2，且t1＞t2，强边缘位置的梯度值＞t1，弱边缘位置的梯度值＜t2，并按照如下规则判定：

如果G_I(x，y)＞t1，或者G_f(x，y)＞t1，则将像素点(x，y)判定为边缘区域类型；

如果G_I(x，y)＜t2，并且G_f(x，y)＜t2，则将像素点(x，y)判定为平坦区域类型；

如果(x，y)同时不符合规则1与规则2，则将像素点(x，y)判定为纹理区域类型。

3.根据权利要求1所述的基于像素类型的结构类似性图像质量客观评价方法，其特征在于，所述的步骤(2)中所述相关变量：μ、σ和G的具体求取方法如下：

先通过一个N×N的中心对称高斯加权窗W，在相应图像上逐点计算以该点为中心的邻域图像块的μ、σ和G：

$W=\left[\begin{array}{cccccc}{w}_{11}& w_{12}& ,& ,& ,& w_{1N}\\ w_{21}& w_{22}& ,& ,& ,& w_{2N}\\ ,& ,& ,& ,& ,& ,\\ ,& ,& ,& ,& ,& ,\\ ,& ,& ,& ,& ,& ,\\ w_{N1}& w_{N2}& ,& ,& ,& w_{\mathrm{NN}}\end{array}\right]$

${\mathrm{\μ}}_I=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{I}_{\mathrm{ij}},$ ${\mathrm{\μ}}_f=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{f}_{\mathrm{ij}};$

${\mathrm{\σ}}_I={\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{(I_{\mathrm{ij}}-{\mathrm{\μ}}_I)}^2\right)}^{1/2},$ ${\mathrm{\σ}}_f={\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{(f_{\mathrm{ij}}-{\mathrm{\μ}}_f)}^2\right)}^{1/2};$

$G_{I^2}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{\left(\frac{\∂I}{\∂\mathrm{ij}}\right)}^2,$ $G_{f^2}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{\left(\frac{\∂f}{\∂\mathrm{ij}}\right)}^2;$

$G_I{G}_f=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\left(\frac{\∂I}{\∂\mathrm{ij}}\right)\left(\frac{\∂f}{\∂\mathrm{ij}}\right);$

其中，

表示参考图I在位置(i，j)处的微分值，

表示评价图f在位置(i，j)处的微分值。

Images