CN101977333A - 基于小波和结构自相似性分析的无参考图像质量评价方法 - Google Patents

基于小波和结构自相似性分析的无参考图像质量评价方法 Download PDF

Info

Publication number
CN101977333A
CN101977333A CN 201010555966 CN201010555966A CN101977333A CN 101977333 A CN101977333 A CN 101977333A CN 201010555966 CN201010555966 CN 201010555966 CN 201010555966 A CN201010555966 A CN 201010555966A CN 101977333 A CN101977333 A CN 101977333A
Authority
CN
China
Prior art keywords
image
wavelet
wavelet decomposition
entropy
self
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN 201010555966
Other languages
English (en)
Inventor
焦峰
姚勇雷
马利
薛胜军
谢永华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN 201010555966 priority Critical patent/CN101977333A/zh
Publication of CN101977333A publication Critical patent/CN101977333A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于小波和结构自相似性分析的无参考图像质量评价方法，用于灰度图像的图像质量评价，属于图像处理技术领域。本发明方法首先将待评价的原始图像重组成包含4n个自相似子块的新图像；然后对新图像进行小波分解；接着计算小波熵；最后根据小波熵的值进行质量评价，小波熵值越小，图像质量越高且视觉效果越好。与其他同类的方法相比，本发明首次将小波分解算法与图像的自相似性相结合，并首次对小波系数进行熵的相关计算，并将计算的结果(小波熵)用于图像质量的评价。同时，本发明方法不需要任何参考图像就可以进行。

Description

基于小波和结构自相似性分析的无参考图像质量评价方法
技术领域
本发明涉及一种图像质量评价方法，尤其涉及一种基于小波和结构自相似性分析的无参考图像质量评价方法，用于灰度图像的质量评价，属于图像处理领域。
背景技术
图像质量的客观评价是数字图像处理中十分重要而又困难的问题，传统的图像质量评估方法大多数属于全参考评估方法。包括常见的均值平方差算法（mean-squared error MSE）、信噪比评估方法（signal-to-noise ratio SNR），以及峰值信噪比评估方法（peak signal-to-noise ratio PSNR）。这些评估方法普遍被应用于图像的压缩、融合、取证等领域[Martin Vetterli S Grace Chang, Bin Yu. “Adaptive wavelet shareholding for image denoising and compression”, IEEE Transaction on Image Processing, Vol. 9(9), pp. 1532-1546, 2000.]、[Heric D., Zazula D. “Reconstruction of object contours using directional wavelet transform”, WSEAS Transaction on Computation, Vol. 4, pp. 1305-1312, 2005.]、[N. Mehrseresht, D.Taubman, “Spatially continuous orientation adaptive discretepacket wavelet decomposition for image compression”, Proceedings of IEEE International Conference on Image Processing, 2006.]。虽然这些方法应用广泛，但是由于其自身的缺陷性，已经远远不能满足实际的需求。 同时，其评估的结果通常并不符合人眼实际观察的结果。虽然已经有一些新的评估方法的出现，但是大多数并没有体现出比MSE和PSNR方法更优越。
谢正祥，刘玉红，胡琴在一份中国发明专利申请（申请号为200810070170.1，申请日为2008.8.25，公开日为2009.1.14）中提出了一种“基于信息熵和对比度的无参考图像质量评价方法”，该方法利用熵和图像的灰度对图像质量进行无参考评估，虽然利用了熵的原理，但只考虑了图像的灰度在全局空间上的分布特征，没有考虑人眼能够根据图像特征在整体和细节上进行自适应的调整的因素。
发明内容
本发明的目的在于克服现有无参考图像评价方法所存在的不足，提供一种无参考图像质量评价方法，可以更好的对图像的基于视觉效果的质量进行评估和分析。
由于视觉系统本身对图像具有多分辨率分析的特点，因此，利用小波分析的多尺度分析功能，并结合图像在不同尺度空间拥有自相似的特点，能够更好的对图像的基于视觉效果的质量进行评估和分析，具体而言，本发明采用以下技术方案：
一种基于小波和结构自相似性分析的无参考图像质量评价方法，用于灰度图像的图
像质量评价，按照以下步骤进行：
步骤1、将待评价的原始图像重组成包含                                                
Figure 166817DEST_PATH_IMAGE001
个自相似子块的新图像，
Figure 66639DEST_PATH_IMAGE002
为大于等于1的整数；所述重组的具体方法为：
根据以下公式将原始图像I中的像素
Figure 757384DEST_PATH_IMAGE003
移到新图像I’中的
Figure 246003DEST_PATH_IMAGE004
处，
Figure 544260DEST_PATH_IMAGE005
式中L、H分别表示原始图像的宽度和高度， mod为取模运算，
当
Figure 118330DEST_PATH_IMAGE006
时，新图像I’即为所述重组后包含
Figure 425814DEST_PATH_IMAGE001
个自相似子块的新图像；当
Figure 503361DEST_PATH_IMAGE007
时，则将图像I’做为原始图像，再进行一次以上操作；当
Figure 238099DEST_PATH_IMAGE008
时，依此类推；
步骤2、对步骤1得到的新图像进行小波分解；
步骤3、根据下式计算小波熵H：
Figure 33885DEST_PATH_IMAGE009
式中，
Figure 332011DEST_PATH_IMAGE010
表示第
Figure 280376DEST_PATH_IMAGE011
层小波分解系数中，对应的
Figure 435282DEST_PATH_IMAGE012
、
Figure 469097DEST_PATH_IMAGE013
和
Figure 361793DEST_PATH_IMAGE014
子图像形成的空间，
Figure 164664DEST_PATH_IMAGE015
；
Figure 490472DEST_PATH_IMAGE016
表示在第
Figure 11583DEST_PATH_IMAGE011
层小波分解系数中值为
Figure 448249DEST_PATH_IMAGE017
的系数在
Figure 433523DEST_PATH_IMAGE010
中所占的百分比；
Figure 680965DEST_PATH_IMAGE018
为小波分解的层数；表示将小波分解系数在归一化到原始图像的灰度空间后取整所得的结果。
步骤4、根据小波熵值进行图像质量评价，小波熵值越小表示图像质量越高。
 本发明方法利用图像本身具有的自相似性的特点，以及小波分析多分辨率分析的功能，在不同尺度下对小波分解系数进行分析，并利用了熵的理论，从而达到在无参考图像的条件下对图像的质量进行评估和分级。与其他同类的方法相比，首次将小波分解算法与图像的自相似性相结合，并首次对小波系数进行熵的相关计算，并将计算的结果（小波熵）用于图像质量的评估。同时，本发明方法不需要任何参考图像就可以进行。
附图说明
图1为本发明方法流程图；
图2为具体实施方式中所举实例图，其中（a）为待评价的原始图像，（b）为
Figure 929729DEST_PATH_IMAGE006
时原始图像重组后的结果，（c）为
Figure 956460DEST_PATH_IMAGE007
时原始图像重组后的结果，（d）为3层小波分解后得到的结果。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明：
如附图1（a）所示原始图像，采用本发明方法进行质量评价时，按照以下步骤：
步骤1、将待评价的原始图像重组成包含
Figure 374803DEST_PATH_IMAGE001
个自相似子块的新图像，
Figure 854195DEST_PATH_IMAGE002
为大于等于1的整数；所述重组的具体方法为：
根据以下公式将原始图像I中的像素移到新图像I’中的
Figure 530213DEST_PATH_IMAGE004
处，
Figure 119457DEST_PATH_IMAGE005
式中L、H分别表示原始图像的宽度和高度， mod为取模运算，
当
Figure 351724DEST_PATH_IMAGE006
时，新图像I’即为所述重组后包含
Figure 684616DEST_PATH_IMAGE001
个自相似子块的新图像，该重组过程相当于利用了图像在空间上邻域的相似性，将每一个四邻域中的四个像素分别提取出来，分离到4个不同的区域当中，从而构成了4个分辨率为原始图像1/2的子图像；当
Figure 426219DEST_PATH_IMAGE007
时，则将图像I’做为原始图像，再进行一次以上操作；当
Figure 451944DEST_PATH_IMAGE008
时，依此类推；
在本具体实施方式中，
Figure 905928DEST_PATH_IMAGE006
时原始图像重组后的结果如附图1（b）所示，其中包含4个自相似的子块；
Figure 42511DEST_PATH_IMAGE007
时原始图像重组后的结果如附图1（c）所示，其中包含16个自相似的子块。
步骤2、对步骤1得到的新图像进行小波分解；
本具体实施方式中，对
Figure 632762DEST_PATH_IMAGE006
时的新图像，即图1（b），进行3层小波分解，得到3层小波系数。设
Figure 829388DEST_PATH_IMAGE019
是一多分辨分析，
Figure 770668DEST_PATH_IMAGE020
和
Figure 445363DEST_PATH_IMAGE021
为相应的尺度函数和小波函数，对于任意信号
Figure 155699DEST_PATH_IMAGE022
，其多分辨率分解如式(2)所示。
Figure 523226DEST_PATH_IMAGE023
                         (2)
并且相应的小波分解和重构的Mallat算法为式(3)和式(4)所示。
Figure 686223DEST_PATH_IMAGE024
                             (3)
Figure 164609DEST_PATH_IMAGE025
                          (4)
一幅图像经过一层小波分解成为
Figure 995031DEST_PATH_IMAGE026
子图像（水平、垂直方向都是低频分量），
Figure 267880DEST_PATH_IMAGE027
子图像（水平方向是低频，垂直方向是高频），
Figure 183752DEST_PATH_IMAGE028
子图像（水平方向是高频，垂直方向是低频），
Figure 200250DEST_PATH_IMAGE029
子图像（水平垂直方向都是高频），上述子图像统称为第一层子图像。如果对
Figure 902756DEST_PATH_IMAGE026
 继续分解，则可得到下一层分解结果，在的基础上得到
Figure 874309DEST_PATH_IMAGE030
、、
Figure 233932DEST_PATH_IMAGE032
和
Figure 114164DEST_PATH_IMAGE033
，并可以此类推。图像的小波分解为现有成熟技术，此处不再赘述。附图1（d）即为经3层小波分解后得到的结果。
步骤3、根据下式计算小波分解系数的熵，本发明将其简称为小波熵H：
Figure 739049DEST_PATH_IMAGE009
式中，
Figure 97349DEST_PATH_IMAGE010
表示第
Figure 756869DEST_PATH_IMAGE011
层小波分解系数中，对应的LHj、HLj和HHj子图像形成的空间，
Figure 542423DEST_PATH_IMAGE015
；表示在第层小波分解系数中值为
Figure 330622DEST_PATH_IMAGE017
的系数在中所占的百分比；
Figure 157993DEST_PATH_IMAGE018
为小波分解的层数；
Figure 858095DEST_PATH_IMAGE017
表示将小波分解系数在归一化到原始图像的灰度空间后取整所得的结果，在256级灰度图像中其取值为
Figure 226629DEST_PATH_IMAGE034
。
步骤4、根据小波熵值进行图像质量评价，小波熵值越小表示图像质量越高。
 在实际评估过程中，值的选择应根据图像的分辨率来确定，分辨率越高，
Figure 706338DEST_PATH_IMAGE002
的值应越大，反之越小。对于常见的256×256的灰度图像，
Figure 210131DEST_PATH_IMAGE002
的值优选2。与
Figure 433171DEST_PATH_IMAGE002
值的选取相同，小波分解的层数也应根据图像的分辨率来选择。通常选择小波分解的层数
Figure 571077DEST_PATH_IMAGE018
应比
Figure 612983DEST_PATH_IMAGE002
值大1为宜。在实际应用中，也可将在不同的、
Figure 690846DEST_PATH_IMAGE002
组合条件下的得到的小波熵综合起来进行评估。
本发明方法能够在无法获得参考图像的条件下（实际情况中大多如此），对图像的质量做出满足视觉效果的质量评价。例如，可利用本方法对从网络上搜索到的图片按照其质量进行自动排序和过滤；也可对图像或视频通过网络传输后产生模糊或扭曲的程度进行评价；同时，本发明方法也可应用于图像增强或去噪的处理，自适应的选取能够将图像的质量增强到最高或去噪效果最好的算法。
本发明方法特别适用于医学上的X-Ray图像、MRI（核磁共振）图像。对于普通的灰度图像也同样适用。如果是彩色图像，则在转换为灰度图像之后，也能达到一定质量评估的效果，但是其准确性还将取决于彩色图像转换为灰度图像后，在视觉上引起的图像质量降低的程度，以及图像本身的一些特性等其他因素。

Claims (4)

1.一种基于小波和结构自相似性分析的无参考图像质量评价方法，用于灰度图像的图像质量评价，其特征在于，按照以下步骤进行：
步骤1、将待评价的原始图像重组成包含                                                个自相似子块的新图像，
Figure 158997DEST_PATH_IMAGE002
为大于等于1的整数；所述重组的具体方法为：
根据以下公式将原始图像I中的像素
Figure 367868DEST_PATH_IMAGE003
移到新图像I’中的
Figure 735396DEST_PATH_IMAGE004
处，
Figure 163972DEST_PATH_IMAGE005
式中L、H分别表示原始图像的宽度和高度， mod为取模运算，
当
Figure 376779DEST_PATH_IMAGE006
时，新图像I’即为所述重组后包含
Figure 708665DEST_PATH_IMAGE001
个自相似子块的新图像；当
Figure 981515DEST_PATH_IMAGE007
时，则将图像I’做为原始图像，再进行一次以上操作；当
Figure 897387DEST_PATH_IMAGE008
时，依此类推；
步骤2、对步骤1得到的新图像进行小波分解；
步骤3、根据下式计算小波熵H：
Figure 976201DEST_PATH_IMAGE009
式中，
Figure 97348DEST_PATH_IMAGE010
表示第
Figure 868995DEST_PATH_IMAGE011
层小波分解系数中，对应的
Figure 757316DEST_PATH_IMAGE012
、
Figure 826772DEST_PATH_IMAGE013
和
Figure 116939DEST_PATH_IMAGE014
子图像形成的空间，；
Figure 123521DEST_PATH_IMAGE016
表示在第层小波分解系数中值为
Figure 2010105559663100001DEST_PATH_IMAGE017
的系数在
Figure 141341DEST_PATH_IMAGE010
中所占的百分比；
Figure 940277DEST_PATH_IMAGE018
为小波分解的层数；
Figure 803190DEST_PATH_IMAGE017
表示将小波分解系数在归一化到原始图像的灰度空间后取整所得的结果；
步骤4、根据小波熵值进行图像质量评价，小波熵值越小表示图像质量越高。
2.如权利要求1所述基于小波和结构自相似性分析的无参考图像质量评价方法，其特征在于，所述
Figure 214449DEST_PATH_IMAGE018
和的取值满足
Figure 497980DEST_PATH_IMAGE019
。
3.如权利要求1所述基于小波和结构自相似性分析的无参考图像质量评价方法，其特征在于，所述
Figure 598922DEST_PATH_IMAGE002
的取值为2。
4.如权利要求1所述基于小波和结构自相似性分析的无参考图像质量评价方法，其特征在于，所述小波分解为3层小波分解，即
Figure 564604DEST_PATH_IMAGE018
的取值为3。
CN 201010555966 2010-11-24 2010-11-24 基于小波和结构自相似性分析的无参考图像质量评价方法 Pending CN101977333A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201010555966 CN101977333A (zh) 2010-11-24 2010-11-24 基于小波和结构自相似性分析的无参考图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201010555966 CN101977333A (zh) 2010-11-24 2010-11-24 基于小波和结构自相似性分析的无参考图像质量评价方法

Publications (1)

Publication Number Publication Date
CN101977333A true CN101977333A (zh) 2011-02-16

Family

ID=43577174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201010555966 Pending CN101977333A (zh) 2010-11-24 2010-11-24 基于小波和结构自相似性分析的无参考图像质量评价方法

Country Status (1)

Country Link
CN (1) CN101977333A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496162A (zh) * 2011-12-21 2012-06-13 浙江大学 基于非张量积小波滤波器的部分参考图像质量评价方法
CN102800299A (zh) * 2012-08-01 2012-11-28 赵建峰 高精度影像取模分区着色显示方法
CN102930545A (zh) * 2012-11-07 2013-02-13 复旦大学 一种图像质量盲评估的统计测度方法
CN103475898A (zh) * 2013-09-16 2013-12-25 北京理工大学 一种基于信息熵特征的无参考图像质量评价方法
CN104361574A (zh) * 2014-10-14 2015-02-18 南京信息工程大学 一种基于稀疏表示的无参考彩色图像质量评价方法
CN105184819A (zh) * 2015-09-14 2015-12-23 浙江大学 用于医学图像重建参数寻优的客观图像质量评价方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101217378A (zh) * 2008-01-18 2008-07-09 南京邮电大学 一种基于流量统计的小波分析边界处理方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101217378A (zh) * 2008-01-18 2008-07-09 南京邮电大学 一种基于流量统计的小波分析边界处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Mechanic Automation and Control Engineering(MACE)》 20100803 Jiao Feng等 Image Enhancement and Denoise Based on Structure Self-Similarity and Wavelet Transform Coefficients 6335-6340页 1-4 , 2 *
《Multimedia Technology（ICMT）》 20101111 Jiao Feng等 No Reference Evaluation of Image Quality Based on Structure Self-Similarity and Wavelet Transform Coefficients 1-4页 1-4 , 2 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496162A (zh) * 2011-12-21 2012-06-13 浙江大学 基于非张量积小波滤波器的部分参考图像质量评价方法
CN102800299A (zh) * 2012-08-01 2012-11-28 赵建峰 高精度影像取模分区着色显示方法
CN102930545A (zh) * 2012-11-07 2013-02-13 复旦大学 一种图像质量盲评估的统计测度方法
CN103475898A (zh) * 2013-09-16 2013-12-25 北京理工大学 一种基于信息熵特征的无参考图像质量评价方法
CN103475898B (zh) * 2013-09-16 2015-05-20 北京理工大学 一种基于信息熵特征的无参考图像质量评价方法
CN104361574A (zh) * 2014-10-14 2015-02-18 南京信息工程大学 一种基于稀疏表示的无参考彩色图像质量评价方法
CN104361574B (zh) * 2014-10-14 2017-02-15 南京信息工程大学 一种基于稀疏表示的无参考彩色图像质量评价方法
CN105184819A (zh) * 2015-09-14 2015-12-23 浙江大学 用于医学图像重建参数寻优的客观图像质量评价方法
CN105184819B (zh) * 2015-09-14 2018-01-12 浙江大学 用于医学图像重建参数寻优的客观图像质量评价方法

Similar Documents

Publication Publication Date Title
CN101977333A (zh) 基于小波和结构自相似性分析的无参考图像质量评价方法
Li et al. Full-reference video quality assessment by decoupling detail losses and additive impairments
Moorthy et al. Efficient motion weighted spatio-temporal video SSIM index
CN101572830B (zh) 用于对帧序列的失真版本的质量进行评估的方法
Ma et al. Reduced-reference video quality assessment of compressed video sequences
CN106937118B (zh) 一种基于主观感兴趣区域和时空域相结合的码率控制方法
Zhang et al. Kurtosis-based no-reference quality assessment of JPEG2000 images
CN110070539A (zh) 基于信息熵的图像质量评价方法
CN102084660A (zh) 视频质量测量
CN109447903B (zh) 一种半参考型超分辨率重构图像质量评价模型的建立方法
CN107241607A (zh) 一种基于多域jnd模型的视觉感知编码方法
Wang et al. Reduced reference image quality assessment using entropy of primitives
CN106254720B (zh) 一种基于联合正则化的视频超分辨率重建方法
Babu et al. An HVS-based no-reference perceptual quality assessment of JPEG coded images using neural networks
Zhou et al. Deep local and global spatiotemporal feature aggregation for blind video quality assessment
Li et al. Video quality assessment by decoupling additive impairments and detail losses
Liao et al. An image quality assessment algorithm based on dual-scale edge structure similarity
Ren et al. DIBR-synthesized image quality assessment based on local entropy analysis
Wan et al. Reduced reference image quality assessment based on entropy of classified primitives
CN107592537B (zh) 一种面向航拍图像集的自适应压缩采样分配方法
Kukolj et al. 3D image quality estimation (ANN) based on depth/disparity and 2D metrics
Vu et al. A no-reference quality assessment algorithm for JPEG2000-compressed images based on local sharpness
Kumar et al. No-reference image quality assessment using gradient-based structural integrity and latent noise estimation
Yao et al. Image quality measure using curvature similarity
Yang et al. Image quality assessment using singular vectors

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20110216