CN102075786B - 一种图像客观质量评价方法 - Google Patents

Abstract

本发明公开了一种图像客观质量评价方法，首先根据参考图像和失真图像中各个像素点的梯度幅值信息，把参考图像和失真图像联合的分为边缘区域、纹理区域和平坦区域，然后依据每个区域中各个像素点的梯度相位和梯度幅值对参考图像和失真图像进行相位量化编码，再通过计算参考图像和失真图像的不同区域相位量化编码的汉明距离，并根据人眼视觉特性对不同区域的汉明距离给予不同的权值从而得到最终的图像质量评价的客观分值，由于本发明方法综合考虑了失真图像相对于参考图像的梯度幅值和梯度相位的变化给失真图像质量造成的影响，因此根据本发明方法得出的客观评价结果与人眼主观感知的结果一致性好；此外，本发明方法的计算复杂度低、运行速度快。

Description

一种图像客观质量评价方法

技术领域

本发明涉及一种图像质量评价方法，尤其是涉及一种图像客观质量评价方法。

背景技术

图像在采集、压缩、存储、传输和重建等领域中都会涉及到图像质量评价。而实时图像处理技术需要一种低复杂度、易硬件实现又能结合人眼特性的图像质量评价方法。图像质量评价方法可分为主观评价方法和客观评价方法。主观评价方法是一种比较可靠的评价方法，但主观评价方法耗时、费力又无法实时操作，故需设计合理的客观评价方法。客观评价方法采用数学模型评价图像质量，其具有速度快、易实现、可嵌入等优点。图像结构的改变会导致图像质量的下降，而图像结构改变的一种表现形式是梯度相位和梯度幅值的改变，现有客观评价方法没有充分结合人眼视觉特性，或是只考虑梯度幅值的变化对图像质量的影响，或是只考虑梯度相位的变化对图像质量的影响，导致最终的客观评价结果与主观感知的相关性较差。

发明内容

本发明所要解决的技术问题是提供一种能够综合考虑失真图像的梯度幅值和梯度相位信息的改变对失真图像质量的影响，可有效提高客观质量评价结果与人眼主观感知的相关性的图像客观质量评价方法。

本发明解决上述技术问题所采用的技术方案为：一种图像客观质量评价方法，其特征在于包括以下步骤：

①将尺寸为W×H的参考图像表示为{I_o(i，j)|1≤i≤W，1≤j≤H}，将尺寸为W×H的失真图像表示为{I_d(i，j)|1≤i≤W，1≤j≤H}，其中，W表示参考图像和失真图像的宽度，H表示参考图像和失真图像的高度，I_o(i，j)表示参考图像中坐标位置为(i，j)的像素点的像素值，I_d(i，j)表示失真图像中坐标位置为(i，j)的像素点的像素值；

②对参考图像和失真图像进行联合的区域划分，将参考图像和失真图像划分为边缘区域、纹理区域和平坦区域三类区域，记边缘区域为R_E，记纹理区域为R_T，记平坦区域为R_S，区域划分后参考图像和失真图像中坐标位置同为(i，j)的像素点属于同一类区域；

③利用梯度算子计算参考图像{I_o(i，j)}的水平梯度图像和垂直梯度图像，分别记为{G_{x_o}(i，j)}和{G_{y_o}(i，j)}，其中，G_{x_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的垂直梯度幅值；然后根据参考图像中坐标位置为(i，j)的像素点的梯度方向和梯度幅值对参考图像进行量化编码，量化编码的具体过程为：当G_{x_o}(i，j)＞0且G_{y_o}(i，j)＞0且|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0000；当G_{x_o}(i，j)＞0且

G_{y_o}(i，j)＞0且|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1000；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＞0且|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1100；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＞0且

|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1110；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＜0且|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1111；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＜0且

|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0111；当G_{x_o}(i，j)＞0且G_{y_o}(i，j)＜0且|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0011；当G_{x_o}(i，j)＞0且G_{y_o}(i，j)＜0且

|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0001，其中，符号“||”表示取绝对值符号；

④利用梯度算子计算失真图像{I_d(i，j)}的水平梯度图像和垂直梯度图像，分别记为{G_{x_d}(i，j)}和{G_{y_d}(i，j)}，其中，G_{x_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的垂直梯度幅值；然后根据失真图像中坐标位置为(i，j)的像素点的梯度方向和梯度幅值对失真图像进行量化编码，量化编码的具体过程为：当G_{x_d}(i，j)＞0且G_{y_d}(i，j)＞0且|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0000；当G_{x_d}(i，j)＞0且

G_{y_d}(i，j)＞0且|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1000；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＞0且|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1100；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＞0且

|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1110；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＜0且|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1111；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＜0且

|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0111；当G_{x_d}(i，j)＞0且G_{y_d}(i，j)＜0且|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0011；当G_{x_d}(i，j)＞0且G_{y_d}(i，j)＜0且

|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0001；

⑤计算参考图像和失真图像的边缘区域R_E中所有像素点的汉明距离之和，记为

${\mathrm{HD}}_{R_E}=\mathrm{\Σ}[C_{R_E}^o(i,j)\⊕C_{R_E}^d(i,j)],$ 其中，

表示参考图像的边缘区域R_E中坐标位置为(i，j)的像素点的相位量化编码，

表示失真图像的边缘区域R_E中坐标位置为(i，j)的像素点的相位量化编码，符号

表示异或运算符；计算参考图像和失真图像的纹理区域R_T中所有像素点的汉明距离之和，记为

其中，

表示参考图像的纹理区域R_T中坐标位置为(i，j)的像素点的相位量化编码，表示失真图像的纹理区域R_T中坐标位置为(i，j)的像素点的相位量化编码；计算参考图像和失真图像的平坦区域R_S中所有像素点的汉明距离之和，记为

${\mathrm{HD}}_{R_S}=\mathrm{\Σ}[C_{R_S}^o(i,j)\⊕C_{R_S}^d(i,j)],$ 其中，

表示参考图像的平坦区域R_S中坐标位置为(i，j)的像素点的相位量化编码，

表示失真图像的平坦区域R_S中坐标位置为(i，j)的像素点的相位量化编码；

⑥根据参考图像和失真图像的边缘区域R_E中所有像素点的汉明距离之和纹理区域R_T中所有像素点的汉明距离之和

及平坦区域R_S中所有像素点的汉明距离之和

对失真图像进行客观质量评价得到最终评分，记为IQA， $\mathrm{IQA}=W_{R_E}\×{\mathrm{HD}}_{R_E}+W_{R_T}\×{\mathrm{HD}}_{R_T}+W_{R_S}\×{\mathrm{HD}}_{R_S},$ 其中，

为边缘区域R_E的评价权重系数，

为纹理区域R_T的评价权重系数，

为平坦区域R_S的评价权重系数。

所述的步骤②的具体过程为：

②-1、利用梯度算子计算参考图像的梯度，记参考图像中坐标位置为(i，j)的像素点的梯度幅值为G_o(i，j)，G_o(i，j)＝|G_{x_o}(i，j)|+|G_{y_o}(i，j)|，其中，G_{x_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的垂直梯度幅值；利用梯度算子计算失真图像的梯度，记失真图像中坐标位置为(i，j)的像素点的梯度幅值为G_d(i，j)，G_d(i，j)＝|G_{x_d}(i，j)|+|G_{y_d}(i，j)|，其中，G_{x_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的垂直梯度幅值；

②-2、根据参考图像中的像素点的梯度幅值和失真图像中对应坐标位置的像素点的梯度幅值，将参考图像和失真图像中坐标位置相同的像素点划分到同一类区域中，对于参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点，判断|G_o(i，j)|＞T₁或者|G_d(i，j)|＞T₁是否成立，如果成立，则将参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点均划分到边缘区域R_E中，否则，判断|G_o(i，j)|＜T₂且|G_d(i，j)|≤T₁是否成立，如果成立，则将参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点均划分到纹理区域R_T中，否则，再判断T₂≤|G_o(i，j)|≤T₁且|G_d(i，j)|≤T₁是否成立，如果成立，则将参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点均划分到平坦区域R_S中，其中，T₁为第一阈值，T₂为第二阈值，T₁＞T₂。

所述的第一阈值T₁＝0.12G_max，所述的第二阈值T₂＝0.06G_max，其中，G_max表示参考图像中所有像素点的梯度幅值中的最大值，G_max＝max{G_o(i，j)|1≤i≤W，1≤j≤H}。

所述的步骤⑥中的边缘区域R_E的评价权重系数纹理区域R_T的评价权重系数

平坦区域R_S的评价权重系数

所述的梯度算子为Sobel梯度算子。

与现有技术相比，本发明的优点在于首先根据参考图像和失真图像中各个像素点的梯度幅值信息，把参考图像和失真图像联合的分为边缘区域、纹理区域和平坦区域三类区域，然后依据每个区域中各个像素点的梯度相位和梯度幅值信息对参考图像和失真图像进行相位量化编码，再通过计算参考图像和失真图像的不同区域相位量化编码的汉明距离，并根据人眼视觉特性对不同区域的汉明距离给予不同的权值从而得到最终的图像质量评价的客观分值，由于本发明方法综合考虑了失真图像相对于参考图像的梯度幅值和梯度相位信息的变化给失真图像质量造成的影响，因此根据本发明方法得出的客观评价结果与人眼主观感知的结果一致性好；此外，本发明方法的计算复杂度低、运行速度快。

附图说明

图1为本发明方法的总体实现框图；

图2为图像某局部区域的相位量化编码过程及汉明距离计算示意图；

图3为LIVE图像质量评估数据库的29幅高分辨率的RGB原始图像；

图4为对平均主观评分差值DMOS与本发明方法得出的最终评分IQA进行非线性最小二乘拟合的结果。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明提出的一种图像客观质量评价方法主要由以下几部分组成：对图像进行区域划分、相位量化编码、计算各个区域的汉明距离、权值确定、加权各个区域的汉明距离得出客观评价值，图1给出了本发明方法的总体实现框图，其具体包括以下步骤：

①将尺寸为W×H的参考图像表示为{I_o(i，j)|1≤i≤W，1≤j≤H}，将尺寸为W×H的失真图像表示为{I_d(i，j)|1≤i≤W，1≤j≤H}，其中，W表示参考图像和失真图像的宽度，H表示参考图像和失真图像的高度，I_o(i，j)表示参考图像中坐标位置为(i，j)的像素点的像素值，I_d(i，j)表示失真图像中坐标位置为(i，j)的像素点的像素值。

②对参考图像和失真图像进行联合的区域划分，将参考图像和失真图像划分为边缘区域、纹理区域和平坦区域三类区域，记边缘区域为R_E，记纹理区域为R_T，记平坦区域为R_S，区域划分后参考图像和失真图像中坐标位置同为(i，j)的像素点属于同一类区域，即：如果参考图像中坐标位置为(i，j)的像素点属于边缘区域，则必有失真图像中坐标位置同为(i，j)的像素点属于边缘区域，反过来，如果失真图像中坐标位置为(i，j)的像素点属于边缘区域，则必有参考图像中坐标位置同为(i，j)的像素点属于边缘区域；类似地，如果参考图像中坐标位置同为(i，j)的像素点属于纹理区域，则必有失真图像中坐标位置同为(i，j)的像素点属于纹理区域，如果失真图像中坐标位置为(i，j)的像素点属于纹理区域，则必有参考图像中坐标位置同为(i，j)的像素点属于纹理区域；如果参考图像中坐标位置为(i，j)的像素点属于平坦区域，则必有失真图像中坐标位置同为(i，j)的像素点属于平坦区域，如果失真图像中坐标位置为(i，j)的像素点属于平坦区域，则必有参考图像中坐标位置同为(i，j)的像素点属于平坦区域。

在此具体实施例中，对参考图像和失真图像进行联合的区域划分，将参考图像和失真图像划分为边缘区域、纹理区域和平坦区域三类区域的具体过程为：

②-1、利用Sobel梯度算子计算参考图像的梯度，记参考图像中坐标位置为(i，j)的像素点的梯度幅值为G_o(i，j)，G_o(i，j)＝|G_{x_o}(i，j)|+|G_{y_o}(i，j)|，其中，G_{x_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的垂直梯度幅值；利用Sobel梯度算子计算失真图像的梯度，记失真图像中坐标位置为(i，j)的像素点的梯度幅值为G_d(i，j)，G_d(i，j)＝|G_{x_d}(i，j)|+|G_{y_d}(i，j)|，其中，G_{x_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的垂直梯度幅值。

②-2、根据参考图像中的像素点的梯度幅值和失真图像中对应坐标位置的像素点的梯度幅值，将参考图像和失真图像中坐标位置相同的像素点划分到同一类区域中，对于参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点，判断|G_o(i，j)|＞T₁或者|G_d(i，j)|＞T₁是否成立，如果成立，则将参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点均划分到边缘区域R_E中，否则，判断|G_o(i，j)|＜T₂且|G_d(i，j)|≤T₁是否成立，如果成立，则将参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点均划分到纹理区域R_T中，否则，再判断T₂≤|G_o(i，j)|≤T₁且|G_d(i，j)|≤T₁是否成立，如果成立，则将参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点均划分到平坦区域R_S中，其中，T₁为第一阈值，T₂为第二阈值，T₁＞T₂，在此第一阈值T₁＝0.1G_max，第二阈值T₂＝0.06G_max，G_max＝max{G_o(i，j)|1≤i≤W，1≤j≤H}，即G_max为参考图像中所有像素点的梯度幅值中的最大值。

③利用Sobel梯度算子计算参考图像{I_o(i，j)}的水平梯度图像和垂直梯度图像，分别记为{G_{x_o}(i，j)}和{G_{y_o}(i，j)}，其中，G_{x_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的垂直梯度幅值；然后根据参考图像中坐标位置为(i，j)的像素点的梯度方向和梯度幅值对参考图像进行量化编码，量化编码的具体过程为：当G_{x_o}(i，j)＞0且G_{y_o}(i，j)＞0且

|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0000；当G_{x_o}(i，j)＞0且G_{y_o}(i，j)＞0且|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1000；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＞0且

|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1100；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＞0且|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1110；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＜0且

|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1111；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＜0且|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0111；当G_{x_o}(i，j)＞0且G_{y_o}(i，j)＜0且

|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0011；当G_{x_o}(i，j)＞0且G_{y_o}(i，j)＜0且|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0001，其中，符号“||”表示取绝对值符号。

④利用Sobel梯度算子计算失真图像{I_d(i，j)}的水平梯度图像和垂直梯度图像，分别记为{G_{x_d}(i，j)}和{G_{y_d}(i，j)}，其中，G_{x_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的垂直梯度幅值；然后根据失真图像中坐标位置为(i，j)的像素点的梯度方向和梯度幅值对失真图像进行量化编码，量化编码的具体过程为：当G_{x_d}(i，j)＞0且G_{y_d}(i，j)＞0且

|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0000；当G_{x_d}(i，j)＞0且G_{y_d}(i，j)＞0且|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1000；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＞0且

|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1100；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＞0且|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1110；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＜0且

|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1111；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＜0且|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0111；当G_{x_d}(i，j)＞0且G_{y_d}(i，j)＜0且

|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0011；当G_{x_d}(i，j)＞0且G_{y_d}(i，j)＜0且|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0001。

⑤计算参考图像和失真图像的边缘区域R_E中所有像素点的汉明距离之和，记为

${\mathrm{HD}}_{R_E}=\mathrm{\Σ}[C_{R_E}^o(i,j)\⊕C_{R_E}^d(i,j)],$ 其中，

表示参考图像的边缘区域R_E中坐标位置为(i，j)的像素点的相位量化编码，

表示失真图像的边缘区域R_E中坐标位置为(i，j)的像素点的相位量化编码，符号

表示异或运算符；计算参考图像和失真图像的纹理区域R_T中所有像素点的汉明距离之和，记为

其中，

表示参考图像的纹理区域R_T中坐标位置为(i，j)的像素点的相位量化编码，

表示失真图像的纹理区域R_T中坐标位置为(i，j)的像素点的相位量化编码；计算参考图像和失真图像的平坦区域R_S中所有像素点的汉明距离之和，记为

${\mathrm{HD}}_{R_S}=\mathrm{\Σ}[C_{R_S}^o(i,j)\⊕C_{R_S}^d(i,j)],$ 其中，

表示参考图像的平坦区域R_S中坐标位置为(i，j)的像素点的相位量化编码，

表示失真图像的平坦区域R_S中坐标位置为(i，j)的像素点的相位量化编码。

图2给出了图像bicycle某局部区域的相位量化编码过程及汉明距离计算示意过程。如图2所示，先分别计算参考图像的水平梯度图像{G_{x_o}(i，j)}和垂直梯度图像{G_{y_o}(i，j)}，以及失真图像的水平梯度图像{G_{x_d}(i，j)}和垂直梯度图像{G_{y_d}(i，j)}，得到参考图像和失真图像中各个像素点的水平和垂直梯度，然后依据步骤③所述的相位量化编码过程得到参考图像中各个像素点的相位量化编码，及依据步骤④所述的相位量化编码过程得到失真图像中各个像素点的相位量化编码，并进一步计算参考图像和失真图像各对应像素点相位量化编码的汉明距离作为最终评价失真图像相对于参考图像的失真程度的度量。

⑥根据参考图像和失真图像的边缘区域R_E中所有像素点的汉明距离之和

纹理区域R_T中所有像素点的汉明距离之和

及平坦区域R_S中所有像素点的汉明距离之和

对失真图像进行客观质量评价得到最终评分，记为IQA， $\mathrm{IQA}=W_{R_E}\×{\mathrm{HD}}_{R_E}+W_{R_T}\×{\mathrm{HD}}_{R_T}+W_{R_S}\×{\mathrm{HD}}_{R_S},$ 其中，

为边缘区域R_E的评价权重系数，为纹理区域R_T的评价权重系数，为平坦区域R_S的评价权重系数，在此 $W_{R_E}=0.64,$ $W_{R_T}=0.32,$ $W_{R_S}=0.04.$

在本实施例中，利用本发明方法得到的最终评分IQA与人眼主观评价分数的相关性分析所用的图像选自LIVE图像质量评估数据库，数据库中包括如图3所示的29幅高分辨率的RGB原始图像，失真类型包括JPEG2000压缩、JPEG压缩、白噪声、高斯模糊、比特流信道传输快速衰减失真等，共计779幅失真图像。该LIVE图像质量评估数据库还给出了每幅失真图像的平均主观评分差值DMOS(Difference Mean Opinion Scores)，DMOS值由观测者给出的原始分数经过处理后得到，该值越小的失真图像其主观质量越好。为了更好地说明本发明方法的性能，本实施例采用3个常用客观参量作为评估的指标，即：非线性回归条件下的Pearson相关系数(Correlation Coefficient，CC)、Spearman相关系数(Rank-Order Correlation Coefficient，ROCC)和均方根误差(Root MeanSquared Error，RMSE)，其中Pearson相关系数CC是一种计算相对简单的相关性度量法，可反映图像客观质量评价方法评价的精确性，其绝对值接近于1表明图像客观质量评价方法的评分与主观评分值的差异越小；Spearman相关系数ROCC指标主要测量的是两组顺序配对样本的次序相关性，即图像客观质量评价方法评分与平均主观评分差值DMOS相对幅度相一致的程度，其绝对值越接近1，表示图像客观质量评价方法的评分与DMOS值单调性越好；均方根误差RMSE可以作为图像客观质量评价方法对图像质量评价准确性的度量，即图像客观质量评价方法以最小平均错误率预测平均主观评分差值DMOS的能力，其值越小，表示图像客观质量评价方法对平均主观评分差值DMOS的预测越准确，图像客观质量评价方法的性能越好，反之，则越差。在此，取边缘区域的评价权重系数纹理区域的评价权重系数

平坦区域的评价权重系数图4给出了图3所示的29幅高分辨率的RGB原始图像在各种失真类型下的失真图像的平均主观评分差值DMOS与本发明方法根据上述权重系数得出的最终评分IQA进行非线性最小二乘拟合的结果，从图中可以看出，本发明方法根据上述权重系数计算得到的最终评分IQA与人眼主观评价评分即平均主观评分差值DMOS之间的相关性是很高的。表1给出了各单一失真类型下和所有失真类型下的主客观值在非线性回归条件下的Pearson相关系数CC、Spearman相关系数ROCC和均方根误差RMSE的性能指标，实验结果表明利用本发明方法得到的最终评分IQA与人眼主观感知的结果较为一致，说明了本发明方法的有效性。

表1本发明的最终评分IQA与人眼主观评分之间一致性的性能指标

Claims (5)

1.一种图像客观质量评价方法，其特征在于包括以下步骤：

①将尺寸为W×H的参考图像表示为{I_o(i，j)|1≤i≤W，1≤j≤H}，将尺寸为W×H的失真图像表示为{I_d(i，j)|1≤i≤W，1≤j≤H}，其中，W表示参考图像和失真图像的宽度，H表示参考图像和失真图像的高度，I_o(i，j)表示参考图像中坐标位置为(i，j)的像素点的像素值，I_d(i，j)表示失真图像中坐标位置为(i，j)的像素点的像素值；

②对参考图像和失真图像进行联合的区域划分，将参考图像和失真图像划分为边缘区域、纹理区域和平坦区域三类区域，记边缘区域为R_E，记纹理区域为R_T，记平坦区域为R_S，区域划分后参考图像和失真图像中坐标位置同为(i，j)的像素点属于同一类区域；

③利用梯度算子计算参考图像{I_o(i，j)}的水平梯度图像和垂直梯度图像，分别记为{G_{x_o}(i，j)}和{G_{y_o}(i，j)}，其中，G_{x_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的垂直梯度幅值；然后根据参考图像中坐标位置为(i，j)的像素点的梯度方向和梯度幅值对参考图像进行量化编码，量化编码的具体过程为：当G_{x_o}(i，j)＞0且G_{y_o}(i，j)＞0且|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0000；当G_{x_o}(i，j)＞0且

G_{y_o}(i，j)＞0且|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1000；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＞0且|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1100；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＞0且

|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1110；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＜0且|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为1111；当G_{x_o}(i，j)＜0且G_{y_o}(i，j)＜0且

|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0111；当G_{x_o}(i，j)＞0且G_{y_o}(i，j)＜0且|G_{x_o}(i，j)|≤|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0011；当G_{x_o}(i，j)＞0且G_{y_o}(i，j)＜0且

|G_{x_o}(i，j)|＞|G_{y_o}(i，j)|时，参考图像中坐标位置为(i，j)的像素点的相位量化编码为0001，其中，符号“||”表示取绝对值符号；

④利用梯度算子计算失真图像{I_d(i，j)}的水平梯度图像和垂直梯度图像，分别记为{G_{x_d}(i，j)}和{G_{y_d}(i，j)}，其中，G_{x_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的垂直梯度幅值；然后根据失真图像中坐标位置为(i，j)的像素点的梯度方向和梯度幅值对失真图像进行量化编码，量化编码的具体过程为：当G_{x_d}(i，j)＞0且G_{y_d}(i，j)＞0且|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0000；当G_{x_d}(i，j)＞0且

G_{y_d}(i，j)＞0且|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1000；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＞0且|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1100；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＞0且

|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1110；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＜0且|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为1111；当G_{x_d}(i，j)＜0且G_{y_d}(i，j)＜0且

|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0111；当G_{x_d}(i，j)＞0且G_{y_d}(i，j)＜0且|G_{x_d}(i，j)|≤|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0011；当G_{x_d}(i，j)＞0且G_{y_d}(i，j)＜0且

|G_{x_d}(i，j)|＞|G_{y_d}(i，j)|时，失真图像中坐标位置为(i，j)的像素点的相位量化编码为0001；

⑤计算参考图像和失真图像的边缘区域R_E中所有像素点的汉明距离之和，记为

${\mathrm{HD}}_{R_E}=\mathrm{\Σ}[C_{R_E}^o(i,j)\⊕C_{R_E}^d(i,j)],$ 其中，

表示参考图像的边缘区域R_E中坐标位置为(i，j)的像素点的相位量化编码，

表示失真图像的边缘区域R_E中坐标位置为(i，j)的像素点的相位量化编码，符号

表示异或运算符；计算参考图像和失真图像的纹理区域R_T中所有像素点的汉明距离之和，记为

其中，

表示参考图像的纹理区域R_T中坐标位置为(i，j)的像素点的相位量化编码，

表示失真图像的纹理区域R_T中坐标位置为(i，j)的像素点的相位量化编码；计算参考图像和失真图像的平坦区域R_S中所有像素点的汉明距离之和，记为 ${\mathrm{HD}}_{R_S}=\mathrm{\Σ}[C_{R_S}^o(i,j)\⊕C_{R_S}^d(i,j)],$ 其中，表示参考图像的平坦区域R_S中坐标位置为(i，j)的像素点的相位量化编码，表示失真图像的平坦区域R_S中坐标位置为(i，j)的像素点的相位量化编码；

⑥根据参考图像和失真图像的边缘区域R_E中所有像素点的汉明距离之和

纹理区域R_T中所有像素点的汉明距离之和

及平坦区域R_S中所有像素点的汉明距离之和

对失真图像进行客观质量评价得到最终评分，记为IQA， $\mathrm{IQA}=W_{R_E}\×{\mathrm{HD}}_{R_E}+W_{R_T}\×{\mathrm{HD}}_{R_T}+W_{R_S}\×{\mathrm{HD}}_{R_S},$ 其中，

为边缘区域R_E的评价权重系数，

为纹理区域R_T的评价权重系数，

为平坦区域R_S的评价权重系数。

2.根据权利要求1所述的一种图像客观质量评价方法，其特征在于所述的步骤②的具体过程为：

②-1、利用梯度算子计算参考图像的梯度，记参考图像中坐标位置为(i，j)的像素点的梯度幅值为G_o(i，j)，G_o(i，j)＝|G_{x_o}(i，j)|+|G_{y_o}(i，j)|，其中，G_{x_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_o}(i，j)表示参考图像中坐标位置为(i，j)的像素点的垂直梯度幅值；利用梯度算子计算失真图像的梯度，记失真图像中坐标位置为(i，j)的像素点的梯度幅值为G_d(i，j)，G_d(i，j)＝|G_{x_d}(i，j)|+|G_{y_d}(i，j)|，其中，G_{x_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的水平梯度幅值，G_{y_d}(i，j)表示失真图像中坐标位置为(i，j)的像素点的垂直梯度幅值；

②-2、根据参考图像中的像素点的梯度幅值和失真图像中对应坐标位置的像素点的梯度幅值，将参考图像和失真图像中坐标位置相同的像素点划分到同一类区域中，对于参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点，判断|G_o(i，j)|＞T₁或者|G_d(i，j)|＞T₁是否成立，如果成立，则将参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点均划分到边缘区域R_E中，否则，判断|G_o(i，j)|＜T₂且|G_d(i，j)|≤T₁是否成立，如果成立，则将参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点均划分到纹理区域R_T中，否则，再判断T₂≤|G_o(i，j)|≤T₁且|G_d(i，j)|≤T₁是否成立，如果成立，则将参考图像中坐标位置为(i，j)的像素点和失真图像中坐标位置同为(i，j)的像素点均划分到平坦区域R_S中，其中，T₁为第一阈值，T₂为第二阈值，T₁＞T₂。

3.根据权利要求2所述的一种图像客观质量评价方法，其特征在于所述的第一阈值T₁＝0.12G_max，所述的第二阈值T₂＝0.06G_max，其中，G_max表示参考图像中所有像素点的梯度幅值中的最大值，G_max＝max{G_o(i，j)|1≤i≤W，1≤j≤H}。

4.根据权利要求1至3中任一项所述的一种图像客观质量评价方法，其特征在于所述的步骤⑥中的边缘区域R_E的评价权重系数

纹理区域R_T的评价权重系数平坦区域R_S的评价权重系数

5.根据权利要求4所述的一种图像客观质量评价方法，其特征在于所述的梯度算子为Sobel梯度算子。

Images