CN102075786B - 一种图像客观质量评价方法 - Google Patents
一种图像客观质量评价方法 Download PDFInfo
- Publication number
- CN102075786B CN102075786B CN201110022172A CN201110022172A CN102075786B CN 102075786 B CN102075786 B CN 102075786B CN 201110022172 A CN201110022172 A CN 201110022172A CN 201110022172 A CN201110022172 A CN 201110022172A CN 102075786 B CN102075786 B CN 102075786B
- Authority
- CN
- China
- Prior art keywords
- pixel
- coordinate position
- reference picture
- distorted image
- image
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
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
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{Io(i,j)|1≤i≤W,1≤j≤H},将尺寸为W×H的失真图像表示为{Id(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,Io(i,j)表示参考图像中坐标位置为(i,j)的像素点的像素值,Id(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RE,记纹理区域为RT,记平坦区域为RS,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{Io(i,j)}的水平梯度图像和垂直梯度图像,分别记为{Gx_o(i,j)}和{Gy_o(i,j)},其中,Gx_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,Gy_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Gx_o(i,j)>0且Gy_o(i,j)>0且|Gx_o(i,j)|>|Gy_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Gx_o(i,j)>0且
Gy_o(i,j)>0且|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)<0且Gy_o(i,j)>0且|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)<0且Gy_o(i,j)>0且
|Gx_o(i,j)|>|Gy_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Gx_o(i,j)<0且Gy_o(i,j)<0且|Gx_o(i,j)|>|Gy_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Gx_o(i,j)<0且Gy_o(i,j)<0且
|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)>0且Gy_o(i,j)<0且|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)>0且Gy_o(i,j)<0且
|Gx_o(i,j)|>|Gy_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{Id(i,j)}的水平梯度图像和垂直梯度图像,分别记为{Gx_d(i,j)}和{Gy_d(i,j)},其中,Gx_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,Gy_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Gx_d(i,j)>0且Gy_d(i,j)>0且|Gx_d(i,j)|>|Gy_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Gx_d(i,j)>0且
Gy_d(i,j)>0且|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)<0且Gy_d(i,j)>0且|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)<0且Gy_d(i,j)>0且
|Gx_d(i,j)|>|Gy_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Gx_d(i,j)<0且Gy_d(i,j)<0且|Gx_d(i,j)|>|Gy_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Gx_d(i,j)<0且Gy_d(i,j)<0且
|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)>0且Gy_d(i,j)<0且|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)>0且Gy_d(i,j)<0且
|Gx_d(i,j)|>|Gy_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RE中所有像素点的汉明距离之和,记为 其中,表示参考图像的边缘区域RE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RE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RT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RT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RT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RS中所有像素点的汉明距离之和,记为 其中,表示参考图像的平坦区域RS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RS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RE中所有像素点的汉明距离之和纹理区域RT中所有像素点的汉明距离之和及平坦区域RS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, 其中,为边缘区域RE的评价权重系数,为纹理区域RT的评价权重系数,为平坦区域RS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Go(i,j),Go(i,j)=|Gx_o(i,j)|+|Gy_o(i,j)|,其中,Gx_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,Gy_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Gd(i,j),Gd(i,j)=|Gx_d(i,j)|+|Gy_d(i,j)|,其中,Gx_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,Gy_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|Go(i,j)|>T1或者|Gd(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RE中,否则,判断|Go(i,j)|<T2且|Gd(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RT中,否则,再判断T2≤|Go(i,j)|≤T1且|Gd(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RS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=0.12Gmax,所述的第二阈值T2=0.06Gmax,其中,Gmax表示参考图像中所有像素点的梯度幅值中的最大值,Gmax=max{Go(i,j)|1≤i≤W,1≤j≤H}。
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{Io(i,j)|1≤i≤W,1≤j≤H},将尺寸为W×H的失真图像表示为{Id(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,Io(i,j)表示参考图像中坐标位置为(i,j)的像素点的像素值,Id(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RE,记纹理区域为RT,记平坦区域为RS,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Go(i,j),Go(i,j)=|Gx_o(i,j)|+|Gy_o(i,j)|,其中,Gx_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,Gy_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Gd(i,j),Gd(i,j)=|Gx_d(i,j)|+|Gy_d(i,j)|,其中,Gx_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,Gy_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|Go(i,j)|>T1或者|Gd(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RE中,否则,判断|Go(i,j)|<T2且|Gd(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RT中,否则,再判断T2≤|Go(i,j)|≤T1且|Gd(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RS中,其中,T1为第一阈值,T2为第二阈值,T1>T2,在此第一阈值T1=0.1Gmax,第二阈值T2=0.06Gmax,Gmax=max{Go(i,j)|1≤i≤W,1≤j≤H},即Gmax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{Io(i,j)}的水平梯度图像和垂直梯度图像,分别记为{Gx_o(i,j)}和{Gy_o(i,j)},其中,Gx_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,Gy_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Gx_o(i,j)>0且Gy_o(i,j)>0且
|Gx_o(i,j)|>|Gy_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Gx_o(i,j)>0且Gy_o(i,j)>0且|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)<0且Gy_o(i,j)>0且
|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)<0且Gy_o(i,j)>0且|Gx_o(i,j)|>|Gy_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Gx_o(i,j)<0且Gy_o(i,j)<0且
|Gx_o(i,j)|>|Gy_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Gx_o(i,j)<0且Gy_o(i,j)<0且|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)>0且Gy_o(i,j)<0且
|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)>0且Gy_o(i,j)<0且|Gx_o(i,j)|>|Gy_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{Id(i,j)}的水平梯度图像和垂直梯度图像,分别记为{Gx_d(i,j)}和{Gy_d(i,j)},其中,Gx_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,Gy_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Gx_d(i,j)>0且Gy_d(i,j)>0且
|Gx_d(i,j)|>|Gy_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Gx_d(i,j)>0且Gy_d(i,j)>0且|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)<0且Gy_d(i,j)>0且
|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)<0且Gy_d(i,j)>0且|Gx_d(i,j)|>|Gy_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Gx_d(i,j)<0且Gy_d(i,j)<0且
|Gx_d(i,j)|>|Gy_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Gx_d(i,j)<0且Gy_d(i,j)<0且|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)>0且Gy_d(i,j)<0且
|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)>0且Gy_d(i,j)<0且|Gx_d(i,j)|>|Gy_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RE中所有像素点的汉明距离之和,记为 其中,表示参考图像的边缘区域RE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RE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RT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RT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RT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RS中所有像素点的汉明距离之和,记为 其中,表示参考图像的平坦区域RS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RS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{Gx_o(i,j)}和垂直梯度图像{Gy_o(i,j)},以及失真图像的水平梯度图像{Gx_d(i,j)}和垂直梯度图像{Gy_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RE中所有像素点的汉明距离之和纹理区域RT中所有像素点的汉明距离之和及平坦区域RS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, 其中,为边缘区域RE的评价权重系数,为纹理区域RT的评价权重系数,为平坦区域RS的评价权重系数,在此
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{Io(i,j)|1≤i≤W,1≤j≤H},将尺寸为W×H的失真图像表示为{Id(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,Io(i,j)表示参考图像中坐标位置为(i,j)的像素点的像素值,Id(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RE,记纹理区域为RT,记平坦区域为RS,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{Io(i,j)}的水平梯度图像和垂直梯度图像,分别记为{Gx_o(i,j)}和{Gy_o(i,j)},其中,Gx_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,Gy_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Gx_o(i,j)>0且Gy_o(i,j)>0且|Gx_o(i,j)|>|Gy_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Gx_o(i,j)>0且
Gy_o(i,j)>0且|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)<0且Gy_o(i,j)>0且|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)<0且Gy_o(i,j)>0且
|Gx_o(i,j)|>|Gy_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Gx_o(i,j)<0且Gy_o(i,j)<0且|Gx_o(i,j)|>|Gy_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Gx_o(i,j)<0且Gy_o(i,j)<0且
|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)>0且Gy_o(i,j)<0且|Gx_o(i,j)|≤|Gy_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Gx_o(i,j)>0且Gy_o(i,j)<0且
|Gx_o(i,j)|>|Gy_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{Id(i,j)}的水平梯度图像和垂直梯度图像,分别记为{Gx_d(i,j)}和{Gy_d(i,j)},其中,Gx_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,Gy_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Gx_d(i,j)>0且Gy_d(i,j)>0且|Gx_d(i,j)|>|Gy_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Gx_d(i,j)>0且
Gy_d(i,j)>0且|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)<0且Gy_d(i,j)>0且|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)<0且Gy_d(i,j)>0且
|Gx_d(i,j)|>|Gy_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Gx_d(i,j)<0且Gy_d(i,j)<0且|Gx_d(i,j)|>|Gy_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Gx_d(i,j)<0且Gy_d(i,j)<0且
|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)>0且Gy_d(i,j)<0且|Gx_d(i,j)|≤|Gy_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Gx_d(i,j)>0且Gy_d(i,j)<0且
|Gx_d(i,j)|>|Gy_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RE中所有像素点的汉明距离之和,记为 其中,表示参考图像的边缘区域RE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RE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RT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RT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RT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RS中所有像素点的汉明距离之和,记为 其中,表示参考图像的平坦区域RS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RS中坐标位置为(i,j)的像素点的相位量化编码;
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Go(i,j),Go(i,j)=|Gx_o(i,j)|+|Gy_o(i,j)|,其中,Gx_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,Gy_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Gd(i,j),Gd(i,j)=|Gx_d(i,j)|+|Gy_d(i,j)|,其中,Gx_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,Gy_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|Go(i,j)|>T1或者|Gd(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RE中,否则,判断|Go(i,j)|<T2且|Gd(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RT中,否则,再判断T2≤|Go(i,j)|≤T1且|Gd(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RS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=0.12Gmax,所述的第二阈值T2=0.06Gmax,其中,Gmax表示参考图像中所有像素点的梯度幅值中的最大值,Gmax=max{Go(i,j)|1≤i≤W,1≤j≤H}。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110022172A CN102075786B (zh) | 2011-01-19 | 2011-01-19 | 一种图像客观质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110022172A CN102075786B (zh) | 2011-01-19 | 2011-01-19 | 一种图像客观质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102075786A CN102075786A (zh) | 2011-05-25 |
CN102075786B true CN102075786B (zh) | 2012-10-24 |
Family
ID=44034107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110022172A Expired - Fee Related CN102075786B (zh) | 2011-01-19 | 2011-01-19 | 一种图像客观质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102075786B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516612A (zh) * | 2020-04-13 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备和存储介质 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102333233B (zh) * | 2011-09-23 | 2013-11-06 | 宁波大学 | 一种基于视觉感知的立体图像质量客观评价方法 |
CN102497576B (zh) * | 2011-12-21 | 2013-11-20 | 浙江大学 | 基于Gabor特征互信息的全参考图像质量评价方法 |
CN104350746A (zh) * | 2012-05-31 | 2015-02-11 | 汤姆逊许可公司 | 基于局部幅度和相位谱的图像质量测量 |
CN102737380B (zh) * | 2012-06-05 | 2014-12-10 | 宁波大学 | 一种基于梯度结构张量的立体图像质量客观评价方法 |
CN102790844B (zh) * | 2012-07-13 | 2014-08-13 | 浙江捷尚视觉科技股份有限公司 | 基于人眼视觉特性的视频噪声估计方法 |
CN104346792B (zh) * | 2013-07-24 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 图片处理方法、图片查看器及终端 |
CN103903259A (zh) * | 2014-03-20 | 2014-07-02 | 宁波大学 | 一种基于结构纹理分离的立体图像质量客观评价方法 |
CN104680541B (zh) * | 2015-03-15 | 2018-03-13 | 西安电子科技大学 | 基于相位一致性的遥感图像质量评价方法 |
CN104902285B (zh) * | 2015-05-21 | 2018-04-20 | 北京大学 | 一种图像编码方法 |
CN104902267B (zh) * | 2015-06-08 | 2017-02-01 | 浙江科技学院 | 一种基于梯度信息的无参考图像质量评价方法 |
CN105354835A (zh) * | 2015-10-16 | 2016-02-24 | 浙江工业大学 | 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法 |
CN105844640A (zh) * | 2016-03-24 | 2016-08-10 | 西安电子科技大学 | 基于梯度的彩色图像质量评价方法 |
WO2018187917A1 (zh) * | 2017-04-10 | 2018-10-18 | 深圳市柔宇科技有限公司 | 图片质量评估方法及装置 |
CN107292866B (zh) * | 2017-05-17 | 2020-04-17 | 浙江科技学院 | 一种基于相对梯度的图像质量客观评价方法 |
CN108492290B (zh) * | 2018-03-19 | 2022-03-15 | 携程计算机技术(上海)有限公司 | 图像评价方法及系统 |
CN109063774B (zh) * | 2018-08-03 | 2021-01-12 | 百度在线网络技术(北京)有限公司 | 图像追踪效果评价方法、装置、设备及可读存储介质 |
CN112262427B (zh) * | 2018-09-21 | 2021-12-24 | 华为技术有限公司 | 拖影评价、改善方法和电子设备 |
CN109934797B (zh) * | 2019-01-24 | 2020-12-01 | 宁波大学 | 一种卫星立体图像质量评价方法 |
CN110414422A (zh) * | 2019-07-25 | 2019-11-05 | 秒针信息技术有限公司 | 食品品质的检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
CN101482973A (zh) * | 2009-01-21 | 2009-07-15 | 西安交通大学 | 基于早期视觉的部分参考图像质量评价方法 |
CN101562758A (zh) * | 2009-04-16 | 2009-10-21 | 浙江大学 | 基于区域权重和人眼视觉特性的图像质量客观评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6933953B2 (en) * | 2002-04-22 | 2005-08-23 | Koninklijke Philips Electronics N.V. | Cost function to measure objective quality for sharpness enhancement functions |
-
2011
- 2011-01-19 CN CN201110022172A patent/CN102075786B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
CN101482973A (zh) * | 2009-01-21 | 2009-07-15 | 西安交通大学 | 基于早期视觉的部分参考图像质量评价方法 |
CN101562758A (zh) * | 2009-04-16 | 2009-10-21 | 浙江大学 | 基于区域权重和人眼视觉特性的图像质量客观评价方法 |
Non-Patent Citations (1)
Title |
---|
蒋刚毅等.图像质量评价方法研究进展.《电子与信息学报》.2010,第32卷(第1期), * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516612A (zh) * | 2020-04-13 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102075786A (zh) | 2011-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102075786B (zh) | 一种图像客观质量评价方法 | |
Narvekar et al. | A no-reference image blur metric based on the cumulative probability of blur detection (CPBD) | |
CN102333233B (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN102142145B (zh) | 一种基于人眼视觉特性的图像质量客观评价方法 | |
CN104902267B (zh) | 一种基于梯度信息的无参考图像质量评价方法 | |
CN104079925B (zh) | 基于视觉感知特性的超高清视频图像质量客观评价方法 | |
CN101976444B (zh) | 一种基于像素类型的结构类似性图像质量客观评价方法 | |
CN103281554B (zh) | 一种基于人眼视觉特性的视频客观质量评价方法 | |
CN104394403B (zh) | 一种面向压缩失真的立体视频质量客观评价方法 | |
CN102708567B (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN101872479A (zh) | 一种立体图像客观质量评价方法 | |
CN104202594B (zh) | 一种基于三维小波变换的视频质量评价方法 | |
CN104036493B (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
CN102036098B (zh) | 一种基于视觉信息量差异的全参考型图像质量评价方法 | |
CN102843572A (zh) | 一种基于相位的立体图像质量客观评价方法 | |
CN104574381A (zh) | 一种基于局部二值模式的全参考图像质量评价方法 | |
CN104574424B (zh) | 基于多分辨率dct边缘梯度统计的无参照图像模糊度评价方法 | |
CN107292866B (zh) | 一种基于相对梯度的图像质量客观评价方法 | |
CN102999911B (zh) | 一种基于能量图的立体图像质量客观评价方法 | |
CN102737380B (zh) | 一种基于梯度结构张量的立体图像质量客观评价方法 | |
CN103369348B (zh) | 一种基于区域重要性分类的立体图像质量客观评价方法 | |
CN103108209B (zh) | 基于视觉阈值与通道融合的立体图像客观质量评价方法 | |
CN103578104B (zh) | 一种针对高斯模糊图像的部分参考图像客观质量评价方法 | |
CN103914835A (zh) | 一种针对模糊失真立体图像的无参考质量评价方法 | |
CN105069794A (zh) | 一种基于双目竞争的全盲立体图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121024 Termination date: 20200119 |
|
CF01 | Termination of patent right due to non-payment of annual fee |