CN102137271A - 一种图像质量评价方法及装置 - Google Patents

Abstract

本发明公开了一种图像质量评价方法，包括：根据预设数量图像的人眼视觉特征参数以及预设的各种主观评价结果进行训练，得到人眼视觉评价模型，所述模型为：人眼视觉特征参数作为输入变量、质量评价结果作为输出的函数；获取待评价图像，提取待评价图像的人眼视觉特征参数；根据提取到的所述特征参数利用人眼视觉评价模型计算得到对于待评价图像的质量评价结果。还提供了一种图像质量评价装置，该方法和装置能够提高图像质量评价结果的准确性和稳定性。

Description

一种图像质量评价方法及装置

技术领域

本发明涉及图像评价技术，尤其涉及一种图像质量评价方法及装置。

背景技术

目前，绝大部分视频压缩算法采用有损压缩方法去除视觉冗余信息，但是所述压缩将牺牲信源的部分信息，由于经过压缩处理后的视频流或视频片段的质量直接反映了视频压缩算法或视频压缩设备的性能，因此视频的图像质量评价成为一个非常值得关注的问题。

图像质量评价方法包括主观评价方法和客观评价方法。

图像质量的主观评价方法是让观察者根据一些事先规定的评价尺度或自己的经验，对测试图像按视觉效果进行质量判断，并给出质量分数，然后对所有观察者给出的分数进行加权平均，所得的结果即为图像的主观质量分数(MOS，Mean Opinion Score)。这种评价方法虽然较好地反映出了图像质量，但比较容易受其他因素的限制和影响，且不能用于批量处理。

图像质量的客观评价方法是使用一个或者多个图像的度量指标来反映图像的质量状况。通常将这些方法分为三类：全参考质量评价方法，需要原始图像的完整信息作为评价的参考；部分参考质量评价方法，需要原始图像的部分特征或者统计信息作为评价参考；无参考质量评价方法，完全依赖于待评测图像本身的信息来进行质量评价，而无须原始图像的任何信息。

在很多场合，如无线/有线传输网络中，往往无法获得发送端的原始图像信息，因此研究无参考或者部分参考的客观质量评价方法是很有意义的。目前，常用的一种无参考的质量评价方法为：基于小波域的统计特性的无参考图像质量评价方法，该方法利用自然图像在小波域内系数对数沿尺度呈线性递减、近似斜率相同的线性分布的特性，计算各尺度内的系数对数的平均值与预测值之间的差值，加权求和，得出图像的客观质量分数。

但是，发明人发现这种图像质量评价方法得到的评价结果随图像内容变化波动较大，评价结果往往不够准确，稳定性差。

发明内容

有鉴于此，本发明要解决的技术问题是，提供一种图像质量评价方法及装置，能够提高图像质量评价结果的准确性和稳定性。

为此，本发明实施例采用如下技术方案：

本发明实施例提供一种图像质量评价方法，包括：

根据预设数量图像的人眼视觉特征参数以及预设的各种主观评价结果进行训练，得到人眼视觉评价模型，所述模型为：人眼视觉特征参数作为输入变量、质量评价结果作为输出的函数；

获取待评价图像，提取待评价图像的人眼视觉特征参数；

根据提取到的所述特征参数利用人眼视觉评价模型计算得到对于待评价图像的质量评价结果。

本发明实施例还提供一种图像质量评价装置，包括：

训练单元，用于根据预设数量图像的人眼视觉特征参数以及预设的各种主观评价结果进行训练，得到人眼视觉评价模型，所述模型为：人眼视觉特征参数作为输入变量、质量评价结果作为输出的函数；

提取单元，用于获取待评价图像，提取待评价图像的人眼视觉特征参数；

计算单元，用于根据提取到的所述特征参数利用人眼视觉评价模型计算得到对于待评价图像的质量评价结果。

对于上述技术方案的技术效果分析如下：

根据预设数量图像的人眼视觉特征参数以及图像等级进行训练，得到人眼视觉评价模型，从而当需要对图像进行质量评价时，只需相应提取图像的人眼视觉特征参数，利用所述评价模型即可计算得到该图像的评价结果，通过评价模型的建立，降低了图像内容对于质量评价结果的影响，增强了质量评价结果的准确性和稳定性。

附图说明

图1为本发明实施例一种图像质量评价方法流程示意图；

图2为本发明实施例另一种图像质量评价方法流程示意图；

图3为本发明实施例一种图像质量评价装置结构示意图；

图4为本发明实施例另一种图像质量评价装置结构示意图；

图5为本发明实施例图像质量评价装置中提取子单元的一种实现结构图；

图6为本发明实施例图像质量评价装置中提取子单元的另一种实现结构图。

具体实施方式

现有技术中利用小波变换可以多分辨率或多尺度地分析信号，非常适合模拟人类视觉系统(HVS)的多通道和对数特性。具体的，利用自然图像在小波域内系数对数沿尺度呈线性递减、近似斜率相同的线性分布的特性，可以通过训练进行直线拟合。对于失真图像，系数对数的平均值沿尺度偏离很大，可以通过计算各尺度内的系数对数的平均值与预测值之间的差值，加权求和，得出图像的客观质量分数。

但是，该方法只根据图像在小波域内系数对数沿尺度线性分布的特性计算客观质量分数，且只根据图像本身的数据进行客观质量分数的计算，因此，评价结果会随着图像内容的变化而产生波动，导致评价结果不准确，且稳定性差。

据此，本发明实施例提供一种图像质量评价方法及装置，预先根据人眼视觉特征参数建立人眼视觉评价模型，从而扩大对图像进行质量评价所依据的数据基础，从而减小图像内容对评价结果的影响，增加了图像质量评价结果的准确性和稳定性。

以下，结合附图对本发明实施例图像质量评价及装置进行更为详细的说明。

图1为本发明实施例一种图像质量评价方法流程示意图，如图1所示，该方法包括：

步骤101：根据预设数量图像的人眼视觉特征参数以及预设的各种主观评价结果进行训练，得到人眼视觉评价模型，所述模型为：人眼视觉特征参数作为输入变量、评价结果作为输出的函数；

步骤102：获取待评价图像，提取待评价图像的人眼视觉特征参数；

步骤103：根据提取到的所述特征参数利用人眼视觉评价模型计算得到对于待评价图像的质量评价结果。

图1所示的本发明实施例图像质量评价方法中，根据预设数量图像的人眼视觉特征参数以及图像等级进行训练，得到人眼视觉评价模型，从而当需要对图像进行质量评价时，只需相应提取图像的人眼视觉特征参数，利用所述评价模型即可计算得到该图像的评价结果，通过评价模型的建立，降低了图像内容对于质量评价结果的影响，增强了质量评价结果的准确性和稳定性。

在图1的基础上，通过图2对本发明实施例图像质量评价方法进行更为详细的说明。如图2所示，该方法包括：

步骤201：分别提取预设数量图像的人眼视觉特征参数，所述人眼视觉特征参数可以包括：空间频域特性参数，和/或亮度响应非线性特性参数，和/或掩盖效应特性参数等。

其中，所述提取图像的空间频域特性可以包括：

A：对图像中人眼关注度高的像素区域进行增强处理；

B：对增强后的像素区域进行时域到频域的变换处理；

C：根据人眼对图像不同频率感知的敏感度不同，对变换中的不同频率的像素值进行加权处理，得到空间频域特性参数。

所述获取图像的亮度相应非线性特性可以包括：

通过轮廓检测方法提取图像中的轮廓信息；

计算所述轮廓信息所指示的轮廓区域中像素的平均主观亮度参数。

一般的，图像轮廓区域更能引起人眼的关注，而且，轮廓像素间差值较大，因此，用于表征整幅图像的主观亮度会更有针对性。

所述提取图像的掩盖效应特性包括：根据人眼对平滑区域和边缘区域的块效应敏感度的不同，对图像中不同位置的块效应进行加权处理，得到快效应评价参数。

步骤202：预设各种主观评价结果。

一般的，所述主观评价结果可以为：若干个评价等级。例如，下表1所示，即为比较通用的一种图像质量主观评价等级的五级评分制：

表1

图像等级	主观评价	干扰和杂波可见度
			5	优	不能觉察
4	良好	能觉察，但不讨厌
			3	可以	能明显觉察，但可以容忍

2	差	明显觉察，令人讨厌
			1	很差	极其明显，很讨厌

当然，在实际应用中，可以根据评价结果的精确程度，自主定义评价等级的数量，例如为3个等级、7个等级甚至更多个等级等，这里并不限制。

以上的步骤201和步骤202的执行顺序不限制，只要在步骤203之前执行即可。

步骤203：根据预设数量图像的人眼视觉特征参数以及预设的各种主观评价结果进行训练，得到人眼视觉评价模型，所述模型为：人眼视觉特征参数作为输入变量、评价结果作为输出的函数。

这里，所述训练可以为：使用预设数量图像的人眼视觉特征参数集作为输入，预设的主观评价等级作为期望输出，使用自学习分类方法进行训练，将训练得到的自学习分类器作为所述人眼视觉评价模型。

所述自学习分类器是指：通过对提供的一组具有代表性的训练子样进行训练，得到分类器的模型，用来识别其他特征子样所属的分类。本发明实施例中，所述分类也即为评价结果，例如所述评价等级。

其中，自学习分类器的种类有很多，比如SVM，BP神经网络等，在本发明实施例中均可以使用。

一般的，自学习分类器训练得到的所述人眼视觉评价模型是以矩阵的形式存储的，矩阵大小跟参与决策的样本数量有关。

步骤204：根据提取到的所述特征参数，利用人眼视觉评价模型计算得到对于待评价图像的质量评价结果。

这里，可以直接将所述特征参数代入所述人眼视觉评价模型，即可计算得到对应的质量评价结果。

例如，如果质量评价结果是通过质量评价等级表示的，则最终将计算得到具体的质量评价等级。

在图2所示的本发明实施例图像质量评价方法中，不仅根据人眼视觉特征参数训练得到了人眼视觉评价模型，而且，这里的人眼视觉特征参数可以包括：空间频域特性，和/或亮度响应非线性特性，和/或掩盖效应等，从而有效综合了体现人眼视觉的主要特征参数，使得最终训练得到的人眼视觉评价模型更为客观，更具有普遍性，从而使得根据所述人眼视觉评价模型计算得到的图像质量评价结果更为准确和稳定。

与图像质量评价方法相对应的，本发明实施例还提供一种图像质量评价装置，如图3所示，该装置可以包括：

训练单元310，用于根据预设数量图像的人眼视觉特征参数以及预设的各种主观评价结果进行训练，得到人眼视觉评价模型，所述模型为：人眼视觉特征参数作为输入变量、评价结果作为输出的函数；

提取单元320，用于获取待评价图像，提取待评价图像的人眼视觉特征参数；

计算单元330，用于根据提取到的所述特征参数利用人眼视觉评价模型计算得到对于待评价图像的质量评价结果。

优选地，如图4所示，所述训练单元310可以包括：

提取子单元3101，用于分别提取预设数量图像的人眼视觉特征参数，构成特征参数集；

处理子单元3102，用于预设各种主观评价结果；

训练子单元3103，用于使用所述特征参数集作为输入，预设的主观评价结果作为期望输出，使用自学习分类方法进行训练，将训练得到的自学习分类器作为所述人眼视觉评价模型。

所述人眼视觉特征参数包括：空间频域特性参数，和/或亮度响应非线性特性参数，和/或掩盖效应特性参数。

其中，如图5所示，所述提取子单元3101可以包括：

第一处理子模块510，用于对图像中人眼关注度高的像素区域进行增强处理；

变换子模块520，用于对增强后的像素区域进行时域到频域的变换处理；

第二处理子模块530，用于根据人眼对图像不同频率感知的敏感度不同，对变换中的不同频率的像素值进行加权处理，得到空间频域特性参数。

或者，如图6所示，提取子单元3101还可以包括：

提取子模块610，用于通过轮廓检测方法提取图像中的轮廓信息；

计算子模块620，用于计算所述轮廓信息所指示的轮廓区域中像素的平均主观亮度参数。

或者，提取子单元3101还可以包括：

第三处理子模块，用于根据人眼对平滑区域和边缘区域的块效应敏感度的不同，对图像中不同位置的块效应进行加权处理，得到图像的块效应评价参数。

图3～6所示的本发明实施例图像质量评价装置中，训练单元根据预设数量图像的人眼视觉特征参数以及图像等级进行训练，得到人眼视觉评价模型，当需要对图像进行质量评价时，只需提取单元相应提取图像的人眼视觉特征参数，由计算单元利用所述评价模型即可计算得到该图像的评价结果，通过评价模型的建立，降低了图像内容对于质量评价结果的影响，增强了质量评价结果的准确性和稳定性。

本领域普通技术人员可以理解，实现上述实施例图像质量评价方法的过程可以通过程序指令相关的硬件来完成，所述的程序可以存储于可读取存储介质中，该程序在执行时执行上述方法中的对应步骤。所述的存储介质可以如：ROM/RAM、磁碟、光盘等。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种图像质量评价方法，其特征在于，包括：

根据预设数量图像的人眼视觉特征参数以及预设的各种主观评价结果进行训练，得到人眼视觉评价模型，所述模型为：人眼视觉特征参数作为输入变量、质量评价结果作为输出的函数；

获取待评价图像，提取待评价图像的人眼视觉特征参数；

根据提取到的所述特征参数利用人眼视觉评价模型计算得到对于待评价图像的质量评价结果。

2.根据权利要求1所述的方法，其特征在于，所述根据预设数量图像的人眼视觉特征参数以及预设的各种主观评价结果进行训练，得到人眼视觉评价模型包括：

分别提取预设数量图像的人眼视觉特征参数，构成特征参数集；并且，预设各种主观评价结果；

使用所述特征参数集作为输入，预设的主观评价结果作为期望输出，使用自学习分类方法进行训练，将训练得到的自学习分类器作为所述人眼视觉评价模型。

3.根据权利要求1或2所述的方法，其特征在于，所述人眼视觉特征参数至少包括其中之一：空间频域特性参数，亮度响应非线性特性参数，和掩盖效应特性参数。

4.根据权利要求3所述的方法，其特征在于，所述提取图像的空间频域特性参数包括：

对图像中人眼关注度高的像素区域进行增强处理；

对增强后的像素区域进行时域到频域的变换处理；

根据人眼对图像不同频率感知的敏感度不同，对变换中的不同频率的像素值进行加权处理，得到空间频域特性参数。

5.根据权利要求3所述的方法，其特征在于，所述提取图像的亮度响应非线性特性参数包括：

通过轮廓检测方法提取图像中的轮廓信息；

计算所述轮廓信息所指示的轮廓区域中像素的平均主观亮度参数。

6.根据权利要求3所述的方法，其特征在于，所述提取图像的掩盖效应特性参数包括：

根据人眼对平滑区域和边缘区域的块效应敏感度的不同，对图像中不同位置的块效应进行加权处理，得到图像的块效应评价参数。

7.一种图像质量评价装置，其特征在于，包括：

训练单元，用于根据预设数量图像的人眼视觉特征参数以及预设的各种主观评价结果进行训练，得到人眼视觉评价模型，所述模型为：人眼视觉特征参数作为输入变量、质量评价结果作为输出的函数；

提取单元，用于获取待评价图像，提取待评价图像的人眼视觉特征参数；

计算单元，用于根据提取到的所述特征参数利用人眼视觉评价模型计算得到对于待评价图像的质量评价结果。

8.根据权利要求7所述的装置，其特征在于，所述训练单元包括：

提取子单元，用于分别提取预设数量图像的人眼视觉特征参数，构成特征参数集；

处理子单元，用于预设各种主观评价结果；

训练子单元，用于使用所述特征参数集作为输入，预设的主观评价结果作为期望输出，使用自学习分类方法进行训练，将训练得到的自学习分类器作为所述人眼视觉评价模型。

9.根据权利要求7或8所述的装置，其特征在于，所述人眼视觉特征参数至少包括其中之一：空间频域特性参数，亮度响应非线性特性参数，和掩盖效应特性参数。

10.根据权利要求9所述的装置，其特征在于，提取子单元包括：

第一处理子模块，用于对图像中人眼关注度高的像素区域进行增强处理；

变换子模块，用于对增强后的像素区域进行时域到频域的变换处理；

第二处理子模块，用于根据人眼对图像不同频率感知的敏感度不同，对变换中的不同频率的像素值进行加权处理，得到空间频域特性参数。

11.根据权利要求9所述的装置，其特征在于，提取子单元包括：

提取子模块，用于通过轮廓检测方法提取图像中的轮廓信息；

计算子模块，用于计算所述轮廓信息所指示的轮廓区域中像素的平均主观亮度参数。

12.根据权利要求9所述的装置，其特征在于，提取子单元包括：

第三处理子模块，用于根据人眼对平滑区域和边缘区域的块效应敏感度的不同，对图像中不同位置的块效应进行加权处理，得到图像的块效应评价参数。

Images