CN102497576B - 基于Gabor特征互信息的全参考图像质量评价方法 - Google Patents

Abstract

本发明公开了一种基于Gabor特征互信息的全参考图像质量评价方法，属于图像处理领域。本发明方法具体实施包括如下步骤：（一）输入参考图像和失真图像；（二）对参考图像和失真图像，分别利用二维Gabor滤波器进行滤波以提取Gabor特征；（三）分别建立概率分布函数，求出滤波后图像每一个像素点的概率分布及联合概率分布；（四）求出参考图像和失真图像Gabor特征的互信息；（五）建立图像质量评价函数MIGF评价图像质量。本发明利用二维Gabor滤波器提取视觉特征，并通过参考图像和失真图像的互信息来建立图像质量评价函数，评价结果符合人类视觉主观认识。

Description

基于Gabor特征互信息的全参考图像质量评价方法

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于Gabor特征互信息的全参考图像质量评价方法。

背景技术

在图像的处理与压缩过程中，图像容易发生失真，因此如何精确地评价图像质量已成为图像处理与压缩领域的研究热点。客观图像质量评价方法主要分为：全参考图像质量评价（full-reference, FR），它需要利用参考图像（即原始图像）来评价失真图像的质量分数；无参考图像质量评价(no-reference, NR)，即只需要利用失真图像来获取其质量分数，而不需要参考图像作为参照；部分参考图像质量评价(reduced-reference, RR)，该方法不需要参考图像，但需要利用一些参考图像的特征组合来获取失真图像的质量分数。

目前，使用最广泛的全参考图像质量评价指标是PSNR（peak signal to noise ratio）和MSE（mean squared error）。这些指标虽然较为简单直观，但是只对像素点间的误差做纯数学统计，没有考虑到像素点间的相关性和人类视觉系统（Human Visual System，HVS）的感知特性，因此在有些情况下评价结果与人类的主观感受并不符合。

因此，基于HVS，很多学者提出了一些新的方法来评价图像质量。Bradley提出了一种WVDP（wavelet visible difference predictor）方法([A. P. Bradley, “A wavelet visible difference predictor,” IEEE Trans. Image Process., 8, 717-730 (1999).)，但是该方法所用模型是基于低层次的视觉特性；论文《Image quality assessment: from error visibility to structural similarity》（Z. Wang, and A. C. Bovik，IEEE Trans. Image Process., 13, 600–612 (2004).）提出了一种新的利用图像的结构信息的SSIM (Structural Similarity Image Index)方法，但是该方法是基于了人类评估图像的过程是基于图像结构信息而不是像素强度的假设；Shnaydeman通过研究奇异值分解的可行性，提出了被称作MSVD方法(A. Shnayderman, A. Gusev, and A. M. Eskicioglu, “An SVD-based grayscale image quality measure for local and global assessment,” IEEE Trans. Image Process., 15, 422−429 (2006).)。

发明内容

本发明方法的目的是针对现有图像质量评价方法的不足，提供一种基于图像Gabor特征互信息（mutual information of Gabor features，MIGF）的全参考图像质量评价方法。

本发明方法具体实施步骤是：

步骤(1).输入参考图像和失真图像；

步骤(2).建立一组二维Gabor滤波器

,其中，二维Gabor滤波器个数为

，

为正整数，

；当参考图像和失真图像经第

个二维Gabor滤波器

处理后，得到的参考图像的Gabor特征为

，得到失真图像的Gabor特征为

；

建立一组二维Gabor滤波器

具体步骤如下：

取

个尺度和

个方向，则

，

对于其中第

个二维Gabor滤波器

，其定义为：

其中

为二维Gabor滤波器波长，

为二维Gabor滤波器的方向，其中

，可通过下式求得：

其中

为二维Gabor滤波器的频率带宽，

=1；为二维Gabor滤波器的方向带宽，取

。

该组二维Gabor滤波器为：

为二维Gabor滤波器最小波长；

步骤(3).计算参考图像的Gabor特征

和失真图像的Gabor特征的像素点的概率分布及联合概率分布；

参考图像的Gabor特征概率分布具体计算步骤如下：

设参考图像的Gabor特征

，

为正整数，则对

，的概率为：

其中，

为的概率，

为带宽，

为窗函数，它的定义如下：

其中

，

是的协方差，

为矩阵转置；

同理可求得失真图像的Gabor特征

每个像素点的概率分布。

参考图像的Gabor特征

和失真图像的Gabor特征联合概率分布具体计算步骤如下：

，

令，则对于，有：

其中

即为

，

为

的联合概率，为带宽，K()为窗函数，它的定义如下：

其中

，

是

的协方差；

步骤(4).计算参考图像的Gabor特征

和失真图像的Gabor特征

的互信息

；

其中，

为参考图像Gabor特征的概率，为失真图像Gabor特征

的概率；

步骤(5).建立图像质量评价函数MIGF，MIGF值越高表示失真图像质量越好；

。

本发明方法有益效果如下：

与现有全参考图像质量评价方法相比，本发明采用了能够较好模拟人眼视觉系统的二维Gabor小波来提取图像特征，从而使得评价结果符合人类的主观感受，并经实验验证，本发明取得了良好的评价效果。

附图说明

图1为本发明方法流程图。

具体实施方式

下面结合附图对本发明方法作进一步说明。

如图1所示为本发明方法流程，具体实施步骤如下：

步骤(1).输入参考图像和失真图像；

步骤(2).建立一组二维Gabor滤波器

,其中，二维Gabor滤波器个数为

，

为正整数，

；当参考图像和失真图像经第

个二维Gabor滤波器

处理后，得到的参考图像的Gabor特征为

，得到失真图像的Gabor特征为；

建立一组二维Gabor滤波器

具体步骤如下：

取

=3个尺度和

=4个方向，则

=12，

对于其中第

个二维Gabor滤波器

，其定义为：

其中为二维Gabor滤波器波长，

为二维Gabor滤波器的方向，其中

，

可通过下式求得：

其中

为二维Gabor滤波器的频率带宽，=1；

为二维Gabor滤波器的方向带宽，取

。

该组二维Gabor滤波器为：

为二维Gabor滤波器最小波长, =4；

步骤(3).计算参考图像的Gabor特征和失真图像的Gabor特征的像素点的概率分布及联合概率分布；

参考图像的Gabor特征

概率分布具体计算步骤如下：

设参考图像的Gabor特征

，

为正整数，则对

，的概率为：

其中，为

的概率，

为带宽，取0.25，

为窗函数，它的定义如下：

其中

，

是

的协方差，

为矩阵转置；

同理可求得失真图像的Gabor特征

每个像素点的概率分布。

参考图像的Gabor特征

和失真图像的Gabor特征联合概率分布具体计算步骤如下：

，

令

，则对于，有：

其中

即为，为

的联合概率，

为带宽,取0.25，K()为窗函数，它的定义如下：

其中，

是

的协方差；

步骤(4).计算参考图像的Gabor特征

和失真图像的Gabor特征

的互信息；

其中，

为参考图像Gabor特征的概率，

为失真图像Gabor特征

的概率；

步骤(5).建立图像质量评价函数MIGF，MIGF值越高表示失真图像质量越好；

。

Claims (1)

1.基于Gabor特征互信息的全参考图像质量评价方法，其特征在于它包括以下步骤：

步骤(1).输入参考图像和失真图像；

步骤(2).建立一组二维Gabor滤波器G＝{g_i(λ_u,θ_v)},其中，二维Gabor滤波器个数为M，M为正整数，i＝1,2,...M；当参考图像和失真图像经第i个二维Gabor滤波器g_i(λ_u,θ_v)处理后，得到的参考图像的Gabor特征为F_i，得到失真图像的Gabor特征为F_i ^*；

建立一组二维Gabor滤波器G＝{g_i(λ_u,θ_v)}具体步骤如下：

取U个尺度和V个方向，则M＝U×V，

对于其中第i个二维Gabor滤波器g_i(λ_u,θ_v)，其定义为：

R₁＝x cos(θ_v)+y sin(θ_v)

R₂＝-x sin(θ_v)+y cos(θ_v)

其中λ_u为二维Gabor滤波器波长，θ_v为二维Gabor滤波器的方向，其中a_i，b_i可通过下式求得：

其中B_f为二维Gabor滤波器的频率带宽，B_f=1；B_θ为二维Gabor滤波器的方向带宽，取40°；

该组二维Gabor滤波器为：

G＝{g_i(λ_u,θ_v)}, u＝0,1…U-1,v＝0,1,…V-1 λ_min为二维Gabor滤波器最小波长；

步骤(3).计算参考图像的Gabor特征F_i和失真图像的Gabor特征F_i ^*的像素点的概率分布及联合概率分布；

参考图像的Gabor特征F_i概率分布具体计算步骤如下：

设参考图像的Gabor特征F_i＝{x₁,x₂,...x_N}，N为正整数，则对x_j∈F_i，x_j的概率为：

其中，p_h(x_j)为x_j的概率，h为带宽，K_h()为窗函数，它的定义如下：

其中z＝x_j-x_t，Σ是z的协方差，T为矩阵转置；

同理可求得失真图像的Gabor特征F_i ^*每个像素点的概率分布；

参考图像的Gabor特征F_i和失真图像的Gabor特征F_i ^*联合概率分布具体计算步骤如下：

F_i＝(x₁,x₂,...x_N)

F_i ^*＝(x₁ ^*,x₂ ^*,...x_N ^*)，

令F={x=(x,x^＊)|x∈F_i,x^*∈F_i ^*}，则对于x_j＝(x,x^*)∈F，有：

其中p_h(x,x^*)即为p_h(x_j)，p_h(x,x^*)为x和x^*的联合概率，h为带宽，K()为窗函数，它的定义如下：

其中z＝x_j-x_i，Σ是z的协方差；

步骤(4).计算参考图像的Gabor特征F_i和失真图像的Gabor特征F_i ^*的互信息I(F_i,F_i ^*)；

其中，p_h(x)为参考图像Gabor特征x的概率，p_h(x^*)为失真图像Gabor特征x^*的概率；

步骤(5).建立图像质量评价函数MIGF，MIGF值越高表示失真图像质量越好；