CN102497576B - 基于Gabor特征互信息的全参考图像质量评价方法 - Google Patents
基于Gabor特征互信息的全参考图像质量评价方法 Download PDFInfo
- Publication number
- CN102497576B CN102497576B CN2011104324985A CN201110432498A CN102497576B CN 102497576 B CN102497576 B CN 102497576B CN 2011104324985 A CN2011104324985 A CN 2011104324985A CN 201110432498 A CN201110432498 A CN 201110432498A CN 102497576 B CN102497576 B CN 102497576B
- Authority
- CN
- China
- Prior art keywords
- gabor
- image
- dimensional
- distorted image
- feature
- 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
- 238000001303 quality assessment method Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005315 distribution function Methods 0.000 abstract 1
- 230000004438 eyesight Effects 0.000 abstract 1
- 238000001914 filtration Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 5
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
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
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;
该组二维Gabor滤波器为:
为二维Gabor滤波器最小波长;
参考图像的Gabor特征概率分布具体计算步骤如下:
令,则对于,有:
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;
该组二维Gabor滤波器为:
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;
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={gi(λu,θv)},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gi(λu,θv)处理后,得到的参考图像的Gabor特征为Fi,得到失真图像的Gabor特征为Fi *;
建立一组二维Gabor滤波器G={gi(λu,θv)}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gi(λu,θv),其定义为:
R1=x cos(θv)+y sin(θv)
R2=-x sin(θv)+y cos(θv)
其中λu为二维Gabor滤波器波长,θv为二维Gabor滤波器的方向,其中ai,bi可通过下式求得:
其中Bf为二维Gabor滤波器的频率带宽,Bf=1;Bθ为二维Gabor滤波器的方向带宽,取40°;
该组二维Gabor滤波器为:
G={gi(λu,θv)}, u=0,1…U-1,v=0,1,…V-1
λmin为二维Gabor滤波器最小波长;
步骤(3).计算参考图像的Gabor特征Fi和失真图像的Gabor特征Fi *的像素点的概率分布及联合概率分布;
参考图像的Gabor特征Fi概率分布具体计算步骤如下:
设参考图像的Gabor特征Fi={x1,x2,...xN},N为正整数,则对xj∈Fi,xj的概率为:
其中,ph(xj)为xj的概率,h为带宽,Kh()为窗函数,它的定义如下:
其中z=xj-xt,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Fi *每个像素点的概率分布;
参考图像的Gabor特征Fi和失真图像的Gabor特征Fi *联合概率分布具体计算步骤如下:
Fi=(x1,x2,...xN)
Fi *=(x1 *,x2 *,...xN *),
令F={x=(x,x*)|x∈Fi,x*∈Fi *},则对于xj=(x,x*)∈F,有:
其中ph(x,x*)即为ph(xj),ph(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=xj-xi,Σ是z的协方差;
步骤(4).计算参考图像的Gabor特征Fi和失真图像的Gabor特征Fi *的互信息I(Fi,Fi *);
其中,ph(x)为参考图像Gabor特征x的概率,ph(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;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104324985A CN102497576B (zh) | 2011-12-21 | 2011-12-21 | 基于Gabor特征互信息的全参考图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104324985A CN102497576B (zh) | 2011-12-21 | 2011-12-21 | 基于Gabor特征互信息的全参考图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102497576A CN102497576A (zh) | 2012-06-13 |
CN102497576B true CN102497576B (zh) | 2013-11-20 |
Family
ID=46189357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104324985A Expired - Fee Related CN102497576B (zh) | 2011-12-21 | 2011-12-21 | 基于Gabor特征互信息的全参考图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102497576B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855631B (zh) * | 2012-08-23 | 2015-05-06 | 浙江大学 | 用于图像质量评价的视觉能量信息提取方法 |
CN103049910B (zh) * | 2012-12-17 | 2015-04-15 | 华中科技大学 | 基于nsct与多通道互信息相结合的图像融合质量评估方法 |
CN103996188B (zh) * | 2014-04-27 | 2018-08-31 | 嘉兴学院 | 一种基于Gabor加权特征的全参考型图像质量评价方法 |
US9741107B2 (en) * | 2015-06-05 | 2017-08-22 | Sony Corporation | Full reference image quality assessment based on convolutional neural network |
CN107330873B (zh) * | 2017-05-05 | 2019-12-10 | 浙江大学 | 基于多尺度双目融合和局部特征提取的立体图像质量客观评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101378519A (zh) * | 2008-09-28 | 2009-03-04 | 宁波大学 | 一种基于Contourlet变换的质降参考图像质量评价方法 |
CN101489130A (zh) * | 2009-01-21 | 2009-07-22 | 西安交通大学 | 基于图像边缘差异统计特性的全参考型图像质量评价方法 |
CN102036098A (zh) * | 2010-12-01 | 2011-04-27 | 北京航空航天大学 | 一种基于视觉信息量差异的全参考型图像质量评价方法 |
CN102075786A (zh) * | 2011-01-19 | 2011-05-25 | 宁波大学 | 一种图像客观质量评价方法 |
-
2011
- 2011-12-21 CN CN2011104324985A patent/CN102497576B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101378519A (zh) * | 2008-09-28 | 2009-03-04 | 宁波大学 | 一种基于Contourlet变换的质降参考图像质量评价方法 |
CN101489130A (zh) * | 2009-01-21 | 2009-07-22 | 西安交通大学 | 基于图像边缘差异统计特性的全参考型图像质量评价方法 |
CN102036098A (zh) * | 2010-12-01 | 2011-04-27 | 北京航空航天大学 | 一种基于视觉信息量差异的全参考型图像质量评价方法 |
CN102075786A (zh) * | 2011-01-19 | 2011-05-25 | 宁波大学 | 一种图像客观质量评价方法 |
Non-Patent Citations (4)
Title |
---|
基于Gabor滤波器的图像目标识别方法;曾姝彦等;《北京航天航空大学学报》;20060830;第32卷(第8期);954-957 * |
指纹图像质量评价方法;方晨艳等;《计算机系统应用》;20081231(第11期);62-65 * |
方晨艳等.指纹图像质量评价方法.《计算机系统应用》.2008,(第11期),62-65. |
曾姝彦等.基于Gabor滤波器的图像目标识别方法.《北京航天航空大学学报》.2006,第32卷(第8期),954-957. |
Also Published As
Publication number | Publication date |
---|---|
CN102497576A (zh) | 2012-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103475898B (zh) | 一种基于信息熵特征的无参考图像质量评价方法 | |
CN102497576B (zh) | 基于Gabor特征互信息的全参考图像质量评价方法 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN101482973B (zh) | 基于早期视觉的部分参考图像质量评价方法 | |
CN103654789A (zh) | 磁共振快速参数成像方法和系统 | |
CN103037212B (zh) | 基于视觉感知的自适应块压缩传感图像编码方法 | |
CN103679661B (zh) | 一种基于显著性分析的自适应遥感图像融合方法 | |
CN103093433A (zh) | 基于区域划分和字典学习的自然图像去噪方法 | |
CN103354617B (zh) | 一种基于dct域的边缘强度压缩的图像质量客观评价方法 | |
CN107705286A (zh) | 一种彩色图像质量综合评价方法 | |
CN105243650A (zh) | 一种基于小波变换和傅里叶变换的条纹噪声去除方法及系统 | |
CN100433795C (zh) | 基于变换域数学形态学的图像降噪方法 | |
CN103093431B (zh) | 基于pca字典和结构先验信息的压缩感知重构方法 | |
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 | |
CN105160647A (zh) | 一种全色多光谱影像融合方法 | |
CN104616280A (zh) | 基于最大稳定极值区域和相位一致性的图像配准方法 | |
CN103971354A (zh) | 低分辨率红外图像重建高分辨率红外图像的方法 | |
CN110121109A (zh) | 面向监控系统数字视频实时溯源方法、城市视频监控系统 | |
CN103338363B (zh) | 基于测量域块分类的视频压缩感知编码系统及方法 | |
CN104036519A (zh) | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 | |
CN102496144A (zh) | 基于hsv色彩空间的nsct水声图像增强方法 | |
CN104809735B (zh) | 基于傅里叶变换实现图像雾霾评价的系统及方法 | |
CN111127386B (zh) | 一种基于深度学习的图像质量评价方法 | |
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 |
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: 20131120 Termination date: 20181221 |
|
CF01 | Termination of patent right due to non-payment of annual fee |