CN102905130A - 基于视觉感知的多分辨率jnd模型建构方法 - Google Patents
基于视觉感知的多分辨率jnd模型建构方法 Download PDFInfo
- Publication number
- CN102905130A CN102905130A CN2012103721652A CN201210372165A CN102905130A CN 102905130 A CN102905130 A CN 102905130A CN 2012103721652 A CN2012103721652 A CN 2012103721652A CN 201210372165 A CN201210372165 A CN 201210372165A CN 102905130 A CN102905130 A CN 102905130A
- Authority
- CN
- China
- Prior art keywords
- jnd
- factor
- masking
- contrast
- balanced
- 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.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于视觉感知的多分辨率JND模型建构方法。本发明包括如下步骤:1.建立一组平衡多小波滤波器,并利用其对输入的图像进行多通道小波分解;2.分别计算亮度层和色度层的JND基本阈值、亮度掩蔽因子和对比度掩蔽因子以模拟空间对比度敏感函数效应、亮度自适应掩蔽效应和对比度掩蔽效应;3.别在亮度层和色度层上,计算得到基于视觉感知的多分辨率JND模型。本发明高效地仿真了人类视觉系统的特性,综合考虑了多通道分解、空间对比度敏感函数效应、亮度自适应掩蔽效应和对比度掩蔽效应等,实现了基于视觉感知的多分辨率JND模型建构,该模型不仅能够注入更多的噪声,而且能使注入噪声后图像依然保持较高的视觉质量。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于视觉感知的多分辨率JND模型建构方法。
背景技术
当前的视频图像处理算法的核心基础大多是采用了视觉内容的数学统计特性,而视觉内容的人眼感知特性却被忽视了。由于人眼是视觉产品的接收终端,所以开发基于人类视觉系统(HVS)特点的视频图像处理算法就显得十分有意义。对于一幅图像来说,当图像中某个像素点的改变量大于某个可见度阈值时,人眼就能恰好感知到视觉失真。恰好可感知失真(Just Noticeable Distortion, JND)指的就是当视觉内容改变时,能够引起失真恰好可感知的最大的可见度阈值。恰好可感知失真(Just Noticeable Distortion, JND)模型能够很好地指导各种视频图像处理系统以获取更高的性能指标,如视频压缩、图像增强、数字水印、图像质量评价等。
随着对恰好可感知失真(Just Noticeable Distortion, JND)模型的研究,许多新颖的算法被提了出来,但是,这些算法基本上都是在空间域、DCT域或标量小波域中构建的。基于空间域的JND模型主要考虑背景亮度自适应、空间对比度掩蔽、纹理掩蔽和边缘掩蔽等多个因素;基于小波域的JND模型中,JND是小波分解尺度、方向和显示器分辨率的一个函数。随着小波理论的不断发展,作为新一代小波的典型代表,平衡多小波具有能同时满足正交性、对称性和高的消失矩而不需要任何预处理等多个优点,更能符合HVS的感知特性,所以本发明开发一种基于平衡多小波域的图像恰好可感知失真模型。
发明内容
本发明的目的是针对现有的JND模型对HVS特性考虑不充分,导致不能很好地提取图像的视觉冗余区的缺陷,提出一种基于视觉感知的多分辨率JND模型建构方法。
本发明通过平衡多小波域的多通道分解,并充分考虑到了人类视觉系统的特点,如空间对比度敏感函数(Contrast Sensitivity Function, CSF)效应、亮度自适应掩蔽效应和对比度掩蔽效应,从而构建基于视觉感知的多分辨率JND模型。
本发明解决其技术问题所采取的技术方案如下:
步骤(1).建立多小波滤波器组:
记第k尺度函数为m k (t)和第k个小波函数为n k (t),则k个尺度函数的向量表达为:M(t)=[m 1(t)m 2(t)m 3(t)…m k (t)] T ,进而k个小波函数组成的向量表达为:N(t)=[n 1(t)n 2(t)n 3(t)…n k (t)] T 。M(t)和N(t)满足如下矩阵细化方程:
其中,H为k×k维的低通滤波矩阵,G为k×k维的高通滤波矩阵,k为自然数;t表示横坐标,x表示沿着横坐标的偏移量;
进而,得到多小波分解方程:
(3)
在重构阶段,其重构函数为:
步骤(2).使用平衡的方法来克服步骤(1)得到的不平衡多小波滤波器组中存在的频谱特性不同问题,构建平衡多小波滤波器:
根据步骤(1)中的低通滤波器矩阵H和高通滤波器矩阵G,定义band-Toeplitz矩阵A和B为:
(6)
并且引入u = [… 1 1 1 1 …] T ,如果满足A T u = u 和B T u = 0,则该正交的多小波系统就被称为平衡多小波系统。
步骤(3).利用步骤(2)所建立的平衡多小波滤波器对输入图像进行小波分解。
其中, 指空间频率敏感度,平衡多小波域的每个子带被标记为(λ,θ),λ为小波分解的层数,θ指示每个子带的分解方向;子带分解方向0, 1, 2, 3分别标记子带LL, LH, HL, HH;β表示每个子带中四个子块的相对位置;max( )表示返回序列的最大值;在平衡多小波域,其子带(λ,θ)的范围为:
(11)
(13)
其中,v为视距,d为显示器分别率,r是显示视觉分辨率。
步骤(5).采用公式(14)计算亮度掩蔽因子:
其中,y Y β (λ max ,0,i ’ ,j ’ )代表平衡多小波位于最高分解尺度λ max LL子带中第β子块的小波系数;v mean = 2 B-1,其中B代表像素的位深;而且,在公式(14)中,坐标(λ max ,0,i ’ ,j ’ )和(λ,θ,i,j)的关系如下:
(15)
其中,[ ]代表取整操作。
步骤(6).在频率域计算亮度层的对比度掩蔽因子:
(17)
(18)
步骤(8).构建基于频率域色度层的JND模型:
(19)
本发明的有益效果:
本发明在平衡多小波域构建基于视觉感知的多分辨率JND模型,该JND模型充分考虑到了人类视觉系统的特点,如空间CSF效应,亮度自适应掩蔽效应和对比度掩蔽效应。实验结果表明基于本发明得到的JND模型能很好地提取图像的视觉冗余区,不仅能够注入更多的噪声,而且能使注入噪声后图像依然保持较高的视觉质量。
附图说明
图1为本发明多分辨率JND模型的构建方法框图。
图2为本发明中图像经一层多小波分解子带结构图。
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,基于视觉感知的多分辨率JND模型构建方法,其具体实施步骤如下:
步骤(1).建立多小波滤波器组:
记第k尺度函数为m k (t)和第k个小波函数为n k (t),则k个尺度函数的向量表达为:M(t)=[m 1(t)m 2(t)m 3(t)…m k (t)] T ,进而k个小波函数组成的向量表达为:N(t)=[n 1(t)n 2(t)n 3(t)…n k (t)] T 。M(t)和N(t)满足如下矩阵细化方程:
其中,H为k×k维的低通滤波矩阵,G为k×k维的高通滤波矩阵,k为自然数;t表示横坐标,x表示沿着横坐标的偏移量;
进而,得到多小波分解方程:
在重构阶段,其重构函数为:
(5)
步骤(2).使用平衡的方法来克服步骤(1)得到的不平衡多小波滤波器组中存在的频谱特性不同问题,构建平衡多小波滤波器:
根据步骤(1)中的低通滤波器矩阵H和高通滤波器矩阵G,定义band-Toeplitz矩阵A和B为:
并且引入u = [… 1 1 1 1 …] T ,如果满足A T u = u 和B T u = 0,则该正交的多小波系统就被称为平衡多小波系统。
步骤(3).利用步骤(2)所建立的平衡多小波滤波器对输入图像进行小波分解。
其中, 指空间频率敏感度,平衡多小波域的每个子带被标记为(λ,θ),λ为小波分解的层数,θ指示每个子带的分解方向;如图2所示,子带分解方向0, 1, 2, 3分别标记子带LL, LH, HL, HH;β表示每个子带中四个子块的相对位置;max( )表示返回序列的最大值;在平衡多小波域,其子带(λ,θ)的范围为:
其中,v为视距,d为显示器分别率,r是显示视觉分辨率。
步骤(5).采用公式(14)计算亮度掩蔽因子:
其中,y Y β (λ max ,0,i ’ ,j ’ )代表平衡多小波位于最高分解尺度λ max LL子带中第β子块的小波系数;v mean = 2 B-1,其中B代表像素的位深;而且,在公式(14)中,坐标(λ max ,0,i ’ ,j ’ )和(λ,θ,i,j)的关系如下:
其中,[ ]代表取整操作。
步骤(6).在频率域计算亮度层的对比度掩蔽因子:
步骤(8).构建基于频率域色度层的JND模型:
(19)
如图1所示,发明通过平衡多小波域的多通道分解,并充分考虑到了人类视觉系统的特点,如空间对比度敏感函数(Contrast Sensitivity Function, CSF)效应、亮度自适应掩蔽效应和对比度掩蔽效应,从而构建基于视觉感知的多分辨率JND模型;为实现基于视觉感知的多分辨率JND模型构建,本发明首先建立平衡多小波滤波器组,并利用此平衡多小波滤波器组对输入图像进行多通道分解;进而,充分考虑人类视觉系统的特点,分别计算亮度层和色度层的JND基本阈值、亮度掩蔽因子和对比度掩蔽因子以模拟空间对比度敏感函数效应、亮度自适应掩蔽效应和对比度掩蔽效应;最后,分别得到亮度层和色度层的基于视觉感知的多分辨率JND模型。
Claims (1)
1. 基于视觉感知的多分辨率JND模型建构方法,其特征在于包括以下步骤:
步骤(1).建立多小波滤波器组:
记第k尺度函数为m k (t)和第k个小波函数为n k (t),则k个尺度函数的向量表达为:M(t)=[m 1(t)m 2(t)m 3(t)…m k (t)] T ,进而k个小波函数组成的向量表达为:N(t)=[n 1(t)n 2(t)n 3(t)…n k (t)] T ;M(t)和N(t)满足如下矩阵细化方程:
其中,H为k×k维的低通滤波矩阵,G为k×k维的高通滤波矩阵,k为自然数;t表示横坐标,x表示沿着横坐标的偏移量;
进而,得到多小波分解方程:
在重构阶段,其重构函数为:
步骤(2).使用平衡的方法来克服步骤(1)得到的不平衡多小波滤波器组中存在的频谱特性不同问题,构建平衡多小波滤波器:
根据步骤(1)中的低通滤波器矩阵H和高通滤波器矩阵G,定义band-Toeplitz矩阵A和B为:
并且引入u = [… 1 1 1 1 …] T ,如果满足A T u = u 和B T u = 0,则该正交的多小波系统就被称为平衡多小波系统;
步骤(3).利用步骤(2)所建立的平衡多小波滤波器对输入图像进行小波分解;
其中, 指空间频率敏感度,平衡多小波域的每个子带被标记为(λ,θ),λ为小波分解的层数,θ指示每个子带的分解方向;子带分解方向0, 1, 2, 3分别标记子带LL, LH, HL, HH;β表示每个子带中四个子块的相对位置;max( )表示返回序列的最大值;在平衡多小波域,其子带(λ,θ)的范围为:
(12)
其中,v为视距,d为显示器分别率,r是显示视觉分辨率;
步骤(5).采用公式(14)计算亮度掩蔽因子:
(14)
其中,y Y β (λ max ,0,i ’ ,j ’ )代表平衡多小波位于最高分解尺度λ max LL子带中第β子块的小波系数;v mean = 2 B-1,其中B代表像素的位深;而且,在公式(14)中,坐标(λ max ,0,i ’ ,j ’ )和(λ,θ,i,j)的关系如下:
其中,[ ]代表取整操作;
步骤(6).在频率域计算亮度层的对比度掩蔽因子:
步骤(8).构建基于频率域色度层的JND模型:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103721652A CN102905130A (zh) | 2012-09-29 | 2012-09-29 | 基于视觉感知的多分辨率jnd模型建构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103721652A CN102905130A (zh) | 2012-09-29 | 2012-09-29 | 基于视觉感知的多分辨率jnd模型建构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102905130A true CN102905130A (zh) | 2013-01-30 |
Family
ID=47577146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012103721652A Pending CN102905130A (zh) | 2012-09-29 | 2012-09-29 | 基于视觉感知的多分辨率jnd模型建构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102905130A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426173A (zh) * | 2013-08-12 | 2013-12-04 | 浪潮电子信息产业股份有限公司 | 一种立体图像质量的客观评价方法 |
CN103475881A (zh) * | 2013-09-12 | 2013-12-25 | 同济大学 | Dct域内基于视觉注意力机制的图像jnd阈值计算方法 |
CN103886608A (zh) * | 2014-04-03 | 2014-06-25 | 武汉大学 | 一种图像全局最小可觉察差异的测定方法 |
CN106331677A (zh) * | 2016-09-05 | 2017-01-11 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 裸眼立体显示中分辨率指标的评价方法及系统 |
CN107481212A (zh) * | 2017-07-14 | 2017-12-15 | 上海电力学院 | 一种基于小波的感知图像融合方法 |
CN110399886A (zh) * | 2019-07-15 | 2019-11-01 | 华侨大学 | 一种屏幕图像jnd模型构建方法 |
CN111063992A (zh) * | 2018-10-16 | 2020-04-24 | 东友精细化工有限公司 | 天线设备和包括其的显示设备 |
CN111260533A (zh) * | 2020-01-17 | 2020-06-09 | 山东师范大学 | 融合图像块内和块间纹理规则特征的图像水印方法及系统 |
CN111325651A (zh) * | 2018-12-14 | 2020-06-23 | 中国移动通信集团山东有限公司 | 基于感知jnd模型的量化水印方法和装置 |
CN112435188A (zh) * | 2020-11-23 | 2021-03-02 | 深圳大学 | 基于方向权重的jnd预测方法、装置、计算机设备及存储介质 |
CN112866820A (zh) * | 2020-12-31 | 2021-05-28 | 宁波大学科学技术学院 | 基于jnd模型和t-qr的鲁棒hdr视频水印嵌入提取方法、系统及存储介质 |
CN113656665A (zh) * | 2021-07-27 | 2021-11-16 | 南京理工大学 | 一种基于哈希的半监督离散网络表示方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547173A (zh) * | 2009-05-05 | 2009-09-30 | 南京信息工程大学 | 基于平衡正交多小波变换的盲均衡方法 |
CN101621708A (zh) * | 2009-07-29 | 2010-01-06 | 武汉大学 | 基于dct域的彩色图像可觉察失真度计算方法 |
-
2012
- 2012-09-29 CN CN2012103721652A patent/CN102905130A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547173A (zh) * | 2009-05-05 | 2009-09-30 | 南京信息工程大学 | 基于平衡正交多小波变换的盲均衡方法 |
CN101621708A (zh) * | 2009-07-29 | 2010-01-06 | 武汉大学 | 基于dct域的彩色图像可觉察失真度计算方法 |
Non-Patent Citations (1)
Title |
---|
YUAN ZHANG: "Adaptive color image watermarking based on the just noticeable distortion model in balanced multiwavelet domain", 《 JOURNAL OF ELECTRONIC IMAGIN》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426173B (zh) * | 2013-08-12 | 2017-05-10 | 浪潮电子信息产业股份有限公司 | 一种立体图像质量的客观评价方法 |
CN103426173A (zh) * | 2013-08-12 | 2013-12-04 | 浪潮电子信息产业股份有限公司 | 一种立体图像质量的客观评价方法 |
CN103475881B (zh) * | 2013-09-12 | 2016-11-23 | 同济大学 | Dct域内基于视觉注意力机制的图像jnd阈值计算方法 |
CN103475881A (zh) * | 2013-09-12 | 2013-12-25 | 同济大学 | Dct域内基于视觉注意力机制的图像jnd阈值计算方法 |
CN103886608B (zh) * | 2014-04-03 | 2017-03-29 | 武汉大学 | 一种图像全局最小可觉察差异的测定方法 |
CN103886608A (zh) * | 2014-04-03 | 2014-06-25 | 武汉大学 | 一种图像全局最小可觉察差异的测定方法 |
CN106331677A (zh) * | 2016-09-05 | 2017-01-11 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 裸眼立体显示中分辨率指标的评价方法及系统 |
CN107481212A (zh) * | 2017-07-14 | 2017-12-15 | 上海电力学院 | 一种基于小波的感知图像融合方法 |
CN107481212B (zh) * | 2017-07-14 | 2020-12-22 | 上海电力学院 | 一种基于小波的感知图像融合方法 |
CN111063992A (zh) * | 2018-10-16 | 2020-04-24 | 东友精细化工有限公司 | 天线设备和包括其的显示设备 |
CN111063992B (zh) * | 2018-10-16 | 2022-11-22 | 东友精细化工有限公司 | 天线设备和包括其的显示设备 |
CN111325651A (zh) * | 2018-12-14 | 2020-06-23 | 中国移动通信集团山东有限公司 | 基于感知jnd模型的量化水印方法和装置 |
CN111325651B (zh) * | 2018-12-14 | 2023-09-05 | 中国移动通信集团山东有限公司 | 基于感知jnd模型的量化水印方法和装置 |
CN110399886B (zh) * | 2019-07-15 | 2022-09-30 | 华侨大学 | 一种屏幕图像jnd模型构建方法 |
CN110399886A (zh) * | 2019-07-15 | 2019-11-01 | 华侨大学 | 一种屏幕图像jnd模型构建方法 |
CN111260533A (zh) * | 2020-01-17 | 2020-06-09 | 山东师范大学 | 融合图像块内和块间纹理规则特征的图像水印方法及系统 |
CN111260533B (zh) * | 2020-01-17 | 2023-04-25 | 山东师范大学 | 融合图像块内和块间纹理规则特征的图像水印方法及系统 |
CN112435188A (zh) * | 2020-11-23 | 2021-03-02 | 深圳大学 | 基于方向权重的jnd预测方法、装置、计算机设备及存储介质 |
CN112435188B (zh) * | 2020-11-23 | 2023-09-22 | 深圳大学 | 基于方向权重的jnd预测方法、装置、计算机设备及存储介质 |
CN112866820B (zh) * | 2020-12-31 | 2022-03-08 | 宁波大学科学技术学院 | 基于jnd模型和t-qr的鲁棒hdr视频水印嵌入提取方法、系统及存储介质 |
CN112866820A (zh) * | 2020-12-31 | 2021-05-28 | 宁波大学科学技术学院 | 基于jnd模型和t-qr的鲁棒hdr视频水印嵌入提取方法、系统及存储介质 |
CN113656665A (zh) * | 2021-07-27 | 2021-11-16 | 南京理工大学 | 一种基于哈希的半监督离散网络表示方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102905130A (zh) | 基于视觉感知的多分辨率jnd模型建构方法 | |
CN105340268B (zh) | 图像处理装置、图像处理方法以及图像处理程序 | |
Suganya et al. | Survey on image enhancement techniques | |
CN107197260A (zh) | 基于卷积神经网络的视频编码后置滤波方法 | |
US8189911B2 (en) | Method for assessing image quality | |
CN103916669A (zh) | 高动态范围图像压缩方法及装置 | |
CN105635743A (zh) | 基于显著性检测和全变分的最小可察觉失真方法及系统 | |
CN108805840A (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
CN105096280A (zh) | 处理图像噪声的方法及装置 | |
CN103607589B (zh) | 基于层次选择性视觉注意力机制的jnd阈值计算方法 | |
CN102333233A (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN104994375A (zh) | 一种基于立体视觉显著性的立体图像质量客观评价方法 | |
CN103353982A (zh) | 一种基于直方图均衡化的色调映射方法 | |
CN103426173B (zh) | 一种立体图像质量的客观评价方法 | |
CN107103596A (zh) | 一种基于yuv空间的彩色夜视图像融合方法 | |
CN105046658A (zh) | 一种低照度图像处理方法和装置 | |
CN103366336A (zh) | 一种基于人眼对比度敏感视觉特性的图像水印方法 | |
CN111127340B (zh) | 一种图像去雾方法 | |
CN104239883B (zh) | 纹理特征提取方法及装置 | |
CN113850741B (zh) | 图像降噪方法、装置、电子设备以及存储介质 | |
CN117640942A (zh) | 一种用于视频图像的编码方法和装置 | |
CN107818547A (zh) | 一种面向微光图像序列中椒盐和高斯混合噪声的去除方法 | |
CN103854248B (zh) | 基于内容解析和感知分层的水印嵌入方法及装置 | |
CN108765337B (zh) | 一种基于暗原色先验与非局部mtv模型的单幅彩色图像去雾处理方法 | |
CN109819256A (zh) | 基于特征感知的视频压缩感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C05 | Deemed withdrawal (patent law before 1993) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130130 |