CN103258326A - 一种图像质量盲评估的信息保真度方法 - Google Patents

一种图像质量盲评估的信息保真度方法 Download PDF

Info

Publication number
CN103258326A
CN103258326A CN2013101356841A CN201310135684A CN103258326A CN 103258326 A CN103258326 A CN 103258326A CN 2013101356841 A CN2013101356841 A CN 2013101356841A CN 201310135684 A CN201310135684 A CN 201310135684A CN 103258326 A CN103258326 A CN 103258326A
Authority
CN
China
Prior art keywords
image
coefficient
wavelet coefficient
wavelet
neighborhood
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.)
Granted
Application number
CN2013101356841A
Other languages
English (en)
Other versions
CN103258326B (zh
Inventor
黄虹
张建秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jilian Network Technology Co ltd
Original Assignee
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN201310135684.1A priority Critical patent/CN103258326B/zh
Publication of CN103258326A publication Critical patent/CN103258326A/zh
Application granted granted Critical
Publication of CN103258326B publication Critical patent/CN103258326B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明属于图像质量评估技术领域，具体为一个图像质量盲评估的信息保真度方法。本发明方法首先根据自然图像的统计性质与失真图像模型，实现对失真图像小波系数分布参数的盲估计；再利用估计的分布参数来计算失真图像与对应的参考图像之间的互信息，以量化失真图像对参考图像的保真度，进而实现对图像质量的评估。本发明避免了对参考图像的依赖，且克服了现有图像质量盲评估方法对特征选择与提取、机器学习等过程的依赖。公开图像质量评估数据库的总体评估结果表明：本发明对图像质量的评估结果与人眼主观评估结果高度一致，且优于文献中报道的其它盲评估方法。

Description

一种图像质量盲评估的信息保真度方法
技术领域
本发明属于图像质量评估技术领域，具体涉及图像质量盲评估的信息保真度方法。
背景技术
在图像获取、压缩、存储、传输和再现过程中，往往会对数字图像引入大量不同类型和不同级别的失真，这些失真将导致图像质量的严重下降。如何对图像质量进行准确的客观评估已经成为图像处理领域里一个极具挑战性的课题[1][3]
图像质量的客观评估研究，其目的就是设计一种评估测度或算法，并期待得到与人眼主观图像质量评估一致的结果。现存的图像质量客观评估方法主要是全参考评估方法，即通过某一方法来对比失真图像与参考图像的相似度得到评估结果[4] [5]。这种类型的评估方法限制了其应用范围，例如：数字影像设备拍摄到的图像一般是没有参考图像的，而通过长距离传输到手机或者电视的图像要想得到其参考图像也许是不方便的。这意味着在许多应用场合中，存在着对半参考评估方法（依赖于一部分参考信息）与盲评估方法（不需要任何参考信息）的需求。由于在盲评估中没有任何有关未失真图像的参考信息，因此盲评估算法的实现面临着极大的困难[6][7][8][9]。本发明试图为图像质量的盲评估提供一种新方法。
文献中报道的盲评估算法，很大一部分都是针对某种特定的失真类而设计的。这些方法一般依赖于对失真类型先验知识的了解，或者是对建立在先验知识基础上失真模型的了解。可是，这样的失真模型往往是比较复杂的，并且还不一定能准确抓住失真的本质。例如：在大多数应用场合中，遇到的失真类型往往都是多种失真的混合体[8][10]。这意味着针对特定的失真类设计的盲评估算法，其应用的有效性将受到限制。因此，从实际应用和算法实现复杂度的出发，人们期待能设计出一种不依赖失真类型的盲评估算法，且算法模型应尽可能地简洁、精练及其高效[10]。
近年来，由于自然场景统计(Natural Scene Statistics, NSS)模型能描述自然图像中与内容无关的统计性质，因此受到了越来越多学者们的重视[4][5][6][12][13]。文献[2]提出了一种基于NSS模型的全参考图像质量评估算法——IFC(Information Fidelity Criterion)。IFC方法根据NSS模型分别对参考图像与失真图像的小波系数建立模型，通过计算它们的互信息，来量化失真图像对参考图像的保真度，从而实现对图像质量的评估，其评估结果与人眼主观评估结果的一致性高于之前的评估算法。文献[4]对IFC算法进行了改进，提出了VIF(Visual Information Fidelity)方法。VIF方法用参考图像经过人类视觉系统(Human Visual System, HVS)前后的互信息对失真图像的保真度进行归一化，是目前性能最优的全参考方法之一[1]。文献[11]提出了一种基于NSS模型的半参考评估方法，该方法从参考图像的小波变换系数子带中估计出其系数分布参数，通过计算失真图像区分归一化变换(Divisive Normalization Transformation, DNT)系数的高斯分布与拟合参考图像小波系数高斯分布之间的K-L距离，来评价失真图像与原始图像的相似性。显然，上面提及的方法都依赖于参考图像的信息，这种要求在一些实际应用中是不现实的。
在文献[6][7]中，作者分别提出了两种基于NSS模型的图像质量盲评估算法，且都取得了一些振奋人心的结果。但是这两种盲评估方法都非常依赖于微妙且复杂的特征选择、提取与机器学习等。同时，依赖于特征的方法，其性能往往也会被所选择的特征以及评估者的经验所局限，因而普适性较差。
本发明提出了一个新的图像质量盲评估的信息保真度方法，该方法首先根据自然图像的统计性质与失真图像模型，实现对失真图像小波系数分布参数的盲估计；再利用估计的分布参数来计算失真图像与对应的参考图像之间的互信息，以量化失真图像对参考图像的保真度，进而实现对图像质量的评估。本发明避免了对参考图像的依赖，且克服了现有图像质量盲评估方法对特征选择与提取、机器学习等过程的依赖。
发明内容
本发明的目的在于根据自然场景统计模型与图像失真模型，提供一种与人眼主观视觉对图像质量的评估结果相一致的图像质量盲评估的信息保真度方法。
本发明提出的图像质量盲评估的信息保真度方法，首先根据自然图像的统计性质与失真图像模型，实现对失真图像小波系数分布参数的盲估计；再利用估计的分布参数来计算失真图像与参考图像之间的互信息，以量化失真图像对参考图像的保真度，进而实现对图像质量的评估。具体步骤如下：
(1) 如果失真图像是彩色图像，先将彩色图像转换成灰度图像；对失真的灰度图像进行小波系数变换，得到多个小波系数子带。
(2) 在每个小波系数子带内，对每个系数                                                
Figure 756573DEST_PATH_IMAGE001
选取合适的小波系数邻域，将小波系数邻域拉成小波系数矢量
Figure 673713DEST_PATH_IMAGE002
，其中
Figure 122548DEST_PATH_IMAGE003
为邻域大小；用衰减过程与叠加高斯噪声对小波系数矢量
Figure 517758DEST_PATH_IMAGE002
进行局部性描述[2][4]，即
Figure 332130DEST_PATH_IMAGE004
；其中，
Figure 678228DEST_PATH_IMAGE005
为
Figure 277751DEST_PATH_IMAGE006
对应的参考图像小波系数邻域矢量，变量描述失真图像小波系数邻域对参考图像的局部衰减，
Figure 923026DEST_PATH_IMAGE008
是服从零均值、方差为
Figure 916390DEST_PATH_IMAGE009
的叠加高斯噪声；
根据自然场景统计(Natural Scene Statistics, NSS)模型的统计性质，无失真的参考图像的小波系数矢量
Figure 439426DEST_PATH_IMAGE010
能够用高斯尺度混合(Gaussian scale mixture, GSM)分布描述，即
Figure 176438DEST_PATH_IMAGE011
，其中
Figure 477320DEST_PATH_IMAGE012
为表征系数矢量协方差变化的随机乘数，为零均值、协方差矩阵为
Figure 148789DEST_PATH_IMAGE014
的高斯随机变量。因此
Figure 210198DEST_PATH_IMAGE005
的概率密度函数
Figure 853669DEST_PATH_IMAGE015
为[12][14]：
                               (7)
其中，为随机乘数
Figure 765279DEST_PATH_IMAGE012
的概率密度分布函数。
系数邻域矢量
Figure 40753DEST_PATH_IMAGE005
关于随机乘数
Figure 812400DEST_PATH_IMAGE012
服从零均值、协方差矩阵为
Figure 549324DEST_PATH_IMAGE018
的高斯分布，条件概率分布函数为[12][14]：
Figure 431829DEST_PATH_IMAGE019
                                       (8)
因此，有失真图像的小波系数矢量
Figure 643840DEST_PATH_IMAGE020
，
Figure 586389DEST_PATH_IMAGE006
关于
Figure 539170DEST_PATH_IMAGE012
与局部衰减
Figure 959787DEST_PATH_IMAGE007
、局部噪声方差
Figure 432357DEST_PATH_IMAGE009
服从零均值、协方差矩阵为
Figure 335021DEST_PATH_IMAGE021
的高斯分布，其条件概率分布函数为：
Figure 260252DEST_PATH_IMAGE022
                  (9)
记
Figure 247408DEST_PATH_IMAGE006
的协方差矩阵为
Figure 89331DEST_PATH_IMAGE023
。假设在每个系数子带内都有
Figure 162897DEST_PATH_IMAGE024
，且整个子带内的噪声方差为
Figure 575424DEST_PATH_IMAGE025
，有：
Figure 366270DEST_PATH_IMAGE026
                                        (10)
因此，
Figure 547853DEST_PATH_IMAGE023
的特征值分解为，特征值为
Figure 414845DEST_PATH_IMAGE028
。
(3) 利用邻域矢量的马氏距离估计失真图像小波系数分布的乘数变量。
记
Figure 980956DEST_PATH_IMAGE006
的马氏距离为
Figure 74769DEST_PATH_IMAGE029
，那么有：
Figure 435343DEST_PATH_IMAGE030
                              (11)
其中，小波分解系数矢量在整个子带内是零均值的，即
Figure 599958DEST_PATH_IMAGE031
。
根据的特征值分解，有：
Figure 623203DEST_PATH_IMAGE032
Figure 420258DEST_PATH_IMAGE033
                             (12)
根据
Figure 818309DEST_PATH_IMAGE006
关于与局部噪声方差
Figure 2483DEST_PATH_IMAGE009
的条件概率分布函数，有：
Figure 750865DEST_PATH_IMAGE035
                (13)
其中
Figure 846997DEST_PATH_IMAGE036
为每个邻域矢量的期望值。
结合上式与特征矢量
Figure 423788DEST_PATH_IMAGE038
的正交性，有：
Figure 815172DEST_PATH_IMAGE040
                (14)
另外，由于邻域矢量
Figure 64888DEST_PATH_IMAGE037
的中心系数
Figure 573797DEST_PATH_IMAGE041
方差
Figure 663982DEST_PATH_IMAGE042
与整个小波子带的系数方差
Figure 734706DEST_PATH_IMAGE043
为：
Figure 553890DEST_PATH_IMAGE044
                                                        (15)
Figure 393670DEST_PATH_IMAGE045
                                                          (16)
其中，
Figure 660615DEST_PATH_IMAGE046
为
Figure 953056DEST_PATH_IMAGE047
的方差。
因此, 能够从
Figure 587650DEST_PATH_IMAGE048
得到
Figure 50644DEST_PATH_IMAGE049
的估计值为：
Figure 702205DEST_PATH_IMAGE050
                                            (17)
其中，
Figure 525018DEST_PATH_IMAGE051
为的特征值，为每个邻域矢量
Figure 343347DEST_PATH_IMAGE006
的期望值，
Figure 610381DEST_PATH_IMAGE043
为整个小波子带的系数方差，为邻域矢量
Figure 981288DEST_PATH_IMAGE006
的中心系数
Figure 240231DEST_PATH_IMAGE053
方差。 
(4) 估计失真图像小波系数子带内的全局噪声方差与局部噪声方差
Figure 295354DEST_PATH_IMAGE009
。
在得到对乘数的估计值
Figure 818739DEST_PATH_IMAGE054
之后，有区分归一化变换(Divisive Normalization Transformation, DNT)系数为
                                                          (18)
因此，整个系数子带内DNT系数的方差
Figure 84157DEST_PATH_IMAGE056
为
Figure 624860DEST_PATH_IMAGE057
                                                   (19)
结合整个小波子带的系数方差
Figure 783178DEST_PATH_IMAGE043
，有
Figure 118344DEST_PATH_IMAGE058
                  (20)
 
Figure 847266DEST_PATH_IMAGE059
                                          (21)
得到了对全局噪声方差的估计
Figure 715295DEST_PATH_IMAGE060
后，有局部噪声的估计结果为
Figure 213273DEST_PATH_IMAGE061
                                                (22) 。
(5) 计算失真图像小波系数子带与对应的参考图像小波系数子带之间的互信息，将所有子带的互信息的和作为失真图像对参考图像的保真度估计。
记参考图像的
Figure 482188DEST_PATH_IMAGE062
个小波系数邻域矢量的集合为
Figure 698406DEST_PATH_IMAGE063
，乘数集合为
Figure 913400DEST_PATH_IMAGE064
，对应的
Figure 265884DEST_PATH_IMAGE062
个失真图像的小波系数矢量集合为
Figure 985929DEST_PATH_IMAGE065
。
Figure 423863DEST_PATH_IMAGE066
与
Figure 93748DEST_PATH_IMAGE067
之间关于的互信息为
Figure 360782DEST_PATH_IMAGE069
。根据小波系数矢量的条件独立性，有
Figure 75228DEST_PATH_IMAGE070
                              (23)
已知协方差矩阵为
Figure 626612DEST_PATH_IMAGE072
的连续高斯变量的微分墒为，因此失真图像小波系数矢量
Figure 103916DEST_PATH_IMAGE006
与对应的参考图像小波系数矢量
Figure 366534DEST_PATH_IMAGE005
之间的互信息为
Figure 548116DEST_PATH_IMAGE074
Figure 789654DEST_PATH_IMAGE075
                   (24)
因此，
Figure 689477DEST_PATH_IMAGE067
与
Figure 36013DEST_PATH_IMAGE066
之间的互信息为
  
Figure 464033DEST_PATH_IMAGE077
                (25)
假设第
Figure 851152DEST_PATH_IMAGE078
个小波子带内有
Figure 741660DEST_PATH_IMAGE079
个系数，参考图像与失真图像中以这些系数为中心系数的邻域矢量集合分别为
Figure 897835DEST_PATH_IMAGE080
与
Figure 241093DEST_PATH_IMAGE081
，对应的乘数集合为
Figure 627425DEST_PATH_IMAGE082
。因此，对失真图像的质量评估结果为：
Figure 800918DEST_PATH_IMAGE083
                                      (26)。
根据本发明，对每幅图像得到的信息保真度越大，则表明图像质量越差；信息保真度越小，则表明图像质量越好。
本发明避免了在对失真图像与参考图像的小波系数邻域互信息的计算中对参考图像的依赖，对参数的估计全部从失真图像小波系数中得到，实现了有效的图像质量盲评估。
公开图像质量评估数据库的总体评估结果表明：本发明对图像质量的评估结果与人眼主观评估结果高度一致，且优于文献中报道的其它盲评估方法。
附图说明
图1：灰度图像可操纵金字塔分解与小波系数邻域选取。
具体实施方式
实验在LIVE图像质量评估数据库[16]上验证本发明的性能。LIVE数据库包含982幅图像，其中779幅为失真图像。这些图像由29幅参考图像通过JPEG、JPEG2000、白噪声、高斯模糊和信道快速衰落这五种失真方式在不同失真级别下得到。数据库中还给出了每幅图像对应的主观评估分数(DMOS)，DMOS的范围是[0,100]，DMOS=0代表图像无失真，随着图像的失真程度增加，DMOS的值也会相应增加。通过将DMOS与图像质量评估算法得到的评估结果进行对比，那么就可评价图像质量评估算法的性能。
具体实验方法为：对LIVE数据库中的每幅图像都用本发明的信息保真度方法得到一个图像质量估计分数，然后对数据库中提供的主观评估分数(DMOS)与盲评估统计测度得到的估计结果做非线性回归拟合。
实验中用过完备的可操纵金字塔对图像进行小波分解，以保持图像的方向性。采用分解尺度数
Figure 597884DEST_PATH_IMAGE084
，方向数
Figure 565840DEST_PATH_IMAGE085
，分别为、
Figure 970454DEST_PATH_IMAGE087
、
Figure 878718DEST_PATH_IMAGE088
与
Figure 17575DEST_PATH_IMAGE089
，如图1所示。同时，选取每个小波系数
Figure 601003DEST_PATH_IMAGE001
 (图中以黑色小方块标示)与其相同子带内相邻系数、同尺度不同方向子带内同样位置上的系数以及相同方向母尺度上同样位置的系数(图中都以灰色小方块标示)共同构成它的邻域矢量，邻域大小
Figure 622278DEST_PATH_IMAGE090
。
在对图像质量估计结果与DMOS进行非线性回归拟合之后，可以通过五个客观评价指标来定量评价客观图像质量评估测度与主观质量评估结果的一致性：1) 线性相关系数(Linear Correlation Coefficient, LCC)，它描述了预测的准确性，其值越接近于1表示预测准确性越高；2)平均绝对误差(Mean Absolute Error, MAE)，其值越小表示预测绝对误差越小；3)均方根误差(Root Mean Squared Error, RMSE)，其值越小表示预测均方根误差越小; 4)离群比例(Outlier Ratio, OR)，它描述了预测一致性，其值越小表示预测一致性越高；5)Spearman秩相关系数(Spearman’s Rank Ordered Correlation Coefficient, SROCC)，它描述预测的单调性，其值越接近于1表示预测单调性越优。
将本发明与两种全参考图像质量评估指标——PSNR和SSIM[4]，一种盲评估方法——DIIVINE[6]进行对比。选择这些方法进行对比的原因是因为：PSNR是历史最悠久且最广泛应用的全参考评估算法，SSIM是目前受到广泛认可的全参考评估算法，而DIIVINE是目前所知最优的盲评估算法。得到如下定量评价结果：
表1：不同的图像质量评估算法在LIVE数据库上的性能比较。粗体的为盲评估算法，其它为全参考评估算法。
Figure 697814DEST_PATH_IMAGE091
从表1可以看出，本发明的信息保真度可以给出与人眼主观给分一致性较高的评估结果，并且总体性能优于目前我们所知的最优的盲评估算法DIIVINE[6]。DIIVINE算法的原始代码从文献[17]上下载，包含了在整个LIVE数据库上的训练结果。对每个失真类而言，本发明在对高斯模糊与快速信道衰落失真类的评估效果显著优于DIIVINE算法；对JPEG失真类的评估效果略优于DIIVINE算法，但是两种方法对JPEG失真类的评估结果都不是太尽如人意，这种结果与本发明所用的失真模型对高比特率的JPEG失真类的适用性略差[4]相吻合。另外，本发明的方法在对JP2K与白噪声的评估效果逊色于DIIVINE，我们认为这主要是与对分布模型中的噪声方差估计相关。因此，对噪声方差更准确地估计应该能够帮助进一步提高评估性能。
而本发明的信息保真度并不像DIIVINE一样需要复杂的特征提取与学习过程，在具有较低计算复杂度的同时，对多数失真类与整个数据库的评估结果都优于DIIVINE算法。
参考文献
[1]   H. R. Sheikh, M. F. Sabir, and A. C. Bovik. A Statistical Evaluation of Recent Full Reference Image Quality Assessment Algorithms [J]. IEEE Trans. Image Process., 2006, 15(11):3441-3452.
[2]   H. R. Sheikh, A. C. Bovik, G. deVeciana. An Information Fildelity Criterion for Image Quality Assessment Using Natural Scene Statistics [J]. IEEE Trans. Image Process., 2005, 14(12): 2117-2128.
[3]   Z. Wang. Applications of Objective Image Quality Assessment Methods [J]. IEEE Signal Process. Magazine, 2011, 15(2):137-142.
[4]   H. R. Sheikh and A. C. Bovik. Image information and visual quality [J]. IEEE Trans. Image Process., 2006, 15(2):430-444.
[5]   Z. Wang, A. C. Bovik, H. R. Sheikh, and E. P. Simoncelli. Image quality assessment: From error measurement to structural similarity [J]. IEEE Trans. Image Process., 2006, 13(4):600-612.
[6]   M. A. Saad, A. C. Bovik, and C. Charrier. DCT statistics model-based blind image quality assessment [J]. IEEE Int. Conf. Image Processing, Brussels, Belgium, 2010.
[7]   A. K. Moorthy and A. C. Bovik. Blind image quality assessment: from natural scene statistics to perceptual quality [J]. IEEE Tran. Image Process., 2011, 20(12): 3350-3363. 
[8]   A. Mittal, G. S. Muralidhar, J. Ghosh, and A. C. Bovik. Blind image quality assessment without human training using latent quality factors [J]. IEEE Tran. Signal Process., 2011, 19(2):75-78.
[9]   S. Gabarda and G. Cristobal. Blind image quality assessment through anisotropy [J]. J. Optic. Soc. Amer. A, 2007, 24(12):42-51.
[10]  Z. Wang and A. C. Bovik. Reduced- and no-reference image quality assessment [J]. IEEE Signal Process. Magazine, 2011, 28(6):29-40.
[11]  Q. Li, Z. Wang. Reduced-reference image quality assessment using divisive normalization-based image representation [J]. IEEE J. Select. Topics Signal Process., 2009, 3(2):202-211.
[12]  M. J. Wainwright and E. P. Simoncelli. Scale mixtures of Gaussians and the statistics of natural images [J]. Adv. Neural Inf. Process. Syst., 2000, 12(1): 855–861.
[13]  J. Portilla, V. Strela, M. J. Wainwright, and E. P. Simoncelli. Image denoising using scale mixture of Gaussians in the wavelet domain [J]. IEEE Trans. Image Process., 2003, 12(11):1338-1351.
[14]  A. K. Moorthy and A. C. Bovik. Statistics of natural image distortions [J]. Proc. IEEE Int. Conf, Acoustics Speech and Signal Processing (ICASSP), 2010, 962-965.
[15]  E. P. Simoncelli, W. T. Freeman, E. H. Adelson, and D. J. Heeger. Shiftable multiscale transforms [J]. IEEE Trans. Inf. Theory, 1992, 38(2): 587–607.
[16]  H. R. Sheikh, Z. Wang, A. C. Bovik, and L. K. Cormack, “Image and Video Quality Assessment Research at LIVE.” 
[Online].Available:    http://live.ece.utexas.edu/research/quality.
[17]  A. K. Moorthy and A. C. Bovik, [Online].Available:http://live.ece.utexas.edu/research /quality/DIIVINE_release.zip。

Claims (2)

1.一种图像质量盲评估的信息保真度方法，其特征在于根据自然图像的统计性质与失真图像的模型，实现对图像小波系数分布参数的盲估计；再利用估计的分布参数来计算失真图像与对应的参考图像之间的互信息，以量化失真图像对参考图像的保真度，进而实现对图像质量的评估，具体步骤如下：
(1) 如果失真图像是彩色图像，先将彩色图像转换成灰度图像；对失真的灰度图像进行小波系数变换，得到多个小波系数子带；
(2) 在每个小波系数子带内，对每个系数                                                
Figure 2013101356841100001DEST_PATH_IMAGE001
选取合适的小波系数邻域，将小波系数邻域拉成小波系数矢量
Figure 161937DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE003
为邻域大小；用衰减过程与叠加高斯噪声对小波系数矢量
Figure 562481DEST_PATH_IMAGE002
进行局部性描述，即
Figure 402261DEST_PATH_IMAGE004
，其中，
Figure DEST_PATH_IMAGE005
为
Figure 102495DEST_PATH_IMAGE006
对应的参考图像小波系数邻域矢量，变量
Figure DEST_PATH_IMAGE007
描述失真图像小波系数邻域对参考图像的局部衰减，
Figure 742073DEST_PATH_IMAGE008
是服从零均值、方差为
Figure DEST_PATH_IMAGE009
的叠加高斯噪声；
根据自然场景统计模型的统计性质，用高斯尺度混合分布描述无失真的参考图像的小波系数矢量
Figure 207417DEST_PATH_IMAGE010
，即，其中
Figure 248841DEST_PATH_IMAGE012
为表征系数矢量协方差变化的随机乘数，
Figure DEST_PATH_IMAGE013
为零均值、协方差矩阵为
Figure 119976DEST_PATH_IMAGE014
的高斯随机变量；有失真图像的小波系数矢量，记
Figure 161096DEST_PATH_IMAGE016
的协方差矩阵为
Figure DEST_PATH_IMAGE017
；
(3) 利用邻域矢量
Figure 695984DEST_PATH_IMAGE016
的马氏距离
Figure 244777DEST_PATH_IMAGE018
估计失真图像小波系数分布的乘数变量，有：
Figure DEST_PATH_IMAGE019
(1)
其中，
Figure 332819DEST_PATH_IMAGE020
为
Figure 599852DEST_PATH_IMAGE017
的特征值，
Figure DEST_PATH_IMAGE021
为每个邻域矢量
Figure 435776DEST_PATH_IMAGE006
的期望值，为整个小波子带的系数方差，
Figure DEST_PATH_IMAGE023
为邻域矢量
Figure 670590DEST_PATH_IMAGE006
的中心系数
Figure 424919DEST_PATH_IMAGE024
方差；
(4) 估计失真图像小波系数子带内的全局噪声方差与局部噪声方差
Figure 360997DEST_PATH_IMAGE026
，有：
Figure DEST_PATH_IMAGE027
     (2)
Figure 730055DEST_PATH_IMAGE028
  (3)
其中，
Figure DEST_PATH_IMAGE029
为整个子带内区分归一化变换系数的方差，DNT系数的估计值为：
   (4)
 (5) 计算失真图像小波系数子带与对应的参考图像小波系数子带之间的互信息，将所有子带的互信息的和作为失真图像对参考图像的保真度估计；
记参考图像的
Figure 419499DEST_PATH_IMAGE032
个小波系数邻域矢量的集合为，乘数集合为
Figure 179776DEST_PATH_IMAGE034
，对应的个失真图像的小波系数矢量集合为；
Figure 505551DEST_PATH_IMAGE036
与
Figure DEST_PATH_IMAGE037
之间关于
Figure 783606DEST_PATH_IMAGE038
的互信息为
Figure DEST_PATH_IMAGE039
，有：
Figure 81994DEST_PATH_IMAGE040
       (5)
假设第个小波子带内有
Figure 314316DEST_PATH_IMAGE042
个系数，参考图像与失真图像中以这些系数为中心系数的邻域矢量集合分别为
Figure DEST_PATH_IMAGE043
与
Figure 42888DEST_PATH_IMAGE044
，对应的乘数集合为
Figure DEST_PATH_IMAGE045
，因此，对失真图像的质量评估结果为：
Figure 603313DEST_PATH_IMAGE046
   (6) 。
2.根据权利要求1所述的方法，对每幅图像得到的信息保真度越大，则表明图像质量越差；信息保真度越小，则表明图像质量越好。
CN201310135684.1A 2013-04-19 2013-04-19 一种图像质量盲评估的信息保真度方法 Expired - Fee Related CN103258326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310135684.1A CN103258326B (zh) 2013-04-19 2013-04-19 一种图像质量盲评估的信息保真度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310135684.1A CN103258326B (zh) 2013-04-19 2013-04-19 一种图像质量盲评估的信息保真度方法

Publications (2)

Publication Number Publication Date
CN103258326A true CN103258326A (zh) 2013-08-21
CN103258326B CN103258326B (zh) 2016-03-30

Family

ID=48962219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310135684.1A Expired - Fee Related CN103258326B (zh) 2013-04-19 2013-04-19 一种图像质量盲评估的信息保真度方法

Country Status (1)

Country Link
CN (1) CN103258326B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282019A (zh) * 2014-09-16 2015-01-14 电子科技大学 基于自然场景统计和感知质量传播的盲图像质量评价方法
CN104318545A (zh) * 2014-09-22 2015-01-28 中国人民解放军陆军军官学院 一种用于雾天偏振图像的质量评价方法
CN108629771A (zh) * 2018-05-08 2018-10-09 重庆瑞景信息科技有限公司 一种具有尺度鲁棒性的图像质量盲评价方法
CN108898600A (zh) * 2018-07-11 2018-11-27 上饶师范学院 图像质量评价方法及装置
CN109643369A (zh) * 2016-07-19 2019-04-16 赛峰集团 用于辅助载具导航的方法和装置
CN111127298A (zh) * 2019-06-12 2020-05-08 上海大学 一种全景图像盲质量评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20110038548A1 (en) * 2009-02-11 2011-02-17 Rezazadeh Soroosh Method and system for determining a quality measure for an image using multi-level decomposition of images

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20110038548A1 (en) * 2009-02-11 2011-02-17 Rezazadeh Soroosh Method and system for determining a quality measure for an image using multi-level decomposition of images

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAMID RAHIM SHEIKH 等: "A Statistical Evaluation of Recent Full Reference Image Quality Assessment Algorithms", 《IEEE TRANS. IMAGE PROCESSING》 *
HAMID RAHIM SHEIKH 等: "An Information Fidelity Criterion for Image Quality Assessment Using Natural Scene Statistics", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
KALPANA SESHADRINATHAN 等: "Image Quality Assessment", 《CHAPTER IN ESSENTIAL GUIDE OF IMAGE PROCESSING，ELSEVIER》 *
MICHELE A. SAAD 等: "Blind Image Quality Assessment: A Natural Scene Statistics Approach in the DCT Domain", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282019A (zh) * 2014-09-16 2015-01-14 电子科技大学 基于自然场景统计和感知质量传播的盲图像质量评价方法
CN104282019B (zh) * 2014-09-16 2017-06-13 电子科技大学 基于自然场景统计和感知质量传播的盲图像质量评价方法
CN104318545A (zh) * 2014-09-22 2015-01-28 中国人民解放军陆军军官学院 一种用于雾天偏振图像的质量评价方法
CN104318545B (zh) * 2014-09-22 2018-08-17 中国人民解放军陆军军官学院 一种用于雾天偏振图像的质量评价方法
CN109643369A (zh) * 2016-07-19 2019-04-16 赛峰集团 用于辅助载具导航的方法和装置
CN108629771A (zh) * 2018-05-08 2018-10-09 重庆瑞景信息科技有限公司 一种具有尺度鲁棒性的图像质量盲评价方法
CN108629771B (zh) * 2018-05-08 2019-03-26 重庆瑞景信息科技有限公司 一种具有尺度鲁棒性的图像质量盲评价方法
CN108898600A (zh) * 2018-07-11 2018-11-27 上饶师范学院 图像质量评价方法及装置
CN108898600B (zh) * 2018-07-11 2021-03-23 上饶师范学院 图像质量评价方法及装置
CN111127298A (zh) * 2019-06-12 2020-05-08 上海大学 一种全景图像盲质量评估方法
CN111127298B (zh) * 2019-06-12 2023-05-16 上海大学 一种全景图像盲质量评估方法

Also Published As

Publication number Publication date
CN103258326B (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
Wang et al. Reduced-reference image quality assessment using a wavelet-domain natural image statistic model
Li et al. No-reference video quality assessment with 3D shearlet transform and convolutional neural networks
Wang et al. Reduced-and no-reference image quality assessment
CN105208374B (zh) 一种基于深度学习的无参考图像质量客观评价方法
Wang et al. Information content weighting for perceptual image quality assessment
CN103475898B (zh) 一种基于信息熵特征的无参考图像质量评价方法
He et al. Sparse representation for blind image quality assessment
Zhang et al. Kurtosis-based no-reference quality assessment of JPEG2000 images
Gao et al. Biologically inspired image quality assessment
CN103258326A (zh) 一种图像质量盲评估的信息保真度方法
CN105825500A (zh) 一种对相机图像质量的评价方法与装置
CN101562675B (zh) 基于Contourlet变换的无参考型图像质量评测方法
CN102945552A (zh) 基于自然场景统计中稀疏表示的无参考图像质量评价方法
EP2534639A1 (en) Method and system for determining a quality measure for an image using multi-level decomposition of images
CN104376565A (zh) 基于离散余弦变换和稀疏表示的无参考图像质量评价方法
CA2784926A1 (en) Method and system for determining a quality measure for an image using a variable number of multi-level decompositions
Wang et al. COME for no-reference video quality assessment
CN102930545A (zh) 一种图像质量盲评估的统计测度方法
CN103841411B (zh) 一种基于双目信息处理的立体图像质量评价方法
Poreddy et al. BVRIQE: A completely blind no reference virtual reality image quality evaluator
CN103578104A (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
Ait Abdelouahad et al. Reduced reference image quality assessment based on statistics in empirical mode decomposition domain
Mittal et al. Blind image quality assessment without training on human opinion scores
Wang et al. No-reference quality assessment for DCT-based compressed image
Ruikar et al. Image quality assessment algorithms: study and performance comparison

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20190703

Address after: Room 1103, Building 21, 39 Jibang Road, Zhongming Town, Shanghai 202163

Patentee after: SHANGHAI JILIAN NETWORK TECHNOLOGY Co.,Ltd.

Address before: 200433 No. 220, Handan Road, Shanghai, Yangpu District

Patentee before: Fudan University

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160330