CN103354617B - 一种基于dct域的边缘强度压缩的图像质量客观评价方法 - Google Patents

Abstract

本发明公开了一种基于DCT域的边缘强度压缩的图像质量客观评价方法，其首先通过分别获取无失真图像和失真图像的亮度分量图的4个方向的系数矩阵，获取无失真图像和失真图像的亮度分量图的全局边缘强度，其次通过获取两个全局边缘强度中的每个8×8的半重叠块的均值、标准差和方差，获取失真图像中相对应的每个区域的敏感因子，接着通过获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵，获取两个全局边缘强度中相对应的两个半重叠块的能量相似性，最后根据敏感因子及能量相似性，获取失真图像的质量评价分数，由于本方法充分去除了人眼的视觉冗余信息，有效利用了人眼比较敏感的边缘强度，因此得到的客观评价结果与人眼主观感知能够保持很好的一致性。

Description

一种基于DCT域的边缘强度压缩的图像质量客观评价方法

技术领域

本发明涉及一种图像质量评价方法，尤其是涉及基于DCT域的边缘强度压缩的图像质量客观评价方法。

背景技术

近年来，图像质量评价由于在视频图像处理中的广泛应用而受到了越来越多研究者的关注。图像质量的好坏是视频系统的重要技术指标，图像质量评价的研究成为视频系统和算法优劣的重要技术手段。由于目前人眼还是最终的接收端，因此主观的度量是最直接最合理的质量评价方法。然而，主观的实验测试条件苛刻，费时费力，从而限制了在实际中的应用。因此，需要实用的易操作的图像质量客观评价方法来评价图像质量，并且引导图像处理的应用。图像处理的核心问题是怎样有效地描述图像的视觉信息，比如常用的图像压缩、图像频率变换和图像的特征提取等等。图像质量客观评价按照参照原始图像的信息量的多少分为全参考、半参考和无参考。由于全参考需要原始图像的所有信息，而在实际应用中原始图像大多情况下是得不到的，因此半参考和无参考的评价方法越来越实用，其中半参考的评价方法只需选取合适的特征，在传输的过程中只需传输这些特征，因此可以更好地调整码率，并且与人眼感知具有较好的一致性。不少研究者在考虑多通道分辨率特性，如小波变换、离散余弦变换等，提取图像的特征建立半参考的评价方法，常见的有基于傅里叶变换提取相位信息和频率信息的半参考评价方法等。然而，这些半参考评价方法由于没有考虑人眼的多通道效应，比如高频子带的视觉冗余信息等，因此仍然没有与人眼主观达成很好的一致性。

发明内容

本发明所要解决的技术问题是提供一种基于DCT域的边缘强度压缩的图像质量客观评价方法，其不仅能够提高传输速度，节省带宽，而且能够有效地提高客观评价结果与主观感知之间的相关性。

本发明解决上述技术问题所采用的技术方案为：一种基于DCT域的边缘强度压缩的图像质量客观评价方法，其特征在于它的处理过程为：首先，通过分别获取原始的无失真图像的亮度分量图和待评价的失真图像的亮度分量图的水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，获取原始的无失真图像的亮度分量图的全局边缘强度和待评价的失真图像的亮度分量图的全局边缘强度；其次，将两个全局边缘强度分别分割成多个8×8的半重叠块，再通过获取两个全局边缘强度中的每个半重叠块的均值、标准差和方差，获取待评价的失真图像中相对应的每个8×8的区域的敏感因子；接着，获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵，并获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵中去除直流系数后形成的列向量，再通过获取两个全局边缘强度中的每个半重叠块对应的列向量经压缩后的所有DCT系数的平均值，获取两个全局边缘强度中相对应的两个半重叠块的能量相似性；最后，根据待评价的失真图像中相对应的每个8×8的区域的敏感因子及两个全局边缘强度中相对应的两个半重叠块的能量相似性，计算待评价的失真图像的质量评价分数。

本发明的基于DCT域的边缘强度压缩的图像质量客观评价方法，它具体包括以下步骤：

①令f表示原始的无失真图像，令g表示待评价的失真图像，分别提取出f和g的亮度分量图；

②采用水平方向高通滤波器、对角线45°方向高通滤波器、垂直方向高通滤波器和对角线135°方向高通滤波器分别对f的亮度分量图进行高通滤波处理，对应得到水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，对应记为f₁'、f₂'、f₃'和f₄'，将f₁'中坐标位置为(i,j)处的系数记为f₁'(i,j)，将f₂'中坐标位置为(i,j)处的系数记为f₂'(i,j)，将f₃'中坐标位置为(i,j)处的系数记为f₃'(i,j)，将f₄'中坐标位置为(i,j)处的系数记为f₄'(i,j)，

采用水平方向高通滤波器、对角线45°方向高通滤波器、垂直方向高通滤波器和对角线135°方向高通滤波器分别对g的亮度分量图进行高通滤波处理，对应得到水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，对应记为g₁'、g'₂、g'₃和g'₄，将g₁'中坐标位置为(i,j)处的系数记为g₁'(i,j)，将g₂'中坐标位置为(i,j)处的系数记为g'₂(i,j)，将g'₃中坐标位置为(i,j)处的系数记为g'₃(i,j)，将g'₄中坐标位置为(i,j)处的系数记为g'₄(i,j)，

在此，1≤i≤W,1≤j≤H，W表示f和g的宽度，H表示f和g的高度，f(i,j)表示f的亮度分量图中坐标位置为(i,j)的像素点的像素值，f(i-3+m,j-3+n)表示f的亮度分量图中坐标位置为(i-3+m,j-3+n)的像素点的像素值，g(i,j)表示g的亮度分量图中坐标位置为(i,j)的像素点的像素值，g(i-3+m,j-3+n)表示g的亮度分量图中坐标位置为(i-3+m,j-3+n)的像素点的像素值，B₁(m,n)表示5×5的水平方向高通滤波器中坐标位置为(m,n)处的元素，B₂(m,n)表示5×5的对角线45°方向高通滤波器中坐标位置为(m,n)处的元素，B₃(m,n)表示5×5的垂直方向高通滤波器中坐标位置为(m,n)处的元素，B₄(m,n)表示5×5的对角线135°方向高通滤波器中坐标位置为(m,n)处的元素；

③根据f₁'和f₃'，计算f的亮度分量图在水平垂直方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为 并根据f₂'和f₄'，计算f的亮度分量图在对角线方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为 其中，符号“||”为取绝对值符号；

同样，根据g₁'和g'₃，计算g的亮度分量图在水平垂直方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为 并根据g'₂和g'₄，计算g的亮度分量图在对角线方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为

④根据和计算f的亮度分量图的全局边缘强度，记为E_f，将E_f中坐标位置为(i,j)的像素点的像素值记为E_f(i,j)，其中，max()为取最大值函数；

根据和及E_f，计算g的亮度分量图的全局边缘强度，记为E_g，将E_g中坐标位置为(i,j)的像素点的像素值记为E_g(i,j)，

⑤将E_f分割成K个尺寸大小为8×8的半重叠块，其中，符号为向下取整符号；然后计算E_f中的每个半重叠块的均值、标准差和方差，将E_f中的第n个半重叠块的均值、标准差和方差分别记为μ_{f_n}、δ_{f_n}和，其中，1≤n≤K；再对E_f中的每个半重叠块进行离散余弦变换，得到每个半重叠块对应的DCT系数矩阵，将E_f中的第n个半重叠块对应的DCT系数矩阵记为F_n；最后去除E_f中的每个半重叠块对应的DCT系数矩阵中的直流系数，并将E_f中的每个半重叠块对应的DCT系数矩阵中剩余的63个DCT系数按照先行后列的顺序排列组成63×1维的列向量，将E_f中的第n个半重叠块对应的DCT系数矩阵F_n中去除直流系数后剩余的63个DCT系数按照先行后列的顺序排列组成的63×1维的列向量记为F_n'；

将E_g分割成K个尺寸大小为8×8的半重叠块；然后计算E_g中的每个半重叠块的均值、标准差和方差，将E_g中的第n个半重叠块的均值、标准差和方差分别记为μ_{g_n}、δ_{g_n}和再对E_g中的每个半重叠块进行离散余弦变换，得到每个半重叠块对应的DCT系数矩阵，将E_g中的第n个半重叠块对应的DCT系数矩阵记为G_n；最后去除E_g中的每个半重叠块对应的DCT系数矩阵中的直流系数，并将E_g中的每个半重叠块对应的DCT系数矩阵中剩余的63个DCT系数按照先行后列的顺序排列组成63×1维的列向量，将E_g中的第n个半重叠块对应的DCT系数矩阵中去除直流系数后剩余的63个DCT系数按照先行后列的顺序排列组成的63×1维的列向量记为G'_n；

⑥根据E_f中的每个半重叠块的均值和E_g中的每个半重叠块的均值，计算E_f和E_g中相对应的两个半重叠块的均值相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的均值相似性记为l_n，其中，C1为用于防止分母为零的常数；

根据E_f中的每个半重叠块的标准差和方差及E_g中的每个半重叠块的标准差和方差，计算E_f和E_g中相对应的两个半重叠块的方差相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的方差相似性记为c_n，其中，C2为用于防止分母为零的常数；

将E_f和E_g中相对应的两个半重叠块的均值相似性作为E_g中相对应的半重叠块的亮度因子，将E_f和E_g中相对应的两个半重叠块的方差相似性作为E_g中相对应的半重叠块的对比度因子，然后根据E_g中的每个半重叠块的亮度因子和对比度因子，计算E_g中的每个半重叠块的敏感因子，将E_g中的第n个半重叠块的敏感因子记为w_n，w_n=l_n×c_n；

⑦对E_f中的每个半重叠块对应的63×1维的列向量进行压缩处理，得到压缩后的列向量，将E_f中的第n个半重叠块对应的压缩后的列向量记为F_n''，F_n''=φ×F_n'，其中，φ为63×63维的高斯随机矩阵；然后计算E_f中的每个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值，将E_f中的第n个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值记为 其中，1≤k≤63，F_n''(k)表示F_n''中的第k个DCT系数；

对E_g中的每个半重叠块对应的63×1维的列向量进行压缩处理，得到压缩后的列向量，将E_g中的第n个半重叠块对应的压缩后的列向量记为G''_n，G''_n=φ×G'_n；然后计算E_g中的每个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值，将E_g中的第n个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值记为 其中，G''_n(k)表示G''_n中的第k个DCT系数；

计算E_f和E_g中相对应的两个半重叠块的能量相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的能量相似性记为e_n， $e_n=\frac{\underset{k=1}{\overset{63}{\mathrm{\Σ}}}(F_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{F_n^{\′\′}})\×(G_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{G_n^{\′\′}})+C3}{\sqrt{\underset{k=1}{\overset{63}{\mathrm{\Σ}}}{(F_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{F_n^{\′\′}})}^2\×{(G_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{G_n^{\′\′}})}^2+C3}},$ 其中，C3为用于防止分母为零的常数；

⑧根据E_g中的每个半重叠块的敏感因子、E_f和E_g中相对应的两个半重叠块的能量相似性，计算E_g中的每个半重叠块的质量评价分数，将E_g中的第n个半重叠块的质量评价分数记为Q_n，Q_n=w_n×e_n；然后根据E_g中的所有半重叠块的质量评价分数，计算g的客观质量评价分数，记为Q，

所述的步骤⑥中取C1=0.01×L，C2=0.03×L，其中，L表示图像的灰度级数。

所述的步骤⑦中取C3=(0.03×L)/2，其中，L表示图像的灰度级数。

所述的步骤⑦中高斯随机矩阵φ选用均值为0且方差为1的高斯随机矩阵。

与现有技术相比，本发明的优点在于：其首先通过分别获取原始的无失真图像和待评价的失真图像的亮度分量图的4个方向的系数矩阵，获取原始的无失真图像和待评价的失真图像的亮度分量图的全局边缘强度，其次通过获取两个全局边缘强度中的每个8×8的半重叠块的均值、标准差和方差，获取待评价的失真图像中相对应的每个8×8的区域的敏感因子，接着通过获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵，获取两个全局边缘强度中相对应的两个半重叠块的能量相似性，最后根据敏感因子及能量相似性，获取待评价的失真图像的质量评价分数，由于本发明方法充分去除了人眼的视觉冗余信息，有效利用了人眼比较敏感的边缘强度，因此得到的客观评价结果与人眼主观感知能够保持很好的一致性，同时提高了传输速度，并节省了带宽。

附图说明

图1_1为bikes(768×512)图像；

图1_2为building2(640×512)图像；

图1_3为buildings(768×512)图像；

图1_4为caps(768×512)图像；

图1_5为carnivaldolls(610×488)图像；

图1_6为cemetry(627×482)图像；

图1_7为churchandcapitol(634×505)图像；

图1_8为coinsinfountain(640×512)图像；

图1_9为dancers(618×453)图像；

图1_10为flowersonih35(640×512)图像；

图1_11为house(768×512)图像；

图1_12为lighthouse2(768×512)图像；

图1_13为lighthouse(480×720)图像；

图1_14为manfishing(634×438)图像；

图1_15为monarch(768×512)图像；

图1_16为ocean(768×512)图像；

图1_17为paintedhouse(768×512)图像；

图1_18为parrots(768×512)图像；

图1_19为plane(768×512)图像；

图1_20为rapids(768×512)图像；

图1_21为sailing1(768×512)图像；

图1_22为sailing2(480×720)图像；

图1_23为sailing3(480×720)图像；

图1_24为sailing4(768×512)图像；

图1_25为statue(480×720)图像；

图1_26为stream(768×512)图像；

图1_27为studentsculpture(632×505)图像；

图1_28为woman(480×720)图像；

图1_29为womanhat(480×720)图像；

图2a为高通滤波器0°水平方向的算子模板的示意图；

图2b为高通滤波器45°方向的算子模板的示意图；

图2c为高通滤波器的90°垂直方向的算子模板的示意图；

图2d为高通滤波器的135°方向的算子模板的示意图；

图3a为JP2K(1)失真图像评价与平均主观评分差值的拟合散点图；

图3b为JP2K(2)失真图像评价与平均主观评分差值的拟合散点图；

图3c为JPEG(1)失真图像评价与平均主观评分差值的拟合散点图；

图3d为JPEG(2)失真图像评价与平均主观评分差值的拟合散点图；

图3e为高斯白噪声(WN)失真图像评价与平均主观评分差值的拟合散点图；

图3f为高斯模糊(GBLUR)失真图像评价与平均主观评分差值的拟合散点图；

图3g为快衰落(FF)失真图像评价与平均主观评分差值的拟合散点图；

图4为本发明方法的总体实现框图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明提出的一种基于DCT域的边缘强度压缩的图像质量客观评价方法，其总体实现框图如图4所示，其处理过程为：首先，通过分别获取原始的无失真图像的亮度分量图和待评价的失真图像的亮度分量图的水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，获取原始的无失真图像的亮度分量图的全局边缘强度和待评价的失真图像的亮度分量图的全局边缘强度；其次，将两个全局边缘强度分别分割成多个8×8的半重叠块，再通过获取两个全局边缘强度中的每个半重叠块的均值、标准差和方差，获取待评价的失真图像中相对应的每个8×8的区域的敏感因子；接着，获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵，并获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵中去除直流系数后形成的列向量，再通过获取两个全局边缘强度中的每个半重叠块对应的列向量经压缩后的所有DCT系数的平均值，获取两个全局边缘强度中相对应的两个半重叠块的能量相似性；最后，根据待评价的失真图像中相对应的每个8×8的区域的敏感因子及两个全局边缘强度中相对应的两个半重叠块的能量相似性，计算待评价的失真图像的质量评价分数。

本发明的基于DCT域的边缘强度压缩的图像质量客观评价方法，其具体包括以下步骤：

①令f表示原始的无失真图像，令g表示待评价的失真图像，分别提取出f和g的亮度分量图。

②采用水平方向（即0°方向）高通滤波器、对角线45°方向高通滤波器、垂直方向（即90°方向）高通滤波器和对角线135°方向高通滤波器分别对f的亮度分量图进行高通滤波处理，对应得到水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，对应记为f₁'、f₂'、f₃'和f₄'，将f₁'中坐标位置为(i,j)处的系数记为f₁'(i,j)，将f₂'中坐标位置为(i,j)处的系数记为f₂'(i,j)，将f₃'中坐标位置为(i,j)处的系数记为f₃'(i,j)，将f₄'中坐标位置为(i,j)处的系数记为f₄'(i,j)，

采用水平方向高通滤波器、对角线45°方向高通滤波器、垂直方向高通滤波器和对角线135°方向高通滤波器分别对g的亮度分量图进行高通滤波处理，对应得到水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，对应记为g₁'、g'₂、g'₃和g'₄，将g₁'中坐标位置为(i,j)处的系数记为g₁'(i,j)，将g'₂中坐标位置为(i,j)处的系数记为g'₂(i,j)，将g'₃中坐标位置为(i,j)处的系数记为g'₃(i,j)，将g'₄中坐标位置为(i,j)处的系数记为g'₄(i,j)，

在此，1≤i≤W,1≤j≤H，W表示f和g的宽度，H表示f和g的高度，f(i,j)表示f的亮度分量图中坐标位置为(i,j)的像素点的像素值，f(i-3+m,j-3+n)表示f的亮度分量图中坐标位置为(i-3+m,j-3+n)的像素点的像素值，g(i,j)表示g的亮度分量图中坐标位置为(i,j)的像素点的像素值，g(i-3+m,j-3+n)表示g的亮度分量图中坐标位置为(i-3+m,j-3+n)的像素点的像素值，B₁(m,n)表示5×5的水平方向高通滤波器中坐标位置为(m,n)处的元素，B₂(m,n)表示5×5的对角线45°方向高通滤波器中坐标位置为(m,n)处的元素，B₃(m,n)表示5×5的垂直方向高通滤波器中坐标位置为(m,n)处的元素，B₄(m,n)表示5×5的对角线135°方向高通滤波器中坐标位置为(m,n)处的元素。

图2a给出了水平方向高通滤波器的算子模板，图2b给出了对角线45°方向高通滤波器的算子模板，图2c给出了垂直方向高通滤波器的算子模板，图2d给出了对角线135°方向高通滤波器的算子模板。

③根据f₁'和f₃'，计算f的亮度分量图在水平垂直方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值（即边缘强度值）记为 并根据f₂'和f₄'，计算f的亮度分量图在对角线方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为 其中，符号“||”为取绝对值符号。

同样，根据g₁'和g'₃，计算g的亮度分量图在水平垂直方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为 并根据g'₂和g'₄，计算g的亮度分量图在对角线方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为

④由于人眼对图像的边缘强度值大的像素点会更加敏感，因此可以从和中选取较大的边缘强度值作为f的亮度分量图的全局边缘强度中的像素点的边缘强度值，即根据和计算f的亮度分量图的全局边缘强度，记为E_f，将E_f中坐标位置为(i,j)的像素点的像素值记为E_f(i,j)，其中，max()为取最大值函数。

根据和及E_f，计算g的亮度分量图的全局边缘强度，记为E_g，将E_g中坐标位置为(i,j)的像素点的像素值记为E_g(i,j)，

⑤为了避免JPEG失真的失真图像在分块边界处的块效应，将原始的无失真图像的亮度分量图的全局边缘强度E_f分成K个8×8的半重叠块，虽然其它失真类型的失真图像不受分块影响，但在本发明中做同样的处理。即将E_f分割成K个尺寸大小为8×8的半重叠块，其中，符号为向下取整符号；然后计算E_f中的每个半重叠块的均值、标准差和方差，将E_f中的第n个半重叠块的均值、标准差和方差分别记为μ_{f_n}、δ_{f_n}和其中，1≤n≤K；再对E_f中的每个半重叠块进行离散余弦变换（DCT），得到每个半重叠块对应的DCT系数矩阵，将E_f中的第n个半重叠块对应的DCT系数矩阵记为F_n；最后由于DCT变换具有去除冗余的效果，并且直流信息稳定，因此去除E_f中的每个半重叠块对应的DCT系数矩阵中的直流系数即第一个DCT系数，并将E_f中的每个半重叠块对应的DCT系数矩阵中剩余的63个DCT系数按照先行后列的顺序排列组成63×1维的列向量，将E_f中的第n个半重叠块对应的DCT系数矩阵F_n中去除直流系数后剩余的63个DCT系数按照先行后列的顺序排列组成的63×1维的列向量记为F_n'。

将E_g分割成K个尺寸大小为8×8的半重叠块；然后计算E_g中的每个半重叠块的均值、标准差和方差，将E_g中的第n个半重叠块的均值、标准差和方差分别记为μ_{g_n}、δ_{g_n}和；再对E_g中的每个半重叠块进行离散余弦变换，得到每个半重叠块对应的DCT系数矩阵，将E_g中的第n个半重叠块对应的DCT系数矩阵记为G_n；最后由于DCT变换具有去除冗余的效果，并且直流信息稳定，因此去除E_g中的每个半重叠块对应的DCT系数矩阵中的直流系数，并将E_g中的每个半重叠块对应的DCT系数矩阵中剩余的63个DCT系数按照先行后列的顺序排列组成63×1维的列向量，将E_g中的第n个半重叠块对应的DCT系数矩阵中去除直流系数后剩余的63个DCT系数按照先行后列的顺序排列组成的63×1维的列向量记为G'_n。

⑥由于人眼对不同失真的失真图像感知敏感度不同，对不同的失真图像内容感知也不同，因此对于不同的半重叠块，人眼的感知也是不同的。根据E_f中的每个半重叠块的均值和E_g中的每个半重叠块的均值，计算E_f和E_g中相对应的两个半重叠块的均值相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的均值相似性记为l_n，其中，C1为用于防止分母为零的常数。

根据E_f中的每个半重叠块的标准差和方差及E_g中的每个半重叠块的标准差和方差，计算E_f和E_g中相对应的两个半重叠块的方差相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的方差相似性记为c_n，其中，C2为用于防止分母为零的常数。

将E_f和E_g中相对应的两个半重叠块的均值相似性作为E_g中相对应的半重叠块的亮度因子，将E_f和E_g中相对应的两个半重叠块的方差相似性作为E_g中相对应的半重叠块的对比度因子，然后根据E_g中的每个半重叠块的亮度因子和对比度因子，计算E_g中的每个半重叠块的敏感因子，将E_g中的第n个半重叠块的敏感因子记为w_n，w_n=l_n×c_n。

在本实施例中，取C1=0.01×L，C2=0.03×L，其中，L表示图像的灰度级数，即L=255。

⑦对E_f中的每个半重叠块对应的63×1维的列向量进行压缩处理，得到压缩后的列向量，将E_f中的第n个半重叠块对应的压缩后的列向量记为F_n''，F_n''=φ×F_n'，其中，φ为63×63维的高斯随机矩阵；然后计算E_f中的每个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值，将E_f中的第n个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值记为 其中，1≤k≤63，F_n''(k)表示F_n''中的第k个DCT系数。

对E_g中的每个半重叠块对应的63×1维的列向量进行压缩处理，得到压缩后的列向量，将E_g中的第n个半重叠块对应的压缩后的列向量记为G''_n，G''_n=φ×G'_n；然后计算E_g中的每个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值，将E_g中的第n个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值记为 其中，G''_n(k)表示G''_n中的第k个DCT系数。

计算E_f和E_g中相对应的两个半重叠块的能量相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的能量相似性记为e_n， $e_n=\frac{\underset{k=1}{\overset{63}{\mathrm{\Σ}}}(F_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{F_n^{\′\′}})\×(G_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{G_n^{\′\′}})+C3}{\sqrt{\underset{k=1}{\overset{63}{\mathrm{\Σ}}}{(F_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{F_n^{\′\′}})}^2\×{(G_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{G_n^{\′\′}})}^2+C3}},$ 其中，C3为用于防止分母为零的常数。

在本实施例中，取C3=(0.03×L)/2，其中，L表示图像的灰度级数，即L=255；高斯随机矩阵φ选用均值为0且方差为1的高斯随机矩阵。

⑧根据E_g中的每个半重叠块的敏感因子、E_f和E_g中相对应的两个半重叠块的能量相似性，计算E_g中的每个半重叠块的质量评价分数，将E_g中的第n个半重叠块的质量评价分数记为Q_n，Q_n=w_n×e_n；然后根据E_g中的所有半重叠块的质量评价分数，计算g的客观质量评价分数，记为Q，

以下为通过实验说明本发明方法的可行性和有效性。

在本实施例中，使用的图像数据为美国Texas大学图像和视频工程实验室公开的图像质量估计数据库（LIVE）所提供的808幅图像，其中包括无失真的参考图像29幅（如图1_1至图1_29所示），失真图像779幅。另外，这779幅失真图像按失真类型被分到5个子图像库中，即：高斯白噪声（WN，white noise）失真图像库（包含145幅图像）、高斯模糊（GBLUR，Gaussian blurring）失真图像库（包含145幅图像）、JPEG失真图像库（包含175幅图像）、JP2K失真图像库（包含169幅图像）以及快衰落（FF，fast fading）失真图像库（包含145幅图像）。JPEG失真图像和JP2K失真图像分别平均分2组进行测试，记为JPEG(1)、JPEG(2)、JP2K(1)和JP2K(2)。同时，上述每幅失真图像的失真类型是单一的。数据库给出了每组失真图像的平均主观评分差值（Difference Mean Opinion Scores，DMOS）。DMOS取值范围是[0,100]，其值越大，表示图像的质量越差，失真越严重。

在此采用四个评价标准来验证本发明的图像质量客观评价方法与主观立体感知质量之间的一致性：第一个指标为非线性回归条件下的主观预测值与DMOS之间的线性相关系数（Pearson Linear Correlation Coefficient，CC），其非线性回归处理采用四参数进行拟合，反映了图像质量客观评价方法的预测精确性；第二个指标为Spearman秩相关系数（Spearman Rank Order Correlation Coefficient，SROCC），反映图像质量客观评价方法的预测单调性；第三个指标为均方根误差（Rooted Mean Squared Error，RMSE），反映图像质量客观评价方法的预测准确性；第四个指标为平均绝对误差（Mean AbsoluteError，MAE），反映图像质量客观评价方法预测的稳定性。其中，CC值和SROCC值取值范围在[0,1]之间，值越大说明客观评价方法越好，MAE和RMSE值越小越好。

表1给出了不同失真图像经本发明方法处理后的评价性能指标。从表1中所列的数据可以看出，针对不同的失真类型CC值和SROCC值均在0.92以上，与人眼主观感知具有较好的一致性。同时，由于本发明方法只在边缘强度进行信号信息的采集和处理，因此为视频图像的传输省去了大量的数据量，同时节省了带宽。为了进一步说明本发明方法的优势，图3a给出了JP2K(1)压缩失真图像评价与平均主观评分差值的拟合散点图，图3b给出了JP2K(2)压缩失真图像评价与平均主观评分差值的拟合散点图，图3c给出了JPEG(1)压缩失真图像评价与平均主观评分差值的拟合散点图，图3d给出了JPEG(2)压缩失真图像评价与平均主观评分差值的拟合散点图，图3e给出了高斯白噪声（WN）失真图像评价与平均主观评分差值的拟合散点图，图3f给出了高斯模糊（GBLUR）失真图像评价与平均主观评分差值的拟合散点图，图3g给出了快衰落（FF）失真图像评价与平均主观评分差值的拟合散点图。从图3a至图3g中可以看出，本发明方法得到的客观质量评价分数与主观感知具有高度的一致性，从而证明了本发明方法的可行性和有效性，相对于峰值信噪比、结构相似度等传统方法，本发明方法在各个评价指标方面都取得了相对较好的结果。

表1不同失真图像经本发明方法处理后的评价性能指标

Claims (4)

1.一种基于DCT域的边缘强度压缩的图像质量客观评价方法，其特征在于它的处理过程为：首先，通过分别获取原始的无失真图像的亮度分量图和待评价的失真图像的亮度分量图各自的水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，获取原始的无失真图像的亮度分量图的全局边缘强度和待评价的失真图像的亮度分量图的全局边缘强度；其次，将两个全局边缘强度分别分割成多个8×8的半重叠块，再通过获取两个全局边缘强度中的每个半重叠块的均值、标准差和方差，获取待评价的失真图像中相对应的每个8×8的区域的敏感因子；接着，获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵，并获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵中去除直流系数后形成的列向量，再通过获取两个全局边缘强度中的每个半重叠块对应的列向量经压缩后的所有DCT系数的平均值，获取两个全局边缘强度中相对应的两个半重叠块的能量相似性；最后，根据待评价的失真图像中相对应的每个8×8的区域的敏感因子及两个全局边缘强度中相对应的两个半重叠块的能量相似性，计算待评价的失真图像的质量评价分数；

该图像质量客观评价方法具体包括以下步骤：

①令f表示原始的无失真图像，令g表示待评价的失真图像，分别提取出f和g的亮度分量图；

②采用水平方向高通滤波器、对角线45°方向高通滤波器、垂直方向高通滤波器和对角线135°方向高通滤波器分别对f的亮度分量图进行高通滤波处理，对应得到水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，对应记为f′₁、f′₂、f′₃和f′₄，将f′₁中坐标位置为(i,j)处的系数记为f′₁(i,j)，将f′₂中坐标位置为(i,j)处的系数记为f′₂(i,j)，将f′₃中坐标位置为(i,j)处的系数记为f′₃(i,j)，将f′₄中坐标位置为(i,j)处的系数记为f′₄(i,j)，

采用水平方向高通滤波器、对角线45°方向高通滤波器、垂直方向高通滤波器和对角线135°方向高通滤波器分别对g的亮度分量图进行高通滤波处理，对应得到水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，对应记为g′₁、g′₂、g′₃和g′₄，将g′₁中坐标位置为(i,j)处的系数记为g′₁(i,j)，将g′₂中坐标位置为(i,j)处的系数记为g′₂(i,j)，将g′₃中坐标位置为(i,j)处的系数记为g′₃(i,j)，将g′₄中坐标位置为(i,j)处的系数记为g′₄(i,j)，

在此，1≤i≤W,1≤j≤H，W表示f和g的宽度，H表示f和g的高度，f(i,j)表示f的亮度分量图中坐标位置为(i,j)的像素点的像素值，f(i-3+m,j-3+n)表示f的亮度分量图中坐标位置为(i-3+m,j-3+n)的像素点的像素值，g(i,j)表示g的亮度分量图中坐标位置为(i,j)的像素点的像素值，g(i-3+m,j-3+n)表示g的亮度分量图中坐标位置为(i-3+m,j-3+n)的像素点的像素值，B₁(m,n)表示5×5的水平方向高通滤波器中坐标位置为(m,n)处的元素，B₂(m,n)表示5×5的对角线45°方向高通滤波器中坐标位置为(m,n)处的元素，B₃(m,n)表示5×5的垂直方向高通滤波器中坐标位置为(m,n)处的元素，B₄(m,n)表示5×5的对角线135°方向高通滤波器中坐标位置为(m,n)处的元素；

③根据f′₁和f′₃，计算f的亮度分量图在水平垂直方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为 $E_f^{\mathrm{1,3}}(i,j)=|f_1^{\′}(i,j)-f_3^{\′}(i,j)|,$ 并根据f′₂和f′₄，计算f的亮度分量图在对角线方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为 $E_f^{\mathrm{2,4}}(i,j)=|f_2^{\′}(i,j)-f_4^{\′}(i,j)|,$ 其中，符号“||”为取绝对值符号；

同样，根据g′₁和g′₃，计算g的亮度分量图在水平垂直方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为 $E_g^{\mathrm{1,3}}(i,j)=|g_1^{\′}(i,j)-g_3^{\′}(i,j)|,$ 并根据g′₂和g′₄，计算g的亮度分量图在对角线方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为 $E_g^{\mathrm{2,4}}(i,j)=|g_2^{\′}(i,j)-g_4^{\′}(i,j)|;$

④根据和计算f的亮度分量图的全局边缘强度，记为E_f，将E_f中坐标位置为(i,j)的像素点的像素值记为E_f(i,j)，其中，max()为取最大值函数；

根据和及E_f，计算g的亮度分量图的全局边缘强度，记为E_g，将E_g中坐标位置为(i,j)的像素点的像素值记为E_g(i,j)，

⑤将E_f分割成K个尺寸大小为8×8的半重叠块，其中，符号为向下取整符号；然后计算E_f中的每个半重叠块的均值、标准差和方差，将E_f中的第n个半重叠块的均值、标准差和方差分别记为μ_{f_n}、δ_{f_n}和其中，1≤n≤K；再对E_f中的每个半重叠块进行离散余弦变换，得到每个半重叠块对应的DCT系数矩阵，将E_f中的第n个半重叠块对应的DCT系数矩阵记为F_n；最后去除E_f中的每个半重叠块对应的DCT系数矩阵中的直流系数，并将E_f中的每个半重叠块对应的DCT系数矩阵中剩余的63个DCT系数按照先行后列的顺序排列组成63×1维的列向量，将E_f中的第n个半重叠块对应的DCT系数矩阵F_n中去除直流系数后剩余的63个DCT系数按照先行后列的顺序排列组成的63×1维的列向量记为F′_n；

将E_g分割成K个尺寸大小为8×8的半重叠块；然后计算E_g中的每个半重叠块的均值、标准差和方差，将E_g中的第n个半重叠块的均值、标准差和方差分别记为μ_{g_n}、δ_{g_n}和再对E_g中的每个半重叠块进行离散余弦变换，得到每个半重叠块对应的DCT系数矩阵，将E_g中的第n个半重叠块对应的DCT系数矩阵记为G_n；最后去除E_g中的每个半重叠块对应的DCT系数矩阵中的直流系数，并将E_g中的每个半重叠块对应的DCT系数矩阵中剩余的63个DCT系数按照先行后列的顺序排列组成63×1维的列向量，将E_g中的第n个半重叠块对应的DCT系数矩阵中去除直流系数后剩余的63个DCT系数按照先行后列的顺序排列组成的63×1维的列向量记为G′_n；

⑥根据E_f中的每个半重叠块的均值和E_g中的每个半重叠块的均值，计算E_f和E_g中相对应的两个半重叠块的均值相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的均值相似性记为l_n，其中，C1为用于防止分母为零的常数；

根据E_f中的每个半重叠块的标准差和方差及E_g中的每个半重叠块的标准差和方差，计算E_f和E_g中相对应的两个半重叠块的方差相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的方差相似性记为c_n，其中，C2为用于防止分母为零的常数；

将E_f和E_g中相对应的两个半重叠块的均值相似性作为E_g中相对应的半重叠块的亮度因子，将E_f和E_g中相对应的两个半重叠块的方差相似性作为E_g中相对应的半重叠块的对比度因子，然后根据E_g中的每个半重叠块的亮度因子和对比度因子，计算E_g中的每个半重叠块的敏感因子，将E_g中的第n个半重叠块的敏感因子记为w_n，w_n＝l_n×c_n；

⑦对E_f中的每个半重叠块对应的63×1维的列向量进行压缩处理，得到压缩后的列向量，将E_f中的第n个半重叠块对应的压缩后的列向量记为F″_n，F″_n＝φ×F′_n，其中，φ为63×63维的高斯随机矩阵；然后计算E_f中的每个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值，将E_f中的第n个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值记为 其中，1≤k≤63，表示F″_n中的第k个DCT系数；

对E_g中的每个半重叠块对应的63×1维的列向量进行压缩处理，得到压缩后的列向量，将E_g中的第n个半重叠块对应的压缩后的列向量记为G″_n，G″_n＝φ×G′_n；然后计算E_g中的每个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值，将E_g中的第n个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值记为 其中，G″_n(k)表示G″_n中的第k个DCT系数；

计算E_f和E_g中相对应的两个半重叠块的能量相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的能量相似性记为e_n， $e_n=\frac{\underset{k=1}{\overset{63}{\mathrm{\Σ}}}(F_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{F_n^{\′\′}})\×(G_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{G_n^{\′\′}})+C3}{\sqrt{\underset{k=1}{\overset{63}{\mathrm{\Σ}}}{(F_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{F_n^{\′\′}})}^2\×{(G_n^{\′\′}\left(k\right)-{\mathrm{\μ}}_{G_n^{\′\′}})}^2+C3}},$ 其中，C3为用于防止分母为零的常数；

⑧根据E_g中的每个半重叠块的敏感因子、E_f和E_g中相对应的两个半重叠块的能量相似性，计算E_g中的每个半重叠块的质量评价分数，将E_g中的第n个半重叠块的质量评价分数记为Q_n，Q_n＝w_n×e_n；然后根据E_g中的所有半重叠块的质量评价分数，计算g的客观质量评价分数，记为Q，

2.根据权利要求1所述的一种基于DCT域的边缘强度压缩的图像质量客观评价方法，其特征在于所述的步骤⑥中取C1＝0.01×L，C2＝0.03×L，其中，L表示图像的灰度级数。

3.根据权利要求1或2所述的一种基于DCT域的边缘强度压缩的图像质量客观评价方法，其特征在于所述的步骤⑦中取C3＝(0.03×L)/2，其中，L表示图像的灰度级数。

4.根据权利要求3所述的一种基于DCT域的边缘强度压缩的图像质量客观评价方法，其特征在于所述的步骤⑦中高斯随机矩阵φ选用均值为0且方差为1的高斯随机矩阵。