CN103400367A - 一种无参考型模糊图像质量评价方法 - Google Patents

Abstract

本发明公开了一种无参考型模糊图像质量评价方法，属于图像处理技术领域。利用模糊图像相对于清晰图像其边缘特征发生较大变化的特性，通过寻找图像的所有阶跃边缘，根据对比度与像素距离选择合适的部分边缘，计算这些边缘的锐利程度作为图像的模糊度评价依据。本发明提供的方法突出反映了人眼较为敏感的图像的边缘信息部分对图像质量的影响，能够很好地评价高斯模糊、离焦模糊以及运动模糊等模糊类型图像，与主观评价结构相关性强，符合人眼视觉系统特性。

Description

一种无参考型模糊图像质量评价方法

技术领域

本发明属于图像处理技术领域，涉及模糊图像质量评价方法，具体是借鉴模糊图像边缘相比清晰图像会发生变化的特点，通过计算图像阶跃边缘的锐度对模糊图像进行无参考质量评价的方法。

背景技术

当今社会，多媒体技术的发展日新月异，深刻影响着人们的日常生活。数字技术的发展给人们带来了极大的便利，如数码相机的出现方便了人们出行时留影纪念，公共监控设备的使用可以节省大量人力物力，数字信息的存储节省了大量的实体存储空间。数字技术的发展推动了图像处理技术的发展，同时对图像处理，特别是图像的质量提出了更高的要求。图像质量的评价已经是一个广泛而基本的问题。

目前图像质量评价方法大体上可分为主观评价方法和客观评价方法两个分支，主观评价主要通过测试者在特定的测试环境下，按照事先规定的评价原则、评价尺度对图像进行主观评分，但是人的主观评价往往受自身的心情、知识水平、客观环境的影响，导致主观评价方法实现起来比较困难，而且有些领域无法使用主观评价，因此图像质量客观评价方法的研究十分必要。

根据对原始参考图像的参考程度，图像质量客观评价方法可分为全参考型、部分参考型、和无参考型三种类型。全参考型图像质量评价方法就是在不仅失真图像可用，而且原始参考图像也能得到的情况下，建立数学模型来定量衡量失真图像和参考图像的差异。最初，人们关注失真图像和参考图像之间的灰度值差异，算法基于误差统计量，常用的是均方误差（Mean Square Error，MSE）和峰值信噪比（PeakSignal-to-Noise Ratio，PNSR）。两者有简明的数学意义和简单的计算方法，但却未关注图像内容意义和位置信息的差异，因此不能客观反映人眼对失真的敏感程度，基于HVS（Human Visual System）模型的算法应运而生。

基于HVS模型的算法是对HVS的某些底层特性进行建模，然后将参考图像和失真图像之间的绝对误差映射成能被人眼察觉的JND（JustNoticeable Difference）单位。误差高于人眼视觉的JND门限，则能够被人眼察觉，否则会被忽略，经过如此处理就可以获得和测试者主观感受一致的评价结果。

部分参考型图像质量评价方法是利用原始图像的部分信息来估计失真图像的视觉感知质量，无需参考图像像素级别的信息。常见的半参考算法有：（1）基于降质特性提取的方法，此方法先弄清图像的降质途径，然后综合考虑图像的各种失真，通过提取降质特征来评价图像失真程度。（2）基于图像嵌入信息失真的方法，常见的是嵌入式，此方法提取原始图像的特征，利用信息隐蔽技术将提取的特征嵌入到图像中，评价失真图像时提取失真图像的嵌入信息，通过计算嵌入信息的失真作为图像的失真量度。

无参考型图像质量评价方法是在没有原始图像作参考的情况下，直接对失真图像进行质量评价的方法，是对图像引入失真的盲估计。目前人们对HVS和大脑认知过程的理解还非常有限，导致无参考评价方法相对于全参考、部分参考评价方法更加困难。无参考图像质量评价的难点在于如何使评价结果不受图像内容的影响，无参考评价的结果一般是从图像的某些特征统计量中提取，而这些特征统计量会随着图像内容变化而变化。

发明内容

针对一般无参考型图像质量评价方法其评价结果受图像内容的影响，不能用于评价两幅图像内容不同的模糊图像这一缺点，本发明提供一种无参考型模糊图像质量评价方法。利用图像模糊后其边缘会发生较大变化的特性，考虑影响图像质量的各种因素，通过计算图像的阶跃边缘锐度作为图像的模糊度评价依据，对高斯模糊、离焦模糊等模糊类型图像的评价结果符合人眼视觉特性，并且不受图像内容的制约。

本发明的技术方案是寻找图像中的所有阶跃边缘，根据一些原则选择部分合适的阶跃边缘，计算这些合适边缘的锐利程度并取最大值作为图像的模糊度评价依据。其具体处理步骤依次为：

一种无参考型模糊图像质量评价方法，包含以下步骤：

（1）扫描模糊图像的每行像素；

（2）找出一行像素中有可能是阶跃边缘的像素段，作为候选边缘；

（3）为了排除噪声的干扰，根据对比度原则排除低对比度的候选边缘；

（4）排除距离太近的候选边缘；

（5）计算所有符合条件的阶跃边缘的锐度；

（6）重复1-5步，找出水平方向上的所有边缘锐度；

（7）扫描每列像素，并重复2-6步得到垂直方向的边缘锐度；

（8）对计算得到的水平方向和垂直方向的边缘锐度选取其最大值作为图像模糊度评价值。

前述的无参考型模糊图像质量评价方法，在步骤（2）中，当扫描线上的某段灰度值呈现单调增加或单调减少的特性，那么认为此段可能是阶跃边缘；当某段的灰度值中间出现抖动，可以判断此段肯定不是阶跃边缘；记录下所有的像素段。

前述的无参考型模糊图像质量评价方法，在步骤（3）中，像素段A的对比度C为此段所有像素的最大灰度值和最小灰度值之差：C＝max(f(x))-min(f(x)),x∈A，其中f(x)是在像素段A上一点x处的灰度值；所述的低对比度指C小于Ct；当一个像素段的对比度满足条件：C≥Ct，则此像素段有可能是阶跃边缘，其中Ct是对比度的阈值，Ct定义为整幅图像的对比度的四分之一：Ct≥(max(f(x,y)-min(f(x,y))/4，其中f(x,y)是图像在点(x,y)处的灰度值。

前述的无参考型模糊图像质量评价方法，在步骤（4）中，距离太近的两个候选边缘指相邻的两个阶跃边缘之间有一段相对平坦的像素段，这段平坦的像素段具有较小的对比度，即满足：abs(x₀-x₁)≥C_wt，C_wt≥(w₀+w₁)/2，其中x₀是前一边缘最后像素的位置，x₁是后一边缘开始像素的位置,w₀是前一边缘的宽度，w₁是后一边缘的宽度，C_wt为阈值。

前述的无参考型模糊图像质量评价方法，在步骤（5）和步骤（6）中，阶跃边缘的锐度为：w是阶跃边缘的宽度，G是阶跃边缘的起点与终点的灰度差的绝对值。

前述的无参考型模糊图像质量评价方法，清晰图像的边缘锐度大于模糊图像，即图像越清晰，边缘锐度越大。

本发明针对人眼对图像边缘变化敏感这一特性，利用图像模糊后边缘发生较大变化，并且其边缘锐度的变化不受图像内容的制约这一性质，同时比较全面的考虑了影响图像评价结果准确性的各种因素，提出了一种无参考型模糊图像质量评价方法。该方法通过对图像进行边缘的提取，选取合适的阶跃边缘，计算这些边缘的锐利程度作为图像的模糊度评价依据对模糊图像进行质量评价，它可以很好的评价高斯模糊，离焦模糊等模糊类型图像，与主观评价结构相关性强，能很好地反映图像质量的视觉感知结果，并可以评价图像内容不同的模糊图像。

附图说明

图1为本发明的评价方法的流程图；

图2为阶跃边缘的锐度计算原理图；

图3为标准图像库实验结果图；

图4为离焦模糊图；

图5为运动模糊图。

具体实施方案

有关本发明的详细内容与技术,配合图式说明如下:：

本发明的评价方法实施示意图如图1所示，其具体步骤依次为：

（1）扫描模糊图像的每行像素，如果扫描线上的某段灰度值呈现单调增加或单调减少的特性，那么此段可能是阶跃边缘；如果此段的灰度值中间出现抖动，就可以判断此段肯定不是阶跃边缘；记录下所有的像素段；

（2）为了最大可能的排除噪声等因素的干扰，对小对比度的像素段，在计算时应该予以排除，从而得到符合条件的图像阶跃边缘。像素段A的对比度定义为此段所有像素的最大灰度值和最小灰度值之差：C＝max(f(x))-min(f(x)),x∈A；其中f(x)是在像素段A上一点x处的灰度值。如果一个像素段的对比对满足条件：

C≥Ct；则此像素段有可能是阶跃边缘，其中Ct是对比度的阈值，Ct定义为整幅图像的对比度的四分之一：Ct≥(max(f(x,y)-min(f(x,y))/4，其中f(x,y)是图像在点(x,y)处的灰度值；

（3）如果相邻的两个阶跃边缘距离太近，模糊导致的边缘扩散会使两个边缘重叠在一起，这时计算的边缘宽度将比实际扩散宽度小，因此对于距离太近的两个阶跃边缘应该排除。换句话说，相邻的两个阶跃边缘之间应该有一段相对平坦的像素段，这段平坦的像素段应该具有较小的对比度，即满足：abs(x₀-x₁)≥C_wt，C_wt≥(w₀+w₁)/2，其中x₀是前一边缘最后像素的位置，x₁是后一边缘开始像素的位置,w₀是前一边缘的宽度，w₁是后一边缘的宽度，C_wt为阈值。

（4）计算所有符合条件的阶跃边缘的锐度，如图2所示：a是清晰图像的边缘，b是模糊图像的边缘。如果对a和b进行从左至右的线性扫描，得到的灰度变化曲线如图(1)中的c和d所示，可以看出清晰图像a的灰度差变化明显比模糊图像b的变化量大，灰度曲线的变化程度可以由水平方向上的角度α、β表示（α>β），可知清晰图像的边缘锐度大于模糊图像，即图像越清晰，边缘锐度越大。图像的边缘锐度的计算定义为：

w是阶跃边缘的宽度，G是阶跃边缘的起点与终点的灰度差的绝对值。

（5）重复步骤1-4,找出水平方向上的所有阶跃边缘的边缘锐度；

（6）扫描每列像素，并且重复步骤2-4，找出垂直方向的所有阶跃边缘的边缘锐度；

（7）对计算得到的水平方向和垂直方向的边缘锐度选取最大值作为模糊度评价值。

本发明效果可通过以下仿真结果进一步说明。

本发明采用美国TEXAS大学图像和视频工程实验室提供的图像质量估计数据库进行仿真实验。计算机硬件配置为Core(TM)2Duo，主频为2.26GHz。本发明的软件平台为Matlab R2008b。

仿真内容：

一、对TEXAS大学提供的标准图像库中的高斯模糊图像库（Gblur）分别用基于结构相似度的图像质量评价（SSIM）方法以及本发明提供的方法对其进行模糊图像的质量评价，并且从非线性回归条件下的相关系数（CC）、绝对误差均值（MAE）、和均方差平方根（RMS）3个方面比较了SSIM方法和本发明提供的方法的性能。非线性回归函数采用的是Logistic函数，其中CC越大，MAE和RMS越小，说明该客观评价模型越好。其中，Gblur库中有29幅原始清晰图像和由这些图片生成的145幅不同质量的降质图像及其平均主观评分差值（DMOS）。DMOS是主观评分值（MOS）和满分（100）的差值(DMOS=100-MOS)，且DMOS值越小表示图像质量越好，DMOS的取值范围为[0,100]。

二、从标准图像库中随机选择1幅原始清晰图像，分别对其添加不同程度的离焦模糊和运动模糊生成模糊测试图像，分别用SSIM方法和本发明提供的方法对其进行评价。

仿真结果：

（1）对标准图像库中的高斯模糊图像库仿真结果如图3所示：

图3a为SSIM算法对高斯模糊图像库质量评价的DMOS散点图，图3b为本发明提供的方法对高斯模糊图像库质量评价的DMOS散点图。从数据样本的分散度可以看出本发明提供的方法其结果优于SSIM算法，与人眼主观视觉感受一致性更好。对SSIM方法和本发明提供的方法进行相关的定量指标的客观评价，其结果如表1所示：

表1SSIM算法和本文方法性能比较

由表1可知：SSIM算法的相关系数（CC）值小于本发明提供的方法，而且绝对误差均值（MAE）、和均方差平方根（RMS）均大于本发明提供的方法，由此可以证明本发明提供的方法对高斯模糊图像其评价结果优于SSIM方法，与主观评价结构相关性强。

（2）对离焦模糊和运动模糊的仿真结果如表2和表3所示：

表2SSIM和本文方法对离焦模糊图像的比较结果

评价模型	3*3退化	5*5退化	7*7退化	9*9退化	11*11退化
						SSIM	0.7146	0.5206	0.4867	0.4126	0.5721
本文方法	32.5357	20.7273	10.3044	8.6347	5.4543

表3SSIM和本文方法对运动模糊图像的比较结果

如图4和图5所示：图4a为原始清晰图像，图4b为对清晰图像进行3*3退化后的离焦模糊图像，图4c为对清晰图像进行5*5退化后的离焦模糊图像，图4d为对清晰图像进行7*7退化后的离焦模糊图像，图4e为对清晰图像进行9*9退化后的离焦模糊图像，图4f为对清晰图像进行11*11退化后的离焦模糊图像。图5a为原始清晰图像，图5b为对清晰图像进行平移5像素后的运动模糊图像，图5c为对清晰图像进行平移7像素后的运动模糊图像，图5d为对清晰图像进行平移9像素后的运动模糊图像，图5e为对清晰图像进行平移11像素后的运动模糊图像，图5f为对清晰图像进行平移13像素后的运动模糊图像。

由表2和表3结果可知，SSIM算法对严重模糊图像的评价结果不再准确，而本发明提供的方法评价结果与视觉效果保持一致。

综上可得，本发明提供的方法在评价由高斯模糊，离焦模糊和运动模糊等模糊类型引起的模糊图像时，其结果准确，与主观评价结构相关性强，能很好的反映图像质量的视觉感知效果，并且可以评价图像内容不同的模糊图像。

发明可用其他的不违背本发明的精神和主要特征的具体形式来概括，因此，本发明的上述实施方案都只能认为是对本发明的说明而不能限制本发明，在与本发明的权利要求相当的含义和范围内任何改变，都应认为是包括在权利要求书的范围内。

Claims (6)

1.一种无参考型模糊图像质量评价方法，包含以下步骤：

（1）扫描模糊图像的每行像素；

（2）找出一行像素中有可能是阶跃边缘的像素段，作为候选边缘；

（3）为了排除噪声的干扰，根据对比度原则排除低对比度的候选边缘；

（4）排除距离太近的候选边缘；

（5）计算所有符合条件的阶跃边缘的锐度；

（6）重复1-5步，找出水平方向上的所有边缘锐度；

（7）扫描每列像素，并重复2-6步得到垂直方向的边缘锐度；

（8）对计算得到的水平方向和垂直方向的边缘锐度选取其最大值作为图像模糊度评价值。

2.根据权利要求1所述的无参考型模糊图像质量评价方法，其特征是：在步骤（2）中，当扫描线上的某段灰度值呈现单调增加或单调减少的特性，那么认为此段可能是阶跃边缘；当某段的灰度值中间出现抖动，可以判断此段肯定不是阶跃边缘；记录下所有的像素段。

3.根据权利要求1所述的无参考型模糊图像质量评价方法，其特征是：在步骤（3）中，像素段A的对比度C为此段所有像素的最大灰度值和最小灰度值之差：C＝max(f(x))-min(f(x)),x∈A，其中f(x)是在像素段A上一点x处的灰度值；所述的低对比度指C小于Ct；当一个像素段的对比度满足条件：C≥Ct，则此像素段有可能是阶跃边缘，其中Ct是对比度的阈值，Ct定义为整幅图像的对比度的四分之一：Ct≥(max(f(x,y)-min(f(x,y))/4，其中f(x,y)是图像在点(x,y)处的灰度值。

4.根据权利要求1所述的无参考型模糊图像质量评价方法，其特征是：在步骤（4）中，距离太近的两个候选边缘指相邻的两个阶跃边缘之间有一段相对平坦的像素段，这段平坦的像素段具有较小的对比度，即满足：abs(x₀-x₁)≥C_wt，C_wt≥(w₀+w₁)/2，其中x₀是前一边缘最后像素的位置，x₁是后一边缘开始像素的位置,w₀是前一边缘的宽度，w₁是后一边缘的宽度，C_wt为阈值。

5.根据权利要求1所述的无参考型模糊图像质量评价方法，其特征是：在步骤（5）和步骤（6）中，阶跃边缘的锐度为：

w是阶跃边缘的宽度，G是阶跃边缘的起点与终点的灰度差的绝对值。

6.根据权利要求1所述的无参考型模糊图像质量评价方法，其特征是：清晰图像的边缘锐度大于模糊图像，即图像越清晰，边缘锐度越大。

Images