CN103927734B - 一种基于无参考的模糊图像质量评价方法 - Google Patents
一种基于无参考的模糊图像质量评价方法 Download PDFInfo
- Publication number
- CN103927734B CN103927734B CN201310012115.8A CN201310012115A CN103927734B CN 103927734 B CN103927734 B CN 103927734B CN 201310012115 A CN201310012115 A CN 201310012115A CN 103927734 B CN103927734 B CN 103927734B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- image
- data
- carry out
- evaluated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000013139 quantization Methods 0.000 claims abstract description 63
- 238000006243 chemical reaction Methods 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000013441 quality evaluation Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 50
- 230000008859 change Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 5
- 241000630665 Hada Species 0.000 claims 2
- 238000011156 evaluation Methods 0.000 abstract description 19
- 238000005215 recombination Methods 0.000 abstract description 3
- 230000006798 recombination Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 244000086443 Craterellus fallax Species 0.000 description 1
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像质量评价领域,公开了一种基于无参考的模糊图像质量评价方法,该方法首先对待评图像进行重叠双正交变换;然后对变换系数做非均匀量化,主要是对高频分量进行粗量化,对低频系数进行细量化;再对重组系数进行反量化和重叠双正交逆变换获得参考图像;最后计算待评图像与生成的参考图像之间差异,得到图像质量评价因子从而对原图像进行质量的评估。评价结果与主观评价结果有较好的一致性,可以用于对模糊图像的评价应用中,大大提高了图像质量评价的可行性和简单性;解决了在没有参考图像或无法获取参考图像的情况下难以实现客观评价图像质量的问题。
Description
技术领域
本发明属于图像质量评价领域,更具体地,涉及一种基于无参考的模糊图像质量评价方法。
背景技术
成像系统获取的图像可以看作是由原始场景与成像系统的点扩散函数的卷积。而通常情况下,点扩散函数比较复杂而且难以确定其具体的表达式,所以无法直接通过分析点扩散函数来分析图像的质量。镜头失焦和图像编码是导致图像模糊最常见的原因,在图像采集过程中,相机或运动物体的移动会导致聚焦点没有及时改变,造成图像的模糊;图像编码过程中对变换系数的高频分量进行粗量化导致图像细节丢失,造成图像模糊。模糊图像与清晰图像之间的最大区别在于后者含有更丰富的细节信息,而模糊图像中细节信息较少。因此,可以通过分析图像的细节信息来对图像的质量进行评价。目前,利用对人眼视觉敏感的图像结构信息对图像质量进行评价的方法很多。在全参考型图像质量评价领域,基于人眼视觉特性和基于结构相似性的图像质量评价方法有较广泛的应用。全参考的图像质量评价方法简单易实现,而且评价效果也与主观评价有较高的一致性。但在没有参考图像或无法获得参考图像的情况下,这类方法无从谈起。在无参考型评价领域,基于神经网络和机器学习的分类方法比较成熟。但这些无参考的图像评价方法大多需要样本学习的过程,在实时性有要求的场合适用性不强。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于无参考的模糊图像质量评价方法,旨在解决现有图像评价方法在无参考图像情况下难以实现且难以满足实时性要求的问题。
为实现上述目的,本发明提供了一种基于无参考的模糊图像质量评价方法,包括下述步骤:
S1:将待评图像进行重叠双正交变换后获得第一系数;
S2:根据所述第一系数以及设定的量化步长获得量化后的第二系数;
S3:根据所述第二系数和所述设定的量化步长获得反量化后的第三系数;
S4:将所述第三系数进行重叠双正交逆变换后获得变换图像;
S5:根据所述变换图像与所述待评图像之间的峰值信噪比获得质量评价因子。
更进一步地,步骤S1具体为:
S11:将待评图像分割为多个8×8的宏块,每个宏块又分为4个4×4的亮度像素块,一个4×4的亮度像素块中数据表示为
S12:对数据{x1,x4,x13,x16}、{x6,x7,x10,x11}、{x2,x3,x14,x15}、{x5,x8,x9,x12}进行哈达玛变换;对数据{x1,x2,x5,x6}进行哈达玛变换,对数据{x3,x4,x7,x8}和数据{x9,x10,x13,x14}进行THR旋转操作,对数据{x11,x12,x15,x16}进行TRR旋转操作变换后获得16个0号系数、16个1号系数、16个2号系数和16个3号系数;
S13:将相同编号的2×2的系数块重新组合成4×4的系数块;
S14:对三个4×4的系数块进行前向核心变换后获得第一系数;所述第一系数包括DC系数和AC系数,所述DC系数用于描述图像的低频信息,AC系数用于描述图像的高频信息。
更进一步地,步骤S2具体为:将所述第一系数除以设定的量化步长获得量化后的第二系数round()表示四舍五入运算,Yij是重叠双正交变换后的第一系数,Qstep为量化步长。
更进一步地,步骤S3具体为:将所述第二系数乘以所述设定的量化步长获得反量化后的第三系数Yij'=Zij×Qstep。
更进一步地,所述DC系数采用的量化步长的范围为24-64,AC系数采用的量化步长的取值大于64。
更进一步地,步骤S4具体为:
S41:对第三系数中的数据{y1,y2,y5,y6}进行哈达玛变换,对数据{y3,y4,y7,y8}和数据{y9,y10,y13,y14}进行InvTHR旋转操作,对数据{y11,y12,y15,y16}进行InvTRR旋转操作;
S42:对数据{y1,y4,y13,y16}、{y6,y7,y10,y11}、{y2,y3,y14,y15}、{y5,y8,y9,y12}进行哈达玛变换获得变换图像的像素数据;其中,InvTHR旋转和InvTRR旋转分别是THR旋转和TRR旋转的逆过程。
更进一步地,在步骤S5中所述质量评价因子PSNR为峰值信噪比,T为设定的阈值。
更进一步地,所述T是根据实验获取的经验值,T的取值范围为30-32。
本发明对待评图像进行重叠双正交变换;然后对变换系数做非均匀量化,主要是对高频分量进行粗量化,对低频系数进行细量化;再对重组系数进行反量化和重叠双正交逆变换获得参考图像;最后计算待评图像与生成的参考图像之间差异,得到图像质量评价因子从而对原图像进行质量的评估。评价结果与主观评价结果有较好的一致性,可以用于对模糊图像的评价应用中,大大提高了图像质量评价的可行性和简单性;解决了在没有参考图像或无法获取参考图像的情况下难以实现客观评价图像质量的问题。
附图说明
图1是本发明实施例提供的基于无参考的模糊图像质量评价方法实现流程图;
图2是本发明实施例提供的基于无参考的模糊图像质量评价方法中重叠双正交变换示意图;
图3是本发明实施例提供的基于无参考的模糊图像质量评价方法中前向核心变换示意图;
图4(a)是待评模糊图像的原图;
图4(b)是待评模糊图像的变换图;
图5(a)是待评清晰图像的原图;
图5(b)是待评清晰图像的变换图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种基于无参考的模糊图像质量评价方法,包括下述步骤:
S1:将待评图像进行重叠双正交变换后获得第一系数;
S2:根据所述第一系数以及设定的量化步长获得量化后的第二系数;
S3:根据所述第二系数和所述设定的量化步长获得反量化后的第三系数;
S4:将所述第三系数进行重叠双正交逆变换后获得变换图像;
S5:根据所述变换图像与所述待评图像之间的峰值信噪比获得质量评价因子。
本发明实施例提供的基于无参考的模糊图像质量评价方法满足实时性要求,且评价结果与主观评价有较高的一致性。
现参照附图2和图3对本发明实施例提供的基于无参考的模糊图像质量评价方法中的各个步骤分别进行详细描述如下:
(1)将待评图像进行重叠双正交变换后获得第一系数步骤:
重叠双正交变换是一种能量集中特性非常好的变换,JPEG XR标准中引入的核心变换算法。在对图像进行重叠双正交变换之前首先将待评图像分割为多个8×8的宏块,每个宏块又分为4个4×4的亮度像素块。变换以4×4大小的亮度像素块为处理单元,图像的重叠双正交变换过程如图2所示。
该步骤可以分成四个小步骤:
S11:将待评图像分割为多个8×8的宏块,每个宏块又分为4个4×4的亮度像素块,一个4×4的亮度像素块中数据表示为
S12:对数据{x1,x4,x13,x16}、{x6,x7,x10,x11}、{x2,x3,x14,x15}、{x5,x8,x9,x12}进行哈达玛变换(Hadamard变换);对数据{x1,x2,x5,x6}进行哈达玛变换,对数据{x3,x4,x7,x8}和数据{x9,x10,x13,x14}进行THR旋转操作,对数据{x11,x12,x15,x16}进行TRR旋转操作变换后获得16个0号系数、16个1号系数、16个2号系数和16个3号系数;
S13:将相同编号的2×2的系数块重新组合成4×4的系数块;
S14:对三个4×4的系数块进行前向核心变换后获得第一系数;第一系数包括DC系数和AC系数,DC系数用于描述图像的低频信息,AC系数用于描述图像的高频信息。
在本发明实施例中,按照图像输入先后顺序读取一个8×8的图像宏块,并将它按照图2所示的方法分成A、B、C、D四个4×4的亮度像素块。对每个亮度像素块进行4×4的变换处理,变换方法采用JPEG XR标准中的前向核心变换,该变换具体分为两个步骤,如图3所示。设4×4的亮度像素块中数据表示为:对数据{x1,x4,x13,x16}、{x6,x7,x10,x11}、{x2,x3,x14,x15}、{x5,x8,x9,x12}进行Hadamard变换;对数据{x1,x2,x5,x6}进行Hadamard变换,对数据{x3,x4,x7,x8}和数据{x9,x10,x13,x14}进行THR旋转操作,对数据{x11,x12,x15,x16}进行TRR旋转操作。Hadamard变换用TH表示,假设处理的数据为a,b,c,d,则Hadamard变换的计算过程定义以下操作:
其中,R为舍入因子,在第一步中取0,第二步中取1。
THR旋转操作定义为以下操作:
TRR旋转操作定义为:
每个4×4像素块的第一次变换结果以2×2大小为基本单元分块,分块编号分别为0、1、2、3,如图2所示。编号为0的系数代表图像的低频信息,描述的是图像变化不大的区域,编号为1、2、3代表图像的高频信息,描述的图像的细节,如边缘。4个亮度像素块经过第一次变换后得到0号系数、1号系数、2号系数和3号系数各16个。分别将相同编号的2×2块重新组合成4×4分块,第二次变换只处理编号1、2、3的分块,编号为0的分块不再参与计算。对这三个4×4的分块再次进行第一次变换中的前向核心变换,这次变换后的系数分别用DC和AC来表示,分别进一步描述了图像的低频信息和高频信息。一个8×8的图像宏块经过上述重叠双正交变换处理之后,得到16个0号系数、和48个二次变换系数(其中包括3个DC系数和45个AC系数)。
(2)根据所述第一系数以及设定的量化步长获得量化后的第二系数即非均匀量化步骤:
量化是对变换系数的一种多对一、不可逆的映射过程。在图像压缩应用中,就是利用人的眼睛对高频信息的不敏感性对高频系数进行粗量化,从而实现对图像的高压缩比压缩的。量化过程是在图像的频域数据上执行的操作,通过给定的量化步长Qstep,用每个变换系数除以对应的量化步长,将得到的结果四舍五入取整数作为量化结果,量化过程可用下列式子表示:其中round()表示四舍五入运算,Yij是重叠双正交变换后的系数,Zij是量化后的第二系数,Qstep为量化步长。
本发明中的量化步骤是为图像质量评价服务的。模糊图像与清晰图像的最大区别是图像细节的丰富程度,清晰图像含有较丰富的细节信息,即高频分量;而模糊图像则细节信息较少。如果清晰的图像经过重叠双正交变换,再对变换系数进行灵活的量化处理,有效地去掉高频信息,那么恢复的图像与原图像相比会存在较大的差异;而如果处理的是模糊的图像,那么恢复得到的图像与原图像差异会比较小。通过对变换图像与源图像的差异计算,即可判断源图像质量的好坏。
本发明采用灵活的量化方法,通过对不同频率的分量采取不同的量化步长进行量化,即对高频分量进行粗量化,而对低频分量进行细量化。对于8×8宏块的变换系数,根据它们所代表的频率分量采用不同的量化步长对系数进行量化,0号系数采用量化步长Qs1进行量化;1、2号系数分块二次变换系数中的DC系数采用量化步长Qs2进行量化,AC系数采用量化步长Qs3量化;而3号分块二次变换系数的DC系数采用Qs3量化而AC系数采用Qs4量化。量化矩阵(8×8)如下所示:
通过实验证明,当量化矩阵MQstep中的Qs1,Qs2,Qs3和Qs4值取下列范围时取得较好的效果。当Qs4=+∞时,等效于将对应的系数置0。
实验中Qs1,Qs2,Qs3和Qs4的值可以做一些调整。这种非均匀的多等级量化方法有效利用了重叠双正交变换频谱能量集中的特性,对代表不同频率分量的系数进行不同量化步长的量化处理,可以有效描述不同模糊程度图像细节信息之间的差异。
(3)根据所述第二系数和所述设定的量化步长获得反量化后的第三系数即反量化步骤:
反量化是量化过程的逆过程,反量化过程可以用下列式子表示:Yij'=Zij×Qstep;其中Zij是量化后的系数,Yij'是反量化后的第三系数,Qstep与量化过程中的量化步长一一对应。其中,DC系数采用的量化步长的范围为24-64,AC系数采用的量化步长的取值大于64。
由于量化是一种不可逆的映射过程,所以反量化结果Yij'与初始的重叠双正交变换系数Yij存在一定的差异。不同的图像丢失的信息多少也不一样。清晰的图像含有的细节信息较为丰富,则经过量化和反量化过程损失较多的细节;而模糊图像本身细节较少,经量化和反量化之后,细节丢失非常少。充分利用这个特点,可以有效地对待评图像的质量进行评价。
(4)将所述第三系数进行重叠双正交逆变换后获得变换图像步骤:
该步骤是步骤(1)的反过程。假设反量化得到的重组系数表示为:与正变换一样,逆变换也分为两次变换过程,每次变换也分个步骤,变换过程与正变换相反。第一步,对数据{y1,y2,y5,y6}进行Hadamard变换,对数据{y3,y4,y7,y8}和数据{y9,y10,y13,y14}进行InvTHR旋转操作,对数据{y11,y12,y15,y16}进行InvTRR旋转操作;第二步,对数据{y1,y4,y13,y16}、{y6,y7,y10,y11}、{y2,y3,y14,y15}、{y5,y8,y9,y12}进行Hadamard变换。InvTHR旋转和InvTRR旋转分别是THR旋转和TRR旋转的逆过程。InvTHR旋转操作定义为以下操作:
InvTRR旋转操作定义为以下操作:
其中a,b,c,d为待处理的数据,此处Hadamard变换的定义与正变换过程中的基本一样,只是标志R在第一步变换中取1,而在第二步变换中取0。经过重叠双正交逆变换之后得到变换图像,通过比较变换图像与原待评图像的差异可以间接地对待评图像的质量做出评价。
(5)根据所述变换图像与所述待评图像之间的峰值信噪比获得质量评价因子步骤:
在全参考型图像质量客观评价领域,最为广泛使用的是峰值信噪比(PSNR)和均方误差(MSE)指标。假设图像的大小为M×N,则MSE的表达式为:其中I(i,j)来表示参考图像的幅值分布,I'(i,j)表示待评图像的幅值分布。PSNR本质上与MSE相同,其表达式为:MSE与PSNR的关系可表示为:从MSE和PSNR公式上可以看出,MSE是描述待评图像与参考图像差异的亮度,其值越大,则表明图像的失真度越大,其值越小,则表明图像的失真度越小。而PSNR的值越大,则说明图像的质量越好;PSNR值越小,说明图像的质量越差。这两个公式的本质是一样的,其都具有直观、严格、简单的优点。因此,该类方法在实践中,得到了广泛的应用。
但是,在本发明图像质量评价过程中参考的是变换得到的图像,当变换图像与待评图像的PSNR大时,说明两张图像变化不大,得到的结论是待评图像为模糊图像;而当PSNR小时,说明变换损伤了大量细节,结论是待评图是清晰图像。这与人类判断逻辑不一致,所以本发明提出一个与主观逻辑判断一致的质量评价因子,标记为QNR;其中阈值T是由实验设定的,QNR的值越大说明图像越清晰,QNR值越小说明图像越模糊。
在本发明实施例中,阈值T的设定是通过实验来获取,具体阈值设定步骤是:选取一批背景各异,模糊程度很轻的图像(图像质量不影响视觉感受,但又能感觉得到一些模糊存在),假设共n个样本,通过利用上述方法分别对每个样本进行处理,并统计变换图像与样本的差异性(两幅图像的PSNR值),然后统计n对图像差异的平均值PSNRev作为阈值T。如下所示:实验结果表明,当阈值T取值在区间[30,32]之间时,评价结论与主观感受具有较好的一致性。当待评图像与变换图像之间的PSNR值大于T时,即QNR小于0时,可判断待评图像是模糊图像,而当待评图像与变换图像之间的PSNR值小于T时,即QNR大于0,则可判断待评图像是清晰图像。
实验结果表明,当待评图像是清晰图像时,经过重叠双正交变换、量化、反量化和重叠双正交逆变换得到的变换图像会丢失大量细节信息,与原图会存在较大的差异;而当待评图像时模糊图像时,经过重叠双正交变换、量化、反量化和重叠双正交逆变换得到的变换图像丢失的图像信息较少,与原图的差异较小。这种评价方法满足实时性要求,而且评价结果与主观评价有较高的一致性。
本发明通过分析人眼对图像清晰度的敏感性来源于图像的细节,清晰度高的图像往往细节信息丰富,而模糊图像恰恰相反的特点,经过一系列变换处理有效丢失图像的细节信息构造出变换图像,有效解决了现有图像评价方法在无参考图像情况下难以实现以及难以满足实时性要求的问题。
为了更进一步的说明本发明实施例提供的基于无参考的模糊图像质量评价方法,下面结合具体实例详述如下:
实施例1:模糊图像。
1、对图像进行重叠双正交变换
(1.1)扩展图像:对输入图像如图4(a)进行尺寸检查,如果图像的宽、高不是8的倍数时,将图像进行扩充,用图像的最后一行和最后一列对图像进行扩充,将图像的宽、高扩充为8的整数倍。
(1.2)分割图像:对扩充后的图像进行宏块的划分,每个宏块大小为8×8,每个宏块又分为4个4×4的亮度像素块。
(1.3)第一次变换:读取每一个8×8的图像宏块,并对图2中的A、B、C、D四个4×4的亮度像素块分别进行4×4的前向核心变换。每个亮度像素块得到0、1、2、3四组变换系数,其中0号系数代表低频分量,共16个系数。
(1.4)第二次变换:将第一次变换得到的1、2、3号分块的系数分别进行重新组合,如图2所示。分别将相同编号的2×2块重新组合成4×4分块(只处理块1、2、3,块0不参与计算)进行第二次前向核心变换处理,每个4×4分块得到1个DC系数和15个AC系数。三个分块共得到3个DC系数和45个AC系数。
2、非均匀量化:按照高频分量进行粗量化,低频分量进行细量化的量化原则对上述重叠双正交变换系数进行量化。量化矩阵如下:
其中Qs1=16,Qs2=32,Qs3=64,Qs4=128。量化公式:
3、反量化与重叠双正交逆变换:按照反量化处理步骤对量化后的系数进行反量化过程,反量化公式:Yij'=Zij×Qstep;其中步长Qstep与量化过程中的一一对应。按照重叠双正交逆变换处理步骤对反量化后的系数Yij'进行重叠双正交逆变换,得到构造的变换图像,如图4(b)所示。
4、评价指标计算:计算变换图像图4(b)与待评图像4(a)之间的峰值信噪比(PSNR)指标。实例图像的大小为512×512,则PSNR的表达式为:最后计算图像质量评价因子QNR,阈值T取31.5。
综上所述,该实例的质量评价指标:MSE=14.36,PSNR=36.65,QNR=-0.6576<0;结论:待评图像为模糊图像。
实施例2:清晰图像。
实施步骤与实例1基本相同,为了节省篇幅在此不再赘述。待评图像和变换图像如图5(a)和5(b)所示。该实例的质量评价指标:MSE=107.11,PSNR=27.83,QNR=0.5380>0。结论:待评图像为清晰图像。
在本发明中,实施过程还对不同背景下的图像进行实验,均取得较好的评价效果。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于无参考的模糊图像质量评价方法,其特征在于,包括下述步骤:
S1:将待评图像进行重叠双正交变换后获得第一系数;
S2:根据所述第一系数以及设定的量化步长获得量化后的第二系数;
S3:根据所述第二系数和所述设定的量化步长获得反量化后的第三系数;
S4:将所述第三系数进行重叠双正交逆变换后获得变换图像;
S5:根据所述变换图像与所述待评图像之间的峰值信噪比获得质量评价因子;
步骤S1具体为:
S11:将待评图像分割为多个8×8的宏块,每个宏块又分为4个4×4的亮度像素块,一个4×4的亮度像素块中数据表示为
S12:对数据{x1,x4,x13,x16}、{x6,x7,x10,x11}、{x2,x3,x14,x15}、{x5,x8,x9,x12}进行哈达玛变换;对数据{x1,x2,x5,x6}进行哈达玛变换,对数据{x3,x4,x7,x8}和数据{x9,x10,x13,x14}进行THR旋转操作,对数据{x11,x12,x15,x16}进行TRR旋转操作变换后获得16个0号系数、16个1号系数、16个2号系数和16个3号系数;其中,编号为0的系数代表图像的低频信息,描述的是图像变化不大的区域,编号为1、2、3代表图像的高频信息,描述的图像的细节;
S13:将相同编号的2×2的系数块重新组合成4×4的系数块;
S14:对1号、2号和3号三个4×4的系数块进行前向核心变换后获得第一系数;
所述第一系数包括DC系数和AC系数,所述DC系数用于描述图像的低频信息,AC系数用于描述图像的高频信息;
所述THR旋转操作定义为:所述TRR旋转操作定义为:其中a,b,c,d为待处理的数据。
2.如权利要求1所述的方法,其特征在于,步骤S2具体为:将所述第一系数除以设定的量化步长获得量化后的第二系数round()表示四舍五入运算,Yij是重叠双正交变换后的第一系数,Qstep为量化步长。
3.如权利要求1所述的方法,其特征在于,步骤S3具体为:将所述第二系数乘以所述设定的量化步长获得反量化后的第三系数Yij'=Zij×Qstep。
4.如权利要求2或3所述的方法,其特征在于,所述DC系数采用的量化步长的范围为24-64,AC系数采用的量化步长的取值大于64。
5.如权利要求4所述的方法,其特征在于,步骤S4具体为:
S41:对第三系数中的数据{y1,y2,y5,y6}进行哈达玛变换,对数据{y3,y4,y7,y8}和数据{y9,y10,y13,y14}进行InvTHR旋转操作,对数据{y11,y12,y15,y16}进行InvTRR旋转操作;
S42:对数据{y1,y4,y13,y16}、{y6,y7,y10,y11}、{y2,y3,y14,y15}、{y5,y8,y9,y12}进行哈达玛变换获得变换图像的像素数据;
其中,InvTHR旋转和InvTRR旋转分别是THR旋转和TRR旋转的逆过程;InvTHR旋转操作定义为:InvTRR旋转操作定义为:其中a,b,c,d为待处理的数据。
6.如权利要求1所述的方法,其特征在于,在步骤S5中所述质量评价因子PSNR为峰值信噪比,T为设定的阈值。
7.如权利要求6所述的方法,其特征在于,所述阈值T是根据实验获取的经验值,阈值T的取值范围为30-32。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310012115.8A CN103927734B (zh) | 2013-01-11 | 2013-01-11 | 一种基于无参考的模糊图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310012115.8A CN103927734B (zh) | 2013-01-11 | 2013-01-11 | 一种基于无参考的模糊图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927734A CN103927734A (zh) | 2014-07-16 |
CN103927734B true CN103927734B (zh) | 2016-12-28 |
Family
ID=51145945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310012115.8A Expired - Fee Related CN103927734B (zh) | 2013-01-11 | 2013-01-11 | 一种基于无参考的模糊图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927734B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240255A (zh) * | 2014-09-23 | 2014-12-24 | 上海交通大学 | 基于非线性眼优势视差补偿的立体图像质量评价方法 |
CN104346809A (zh) * | 2014-09-23 | 2015-02-11 | 上海交通大学 | 采用高动态范围的图像质量数据集的图像质量评价方法 |
CN105227810B (zh) * | 2015-06-01 | 2018-10-23 | 西北大学 | 一种基于bibavr算法的自动聚焦头盔摄像机 |
CN105261013B (zh) * | 2015-09-25 | 2018-04-13 | 孙高磊 | 一种扫描图像质量综合评价方法及评价系统 |
CN106548472A (zh) * | 2016-11-03 | 2017-03-29 | 天津大学 | 基于沃尔什哈达玛变换的无参考图像质量评价方法 |
CN108460766B (zh) * | 2018-04-12 | 2022-02-25 | 四川和生视界医药技术开发有限公司 | 一种视网膜图像清晰度评估方法以及评估装置 |
CN110211119B (zh) * | 2019-06-04 | 2021-06-04 | 厦门美图之家科技有限公司 | 图像质量评估方法、装置、电子设备及可读存储介质 |
CN112149476A (zh) * | 2019-06-28 | 2020-12-29 | 北京海益同展信息科技有限公司 | 目标检测方法、装置、设备和存储介质 |
CN113840101A (zh) * | 2020-06-24 | 2021-12-24 | 重庆山淞信息技术有限公司 | 基于fpga的视频图像处理方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404778A (zh) * | 2008-07-16 | 2009-04-08 | 河北师范大学 | 综合的无参考视频质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1937002B1 (en) * | 2006-12-21 | 2017-11-01 | Rohde & Schwarz GmbH & Co. KG | Method and device for estimating the image quality of compressed images and/or video sequences |
-
2013
- 2013-01-11 CN CN201310012115.8A patent/CN103927734B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404778A (zh) * | 2008-07-16 | 2009-04-08 | 河北师范大学 | 综合的无参考视频质量评价方法 |
Non-Patent Citations (4)
Title |
---|
JPEG XR编码器研究及其FPGA实现;胡小开;《中国优秀硕士学位论文全文数据库信息科技辑》;20120515(第05期);正文第10页第2.1.4小节,第12页第2.2.2小节 * |
JPEG图像的无参考质量评价方法研究;姜林美;《中国优秀硕士学位论文全文数据库信息科技辑》;20080515(第05期);正文第2页第1.2.1小节,第7页第1.3节,第8页第3-4段,第11页第2.1节,第12页2.2节 * |
Nonreference Method for Estimating PSNR of MPEG-2 Coded Video by Using DCT Coefficients and Picture Energy;Atsuro Ichigaya et al;《IEEE Transactions on Circuits and Systems for Video Technology》;20080630;第18卷(第6期);817-826 * |
无参考图像质量评价综述;林海祥 等;《电脑知识与技术》;20091031;第5卷(第28期);8043-8046 * |
Also Published As
Publication number | Publication date |
---|---|
CN103927734A (zh) | 2014-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927734B (zh) | 一种基于无参考的模糊图像质量评价方法 | |
Zhang et al. | Image restoration: From sparse and low-rank priors to deep priors [lecture notes] | |
Kim et al. | Deep learning of human visual sensitivity in image quality assessment framework | |
Li et al. | Blind image quality assessment using statistical structural and luminance features | |
Fang et al. | Perceptual quality assessment for screen content images by spatial continuity | |
Yuan et al. | Image quality assessment: A sparse learning way | |
Chen et al. | Remote sensing image quality evaluation based on deep support value learning networks | |
Lahiri et al. | Lightweight modules for efficient deep learning based image restoration | |
CN108053396B (zh) | 一种多失真图像质量的无参考评价方法 | |
Zuo et al. | Screen content image quality assessment via convolutional neural network | |
CN102243711A (zh) | 一种基于邻域嵌套的图像超分辨率重建方法 | |
CN112465727A (zh) | 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法 | |
Attar et al. | Image quality assessment using edge based features | |
Steffens et al. | Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing | |
CN105160667A (zh) | 联合梯度和拉普拉斯-高斯信号的盲图像质量评价方法 | |
Tang et al. | A reduced-reference quality assessment metric for super-resolution reconstructed images with information gain and texture similarity | |
CN116416244A (zh) | 一种基于深度学习的裂缝检测方法及系统 | |
Yang et al. | Multiexposure estimation and fusion based on a sparsity exposure dictionary | |
Hui et al. | Multi-channel adaptive partitioning network for block-based image compressive sensing | |
George et al. | A survey on full reference image quality assessment algorithms | |
Yuan et al. | Locally and multiply distorted image quality assessment via multi-stage CNNs | |
Ren et al. | A lightweight object detection network in low-light conditions based on depthwise separable pyramid network and attention mechanism on embedded platforms | |
Wang et al. | Uneven image dehazing by heterogeneous twin network | |
Yang et al. | EHNQ: Subjective and objective quality evaluation of enhanced night-time images | |
CN116309171A (zh) | 一种输电线路监控图像增强方法和装置 |
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: 20161228 Termination date: 20180111 |
|
CF01 | Termination of patent right due to non-payment of annual fee |