CN104021545A - 一种基于视觉显著性的全参考彩色图像质量评价方法 - Google Patents

Abstract

一种基于视觉显著性的全参考彩色图像质量评价方法，(1)对于参考图像f(1)和失真图像f(2)分别确定视觉显著图VS₁(x)和VS₂(x)，、梯度图G₁(x)和G₂(x)、黄蓝对比色度分量M₁(x)和M₂(x)、红绿对比色度分量N₁(x)和N₂(x)；(2)结合VS₁(x)、VS₂(x)、G₁(x)、G₂(x)、M₁(x)、M₂(x)、N₁(x)、N₂(x)确定局部质量图S(x)；(3)将VS₁(x)和VS₂(x)中较大值作为权值函数，得到f₂最终质量VSI，局部质量评级过程中，利用视觉显著性与图像质量关系，引入彩色图像色度分量；确定失真图像的质量分数的过程中，使用视觉显著性作为权重函数，得到失真图像的客观评价质量，提高了全参考图像质量评价方法的准确性。

Description

一种基于视觉显著性的全参考彩色图像质量评价方法

技术领域

本发明属于图像处理技术领域，涉及图像质量的评测技术，尤其是全参考彩色图像质量评价技术。 

背景技术

图像处理是对图像进行分析、加工和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。几十年前，图像处理大多数由光学设备在模拟模式下进行。由于这些光学方法本身所具有的并行特性，至今他们仍然在很多应用领域占有核心地位，但是由于计算机速度的大幅度提高，这些技术正在迅速的被数字图像处理方法所替代。在目前的技术水平下，在压缩、传输等过程中，往往伴随着图像质量的损失，很多应用需要量化图像中存在的失真会给感官造成怎样的影响。通过图像质量客观评价的方法，可以对一些图像处理方法进行有效的评估，最终取得一个较好的图像视觉效果。 

目前数字图像质量评价方法可以分为两类：主观评价和客观评价。主观评价是指通过主观实验来评价图像质量。主观评价具有准确、有效等优点，但也存在严重的缺点。一是主观评价只能测试有限数量的图像样本；二是实验过程很耗时并且费用昂贵。因此，人们需要设计符合主观评价结果的客观的图像质量评价方法。 

数字图像客观评价方法的研究是图像信息工程研究中最重要的基础研究课题之一。依据对原始图像参考度的不同，图像质量的客观评价可分为三种：全参考(FR)、部分参考(RR)和无参考(NR)。所谓全参考图像质量评价方法，是指在评价失真图像时，将无任何质量失真的原始图像作为参考，其主要用于评价压缩、还原等方法的好坏或者为压缩、还原等方法挑选合适的参数提供依据。 

目前主要的全参考图像质量评价方法有：“Z.Wang,A.C.Bovik,H.R.Sheikh,and E.P.Simoncelli,Image quality assessment:From error visibility to structural similarity,IEEE Trans.Image Process.,vol.13,no.4,pp.600-612,Apr.2004”，即SSIM；“Z.Wang,E.P.Simoncelli,and  A.C.Bovik,Multi-scale structural similarity for image quality assessment,inProc.IEEE Asi-lomar Conf.Signals,Syst.and Comput.,2003,pp.1398-1402”，即MS-SSIM；“Z.Wang and Q.Li,Information content weighting for perceptual image quality assessment,IEEE Trans.Image Process.,vol.20,no.5,pp.1185-1198,May.2011”，即IW-SSIM；“H.R.Sheikh and A.C.Bovik,Image information and visual quality,IEEE Trans.Image Process.,vol.15,no.2,pp.430-444,Feb.2006”，即VIF；“L.Zhang,L.Zhang,and X.Mou,RFSIM:A feature based im-age quality assessment metric using Riesztransforms,inProc.IEEE Int.Conf.Image Process.,2010,pp.321-324”，即RFSIM；“L.Zhang,L.Zhang,X.Mou,and D.Zhang,FSIM:A feature similarity index for image quality assessment”,即FSIM。在全参考图像质量评价问题中，基本实现原理是比较测试图像和参考图像之间的差异，差异越大，代表质量越差，差异越小，代表质量越高。典型的二步图像质量评价框架如图1所示。在第一步中，根据图像中质量相关的特征确定局部质量图，在第二步中，以局部质量图为依据，采取合适的权重函数，得到最终的客观评价分数。但是这些方法中评价方法预测准确性还不够高。 

发明内容

本发明的目的在于提供一种基于视觉显著性的全参考彩色图像质量评价方法，其充分利用视觉显著性与图像质量的关系，同时引入彩色图像的色度分量，大大提高了全参考图像质量评价方法的准确性，满足实际应用中对全参考图像质量评价方法的要求，解决了传统图像质量评价方法预测准确性不够高的问题。 

为达到上述目的，本发明的解决方案是： 

一种基于视觉显著性的全参考彩色图像质量评价方法，包括以下步骤：定义任意一副RGB图像为f(x)，则参考图像为f(1)，失真图像为f(2)： 

(1)分别确定参考图像f(1)和失真图像f(2)的视觉显著图VS₁(x)和VS₂(x)、黄蓝对比色度分量M₁(x)和M₂(x)、红绿对比色度分量N₁(x)和N₂(x)以及L通道的梯度图G₁(x)和G₂(x)； 

(2)比较参考图像f(1)和失真图像f(2)的视觉显著图、L通道、M通道以及N通道的相似性以确定局部质量图S(x)； 

(3)以局部质量图S(x)为依据，使用VS₁(x)和VS₂(x)中的较大值VS_m(x)作为权值函数，确定失真图像f(2)的客观评价分数VSI： 

VS_m(x)＝max(VS₁(x),VS₂(x)) 

$\mathrm{VSI}=\frac{{\mathrm{\Σ}}_{x\∈\mathrm{\Ω}}S\left(x\right)\·{\mathrm{VS}}_m\left(x\right)}{{\mathrm{\Σ}}_{x\∈\mathrm{\Ω}}{\mathrm{VS}}_m\left(x\right)}$

其中Ω表示图像的空间域。 

所述步骤(一)中，参考图像f(1)和失真图像f(2)视觉显著图的确定包括以下步骤： 

(1‐1)将f(x)(x＝1或2)的RGB三个通道转换至CIELAB对色空间，并分别用f_L(x)、f_a(x)和f_b(x)表示f(x)被转移到对色空间之后的三个通道，则f(x)的视觉显著图VS(x)： 

VS(x)＝S_F(x)·S_D(x)·S_C(x) 

其中： 

S_F(x)＝((f_L*g)²+(f_a*g)²+(f_b*g)²)²(x)/g是对数Gabor滤波器，*代表卷积操作； c代表图像中心点的位置，σ_D为一个0到1之间的参数； 

$S_C\left(x\right)=1-\exp (-\frac{f_{\mathrm{an}}^2\left(x\right)+f_{\mathrm{bn}}^2\left(x\right)}{{\mathrm{\σ}}_C^2}),f_{\mathrm{an}}\left(x\right)=\frac{f_a\left(x\right)-\min a}{\max a-\min a},f_{\mathrm{bn}}\left(x\right)=\frac{f_b\left(x\right)-\min b}{\max b-\min b},$ maxa和mina分别代表f_a(x)中的最大值和最小值，而maxb和minb分别代表f_b(x)中的最小值和最大值，σ_C是0到1之间的一个参数。 

所述步骤(一)中，参考图像f(1)和失真图像f(2)黄蓝色对比色度分量和红绿色对比分量的确定包括以下步骤： 

(1-2)将f(x)按如下公式转移到对色空间，x为1或2： 

$\left[\begin{array}{c}L\\ M\\ N\end{array}\right]=\left[\begin{array}{ccc}0.06& 0.63& 0.27\\ 0.30& 0.04& -0.35\\ 0.34& -0.6& 0.17\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

则M通道和N通道即f(x)所对应的黄蓝色对比色度分量和红绿色对比分量。 

进一步的，所述步骤(一)中，参考图像f(1)和失真图像f(2)梯度图的确定包括以下步骤：(1-3)确定f(x)(x为1或2)的L通道后，使用Scharr梯度算子即两个偏导数G_x(x)和G_y(x)： 

$G_x\left(x\right)=\frac{1}{16}\left[\begin{array}{ccc}3& 0& -3\\ 10& 0& -10\\ 3& 0& -3\end{array}\right]*L\left(x\right)$

$G_y\left(x\right)=\frac{1}{16}\left[\begin{array}{ccc}3& 10& 3\\ 0& 0& 0\\ -3& -10& -3\end{array}\right]*L\left(x\right)$

则f(x)L通道的梯度模图为： 

$G\left(x\right)=\sqrt{G_x^2\left(x\right)+G_y^2\left(x\right)}$

所述步骤(二)中，使用SSIM指标比较参考图像f(1)和失真图像f(2)的视觉显著图、L通道、M通道以及N通道的相似性，则 

VS₁(x)和VS₂(x)的相似性定义为： 

$S_{\mathrm{vs}}\left(x\right)=\frac{{2\mathrm{VS}}_1\left(x\right)\·{\mathrm{VS}}_2\left(x\right)+C_1}{{\mathrm{VS}}_1^2\left(x\right)+{\mathrm{VS}}_2^2\left(x\right)+C_1}$

G₁(x)和G₂(x)的相似性定义为： 

$S_G\left(x\right)=\frac{{2G}_1\left(x\right)\·G_2\left(x\right)+C_2}{G_1^2\left(x\right)+G_2^2\left(x\right)+C_2}$

色度分量的相似性定义为： 

$S_C\left(x\right)=\frac{{2M}_1\left(x\right)\·M_2\left(x\right)+C_3}{M_1^2\left(x\right)+M_2^2\left(x\right)+C_3}\·\frac{{2N}_1\left(x\right)\·N_2\left(x\right)+C_3}{N_1^2\left(x\right)+N_2^2\left(x\right)+C_3}$

局部质量图S(x)＝S_vs(x)·[S_G(x)]^α·[S_C(x)]^β； 

其中，C₁、C₂、C₃、α以及β为0到1之间的常数。 

由于采用上述方案，本发明的有益效果是： 

本发明所示的一种基于视觉显著性的全参考彩色图像质量评价方法，在对局部质量评级过程中，充分利用视觉显著性与图像质量的关系，同时引入彩色图像的色度分量，其分别确定参考图像和失真图像的视觉显著图、梯度模图和色度分量图，并确定这几种特征图的相似性以确定局部质量图；在确定失真图像的质量分数的过程中，使用视觉显著性作为权重函数，得到失真图像的客观评价质量，大大提高了全参考图像质量评价方法的准确性。 

具体分析如下：在大多数情况下，图像中越显著的地方出现失真会对视觉显著性造成更大的影响，故本发明所示的基于视觉显著性的全参考彩色图像质量评价方法，使用了视觉显著性这一特征确定图像的局部质量图；且由于在确定图像的视觉显著性时引入了归一化操作，所以用视觉显著性作为特征确定图像的局部质量图时，并不能很好地反映图像全局对比度这一失真类型。为此，本发明引入了梯度模补偿视觉显著型的这一缺点；此外，虽然视觉显著型和梯度模两者已经足够刻画灰度图中出现的失真，但对于彩色图像，这些信息不能充分刻画色度的失真，为此，本发明还引入了色度分量刻画局部质量图。 

同时，考虑到图像中视觉显著性高的区域对图像的感知质量起到的作用更大，而出现在视觉显著性较低区域的失真对图像感知质量的影响较小，故在得到图像的局部质量图之后，使用视觉显著性作为权值函数，最终得到失真图像的客观评价质量，可大大提高了全参考图像质量评价方法的准确性。 

附图说明

图1为通用的全参考图像质量评价框架示意图； 

图2为本发明一实施例的方法流程示意图。 

具体实施方式

本发明所示的一种基于视觉显著性的全参考彩色图像质量评价方法，充分利用视觉显著性与图像质量的关系，同时引入彩色图像的色度分量，大大提高了全参考图像质量评价方法的准确性。 

其继承自图1所示的典型的全参考图像质量评价方法框架。假设已有参考图像f(1)f和失真图像f(2)(均为RGB图像)。对于f(1)和f(2)f，我们需要分别确定其视觉显著图(分别用VS₁(x)和VS₂(x)表示)，梯度图(分别用G₁(x)和G₂(x)表示)，再分别结合两张图像各自的黄蓝对比色度分量(分别用M₁(x)和M₂(x)表示)，红绿对比色度分量(分别用N₁(x)和N₂(x)表示)，结合VS₁(x)、VS₂(x)、G₁(x)、G₂(x)、M₁(x)、M₂(x)、N₁(x)、N₂(x)，可以确定得到一张局部质量图(用S(x)表示)，再使用VS₁(x)和VS₂(x)中的较大值作为权值函数，我们可以确定得到f₂的最终质量(用VSI表示)。 

本发明的基本流程如图2所示。 

(1)分别确定参考图像f(1)和失真图像f(2)f的视觉显著图VS₁(x)和VS₂(x)、黄蓝对比色度分量M₁(x)和M₂(x)、红绿对比色度分量N₁(x)和N₂(x)以及L通道的梯度图G₁(x)和G₂(x)； 

(1-1)确定视觉显著图VS₁(x)和VS₂(x)。VS₁(x)和VS₂(x)是参考图像f(1)和失真图像f₂(均为RGB图像)所对应的视觉显著图。用f(x)表示任意一幅RGB图像(可以是f(1)或f(2))，我们采用如下的方法确定其对应的视觉显著图。首先将f(x)的RGB三个通道转换到CIELAB对色空间，分别用f_L(x)、f_a(x)和f_b(x)表示f(x)被转移到对色空间之后的三个通道。我们使用如下公式确定f(x)的视觉显著图(用VS(x)表示)： 

VS(x)＝S_F(x)·S_D(X)·S_C(x) 

其中： 

S_F(x)＝((f_L*g)²+(f_a*g)²+(f_b*g)²)²(x) 

g是对数Gabor滤波器，*代表卷积操作。这个公式的原理是带宽滤波器在对色空间下可以很好地模拟图像的视觉显著性。 

$S_D\left(x\right)=\exp (-\frac{{\left|\right|x-c\left|\right|}_2^2}{{\mathrm{\σ}}_D^2})$

c代表图像中心点的位置，σ_D是一个0到1之间的参数。这个公式的原理是图像的中心点往往具有较高的视觉显著性。 

$S_C\left(x\right)=1-\exp (-\frac{f_{\mathrm{an}}^2\left(x\right)+f_{\mathrm{bn}}^2\left(x\right)}{{\mathrm{\σ}}_C^2})$

$f_{\mathrm{an}}\left(x\right)=\frac{f_a\left(x\right)-\min a}{\max a-\min a},f_{\mathrm{bn}}\left(x\right)=\frac{f_b\left(x\right)-\min b}{\max b-\min b}$

其中maxa和mina分别代表f_a(x)中的最大值和最小值，而maxb和minb分别代表f_b(x)中的最小值和最大值，σ_C是0到1之间的一个参数。这个公式的原理是暖色调，如红色和黄色，相比于冷色调，如蓝色，更容易引起人的视觉注意。 

(1-2)确定黄蓝对比色度分量(分别用M₁(x)和M₂(x)表示)，红绿对比色度分量(分别用N₁(x)和N₂(x)表示)。 

M₁(x)和M₂(x)分别是参考图像f(1)和失真图像f(2)(均为RGB图像)所对应的黄蓝色对比色度分量，而N₁(x)和N₂(x)分别是参考图像f(1)和失真图像f(2)(均为RGB图像)所对应的红绿对比色度分量。 

用f(x)表示任意一幅RGB图像(可以是f(1)或f(2))，我们采用如下的方法确定其对应的黄蓝色对比色度分量和红绿色对比分量。 

我们将f(x)按如下公式转移到对色空间： 

$\left[\begin{array}{c}L\\ M\\ N\end{array}\right]=\left[\begin{array}{ccc}0.06& 0.63& 0.27\\ 0.30& 0.04& -0.35\\ 0.34& -0.6& 0.17\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

其中M通道和M通道即f(x)所对应的黄蓝色对比色度分量和红绿色对比分量。 

(1-3)确定G₁(x)和G₂(x)。 

G₁(x)和G₂(x)分别是参考图像f(1)和失真图像f(2)(均为RGB图像)所对应的梯度模图。用f(x)表示任意一幅RGB图像(可以是f(1)或f(2))，我们采用如下方法确定其对应的梯度模图。 

步骤(1-2)中，在确定f(x)的黄蓝色对比色度分量和红绿色对比分量时，我们同时得到一个L通道，我们根据f(x)的这个通道(用L(x)表示)确定其对应的梯度模图。此处我们使用Scharr梯度算子，用到的是两个偏导数G_x(x)和G_y(x)： 

$G_x\left(x\right)=\frac{1}{16}\left[\begin{array}{ccc}3& 0& -3\\ 10& 0& -10\\ 3& 0& -3\end{array}\right]*L\left(x\right)$

$G_y\left(x\right)=\frac{1}{16}\left[\begin{array}{ccc}3& 10& 3\\ 0& 0& 0\\ -3& -10& -3\end{array}\right]*L\left(x\right)$

于是得到f(x)的梯度模图： 

$G\left(x\right)=\sqrt{G_x^2\left(x\right)+G_y^2\left(x\right)}$

(2)比较参考图像f(1)和失真图像f(2)的视觉显著图、L通道、M通道以及N通道的相似性以确定局部质量图S(x)； 

通过比较各种特征图(视觉显著图，梯度模图，黄蓝色对比色度分量和红绿色对比分量)的相似性，我们可以得到局部质量图。此处相似性比较的方法采用的是结构相似度，即SSIM，(structural similarity index measurement)一文中所使用的相似度比较方法，也是在带参考图像质量评价中最为常用的相似性评价方法。 

VS₁(x)和VS₂(x)的相似性被定义为： 

$S_{\mathrm{vs}}\left(x\right)=\frac{{2\mathrm{VS}}_1\left(x\right)\·{\mathrm{VS}}_2\left(x\right)+C_1}{{\mathrm{VS}}_1^2\left(x\right)+{\mathrm{VS}}_2^2\left(x\right)+C_1}$

G₁(x)和G₂(x)的相似性被定义为： 

$S_G\left(x\right)=\frac{{2G}_1\left(x\right)\·G_2\left(x\right)+C_2}{G_1^2\left(x\right)+G_2^2\left(x\right)+C_2}$

色度分量的相似性被定义为： 

$S_C\left(x\right)=\frac{{2M}_1\left(x\right)\·M_2\left(x\right)+C_3}{M_1^2\left(x\right)+M_2^2\left(x\right)+C_3}\·\frac{{2N}_1\left(x\right)\·N_2\left(x\right)+C_3}{N_1^2\left(x\right)+N_2^2\left(x\right)+C_3}$

实验中，C₁，C₂和C₃为0到1之间的常数。可以说S_vs(x)，S_G(x)，S_c(x)在不同方面评价了失真图像与参考图像的相似性，通过将三者相乘，可以得到f(1)和f(2)的局部相似性，也即局部质量图(用S(x)表示)： 

S(x)＝S_vs(x)·[S_G(x)]^α·[S_c(x)]^β

其中α和β是0到1之间的常数，用于调整各个部分的比重。 

(3)以局部质量图S(x)为依据，使用VS₁(x)和VS₂(x)中的较大值VS_m(x)作为权值函数，确定失真图像f(2)的客观评价分数VSI： 

最终，使用VS₁(x)和VS₂(x)之间的较大值(用VS_m(x)表示)作为权值函数，得到测试图像的客观评价分数(用VSI表示)： 

VS_m(X)＝max(VS₁(x),VS₂(x)) 

$\mathrm{VSI}=\frac{{\mathrm{\Σ}}_{x\∈\mathrm{\Ω}}S\left(x\right)\·{\mathrm{VS}}_m\left(x\right)}{{\mathrm{\Σ}}_{x\∈\mathrm{\Ω}}{\mathrm{VS}}_m\left(x\right)}$

其中Ω表示图像的空间域。 

以下结合具体实验数据对本发明所示的基于视觉显著性的全参考彩色图像质量评价方法进一步说明。 

实验条件与评分标准：本发明在TID2013，TID2008，LIVE和CSIQ四个数据库上进行测试，表1为上述数据库的信息。 

表1：数据库信息 

Spearman等级次序相关系数(SROCC)、肯德尔次序相关系数(KROCC)、皮尔森线性相关系数(PLCC)和均方根误差(RMSE)用于评价方法的准确性，其中，SROCC(KROCC或PLCC)的取值范围是0～1，越接近1，代表准确性越高；RMSE的值越低，代表准确性越高；比较对象包括SSIM(Structural Similarity Index Measure,结构相似性)，MS-SSIM(Multi-Scale Structural SimilarityIndex Measure,多尺度结构相似性)、VIF(VisualInformation Fidelity,视觉信息保真度)、IW-SSIM(Information content Weighted Structural Similarity Measure,以内容信息加权的结构相似性)、RFSIM(Riesz-transform based Feature SIMilarity metric,基于Riesz变换的特征相似性)和FSIM(Feature SIMilarity metric,特征相似性指标)这6个具有代表型的全参考图像质量评价指标。本发明方法被命名为VSI(Visual Saliency based Index)。 

实验结果： 

表2为7种方法在四个数据库中进行试验的比较结果，可以发现本发明在四个数据库，四个指标上都名列前茅。 

表2.7个方法在4个数据库上的实验结果 

为了进一步证明本发明所示方法的优越性，我们根据数据库中图像的数量对结果做了加权平均，结果如表3(按测试图像数量加权之后方法的总体性能评价)所示，可以看到我们的方法在各评价指标下都是第一名，并且结果有非常明显的提升。 

表3.按测试图像数量加权之后方法的总体性能评价 

表4为各个方法运行所需的时间，从表4中我们可以看到，本发明所示的基于视觉显著性的全参考彩色图像质量评价方法的对于一幅图像的处理速度是95.4毫秒，虽然不是最快的方法，但是比FSIM、IW-SSIM、VIF等方法已经有了巨大的提高。 

表4.方法运行效率比较 

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原 理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。 

Claims (5)

1.一种基于视觉显著性的全参考彩色图像质量评价方法，其特征在于：包括以下步骤，定义任意一副RGB图像为f(x)，则参考图像为f(1)，失真图像为f(2)f： 

(1)分别确定参考图像f(1)f和失真图像f(2)f的视觉显著图VS₁(x)和VS₂(x)、黄蓝对比色度分量M₁(X)和M₂(X)、红绿对比色度分量N₁(x)和N₂(x)以及L通道的梯度图G₁(x)和G₂(x)； 

(2)比较参考图像f(1)f和失真图像f(2)f的视觉显著图、L通道、M通道以及N通道的相似性以确定局部质量图S(x)； 

(3)以局部质量图S(x)为依据，使用VS₁(x)和VS₂(x)中的较大值VS_m(x)作为权值函数，确定失真图像f(2)f的客观评价分数VSI： 

VS_m(x)＝max(VS₁(x),VS₂(x)) 

其中Ω表示图像的空间域。 

2.根据权利要求1所述的全参考彩色图像质量评价方法，其特征在于：所述步骤(一)中，参考图像f(1)和失真图像f(2)视觉显著图的确定包括以下步骤：(1‐1)将f(x)(x＝1或2)的RGB三个通道转换至CIELAB对色空间，并分别用f_L(x)、f_L(x)和f_b(x)表示f(x)被转移到对色空间之后的三个通道，则f(x)的视觉显著图VS(x)： 

VS(x)＝S_F(x)·S_D(x)·S_C(x) 

其中： 

S_F(x)＝((f_L*g)²+(f_a*g)²+(f_b*g)²)²(x)/g是对数Gabor滤波器，*代表卷积操作； c代表图像中心点的位置，σ_D为一个0到1之间的参数； 

maxa和mina分别代表f_a(x)中的最大值和最小值，而maxb和minb分别代表f_b(x)中的最小值和最大值，σ_C是0到1之间的一个参数。 

3.根据权利要求1所述的全参考彩色图像质量评价方法，其特征在于：所述步骤(一)中，参考图像f(1)和失真图像f(2)黄蓝色对比色度分量和红绿色对比分量的确定包括以下步骤： 

(1-2)将f(x)按如下公式转移到对色空间，x为1或2： 

则M通道和N通道即f(x)所对应的黄蓝色对比色度分量和红绿色对比分量。 

4.根据权利要求3所述的全参考彩色图像质量评价方法，其特征在于：所述步骤(一)中，参考图像f(1)和失真图像f(2)梯度图的确定包括以下步骤： 

(1-3)确定f(x)(x为1或2)的L通道后，使用Scharr梯度算子即两个偏导数G_x(x)和G_y(x) 

则f(x)L通道的梯度模图为： 

。

5.根据权利要求1所述的全参考彩色图像质量评价方法，其特征在于：所述步骤(二)中，比较参考图像f(1)和失真图像f(2)的视觉显著图、L通道、M通道以及N通道的相似性，则 

VS₁(x)和VS₂(x)的相似性定义为： 

G₁(x)和G₂(x)的相似性定义为： 

色度分量的相似性定义为： 

局部质量图S(x)＝S_vs(x)·[S_G(x)l^α·[S_C(x)]^β； 

其中，C₁、C₂、C₃、α以及β为0到1之间的常数。