CN104103063A - 一种基于自动调焦原理无参考噪声图像质量评价方法 - Google Patents

Abstract

一种基于自动调焦原理无参考噪声图像质量评价方法，其特征在于按如下步骤进行：(一)选择一幅噪声图像为被评价图像；(二)将该噪声图像转化为灰度图像；(三)对被评价噪声图像进行高斯低通滤波，生成的图像作为参考图像；(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解，得到奇异值向量S₁和S₂；(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise；(六)计算被评价图像的质量评价函数Noise的值，作为图像噪声指标。本发明是一种不需要参考图像，评价噪声图像质量的方法，并且评价结果符合人类视觉主观认识结果，Noise值越大，被评价图像的质量越好。

Description

一种基于自动调焦原理无参考噪声图像质量评价方法

技术领域

本发明涉及图像处理领域，具体地讲，是一种不需要参考图像进行噪声图像质量评价的方法。

背景技术

噪声是图像中最常见的一种失真类型，如何从大量的噪声图像中自动挑选出质量合格的图像，舍弃哪些不合格的噪声图像，就需要对图像质量进行评价。按照评价过程需要多少原始参考图像信息，客观图像质量评价方法又可以分为三大类：全参考(Full-Reference，FR)图像质量评价法，部分参考(Reduced-Reference，RR)图像质量评价法和无参考(No-Reference，NR)图像质量评价法。峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)是最常用的全参考图像质量评价方法，但像PSNR这样的全参考图像质量评价方法需要参考图像的全部或部分信息，而在很多应用场合没有或无法获得参考图像的全部或部分信息，因此无参考图像质量评价方法更加实用。

在当前基于图像处理的数字成像自动调焦系统中，大多是通过计算图像高频分量的多少来进行调焦判断。比较典型的有对焦深度法，它通过改变镜头的位置获得一系列模糊程度不等的图像，通过计算每幅图像的清晰度(高频分量)评价值构成对焦评价曲线，最终移动镜头到曲线的最大值对应的位置(即最佳对焦位置)。本发明基于这一原理，提出了一种无参考噪声图像质量评价方法。

发明内容

本发明的目的在于提供一种快速噪声图像质量评价方法，能够在不需要参考图像的情况下，评价噪声图像质量的好坏。

为了实现上述目的，本发明的技术方案如下：一种基于自动调焦原理无参考噪声图像质量评价方法，其关键在于按如下步骤进行：

(一)选择一幅噪声图像为被评价图像；

(二)将该噪声图像转化为灰度图像；

(三)对被评价噪声图像进行高斯低通滤波，生成的图像作为参考图像，高斯滤波器的窗口大小11×11，且σ＝5；

(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解，得到奇异值向量S₁和S₂；

任何一个灰度图像都可以看作实数矩阵A∈R^m×n，则存在正交(或酉)矩阵U∈R^m×m和V∈R^n×n使得A＝USV^T  (1)

式中 $S=\left[\begin{array}{cc}{S}_1& 0\\ 0& 0\end{array}\right],$ S₁＝diag(σ₁，σ₂，…，σ_r)，而数σ₁，σ₂，…，σ_r即是矩阵A的所有非零奇异值，r＝rank(A)，U的列向量为矩阵A的左奇异值向量，V的列向量为A的右奇异值向量，称(1)式是矩阵A的奇异值分解。

(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise；

根据数字成像自动调焦原理，建立奇异值的改变量和噪声程度之间的对应关系，得到噪声指标的计算公式为：

$\mathrm{Noise}=\left(\underset{i=1}{\overset{r}{\mathrm{\Σ}}}\frac{2(S_1\left(i\right)-S_2\left(i\right))}{{\left(S_1\left(i\right)\right)}^2+{\left(S_2\left(i\right)\right)}^2+C}\right)/r---\left(2\right)$

式(2)中S₁为待评价噪声图像奇异值向量，S₂为经过高斯滤波后生成的参考图像的奇异值向量，r为奇异值个数，C为调节常数，本发明中取3。

(六)计算被评价图像的质量评价函数Noise的值，作为图像噪声指标。本发明的优点是：本发明不需要参考图像就可以快速评价一幅噪声图像的质量好坏，且与人类主观视觉感知一致性较好，方法简单。

附图说明 图1是本发明流程图。

具体实施方式

下面结合附图和实施例进一步对本发明加以说明。

如图1所示：一种基于奇异值分解无参考模糊图像质量评价方法，其特征在于按如下步骤进行：

(一)选择一幅噪声图像；

(二)将该噪声图像转化为灰度图像；

(三)对被评价噪声图像进行高斯低通滤波，生成的图像作为参考图像，高斯滤波器的窗口大小11×11，且σ＝5；

(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解，得到奇异值向量S₁和S₂；

任何一个灰度图像都可以看作实数矩阵A∈R^m×n，则存在正交(或酉)矩阵U∈R^m×m和V∈R^n×n使得A＝USV^T  (1)

式中 $S=\left[\begin{array}{cc}{S}_1& 0\\ 0& 0\end{array}\right],$ S₁＝diag(σ₁，σ₂，…，σ_r)，而数σ₁，σ₂，…，σ_r即是矩阵A的所有非零奇异值，r＝rank(A)，U的列向量为矩阵A的左奇异值向量，V的列向量为A的右奇异值向量，称(1)式是矩阵A的奇异值分解。

(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise；

根据数字成像自动调焦原理，建立奇异值的改变量和噪声程度之间的对应关系，得到噪声指标的计算公式为：

$\mathrm{Noise}=\left(\underset{i=1}{\overset{r}{\mathrm{\Σ}}}\frac{2(S_1\left(i\right)-S_2\left(i\right))}{{\left(S_1\left(i\right)\right)}^2+{\left(S_2\left(i\right)\right)}^2+C}\right)/r---\left(2\right)$

式(2)中S₁为待评价噪声图像奇异值向量，S₂为经过高斯滤波后生成的参考图像的奇异值向量，r为奇异值个数，C为调节常数，本发明中取3。

(六)计算被评价图像的质量评价函数Noise的值，作为图像噪声指标。

为了验证本发明方法的优越性，本实验是在美国德州大学Austin分校LIVE实验室图像质量评价数据库(http://live.ece.utexas.edu/research/quality/)上进行测试，该数据库中共有779幅失真图像，同时给出了该779幅失真图像的主观得分值(MOS)。为了测试本发明与主观感知的一致性，我们选择了两种度量准则：(1)斯皮尔曼等级次序关系系数(SROCC)，反映客观评测预测成绩的单调性；(2)相关系数(CC)，反映客观评测的精确性。SROCC和CC的值在0-1的范围之内，值越接近1，说明性能指标越好。最终测试结果显示在表1，从表中可以看出，本发明提出的方法在live2数据库上，具有非常好的性能指标。

表1在LIVE2数据库上的性能指标

Claims (4)

1.一种基于自动调焦原理无参考噪声图像质量评价方法，其特征在于按如下步骤进行：

(一)选择一幅噪声图像为被评价图像；

(二)将该噪声图像转化为灰度图像；

(三)对被评价噪声图像进行高斯低通滤波，生成的图像作为参考图像；

(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解，得到奇异值向量S₁和S₂；

(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise；

(六)计算被评价图像的质量评价函数Noise的值，作为图像噪声指标。

2.根据权利要求1所述基于自动调焦原理无参考噪声图像质量评价方法，其特征在于：在步骤(三)中，高斯滤波器的窗口大小11×11，且σ＝5。

3.根据权利要求1所述基于自动调焦原理无参考噪声图像质量评价方法，其特征在于：在步骤(四)中，建立A＝USV^T为矩阵A∈R^m×n的奇异值分解，其中正交(或酉)矩阵U∈R^m×m，U的列向量为矩阵A的左奇异值向量和V∈R^n×n，V的列向量为A的右奇异值向量。式中 $S=\left[\begin{array}{cc}{S}_1& 0\\ 0& 0\end{array}\right],$ S₁＝diag(σ₁，σ₂，…，σ_r)，数σ₁，σ₂，…，σ_r是矩阵A的所有非零奇异值，r＝rank(A)。

4.根据权利要求1所述基于自动调焦原理无参考噪声图像质量评价方法，其特征在于：在步骤(五)中，建立奇异值的改变量和噪声程度之间的对应关系，得到的噪声指标的计算公式为：

$\mathrm{Noise}=\left(\underset{i=1}{\overset{r}{\mathrm{\Σ}}}\frac{2(S_1\left(i\right)-S_2\left(i\right))}{{\left(S_1\left(i\right)\right)}^2+{\left(S_2\left(i\right)\right)}^2+C}\right)/r,$ 其中S₁为待评价噪声图像奇异值向量，S₂为经过高斯滤波后生成的参考图像的奇异值向量，r为奇异值个数，C为调节常数，本发明中取3。