CN104103064A - 基于梯度相似度的无参考噪声图像质量评价方法 - Google Patents
基于梯度相似度的无参考噪声图像质量评价方法 Download PDFInfo
- Publication number
- CN104103064A CN104103064A CN201310123325.4A CN201310123325A CN104103064A CN 104103064 A CN104103064 A CN 104103064A CN 201310123325 A CN201310123325 A CN 201310123325A CN 104103064 A CN104103064 A CN 104103064A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- sigma
- noise image
- quality
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种新的基于梯度结构相似度的无参考噪声图像质量评价方法(NRGSIM)。所需步骤包括:(1)将原始噪声图像经过高斯噪声滤波器进行加噪处理生成再加噪图像;(2)将原始噪声图像进行8x8分块,并将子块划分为边缘膨胀块和平滑块;(3)对不同类型块的GSIM值赋予不同的权值;(4)计算得到整幅图像的噪声值。本发明在无参考图像的前提下,通过简单的计算,即可对噪声图像进行质量评价,且与主观评分有较好的一致性。该方法计算简单,是一种准确可靠的无参考噪声图像评价方法。
Description
技术领域
本发明涉及一种图像质量评价方法,尤其涉及一种基于梯度相似度的无参考噪声图像质量评价方法,属于图像处理领域。
背景技术
在传统的噪声图像研究中,均方误差(Mean Squared Error,MSE)和峰值信噪比(PeakSignal-to-Noise Ratio,PSNR)是最常用的两种全参考图像质量评价方法,它们计算复杂度低,物理含义清晰,具有优美的数学凸函数封闭形式。但不幸的是,很多研究者发现,其测量结果与人们的主观评价结果常常不一致。其中一个原因是MSE/PSNR忽略了源图像和失真图像之间的联系,没有考虑人类视觉特性,Z.Wang和A.C.Bovik详细讨论了为什么MSE/PSNR不是一个好的预测方法“Z.Wang and A.C.Bovik,“Mean squared error:Love it orleave it?-a new look at signal fidelity measures,”IEEE Signal Processing Magazine,vol.26,no.1,pp.98-117,Jan.2009.”。在考虑人类视觉特性的基础之上,Zhou Wang和Bovik提出了基于结构特征的结构相似(Structural Similarity,SSIM)质量评价方法“WANG Z,BOVIK A C,SHEIKH H R,et al.Image quality assessment:From error visibility tostructural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.”,他们认为人眼视觉系统的主要功能是提取图像和视频中的结构信息,在SSIM测度中,图像被认为是三维客观场景的二维投影,大量变化的光照条件构成了图像的非结构性失真,与结构性失真组合成为图像降质的主要原因。后来有出现了很多对SSIM进行改进的方法,例如“Z.Wang,E.P.Simoncelli,and A.C.Bovik,“Multi-scale structural similarity for image quality assessment,”in Proc.IEEEAsilomar Conf.Signals,Syst.Comput.,Nov.2003,pp.1398-1402.”、“C.Li and A.C.Bovik,“Three-component weighted structural similarity index,”in Proc.SPIE,2009,vol.7242,pp.72420Q-1-72420Q-9.”以及基于信息保真准则(IFC)“H.R.Sheikh,A.C.Bovik,and G.deVeeiana,“An information fidelity criterion for image quality assessment using natural scenestatistics,”IEEE Trans.Image Process.,vol.14,no.12,pp.2117-2128,Dec.2005.”、基于自然场景统计模型(NSS)和基于变换域的方法(包括离散余弦变换、小波变换和轮廓波变换)“M.P.Sampat,Z.Wang,S.Gupta,A.C.Bovik,and M.K.Markey,“Complex wavelet structuralsimilarity:A newimage similarity index,”IEEE Trans.Image Process.,vol.18,no.11,pp.2385-2401,Nov.2009.”等等。
以上这些方法大多为全参考或半参考评价方法,需要借助原始图像的全部或者部分信息才能完成,相关文献中无参考噪声图像的评价方法比较少。由于没有原始图像的任何信息可以参考,构造无参考的图像质量评价方法比全参考和半参考评价方法要困难得多,近年来无参考的图像质量评价方法研究取得了一些成果,但都不具有普遍性,仅是针对某些特定的失真类型,且这些方法彼此独立,没有形成一套完善的大家公认的研究体系。
本发明将边缘信息,人眼视觉特性和梯度相似度相结合,提出一种新的无参考噪声图像评价方法。
发明内容
本发明的目的在于提供一种基于梯度相似度的无参考噪声图像评价方法。基于本发明,在无参考图像的前提下,通过简单的计算,即可对噪声图像进行质量评价且与主观评分有较好的一致性。
本发明是一种基于梯度相似度的无参考噪声图像评价方法,包括如下步骤:
步骤1:构造参考图像。将原始噪声图像使用11×11且σ2=0.01的高斯噪声滤波器进行加噪处理,得到对应的再加噪图像,将再加噪图像作为参考图像;
步骤2:边缘提取。利用canny算子提取原始噪声图像的边缘信息,得到其边缘图;
步骤3:区域划分。将边缘图像进行膨胀处理,得到边缘膨胀图,参考图2。于是将原始噪声图像分为平滑区域(黑色区域)和边缘膨胀区域(白色区域);
在噪声图像中,平滑区域包含了大量的噪声信息,所以在质量评分中占有重要作用,为了更好的提取平滑区域,我们采用基于数学形态学的膨胀方法对边缘图像进行处理。数学形态学定义了2种基本变换,即腐蚀与膨胀,设f(x,y)是输入的灰度图像,b(x,y)是给定的结构元素,用结构元素b对输入图像y进行膨胀和腐蚀运算分别定义为:
(f⊙b)(s,t)=min{f(s+x,t+y)+b(x,y)|
(s+x,t+y)∈Df,(x,y)∈Db} (2)
其中,结构元素的选择是关键,直接影响形态运算的效果。经实验比较分析,本发明中选取半径(顶点到菱形中心距离)为4的菱形(diamond)对边缘进行膨胀处理效果最好。
平滑块提取的关键步骤如下:
(1)边缘提取。利用canny算子提取原始模糊图像的边缘,得到其边缘图像。
(2)膨胀处理。使用一个4x4的菱形(diamond)结构元素,对边缘图像进行处理,得到边缘膨胀图。
(3)平滑块的提取。将边缘膨胀图像分成8x8的子块,对于每一个8x8的子块,只有当整个子块完全包含于边缘膨胀区,则这个子块才划分为边缘膨胀块,否则为平滑块。
步骤4:加权处理。计算原始噪声图像和再加噪图像之间所有对应像素之间的GSIM值,如果像素(i,j)属于平滑区域,则对此像素处的GSIM值赋予权值ws;如果属于边缘膨胀区域,则赋予权值we;
许多研究者发现,人眼对于图像的边缘和梯度结构信息最为敏感,图像的主要特征和信息取决与它的边缘和局部细节,边缘和梯度很可能是图像结构信息最重要的部分,同时它们也是影响图像视觉质量的重要的因素。观察者对一幅图像清晰度好坏的判断多取决于对图像中轮廓和边缘的判断,而梯度可以很好地反映出图像中微小的细节反差和纹理特征变化,因此可以用来评价图像的清晰程度。于是本发明将梯度作为重要的结构信息,借鉴SSIM的思想,计算图像的梯度相似度。在本发明中,采用Scharr算子对图像进行梯度计算,包括垂直边缘算子V和水平边缘算子H,参考图3。
为了方便计算,梯度幅值的计算采用下面的公式:
式(1)中, 分别是使用水平边缘算子H和垂直边缘算子计算得到的梯度分量,图像x和图像y的梯度相似度可以表示为:
上式中:Gx(i,j),Gy(i,j)分别为原始图像块x和失真图像块y在(i,j)处的梯度幅值,C1是防止分母为0,与SSIM中的C1的意义相同。
步骤5:计算得到原始噪声图像的模糊值blur;
上式中,GSIM(i,j)表示原始噪声图像和再加噪图像对应像素的梯度相似度值,wij为每一像素的权重。梯度相似度越大,即噪声质量值越大,表示原始噪声图像的质量越差,反之则质量较好。
附图说明
图1是不同噪声程度的图像
图2是边缘提取和膨胀处理
图3是Scharr算子
具体实施方式
下面结合附图和实例对本发明作进一步说明。
1、构造参考图像。将原始噪声图像使用11×11且σ2=0.01的高斯噪声滤波器进行加噪处理,得到对应的再加噪图像,将再加噪图像作为参考图像;
2、边缘提取。利用canny算子提取原始噪声图像的边缘信息,得到其边缘图;
3、区域划分。将边缘图像进行膨胀处理,得到边缘膨胀图,参考图2。于是将原始噪声图像分为平滑区域(黑色区域)和边缘膨胀区域(白色区域);
4、加权处理。计算原始噪声图像和再加噪图像之间所有对应像素之间的GSIM值,如果像素(i,j)属于平滑区域,则对此像素处的GSIM值赋予权值ws;如果属于边缘膨胀区域,则赋予权值we;
5、计算得到原始噪声图像的模糊值blur;
上式中,GSIM(i,j)表示原始噪声图像和再加噪图像对应像素的梯度相似度值,wij为每一像素的权重。梯度相似度越大,即噪声质量值越大,表示原始噪声图像的质量越差,反之则质量较好。
本发明的优点可以通过以下实验具体说明:
1、实验数据库
为了验证提出的无参考噪声图像质量评价算法的有效性,本发明实验采用3个质量评价数据库提供的噪声图像进行仿真实验,这3个数据库分别是美国德州大学奥斯丁分校LIVE2图像质量评价数据库(LIVE Image Quality Assessment Database Release2)、CSIQ、TID2008。所有失真图像的“主观差异评分”(Difference Mean Opinion Scores,DMOS)值,描述主观评分(MeanOpinion Scores,MOS)和满分100的差值(即DMOS=100-MOS),因此DMOS值越大表示图像质量越差。本发明选择3个数据库中的噪声图像进行测试,参考表1。
表1实验中使用的噪声数据库
选用2个常用客观参数作为评估的指标:非线性回归条件下的相关系数(CorrelationCoefficient,CC)、斯皮尔曼等级相关系数(Spearman Rank Correlation Coefficient,SROCC)。CC和SROCC表示的是客观评分在非线性回归条件下与主观评分的线性相关性,值越高说明客观评判方法与主观评分的相关性越好。采用包含5个参数的非线性回归函数:
Quqlity(x)=β1log istic(β2,(x-β3))+β4x+β5 (5)
2、噪声图像实验结果与分析
表2不同评价算法在LIVE,IVC,TID2008数据库上的性能比较
本发明提出的针对噪声图像的无参考质量评价方法NRGSIM,通过高斯噪声滤波器进行加噪处理,得到对应的再加噪图像,然后进行边缘提取,膨胀处理,分块加权,计算梯度相似度等步骤,最终得到原始噪声图像质量得分。实验结果表明,该方法计算简单,是一种准确可靠的无参考噪声图像评价方法。
Claims (4)
1.一种基于梯度相似度的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):构造参考图像。将原始噪声图像使用11×11且σ2=0.01的高斯噪声滤波器进行加噪处理,得到对应的再加噪图像,将再加噪图像作为参考图像;
(二):边缘提取。利用canny算子提取原始噪声图像的边缘信息,得到其边缘图;
(三):区域划分。将边缘图像进行膨胀处理,得到边缘膨胀图;
(四):加权处理。计算原始噪声图像和再加噪图像之间所有对应像素之间的GSIM值;
(五):计算得到原始噪声图像的模糊值blur。
2.根据权利要求1所述的基于梯度相似度的无参考噪声图像质量评价方法,其特征是:在步骤(三)中,将原始噪声图像分为平滑区域(黑色区域)和边缘膨胀区域(白色区域)。
3.根据权利要求1所述的基于梯度相似度的无参考噪声图像质量评价方法,其特征是:在步骤(四)中,如果像素(i,j)属于平滑区域,则对此像素处的GSIM值赋予权值ws;如果属于边缘膨胀区域,则赋予权值we;
梯度幅值的计算采用下面的公式:则图像x和图像y的梯度相似度表示为:
4.根据权利要求1所述的基于梯度相似度的无参考噪声图像质量评价方法,其特征是:在步骤(五)中,定义 GSIM(i,j)表示原始噪声图像和再加噪图像对应像素的梯度相似度值,wij为每一像素的权重。梯度相似度越大,即噪声质量值越大,表示原始噪声图像的质量越差,反之则质量较好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310123325.4A CN104103064A (zh) | 2013-04-10 | 2013-04-10 | 基于梯度相似度的无参考噪声图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310123325.4A CN104103064A (zh) | 2013-04-10 | 2013-04-10 | 基于梯度相似度的无参考噪声图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104103064A true CN104103064A (zh) | 2014-10-15 |
Family
ID=51671188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310123325.4A Pending CN104103064A (zh) | 2013-04-10 | 2013-04-10 | 基于梯度相似度的无参考噪声图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104103064A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616310A (zh) * | 2015-02-12 | 2015-05-13 | 国家电网公司 | 一种图像质量的评估方法和装置 |
CN105894506A (zh) * | 2016-03-30 | 2016-08-24 | 深圳云天励飞技术有限公司 | 一种人脸图像模糊度计算方法及装置 |
CN106991670A (zh) * | 2017-03-29 | 2017-07-28 | 武汉大学 | 一种无参考噪声图像质量评价方法及系统 |
CN107038706A (zh) * | 2017-05-16 | 2017-08-11 | 西安电子科技大学 | 基于自适应网格的红外图像置信度评估装置及方法 |
CN107798676A (zh) * | 2017-10-23 | 2018-03-13 | 北京工业大学 | 基于多尺度自然场景统计建立的无参考图像质量感知方法 |
CN108109147A (zh) * | 2018-02-10 | 2018-06-01 | 北京航空航天大学 | 一种模糊图像的无参考质量评价方法 |
CN111275681A (zh) * | 2020-01-19 | 2020-06-12 | 浙江大华技术股份有限公司 | 图片质量的确定方法及装置、存储介质、电子装置 |
CN111445424A (zh) * | 2019-07-23 | 2020-07-24 | 广州市百果园信息技术有限公司 | 图像处理和移动终端视频处理方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877127A (zh) * | 2009-11-12 | 2010-11-03 | 北京大学 | 基于梯度剖面的图像无参考质量评价方法及系统 |
US20110228859A1 (en) * | 2010-03-17 | 2011-09-22 | Osamu Sugimoto | Objective image quality assessment device of video quality and automatic monitoring device |
CN102547363A (zh) * | 2010-12-07 | 2012-07-04 | 江南大学 | 基于轮廓波变换域图像特征的无参考图像质量评测方法 |
CN102572499A (zh) * | 2010-12-07 | 2012-07-11 | 江南大学 | 基于小波变换多分辨率预测的无参考图像质量评价方法 |
-
2013
- 2013-04-10 CN CN201310123325.4A patent/CN104103064A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877127A (zh) * | 2009-11-12 | 2010-11-03 | 北京大学 | 基于梯度剖面的图像无参考质量评价方法及系统 |
US20110228859A1 (en) * | 2010-03-17 | 2011-09-22 | Osamu Sugimoto | Objective image quality assessment device of video quality and automatic monitoring device |
CN102547363A (zh) * | 2010-12-07 | 2012-07-04 | 江南大学 | 基于轮廓波变换域图像特征的无参考图像质量评测方法 |
CN102572499A (zh) * | 2010-12-07 | 2012-07-11 | 江南大学 | 基于小波变换多分辨率预测的无参考图像质量评价方法 |
Non-Patent Citations (1)
Title |
---|
桑庆兵,苏媛媛,李朝锋,吴小俊: "基于梯度结构相似度的无参考模糊图像质量评价", 《光电子激光》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616310A (zh) * | 2015-02-12 | 2015-05-13 | 国家电网公司 | 一种图像质量的评估方法和装置 |
CN104616310B (zh) * | 2015-02-12 | 2017-08-25 | 国家电网公司 | 一种图像质量的评估方法和装置 |
CN105894506B (zh) * | 2016-03-30 | 2018-04-06 | 深圳云天励飞技术有限公司 | 一种人脸图像模糊度计算方法及装置 |
CN105894506A (zh) * | 2016-03-30 | 2016-08-24 | 深圳云天励飞技术有限公司 | 一种人脸图像模糊度计算方法及装置 |
CN106991670A (zh) * | 2017-03-29 | 2017-07-28 | 武汉大学 | 一种无参考噪声图像质量评价方法及系统 |
CN106991670B (zh) * | 2017-03-29 | 2019-12-10 | 武汉大学 | 一种无参考噪声图像质量评价方法及系统 |
CN107038706A (zh) * | 2017-05-16 | 2017-08-11 | 西安电子科技大学 | 基于自适应网格的红外图像置信度评估装置及方法 |
CN107798676A (zh) * | 2017-10-23 | 2018-03-13 | 北京工业大学 | 基于多尺度自然场景统计建立的无参考图像质量感知方法 |
CN107798676B (zh) * | 2017-10-23 | 2021-05-07 | 北京工业大学 | 基于多尺度自然场景统计建立的无参考图像质量感知方法 |
CN108109147A (zh) * | 2018-02-10 | 2018-06-01 | 北京航空航天大学 | 一种模糊图像的无参考质量评价方法 |
CN108109147B (zh) * | 2018-02-10 | 2022-02-18 | 北京航空航天大学 | 一种模糊图像的无参考质量评价方法 |
CN111445424A (zh) * | 2019-07-23 | 2020-07-24 | 广州市百果园信息技术有限公司 | 图像处理和移动终端视频处理方法、装置、设备和介质 |
CN111275681A (zh) * | 2020-01-19 | 2020-06-12 | 浙江大华技术股份有限公司 | 图片质量的确定方法及装置、存储介质、电子装置 |
CN111275681B (zh) * | 2020-01-19 | 2023-09-01 | 浙江大华技术股份有限公司 | 图片质量的确定方法及装置、存储介质、电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104103064A (zh) | 基于梯度相似度的无参考噪声图像质量评价方法 | |
CN103475898B (zh) | 一种基于信息熵特征的无参考图像质量评价方法 | |
CN104902267B (zh) | 一种基于梯度信息的无参考图像质量评价方法 | |
George et al. | A survey on different approaches used in image quality assessment | |
CN101976444B (zh) | 一种基于像素类型的结构类似性图像质量客观评价方法 | |
CN102945552A (zh) | 基于自然场景统计中稀疏表示的无参考图像质量评价方法 | |
CN101562675B (zh) | 基于Contourlet变换的无参考型图像质量评测方法 | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN106920232A (zh) | 基于显著性检测的梯度相似度图像质量评价方法及系统 | |
CN108805825B (zh) | 一种重定位图像质量评价方法 | |
CN103475897B (zh) | 一种基于失真类型判断的自适应图像质量评价方法 | |
CN110070539A (zh) | 基于信息熵的图像质量评价方法 | |
Yin et al. | Image denoising using trivariate prior model in nonsubsampled dual-tree complex contourlet transform domain and non-local means filter in spatial domain | |
CN102547368A (zh) | 一种立体图像质量客观评价方法 | |
CN104574381A (zh) | 一种基于局部二值模式的全参考图像质量评价方法 | |
CN104318545A (zh) | 一种用于雾天偏振图像的质量评价方法 | |
CN109740592B (zh) | 基于记忆的图像质量无参评估方法 | |
CN104036485A (zh) | 一种关于图像重采样篡改检测的方法 | |
CN109754390A (zh) | 一种基于混合视觉特征的无参考图像质量评价方法 | |
CN112184672A (zh) | 一种无参考图像质量评价方法及系统 | |
Haddad et al. | Image quality assessment based on wave atoms transform | |
Yang et al. | No reference quality evaluation for screen content images considering texture feature based on sparse representation | |
CN104144339B (zh) | 一种基于人眼感知的质降参考立体图像质量客观评价方法 | |
CN107944497A (zh) | 基于主成分分析的图像块相似性度量方法 | |
Gu et al. | Learning a blind image quality index based on visual saliency guided sampling and Gabor filtering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141015 |