CN104320661A - 基于差分熵和结构相似性的图像编码质量预测方法 - Google Patents

Abstract

本发明公开了一种基于差分熵和结构相似性的图像编码质量预测方法，包括步骤：步骤1，获取样本图像序列中各样本图像的图像差分熵及不同压缩倍数下的图像结构相似性；步骤2，基于步骤1获取的数据，采用线性拟合方式构建不同压缩倍数下图像差分熵与图像结构相似性间的线性关系，即图像编码质量预测模型；步骤3，根据待预测图像的图像差分熵，采用图像编码质量预测模型即可获得待预测图像在不同压缩倍数下的图像结构相似性。本发明简单，高效，无需消耗较大的硬件内存，且预测准确性良好；实现了图像编码前图像编码质量的有效预测，可应用于各种对图像编码质量有着特定要求的应用场合。

Description

基于差分熵和结构相似性的图像编码质量预测方法

技术领域

本发明属于图像数据传输方法，具体涉及一种基于差分熵和结构相似性的图像编码质量预测方法。

背景技术

为了能够减少图像数据的存储空间和传输带宽，对数字图像进行编码是一种可行的解决方法。图像编码技术已经被广泛应用到多媒体、通信等多个领域，目前的静止图像编码方法主要包括JPEG2000、JPEG、SPIHT等多种编码方法。JPEG2000作为新一代的图像编码标准，在压缩效率和功能上都远远超过了旧标准JPEG，是目前来说综合性能最优的编码方法。在JPEG2000中可以通过压缩后的率失真优化算法来精确简单的控制比特率。目前，国内外关于JPEG2000的码率控制算法研究已经开展了大量的研究工作。由于这些算法的实现往往要求完成整个小波变换过程及绝大部分的编码过程，才能确定编码的一些参数，需要消耗较大的硬件内存和计算时间。因此，编码前就能够对编码质量进行一定的预测对于图像编码而言是非常有益的。

作为最简单的图像编码质量评价方法，峰值信噪比(PSNR)模型简单，计算方便，成为广泛应用的方法。文献[1,2]分析了在固定码率下图像编码质量与图像活跃测量属性(IAMD)间的关系。文献[3]提出了一种在较高压缩倍数下的JPEG2000编码质量预测模型，获得了较好的预测效果。但是，PSNR忽略了图像结构之间的关联性。

文中涉及如下参考文献：

[1]An analysis on the effect of image features on lossy coding performance[J].IEEE Signal Processing Letters.

[2]How do image statistics impact lossy coding performance[C].InternationalConference on Information Technology:Coding and Computing

[3]Compression Quality Prediction Model for JPEG2000[J].IEEE Trans.onImage Processing.

发明内容

针对现有技术存在的不足，本发明提供了一种考虑了图像结构间关联性的、基于差分熵和结构相似性的图像编码质量预测方法。

为了解决上述技术问题，本发明采用如下的技术方案：

一种基于差分熵和结构相似性的图像编码质量预测方法，包括步骤：

步骤1，获取样本图像序列中各样本图像的图像差分熵及不同压缩倍数下的图像结构相似性；

步骤2，基于步骤1获取的数据，采用线性拟合方式构建不同压缩倍数下图像差分熵与图像结构相似性间的线性关系，即图像编码质量预测模型；

步骤3，根据待预测图像的图像差分熵，采用图像编码质量预测模型即可获得待预测图像在不同压缩倍数下的图像结构相似性。

步骤1进一步包括子步骤：

1.1采用压缩倍数可调的图像编码方法，在不同压缩倍数下分别对样本图像进行图像编码和图像解码，获得不同压缩倍数下样本图像对应的解码图像；

1.2获得样本图像的图像差分熵D_Entropy；

1.3在不同压缩倍数下，获得样本图像及其对应的解码图像间的图像结构相似性SSIM。

上述压缩倍数可调的图像编码方法为JPEG2000、CCSDS、SPHIT或EZW图像编码方法。

步骤2进一步包括子步骤：

2.1构建图像差分熵与图像结构相似性间的线性关系SSIM＝aD_Entropy+b；

2.2在不同压缩倍数下，根据样本图像的图像差分熵和图像结构相似性数据，对图像差分熵与图像结构相似性间的线性关系进行拟合，获得不同压缩倍数对应的拟合参数a和b；

2.3将不同压缩倍数对应的拟合参数a和b代入SSIM＝aD_Entropy+b，获得不同压缩倍数对应的图像编码质量预测模型。

目前图像编码质量评估方法需要对原始图像进行编解码，并基于编解码后的图像进行编码质量评估，过程复杂，需要消耗较大的硬件内存和计算时间，效率不高。本发明基于样本图像构建图像差分熵和图像结构相似性间的关系，只要根据原始图像的图像差分熵即可预测图像结构相似性，无需对原始图像编解码，即可实现图像的编码质量预测。

和现有技术相比，本发明具有如下优点和有意效果：

简单，高效，无需消耗较大的硬件内存，且预测准确性良好；实现了图像编码前图像编码质量的有效预测，可应用于各种对图像编码质量有着特定要求的应用场合。

附图说明

图1是本发明的具体流程图；

图2为所构建图像数据库D中图像“D1”；

图3为所构建图像数据库D中图像“D2”。

具体实施方式

Zhou Wang等人(Image Quality Assessment:from Error Visibility to StructuralSimilarity[J].IEEE Transactions on Image Processing)提出了一种基于结构相似度的图像质量评价方法(SSIM)。本发明以SSIM作为图像编码质量的评价指标，以图像差分熵D_Entropy作为图像编码质量预测模型的特征参数，建立不同压缩倍数下SSIM和D_Entropy间的关系，并进通过图像差分熵对不同压缩倍数下图像编码的SSIM值进行预测。

下面对本发明具体实施方式进行详细说明。

本发明基于差分熵和结构相似性的图像编码质量预测方法，具体步骤如下：

S1：获得测试图像序列的图像差分熵和图像结构相似性。

本步骤进一步包括子步骤：

S11：选择测试图像序列，要求测试图像间存在差异，且测试图像与待预测图像大小相同。

测试图像可从图像数据库中选择，常用图像数据库包括TID2008图像数据库(TID2008-A database for evaluation of full-reference visual quality assessmentmetrics[J].Advances of Modern Radioelectronics)、CSIQ图像数据库(CategoricalImage Quality Database(CSIQ),http://vision.okstate.edu/csiq)和图像数据库D(图像数据库D为自行构建)。

S12：采用压缩倍数可调的图像编码算法，在不同压缩倍数下对测试图像依次进行图像编码、图像解码，从而获得不同压缩倍数对应的解码图像序列。

压缩倍数可调的图像编码算法可以为JPEG2000、CCSDS、SPHIT或EZW等。

S13：计算测试图像序列中各测试图像的图像差分熵。

图像差分熵D_Entropy的计算公式如下：

$D\_\mathrm{Entropy}=-\underset{N=k}{\overset{l}{\mathrm{\Σ}}}(p_N*{\log }_2{p}_N)---\left(1\right)$

y(i,j)＝x(i,j)-x(i+1,j)             (2)

式(1)～(2)中，x(i,j)、x(i+1,j)分别代表测试图像坐标(i,j)、(i+1,j)处的像素灰度值，y(i,j)代表差分图像在坐标(i,j)处的像素灰度值，差分图像是对测试图像中相邻列像素进行差分运算获得；p_N代表差分图像中像素灰度值为N的像素数占所有像素数的比例，k和l分别表示差分图像最小像素灰度值和差分图像最大像素灰度值(由于是差分图像，其值有可能为负数)。

S14：在不同的压缩倍数下计算测试图像及其对应的解码图像间的图像结构相似性。

图像结构相似性SSIM_j(x,y)的计算方法如下：

将测试图像X及其对应的解码图像Y中相同位置处的对应图像块x、y作为输入信号，图像块x和图像块y分别表示测试图像及其对应的解码图像中第j个图像块，图像块x、y的图像结构相似性SSIM_j(x,y)可表示为：

${\mathrm{SSIM}}_j(x,y)=\frac{(2u_x{u}_y+C_1)(2{\mathrm{\δ}}_{\mathrm{xy}}+C_2)}{({u_x}^2+{u_y}^2+C_1)({{\mathrm{\δ}}_x}^2+{{\mathrm{\δ}}_y}^2+C_2)}---\left(3\right)$

式(3)中，u_x、u_y分别为图像块x和图像块y的亮度均值，δ_x、δ_y分别为图像块x和图像块y的亮度方差，δ_xy为图像块x和图像块y间的亮度协方差；C₁和C₂均为较小的正数，本具体实施中，C₁＝6.5025，C₂＝58.5225。

将测试图像X和解码图像Y中所有对应图像块的图像结构相似性取平均，即获得测试图像X和解码图像Y间的图像结构相似性：

$\mathrm{SSIM}(X,Y)=\frac{1}{M}{\mathrm{\Σ}}_{j=1}^M{\mathrm{SSIM}}_j(x,y)---\left(4\right)$

式(4)中，j表示测试图像X和解码图像Y中图像块编号，M表示测试图像X中图像块数量，同时也是解码图像Y中图像块数量。

S2：通过数据拟合方式构建不同压缩倍数下的图像编码质量预测模型。

本步骤进一步包括以下子步骤：

S21：构建图像结构相似性SSIM(X,Y)与图像差分熵D_Entropy间的线性关系：

SSIM＝aD_Entropy+b                (5)

S22：在不同压缩倍数下，将测试图像的图像差分熵D_Entropy和该压缩倍数对应的图像结构相似性SSIM(X,Y)作为输入，经线性拟合，同时剔除拟合曲线中的明显孤立点，获得各压缩倍数对应的拟合参数a和b。

S23：将不同压缩倍数对应的拟合参数a和b分别代入式(5)，即获得各压缩倍数对应的图像编码质量预测模型。

S3：采用图像编码质量预测模型预测待预测图像的编码质量。

计算待预测图像的图像差分熵，基于图像差分熵，采用图像编码质量预测模型即可获得待预测图像在不同压缩倍数下的图像结构相似性，即获得了图像编码质量预测结果。

实施例

(1)从TID2008图像数据库中选择25幅图像作为测试图像序列，图像大小为512像素×384像素。

(2)分别在4倍、6倍、8倍、10倍、12倍的压缩倍数下，采用JPEG2000图像编码方法对测试图像序列中各测试图像进行编码解码。

(3)计算测试图像的图像差分熵D_Entropy，以及不同压缩倍数下的图像结构相似性SSIM。

为了证明本发明的有效性，同时对图像的活跃度(IAMD)进行了计算。图像差分熵、图像活跃度与图像编码质量的相关性测试结果见表1，采用Spearman相关系数评价指标评价图像差分熵与图像编码质量以及图像活跃度与图像编码质量的相关性。Spearman相关系数越大，表明相关性越强。从表1可以看出，在不同压缩倍数下图像差分熵与图像编码质量的相关性要强于传统方法中图像活跃度与图像编码质量的相关性，因此验证了本发明方法的有效性。

表1图像差分熵、图像活跃度与图像编码质量的相关性

(4)构建图像编码质量(即图像结构相似性)与图像差分熵间的线性关系SSIM＝aD_Entropy+b。在不同压缩倍数下，采用测试图像序列的图像结构相似性和图像差分熵对SSIM＝aD_Entropy+b进行线性拟合，拟合过程中剔除明显偏离点，获得参数a和b的拟合值，见表2。

表2不同压缩倍数下的线性拟合结果

为验证本发明方法的准确性，从CSIQ图像数据库中选择5幅图像(“1600”、“woman”、“trolley”、“butter_flower”、“bridge”)，从图像数据库库D中选择2幅图像(“D1”、“D2”，见图2～3)，将所选图像大小调整为512像素×384像素。分别在4倍、6倍、8倍、10倍和12倍的压缩倍数下对上述图像进行编解码，并计算各压缩倍数下的图像结构相似性，即图像编码质量实测值；同时计算上述图像的图像差分熵。采用表2中的拟合结果，根据图像差分熵对上述图像进行编码质量预测，图像编码质量预测结果见表3。从表3中可以看出，图像编码质量预测值与图像编码质量实际值较为相似，证明了本发明的可行性和准确性。

表3图像编码质量预测结果

Claims (4)

1.基于差分熵和结构相似性的图像编码质量预测方法，其特征是，包括步骤：

步骤1，获取样本图像序列中各样本图像的图像差分熵及不同压缩倍数下的图像结构相似性；

步骤2，基于步骤1获取的数据，采用线性拟合方式构建不同压缩倍数下图像差分熵与图像结构相似性间的线性关系，即图像编码质量预测模型；

步骤3，根据待预测图像的图像差分熵，采用图像编码质量预测模型即可获得待预测图像在不同压缩倍数下的图像结构相似性。

2.如权利要求1所述的基于差分熵和结构相似性的图像编码质量预测方法，其特征是：

步骤1进一步包括子步骤：

1.1采用压缩倍数可调的图像编码方法，在不同压缩倍数下分别对样本图像进行图像编码和图像解码，获得不同压缩倍数下样本图像对应的解码图像；

1.2获得样本图像的图像差分熵D_Entropy；

1.3在不同压缩倍数下，获得样本图像及其对应的解码图像间的图像结构相似性SSIM。

3.如权利要求2所述的基于差分熵和结构相似性的图像编码质量预测方法，其特征是：

所述的压缩倍数可调的图像编码方法为JPEG2000、CCSDS、SPHIT或EZW图像编码方法。

4.如权利要求1所述的基于差分熵和结构相似性的图像编码质量预测方法，其特征是：

步骤2进一步包括子步骤：

2.1构建图像差分熵与图像结构相似性间的线性关系SSIM＝aD_Entropy+b；

2.2在不同压缩倍数下，根据样本图像的图像差分熵和图像结构相似性数据，对图像差分熵与图像结构相似性间的线性关系进行拟合，获得不同压缩倍数对应的拟合参数a和b；

2.3将不同压缩倍数对应的拟合参数a和b代入SSIM＝aD_Entropy+b，获得不同压缩倍数对应的图像编码质量预测模型。