CN105389822A - 基于方位选择特性的部分参考图像质量评价方法 - Google Patents

Abstract

本发明公开了一种基于方位选择特性的部分参考图像质量评价方法，主要解决现有不能利用有限的实验数据准确的评价噪声图像质量的问题。其实现步骤是：1.依据视神经的方位选择原理模拟图像像素点的空间结构分布特性；2.通过像素点间的方位角差值与设定阈值确定像素点的空间结构分布；3.将所有像素点的空间结构分布，归纳为基于方向选择特性模式，统计图像中属于某种方位选择特性模式的空间结构分布数量并映射为基于方位选择特性的直方图；4.利用参考图像和噪声图像的直方图，评价待处理图像的质量。本发明通过模拟人类视神经对方位的敏感性，能准确评价噪声图像的质量，可用于互联网上图像传输，图像检索，图像压缩和图像质量的鉴别。

Description

基于方位选择特性的部分参考图像质量评价方法

技术领域

本发明属于图像处理技术领域，特别涉及一种部分参考图像质量评价方法，可用于互联网上图像传输，图像检索，图像压缩和图像质量的鉴别。

技术背景

随着网络技术和多媒体技术日益飞速的发展，大量不同类型的图像数据涌现在互联网上。随着信号的获取，压缩，处理和传输，原始信号中混入了多种噪声，怎样在大量的数据中更高效的获取有价值的信息是热门研究课题。虽然主观评价方法筛选高质量的信号是最可靠最准确的，但是计算复杂而且消耗大量时间，因此能与人类感知相一致的客观质量评价算法在信号处理领域有很大需求。

在过去的几十年里，很多图像质量评价IQA算法相继被人们提出，根据参考信息，现存的图像质量评价算法被分为三类：1)全参考质量评价，需要全部无失真的原始图像信息做参考；2)部分参考质量评价，需要参考图像的部分信息；3)无参考质量评价，不需要参考图像信息。虽然全参考质量评价方法高效准确，但是不能有效的应用于实际应用中，无参考图像质量评价要实现高效准确的质量评价难度比较大，因此利用有限的参考数据准确可靠的预测图像质量的部分参考图像质量评价方法变得尤为重要。

通常部分参考图像质量评价提取的一些全局特征能够有效的代表图像的失真。根据自然图像的一些稳定统计特性，利用统计分布规律来计算图像的小波变换系数来建立质量感知图像，再利用相对熵来评价参考图像和失真图像。为了提高评价质量，Li和Wang在文章“Reduced-referenceimagequalityassessmentusingdivisivenormalization-basedimagerepresentation,”IEEEJournalofSelectedTopicsinSignalProcessing,vol.3,no.2,pp.202–211,2009采用了对统计系数进行分布式的归一化，从而进行质量预测，此外在部分参考图像质量评价中对曲波，小波和轮廓波系数的统计分布进行了深入分析和多尺度几何分析，但是这些基于统计方法的部分参考图像质量评价算法在数据库中对不同的失真类型或一系列训练样本中都表现的不是很好。

最近受到人脑认知理论的启发，Wuetal.通过分别衡量图像主要视觉内容和无规则的不确定信息之间的信息失真度进行质量评价，由于这种算法需要根据每个图像块的小波系数的缩放熵来评价退化程度，需要大量的参考数据信息，才能达到理想的效果，因此它适合于单一的失真类型。

综上，现有的这些部分参考图像质量评价方法在有限的参考数据均达不到对图像质量的理想评价效果。

发明内容

本发明的目的在于针对上述已有部分参考图像质量评价算法的不足，提出一种基于方位选择特性的部分参考图像质量评价方法，以利用有限的参考数据，针对不同的失真类型，在不同的标准图像数据库中，结合人脑视觉信息处理机制，提高图像质量评价的效果。

本发明的技术方案是这样实现的：

本发明根据人类的初级视皮层对于视觉信息的提取具有显著的方向选择性特点，在对图像进行质量评价时，综合考虑图像中局部区域的空间相关性和图像质量退化情况这两个因素，其实现方案包括如下：

(1)输入大小为N×N的待处理图像依据视神经的方位选择原理模拟出任一像素点x的空间结构分布特性：其中，R＝{x₁,x₂...x_i...x_n}是从该像素点x周围圆形区域中选取的n个像素点的集合，x_i表示第i个像素点，代表括号内响应的一种编排方式，代表该像素点x与其周围区域像素点的集合R间的相互作用类型；

(2)构建像素点x的空间结构分布

(2a)计算像素点x的方位角:

$\mathrm{\θ}\left(x\right)=arctan\frac{G_v\left(x\right)}{G_h\left(x\right)}$

其中G_v(x)，G_h(x)分别表示经过Prewitt算子边缘检测的图像沿垂直方向和水平方向的梯度幅值其中， $f_v=\frac{1}{3}\left[\begin{array}{ccc}1& 1& 1\\ 0& 0& 0\\ -1& -1& -1\end{array}\right]$ 是垂直方向的Prewitt算子, $f_h=\frac{1}{3}\left[\begin{array}{ccc}1& 0& -1\\ 1& 0& -1\\ 1& 0& -1\end{array}\right]$ 是水平方向的Prewitt算子,‘*’代表卷积运算；

(2b)设定方位角判别阈值：将像素点x的方位角θ(x)与其周围区域像素点集合中每一个像素点x_i的方位角θ(x_i)之差的绝对M与值进行比较：若时，则确定这两者之间的相互作用关系为激励类型，用‘+’表示；否则，确定这两者之间的相互作用关系为抑制类型，用‘-’表示；

(2c)由激励类型‘+’和抑制类型‘-’值的分布情况,确定像素点x与周围第i个像素点的作用类型：其中θ(x)和θ(x_i)分别代表素点x和像素点x_i的方位角；

(2d)由n个像素点的作用类型得到像素点x的空间结构分布：

(3)创建基于方位选择特性的直方图:

(3a)根据步骤(1)—步骤(2)得到待处理图像中所有像素点的全部空间结构分布再将该全部空间结构分布分为n+1种方位选择特性模式统计图像中所有符合n+1种方位选择特性模式中第k种基于方向选择性模式的空间分布数量

其中，N²是图像中总的像素点个数，w(x_i)是像素点x_i的权重系数，是像素点x_i的空间分布与方位选择特性进行匹配的结果，

是像素点x_i的空间结构分布，i∈(1～(N×N))，是方位选择特性模中的第k种类型，k∈(1～(n+1))；

(4)评价待处理图像的质量：

(4a)将参考图像进行上述步骤(1)-步骤(3)的操作，得到参考图像的基于方位选择特性的直方图；

(4b)利用参考图像和待处理图像基于方位选择特性的直方图来进行评价：

其中，即为图像的质量值，是待处理图像的基于方位选择特性模式的第k种模式的直方图大小，是参考图像的基于方位选择特性模式的第k种模式的直方图大小，c是常数c＝0.0001；

(4c)根据质量值对待处理图像的质量进行判断：

若则表示待处理图像没有被噪声污染；

若则表示待处理图像被噪声轻度污染；

若则表示待处理图像被噪声中度污染；

若则表示待处理图像被噪声重度污染。

本发明与现有技术相比，具有如下优点：

1.本发明由于模拟人类视觉神经系统的推导机制，考虑视神经对方位选择的敏感性，采用一种新的空间结构分布来描述图像，从而避免了其他方式在利用像素灰度值大小建立模型时的噪声干扰，能够大幅度的提高含噪声图像的分类效果。

2.本发明由于将全部空间结构分布分为n+1种位选择特性模式与现有技术直接对全部空间结构进行处理相比，减少了工作量，同时用有限的选择特性模式能提取更多的图像视觉信息，达到与人类视觉感知表现相一致的效果，可得出待处理图像的准确质量值。

附图说明

图1是本发明的实现总流程图；

图2是本发明中待处理图像中像素点的空间结构分布数量统计子流程图；

图3是本发明中单个像素点x空间结构分布示意图。

具体实施方式

参照图1，本发明的具体实施步骤如下：

步骤1，依据视神经的方位选择原理模拟处理图像中任一像素点x的空间结构分布特性

由视神经的方位选择原理可知：人的视觉感知系统由左右眼的外侧膝状体LGN，感受野和大脑皮层组成，当图像信号从左右眼的外侧膝状体LGN传入时，会对感受野产生刺激，人的局部感受野对的图像信号作出响应，根据人特有的对方位的敏感性，选出优先方位，此时大脑的皮层细胞会对优先方位产生兴奋反应，对其他的方位则产生抑制反应；

根据视神经的方位选择原理，输入大小为N×N的待处理图像从中选取任一像素点x,取像素点x周围的圆对称区域R，在该邻域内，根据像素点x对某一方位产生兴奋类型，对某些方位产生抑制类型，模拟出像素点x的空间结构分布特性

其中，R＝{x₁,x₂...x_i...x_n}是从该像素点x周围圆形区域中选取的n个像素点的集合，x_i表示第i个像素点，代表括号内响应的一种编排方式，代表该像素点x与其周围区域像素点的集合R间的相互作用类型。

步骤2，构建像素点x的空间结构分布

参照图2，本步骤的实现如下：

(2a)分别计算待处理图像的垂直方向梯度幅值G_v和水平方向梯度幅值G_h：

其中 $f_v=\frac{1}{3}\left[\begin{array}{ccc}1& 1& 1\\ 0& 0& 0\\ -1& -1& -1\end{array}\right]$ 是垂直方向的Prewitt算子， $f_h=\frac{1}{3}\left[\begin{array}{ccc}1& 0& -1\\ 1& 0& -1\\ 1& 0& -1\end{array}\right]$ 是水平方向的Prewitt算子,‘*’代表卷积运算；

(2b)根据(2a)的梯度幅值计算像素点x的方位角θ(x)：

$\mathrm{\θ}\left(x\right)=arctan\frac{G_v\left(x\right)}{G_h\left(x\right)};$

(2c)根据人眼判别方位变化的能力，设定方位角判别阈值：由于像素点不具有独立性，为简化计算像素点x和其周围区域的相互关系,忽略在周围邻域中各个像素点之间存在的多种线性关系，只考虑中间像素点与相邻像素点两个像素点间的线性关系，并将像素点x的方位角θ(x)与其周围区域像素点集合中第i个像素点x_i的方位角θ(x_i)之差的绝对值M与值进行比较：若时，则确定这两者之间的相互作用关系为激励类型，用‘+’表示；否则，确定这两者之间的相互作用关系为抑制类型，用‘-’表示。

(2d)由(2c)中得到的激励类型‘+’和抑制类型‘-’值的分布情况，确定像素点x与周围第i个像素点的作用类型：其中θ(x)和θ(x_i)分别代表素点x和像素点x_i的方位角；

(2e)由n个像素点的作用类型得到像素点x的空间结构分布：

该空间结构分布如图3中所示，图3中间的箭头代表像素点x的方向，周围8个箭头分别代表周围区域中的8个像素点的方向，由中间像素箭头方向的方位角与周围8个像素箭头方向的方位角的差值与阈值比较，明显可以看出其中有3个差值小于6⁰，所以用‘+’表示，其余则用‘-’表示，最终产生如图3右边所示的8个‘+’、‘-’值的排列分布，该排列分布即为像素点x的空间结构分布

步骤3：根据空间结构分布数量创建基于方位选择特性的直方图。

(3a)将待处理图像中所有像素点根据步骤(1)—步骤(2)得到全部空间结构分布

(3b)将全部空间结构分布分为n+1种方位选择特性模式

根据周围区域像素点集合中像素点的个数n,按角度大小将360度圆形局部区域划分为n+1类，每类对应的角度为

取所有由激励‘+’包围的区域，从中选取最大的区域，且该最大区域的外部不能包含激励‘+’区域，把这n+1类定义成n+1种基于方位选择特性模式

(3c)统计待处理图像中所有符合n+1种方位选择特性模式中第k种基于方向选择性模式的空间分布数量

其中，N²是待处理图像中总的像素点个数，w(x_i)是像素点x_i的权重系数，该权重系数大小是x_i的局部方差，是像素点x_i的空间结构分布与方位选择特性进行匹配的结果，

是像素点x_i的空间结构分布，i∈(1～(N×N))，是方位选择特性模中的第k种类型，k∈(1～(n+1))；

(3d)根据空间结构分布数量把待处理的图像映射为基于方位选择特性的直方图。

步骤4：评价待处理图像的质量。

(4a)将参考图像进行上述步骤(1)-步骤(3)的操作，得到参考图像的基于方位选择特性的直方图；

(4b)待处理图像中由于混入了噪声，图像质量会产生退化，将参考图像基于方位选择特性的直方图作为参考标准，根据待处理图像基于方位选择特性的直方图，计算待处理图像的质量评价值：

其中，是待处理图像的基于方位选择特性模式的第k种模式的直方图大小，是参考图像的基于方位选择特性模式的第k种模式的直方图大小，c是常数c＝0.0001；

(4c)根据质量值对待处理图像的质量进行判断：

若则表示待处理图像没有被噪声污染；

若则表示待处理图像被噪声轻度污染；

若则表示待处理图像被噪声中度污染。

若则表示待处理图像被噪声重度污染。

以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (3)

1.一种基于方位选择特性的部分参考质量评价方法，包括如下步骤：

(1)输入大小为N×N的待处理图像依据视神经的方位选择原理模拟出任一像素点x的空间结构分布特性：其中，R＝{x₁,x₂...x_i...x_n}是从该像素点x周围圆形区域中选取的n个像素点的集合，x_i表示第i个像素点，代表括号内响应的一种编排方式，代表该像素点x与其周围区域像素点的集合R间的相互作用类型；

(2)构建像素点x的空间结构分布

(2a)计算像素点x的方位角:

$\mathrm{\θ}\left(x\right)=\arctan \frac{G_v\left(x\right)}{G_h\left(x\right)}$

其中G_v(x)，G_h(x)分别表示经过Prewitt算子边缘检测的图像沿垂直方向和水平方向的梯度幅值 其中， $f_v=\frac{1}{3}\left[\begin{array}{ccc}1& 1& 1\\ 0& 0& 0\\ -1& -1& -1\end{array}\right]$ 是垂直方向的Prewitt算子, $f_h=\frac{1}{3}\left[\begin{array}{ccc}1& 0& -1\\ 1& 0& -1\\ 1& 0& -1\end{array}\right]$ 是水平方向的Prewitt算子,‘*’代表卷积运算；

(2b)设定方位角判别阈值：将像素点x的方位角θ(x)与其周围区域像素点集合中每一个像素点x_i的方位角θ(x_i)之差的绝对M与值进行比较：若时，则确定这两者之间的相互作用关系为激励类型，用‘+’表示；否则，确定这两者之间的相互作用关系为抑制类型，用‘-’表示；

(2c)由激励类型‘+’和抑制类型‘-’值的分布情况,确定像素点x与周围第i个像素点的作用类型：其中θ(x)和θ(x_i)分别代表素点x和像素点x_i的方位角；

(2d)由n个像素点的作用类型得到像素点x的空间结构分布：

(3)创建基于方位选择特性的直方图:

(3a)根据步骤(1)—步骤(2)得到待处理图像中所有像素点的全部空间结构分布再将该全部空间结构分布分为n+1种方位选择特性模式统计图像中所有符合n+1种方位选择特性模式中第k种基于方向选择性模式的空间分布数量

其中，N²是图像中总的像素点个数，w(x_i)是像素点x_i的权重系数，是像素点x_i的空间分布与方位选择特性进行匹配的结果，

是像素点x_i的空间结构分布，i∈(1～(N×N))，是方位选择特性模中的第k种类型，k∈(1～(n+1))；

(3b)根据空间结构分布数量把待处理的图像映射为基于方位选择特性的直方图；

(4)评价待处理图像的质量：

(4a)将参考图像进行上述步骤(1)-步骤(3)的操作，得到参考图像的基于方位选择特性的直方图；

(4b)利用参考图像和待处理图像基于方位选择特性的直方图来进行评价：

其中，即为图像的质量值，是待处理图像的基于方位选择特性模式的第k种模式的直方图大小，是参考图像的基于方位选择特性模式的第k种模式的直方图大小，c是常数c＝0.0001；

(4c)根据质量值对待处理图像的质量进行判断：

若则表示待处理图像没有被噪声污染；

若则表示待处理图像被噪声轻度污染；

若则表示待处理图像被噪声中度污染；

若则表示待处理图像被噪声重度污染。

2.根据权利要求1所述的方法，其中步骤(1)中依据视神经的方位选择原理模拟出任一像素点x的空间结构分布特性，是利用人的局部感受野对从左右眼的外侧膝状体LGN传入的图像信号作出响应选出优先方位，皮层细胞对优先方位产生兴奋反应，对其他的方位则产生抑制反应的原理，对待处理图像中的任一像素点x选择任一圆对称邻域；在该邻域内，根据像素点x对某一方位产生兴奋类型，对某些方位产生抑制类型，粗略模拟出像素点x与圆对称邻域的空间结构分布特性。

3.根据权利要求1所述的方法，步骤(3a)中将全部空间结构分布分为n+1种方位选择特性模式是根据周围区域像素点集合中像素点的个数n,按角度大小将360度圆形局部区域划分为n+1类，每类对应的角度为j＝0、1、…、n；取所有由激励‘+’包围的区域，从中选取最大的区域，且该最大区域的外部不能包含激励‘+’区域，把这n+1类定义成n+1种基于方位选择特性模式