CN105719264A - 一种基于人眼视觉特性的图像增强评价方法 - Google Patents

Abstract

本发明是一种基于人眼视觉特性的图像增强评价算法。图像中相邻像素的灰度差别反映了图像的基本信息，人眼难以分辨那些小于临界可见偏差的灰度差别。人眼可分辨的灰度差别比例越高，则图像质量越高。使用某一图像增强算法，如果处理后的图像相比于原始图像，人眼可分辨的灰度差别比例增加，同时处理后图像相比于原始图像保持了良好的相关性，那么图像增强算法的实施对观测图像是有益处的；否则，图像增强算法是不利于观测图像的。本发明为图像增强算法提供一个评价指标，可以帮助测试人员调试增强算法中的某些配置参数，或者比较几种增强算法的优劣程度。

Description

一种基于人眼视觉特性的图像增强评价方法

技术领域

本发明属于灰度图像质量评价技术领域，具体的说是一种基于人眼视觉特性的图像增强评价方法。

背景技术

图像增强主要用于提高图像质量，使图像更有益于人眼观察。根据图像类型(雾霾天气成像、逆光条件成像、光照不足条件成像等)的不同，图像增强算法也是种类繁多。由于缺乏统一的评价标准，如何根据实际需求选择相应的增强算法往往缺乏理论依据。如何评价这些算法性能的优劣正是本发明要解决的问题。

图像增强算法的评价是建立在图像质量评价的基础之上，如果图像增强前后，图像质量有一定的提高，图像增强算法的使用是有益处的。根据实施评价的主体不同图像增强评价方法可以分为主观评价方法和客观评价方法，一般前者需要众多测试人员参与，分别对图像进行打分，用统计值作为图像质量的得分，十分耗时且人力投入较大；后者是通过软件实现图像质量的自动打分，效率高易操作，是目前的主流方法。人眼视觉系统是图像质量评价的主要依据，图像质量的评价应该是建立在人眼视觉特性的基础之上。而现有图像质量评价方法(如VIF算法、SSIM算法、EMEE算法等)常常避免使用人眼视觉模型，主要是因为该模型比较复杂。

发明内容

针对现有技术中存在的上述不足之处，本发明考虑与人眼亮度掩盖效应和对比度掩盖效应有关的临界可见偏差，在临界可见偏差的基础上提供一种基于人眼视觉特性的图像增强评价方法。

本发明为实现上述目的所采用的技术方案是：一种基于人眼视觉特性的图像增强评价方法，包括以下步骤：

扫描原始图像与增强后图像，计算每一像素点(i₀,j₀)所在原始图像、增强图像的局部背景灰度差别、局部背景灰度，和原始图像与增强图像的相关系数：

扫描原始图像与增强后图像，针对每一像素(i₀,j₀)计算该位置上的局部背景灰度差别；所述局部背景灰度差别是指除去中心位置(i₀,j₀)像素，邻域内其他像素对应的灰度差别中最大的灰度差别；

针对原始图像与增强图像，分别根据局部背景灰度差别与局部背景灰度均值计算每一个像素位置上的临界可见偏差；

根据上述计算结果进行累计打分：在累计得分之前变量F与变量H的初始值为零；

针对每一个像素，当原始图像的局部背景灰度差别大于等于原始图像相应位置上的临界可见偏差时，变量F累计增加1分；

当该位置上原始图像与增强图像的相关系数与增强图像局部背景灰度差别的乘积大于等于增强图像相应位置的临界可见偏差时，变量H累计增加1分；

分数H/F即为增强算法的得分。

所述灰度差别的计算方法为：

${\mathrm{mg}}_k=|\underset{i=-2}{\overset{2}{\mathrm{\Σ}}}\underset{j=-2}{\overset{2}{\mathrm{\Σ}}}{G}_k(2+i,2+j)\·I(i_0+i,j_0+j)|$

mg₀＝max{mg₁,mg₂,mg₃,mg₄}

其中，

$\begin{array}{cc}{G}_1=\frac{1}{16}\·\left(\begin{array}{ccccc}0& 0& 0& 0& 0\\ 1& 3& 8& 3& 1\\ 0& 0& 0& 0& 0\\ -1& -3& -8& -3& -1\\ 0& 0& 0& 0& 0\end{array}\right)& \end{array}{G}_2=\frac{1}{16}\·\left(\begin{array}{ccccc}0& 1& 0& -1& 0\\ 0& 3& 0& -3& 0\\ 0& 8& 0& -8& 0\\ 0& 3& 0& -3& 0\\ 0& 1& 0& -1& 0\end{array}\right)$

$\begin{array}{cc}{G}_3=\frac{1}{16}\·\left(\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 0& 3& 8& 0\\ -1& -3& 0& 3& 1\\ 0& -8& -3& 0& 0\\ 0& 0& -1& 0& 0\end{array}\right)& \end{array}{G}_4=\frac{1}{16}\·\left(\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 8& 3& 0& 0\\ 1& 3& 0& -3& -1\\ 0& 0& -3& -8& 0\\ 0& 0& -1& 0& 0\end{array}\right)$

(i₀,j₀)代表原始图像或者增强图像的像素位置；mg₀代表像素点(i₀,j₀)的灰度差别，模板G_k的原点(0,0)在矩阵的左上角，I为原始图像或增强后图像。

所述局部背景灰度均值的计算方法为：

$\mathrm{bg}=|\underset{i=-2}{\overset{2}{\mathrm{\Σ}}}\underset{j=-2}{\overset{2}{\mathrm{\Σ}}}B(2+i,2+j)\·I(i_0+i,j_0+j)|$

其中，

$B=\frac{1}{32}\·\left(\begin{array}{ccccc}1& 1& 1& 1& 1\\ 1& 2& 2& 2& 1\\ 1& 2& 0& 2& 1\\ 1& 2& 2& 2& 1\\ 1& 1& 1& 1& 1\end{array}\right)$

(i₀,j₀)代表原始图像或者增强图像的像素位置，I为原始图像或增强后图像，模板B为5*5的矩形邻域，并且原点(0,0)在矩阵的左上角。

所述原始图像与增强图像的相关系数的计算方法为：

$\mathrm{\ρ}=\mathrm{cov}\left(C_{\mathrm{local},}{D}_{\mathrm{local}}\right)/\sqrt{\mathrm{cov}(C_{\mathrm{local}},C_{\mathrm{local}})\·\mathrm{cov}(D_{\mathrm{local}},D_{\mathrm{local}})}$

其中，cov()代表协方差，C_local,D_local分别代表原始图像与增强后图像以(i₀,j₀)为中心的局部区域，cov(C_local,C_local)代表C_local的方差，cov(D_local,D_local)代表D_local的方差。

所述临界可见偏差的计算方法为：

Jnd＝max{f₁(bg,mg),f₂(bg)}

其中，

f₁(bg,mg)＝mg·α(bg)+β(bg)

$f_2\left(\mathrm{bg}\right)=\left\{\begin{array}{c}{T}_0\·(1-\sqrt{\mathrm{bg}/T_1})+3,\mathrm{bg}\≤T_1\\ \mathrm{\γ}\·(\mathrm{bg}-T_1)+3,\mathrm{bg}>T_1\end{array}\right.$

α(bg)＝bg·0.0001+0.115

β(bg)＝λ-bg·0.01

f₁是人眼视觉特性中对比度掩盖效应带来的最小可分辨灰度差别的阈值；f₂是人眼视觉特性中亮度掩盖效应带来的人眼最小可分辨灰度差别的阈值；f₁与f₂中的最大值代表了临界可见偏差参数；T₀,T₁,γ,λ与具体的显示器、观测环境有关，在实际应用中可事先测定，bg是局部灰度背景，mg代表局部背景灰度差别。

所述分数H/F：当H/F大于1时，说明通过图像增强算法处理，人眼可以分辨跟多的图像细节；当H/F小于1时，可能是因为通过图像增强算法处理，人眼可以分辨的图像细节减少了，另外也可能是图像增强算法引入了很多的噪声，降低了原始图像与增强图像的相关系数；当H/F趋近1时，说明图像增强算法并没有带来很多人眼可感知的图像变化。

本发明具有以下优点及有益效果：

1.相比于现有的其他算法，本发明参考了人眼视觉特性对图像质量评价的影响；

2.该方法并非简单地对增强前后两幅图像进行打分，再对打分结果进行比较得到增强算法性能的评分，而是在对增强算法性能评分的同时，考虑前后两幅图像的相关性，当两幅图像不相关时，最终的评分应该是很低的。

附图说明

图1为本发明算法处理的流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

参阅图1，一种基于人眼视觉特性的图像增强评价方法，包含以下步骤：

1.输入原始图像C与图像增强算法处理后的图像D，逐点扫描两幅图像，针对每一个位置(i₀,j₀)的像素使用公式(1)分别计算原始图像与增强图像的局部背景灰度差别；使用公式(2)分别计算原始图像与增强图像的局部背景灰度均值；使用公式(3)计算原始图像与增强图像的局部相关系数，局部大小选择以(i₀,j₀)为中心的3*3的矩形区域。

2.扫描原始图像与增强后图像，针对每一像素(i₀,j₀)计算该位置上的局部背景灰度差别。计算背景灰度差别选取的邻域大小为5*5。到目前为止，以上的计算过程中涉及三种用处不同的邻域大小：一个是用来计算局部背景灰度差别和局部背景灰度均值的邻域，该区域大小与所使用的模板大小一致都是5*5的；第二个是用来计算原始图像与增强图像的局部相关系数的邻域，该区域大小可以选择为3*3；第三个是用于计算局部背景灰度差别的邻域，选取为5*5大小。

3.将以上步骤中计算得到的局部背景灰度差别与局部背景灰度均值作为公式(4)的输入计算原始图像与增强图像在像素位置(i₀,j₀)上的临界可见偏差。其中，公式(4)中的某些参数具体值可以采用T₀＝17,T₁＝127,γ＝3/127,λ＝1/2，这些具体指来自于事先测定。

4.初始化变量F和变量H，初始值设置为零。扫描原始图像与增强图像，针对每一个像素判断：

当原始图像的灰度差别大于等于相应的临界可见偏差时，变量F累计增加1分；

当相关系数与增强图像的灰度差别的乘积大于等于相应的临界可见偏差时，变量H累计增加1分。

扫描结束后，分数H/F即为图像增强算法的最终得分。

Claims (6)

1.一种基于人眼视觉特性的图像增强评价方法，其特征在于，包括以下步骤：

扫描原始图像与增强后图像，计算每一像素点(i₀,j₀)所在原始图像、增强图像的局部背景灰度差别、局部背景灰度，和原始图像与增强图像的相关系数：

扫描原始图像与增强后图像，针对每一像素(i₀,j₀)计算该位置上的局部背景灰度差别；所述局部背景灰度差别是指除去中心位置(i₀,j₀)像素，邻域内其他像素对应的灰度差别中最大的灰度差别；

针对原始图像与增强图像，分别根据局部背景灰度差别与局部背景灰度均值计算每一个像素位置上的临界可见偏差；

根据上述计算结果进行累计打分：在累计得分之前变量F与变量H的初始值为零；

针对每一个像素，当原始图像的局部背景灰度差别大于等于原始图像相应位置上的临界可见偏差时，变量F累计增加1分；

当该位置上原始图像与增强图像的相关系数与增强图像局部背景灰度差别的乘积大于等于增强图像相应位置的临界可见偏差时，变量H累计增加1分；

分数H/F即为增强算法的得分。

2.根据权利要求1所述的一种基于人眼视觉特性的图像增强评价方法，其特征在于，所述灰度差别的计算方法为：

${\mathrm{mg}}_k=|\underset{i=-2}{\overset{2}{\mathrm{\Σ}}}\underset{j=-2}{\overset{2}{\mathrm{\Σ}}}{G}_k(2+i,2+j)\·I(i_0+i,j_0+j)|$

mg₀＝max{mg₁,mg₂,mg₃,mg₄}

其中，

$G_1=\frac{1}{16}\·\left(\begin{array}{ccccc}0& 0& 0& 0& 0\\ 1& 3& 8& 3& 1\\ 0& 0& 0& 0& 0\\ -1& -3& -8& -3& -1\\ 0& 0& 0& 0& 0\end{array}\right)G_2=\frac{1}{16}\·\left(\begin{array}{ccccc}0& 1& 0& -1& 0\\ 0& 3& 0& -3& 0\\ 0& 8& 0& -8& 0\\ 0& 3& 0& -3& 0\\ 0& 1& 0& -1& 0\end{array}\right)$

$G_3=\frac{1}{16}\·\left(\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 0& 3& 8& 0\\ -1& -3& 0& 3& 1\\ 0& -8& -3& 0& 0\\ 0& 0& -1& 0& 0\end{array}\right)G_4=\frac{1}{16}\·\left(\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 8& 3& 0& 0\\ 1& 3& 0& -3& -1\\ 0& 0& -3& -8& 0\\ 0& 0& -1& 0& 0\end{array}\right)$

(i₀,j₀)代表原始图像或者增强图像的像素位置；mg₀代表像素点(i₀,j₀)的灰度差别，模板G_k的原点(0,0)在矩阵的左上角，I为原始图像或增强后图像。

3.根据权利要求1所述的一种基于人眼视觉特性的图像增强评价方法，其特征在于，所述局部背景灰度均值的计算方法为：

$\mathrm{bg}=|\underset{i=-2}{\overset{2}{\mathrm{\Σ}}}\underset{j=-2}{\overset{2}{\mathrm{\Σ}}}B(2+i,2+j)\·I(i_0+i,j_0+j)|$

其中，

$B=\frac{1}{32}\·\left(\begin{array}{ccccc}1& 1& 1& 1& 1\\ 1& 2& 2& 2& 1\\ 1& 2& 0& 2& 1\\ 1& 2& 2& 2& 1\\ 1& 1& 1& 1& 1\end{array}\right)$

(i₀,j₀)代表原始图像或者增强图像的像素位置，I为原始图像或增强后图像，模板B为5*5的矩形邻域，并且原点(0,0)在矩阵的左上角。

4.根据权利要求1所述的一种基于人眼视觉特性的图像增强评价方法，其特征在于，所述原始图像与增强图像的相关系数的计算方法为：

$\mathrm{\ρ}=\mathrm{cov}(C_{\mathrm{local}},D_{\mathrm{local}})/\sqrt{\mathrm{cov}(C_{\mathrm{local}},C_{\mathrm{local}})\·\mathrm{cov}(D_{\mathrm{local}},D_{\mathrm{local}})}$

其中，cov()代表协方差，C_local,D_local分别代表原始图像与增强后图像以(i₀,j₀)为中心的局部区域，cov(C_local,C_local)代表C_local的方差，cov(D_local,D_local)代表D_local的方差。

5.根据权利要求1所述的一种基于人眼视觉特性的图像增强评价方法，其特征在于，所述临界可见偏差的计算方法为：

Jnd＝max{f₁(bg,mg),f₂(bg)}

其中，

f₁(bg,mg)＝mg·α(bg)+β(bg)

$f_2\left(\mathrm{bg}\right)=\left\{\begin{array}{cc}{T}_0\·(1-\sqrt{\mathrm{bg}/T_1})+3,& \mathrm{bg}\≤T_1\\ \mathrm{\γ}\·(\mathrm{bg}-T_1)+3,& \mathrm{bg}>T_1\end{array}\right.$

α(bg)＝bg·0.0001+0.115

β(bg)＝λ-bg·0.01

f₁是人眼视觉特性中对比度掩盖效应带来的最小可分辨灰度差别的阈值；f₂是人眼视觉特性中亮度掩盖效应带来的人眼最小可分辨灰度差别的阈值；f₁与f₂中的最大值代表了临界可见偏差参数；T₀,T₁,γ,λ与具体的显示器、观测环境有关，在实际应用中可事先测定，bg是局部灰度背景，mg代表局部背景灰度差别。

6.根据权利要求1所述的一种基于人眼视觉特性的图像增强评价方法，其特征在于，所述分数H/F：当H/F大于1时，说明通过图像增强算法处理，人眼可以分辨跟多的图像细节；当H/F小于1时，可能是因为通过图像增强算法处理，人眼可以分辨的图像细节减少了，另外也可能是图像增强算法引入了很多的噪声，降低了原始图像与增强图像的相关系数；当H/F趋近1时，说明图像增强算法并没有带来很多人眼可感知的图像变化。