CN105741328B - 基于视觉感知的拍摄图像质量评价方法 - Google Patents
基于视觉感知的拍摄图像质量评价方法 Download PDFInfo
- Publication number
- CN105741328B CN105741328B CN201610044268.4A CN201610044268A CN105741328B CN 105741328 B CN105741328 B CN 105741328B CN 201610044268 A CN201610044268 A CN 201610044268A CN 105741328 B CN105741328 B CN 105741328B
- Authority
- CN
- China
- Prior art keywords
- image
- component
- parameter
- standard
- gradient
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明公开了一种基于视觉感知的拍摄图像质量评价方法,主要解决传统图像质量评价方法针对拍摄图像质量评价时性能较差的问题。实现过程:将标准图像转换到HIS颜色空间;求标准图像的梯度系数,计算标准图像的色调分量、饱和度分量、亮度分量和灰度图像的梯度系数,并对各梯度系数分别进行归一化;用估计参数表征图像质量;模型训练,计算训练集中所有标准图像的质量特征;通过比较测试图像与标准图像质量特征的差异获得测试图像的质量分数。本发明计算简单,实验结果表明,本发明与主观质量评价具有较高一致性,评价性能优于现有图像质量评价方法,具有较强的实用价值。
Description
技术领域
本发明属于图像处理技术领域,主要涉及拍摄图像质量评价方法,具体是一种基于视觉感知的拍摄图像质量评价方法,可用于拍摄图像进入自动压缩、存储、和增强等应用过程。
背景技术
随着信息化时代的到来,多媒体信息分析、大数据处理技术、云计算以及物联网平台作为人们获取信息的主要途径正在飞速发展。而图像作为传递信息的主要载体在信息交互的过程中扮演着重要角色,它使得人们可以直观、生动且形象地获取信息和认知事物。然而,由于各种图像采集设备的不完备性,存储和处理环境的复杂性以及传输和显示方式的多样性而导致终端显示的图像降质。图像降质削弱了图像的信息表达能力进而影响发送端与接收端的通信质量。而人们在数字图像的各种应用中总是期望获取高质量的图像以满足人们认识客观世界,解决实际问题的需求。在大多数应用中,图像质量的优劣是衡量图像处理传输算法及系统性能的一个关键性指标。因此,设计出高性能的图像质量评价方法具有广泛的实际用途。
传统的图像质量评价方法针对的失真图像是根据无信息损失的参考图像经人工后期处理产生的特定种类的失真。每一副图像只包含一种失真类型,这种失真图像与人们日常生活中遇到的拍摄图像失真有较大差异。常见的拍摄图像受光照、色调和聚焦等因素的影响,使得拍摄图像的失真是由多种失真源共同作用产生的混合失真。并且图像的失真是在相机拍摄的过程中直接产生的,这种失真更加符合实际遇到的失真情形。因此设计算法对拍摄图像的信息损失程度进行评估更符合实际需要。
拍摄图像质量评价方法可以分为两大类,第一类是针对无失真的拍摄图像进行美学的质量评价,这类方法只能将无失真的拍摄图像在美学层次上进行分析并不能得到拍摄图像照片的确切质量。比如Bhattacharya等人通过计算拍摄图像里单一前景的位置与视觉注意中心的偏差来评价一幅拍摄图像美的程度。Zhang等人通过对拍摄图像里局部和全局结构特征进行编码,然后利用概率模型预测出拍摄图像的美学分数。这类方法只能对无失真拍摄图像进行构图美学的评价,而实际中遇到的拍摄图像往往存在失真,因此美学评价在实际中并不实用。
第二类方法是对拍摄图像进行分类,比如将专业拍摄的图像与随意拍摄的快照进行质量的区分,将室内拍摄的图像与户外拍摄的图像进行区分以及将建筑物图像和自然风景图像进行区分等。比如Ke等人根据拍摄图像的边缘分布特性,色调的明亮程度以及主题的模糊程度来区分专业拍摄图像和快拍图像。Luo等人根据预先定义好的底层特征和语义特征来区分图是在室内还是户外拍摄的。但是这类方法仅能对拍摄图像进行简单分类,不能对拍摄图像的质量进行准确的评判。
照片产生过程中会因为拍摄人员异常拍摄如抖动、相机状态异常等导致拍摄的照片质量不能满足人们的需要,在大多数实际应用中拍摄照片的质量是整个照片采集系统中的一个关键指标,因此在拍摄照片的过程中,需要及时掌控拍摄的照片质量,并通过必要的方式调整相机或者拍摄人员的拍摄状态。采用人工的方法对拍摄图像的质量进行评价不仅需要消耗大量的人力和时间,而且也无法对拍摄图像的质量进行实时评价。而从技术手段直接的自动的获得拍摄图像质量的评价方法可以代替人实现对拍摄图像进行自动化的质量评价,节省大量的人力和时间,而且不存在因为不同人员的个性差异而导致对相同照片质量有不同评价意见的问题。随着科学技术的高速发展,图片在人们日常生活中的各个领域越来越普遍,如何高质量地实现对图片的自动化处理成为了一个迫切的需要,本发明提供了一种可以对拍摄照片的质量进行准确的自动化评价方法。
发明内容
本发明的目的在于针对上述已有技术的不足,从拍摄图像的失真本质出发,结合人类视觉特性,提出一种基于视觉感知的拍摄图像质量评价方法,以解决传统图像质量评价中只针对人工处理的失真类型而无法应用于实际拍摄图像的缺陷,更简单的实现对拍摄图像质量有效、准确的评测。
本发明是一种基于视觉感知的拍摄图像质量评价方法,包括对标准图像和测试图像的特征提取,其特征在于,图像的质量评价过程包括:
(1)将一幅标准图像由RGB颜色空间转换到HSI颜色空间,分别求得标准图像的色调分量、饱和度分量和亮度分量,用色调分量来描述主彩色分量,能够根据视觉感知区分具有同样亮度的彩色和非彩色的不同;用饱和度分量来测量彩色的纯度,即一种纯色被白光稀释的程度,根据视觉感知,当饱和度值较小时,所描述的彩色褪色较严重;用亮度分量描述彩色的明亮程度。
(2)求标准图像的梯度系数:计算标准图像的色调分量、饱和度分量、亮度分量和灰度图像的梯度系数,并对各梯度系数分别进行归一化。
(3)用估计参数表征图像质量特征:利用广义高斯模型对归一化后的梯度系数的边缘分布进行拟合,然后分别计算广义高斯模型的估计参数(λ,s,γ,sl,sr,μ),将广义高斯模型的估计参数(λ,s,γ,sl,sr,μ)作为表征一幅标准图像质量的特征,记为该参数也可称为图像特征的估计参数,用估计参数表征图像质量特征;因为对标准图像的色调分量、饱和度分量、亮度分量和灰度图像进行了参数估计,所以每一个分量或灰度图像均有所对应的估计参数。
(4)模型训练:选取L张标准图像组成训练集,计算训练集中所有标准图像的质量特征i∈{1,2,…L},L为训练集中所有标准图像的数量,计算训练集里所有标准图像的特征估计参数的各参数的均值mr和方差cr;到此,一直是对标准图像进行处理,包括RGB颜色空间到HSI颜色空间的转换、梯度系数的计算、用广义高斯模型估计参数表征图像质量特征和模型训练。
(5)计算测试图像质量分数:按步骤(1)-(3)提取测试图像的质量特征,记为fd,然后对fd分别求均值md和方差cd,用均值md和方差cd表征所提取的测试图像的质量特征,通过比较测试图像与标准图像质量特征的差异获得测试图像的质量分数。针对fd中的24个元素求取均值和方差。
本发明的优点:
(1)拍摄图像的失真是在相机拍摄的过程中直接产生的,更加符合图像的实际失真过程,传统数据库上的失真图像是根据参考图像经人为处理产生的特定种类的失真,这种类型的失真图像与人们日常生活中拍摄时遇到的失真差异较大。本发明采用最适合人类彩色感知的HSI颜色空间进行特征构建,从人类视觉系统感知特性的层面上来构建视觉特征,针对的是用相机拍摄的测试图像,并不局限于某一类失真,且性能优于现有的BRISQUE、DESIQUE、BIQI、DIIVINE和NIQE等图像质量评价算法,目前还没有专门针对拍摄图像进行质量评价的方法,本发明提出了一种能工程化应用的有效途径。
(2)本发明计算简单,采用标准图像的色调分量H、饱和度分量S、亮度分量I和灰度图像的梯度系数广义高斯分布估计参数表征图像的质量特征,能准确的描述图像失真后的质量变化,通过比较测试图像与标准图像质量特征的差异获得测试图像的质量分数,在对拍摄图像质量进行评价时,所得测试结果与主观质量评价具有较高一致性。
(3)本发明的训练过程中训练图片不需要带有主观质量分数,只需要一组高质量的标准图像来学习其统计分布特性,并以此作为标准来衡量测试图像的质量,因此训练过程简单。传统的方法在模型训练时需要较多失真图像的先验知识,而在实际中失真图像的参考图像以及主观质量分数等这些先验知识不易获取。本发明通过图像的色调分量H、饱和度分量S、亮度分量I和灰度图像的梯度系数广义高斯分布估计参数表征图像的质量特征,得到的客观评价结果与人类主观感知一致性较好,符合实际应用的需求标准。
附图说明
图1是本发明流程示意图;
图2是本发明图像质量评价过程示意图;
图3是不同场景类别的拍摄图像示意图;
图4是本发明的评价结果与MOS的非线性曲线拟合图;
图5是本发明的不同数量的训练样本实验结果图。
具体实施方式
图像作为传递信息的主要载体在信息交互的过程中扮演着重要角色,它使得人们可以直观、生动且形象地获取信息和认知事物。然而,由于各种图像采集设备的不完备性,存储和处理环境的复杂性以及传输和显示方式的多样性而导致终端显示的图像降质。采用人工的方法对拍摄图像的质量进行评价不仅需要消耗大量的人力和时间,而且也无法对拍摄图像的质量进行实时评价。针对这个现状,本发明开展了研究,提供一种能够准确对拍摄照片的质量进行评价的方法。
实施例1
本发明是一种基于视觉感知的拍摄图像质量评价方法,包括对标准图像和测试图像的特征提取,参见图1,图像的质量评价过程包括:
(1)将一幅标准图像由RGB颜色空间转换到HSI颜色空间,分别求得标准图像的色调分量、饱和度分量和亮度分量,用色调分量来描述主彩色分量,能够依据人类视觉感知特性区分具有同样亮度的彩色和非彩色的不同;用饱和度分量来测量彩色的纯度,即一种纯色被白光稀释的程度,根据人类视觉感知特性,当饱和度值较小时,所描述的彩色褪色较严重;用亮度分量描述彩色的明亮程度。
(2)求标准图像的梯度系数:计算标准图像的色调分量、饱和度分量、亮度分量和灰度图像的梯度系数,并对各梯度系数分别进行归一化。
(3)用估计参数表征图像质量特征:利用广义高斯模型对归一化后的梯度系数的边缘分布进行拟合,然后分别计算广义高斯模型的估计参数(λ,s,γ,sl,sr,μ),将广义高斯模型的估计参数(λ,s,γ,sl,sr,μ)作为表征一幅标准图像质量特征,记为该参数也可称为图像特征的估计参数,用估计参数表征图像质量特征;因为对标准图像的色调分量、饱和度分量、亮度分量和灰度图像进行了参数估计,所以每一个分量或灰度图像均有所对应的估计参数。
(4)模型训练:选取L张标准图像组成训练集,计算训练集中所有标准图像的质量特征i∈{1,2,…L},L为训练集中所有标准图像的数量,计算训练集里所有标准图像的质量特征估计参数的均值mr和方差cr;到此,一直是对标准图像进行处理,包括RGB颜色空间到HSI颜色空间的转换、梯度系数的计算、用广义高斯模型估计参数表征图像质量和模型训练。
(5)计算测试图像质量分数:按步骤(1)-(3)提取测试图像的质量特征,记为fd,然后对fd分别求均值md和方差cd,用均值md和方差cd表征所提取的测试图像的质量特征,通过比较测试图像与标准图像质量特征的差异获得测试图像的质量分数。针对fd中的24个元素求取均值和方差。
本发明评价过程的框架分为两个部分,第一部分是评价模型的训练阶段,利用一组高质量的标准图像来学习其梯度域图像特征的统计特性,并将该统计特性作为衡量图像质量损失程度的一个客观标准;在第二部分是测试图像的质量评价阶段,利用上一阶段学习得到的标准图像质量特征的分布特性和测试图像质量特征的分布特性进行差异对比,从而得到测试图像的质量分数。
通过本发明可以及时对实际拍摄的照片进行准确的评价,进而有利于调整相机拍摄质量更高的照片,本发明还可以为专业摄影师的拍摄提供辅助,有助于保证拍摄的照片的高质量。此外本发明还可以用于交通监控中,当监拍的道路照片过于模糊或发生其他失真不能满足需要时,本发明可以及时反馈到拍摄源调整相机参数,以保证监拍照片的质量。本发明设计出的拍摄图像质量评价方法可以代替人实现对拍摄图像进行自动化的质量评价。
实施例2
基于视觉感知的拍摄图像质量评价方法同实施例1,本发明提出的基于视觉感知的拍摄图像质量评价模型框架如图2所示。
其中步骤(1)中的一幅标准图像由RGB颜色空间转换到HSI颜色空间,分别求得标准图像的色调分量H、饱和度分量S和亮度分量I,其中色调分量H的计算见下式:
式中δ为角向量,用于表达色调分量H,当标准图像的蓝色分量B不大于绿色分量G的时候,色调分量H等于δ;当标准图像的蓝色分量B小于绿色分量G的时候,色调分量H等于2π-δ。δ表达式如下:
饱和度分量S和亮度分量I:
式中R、G、B表示RGB颜色空间的红、绿、蓝颜色分量。
参见图2,图2中最左边一列为自然拍摄图像,紧接着也就是第二列为经本发明处理了的有色调分量H、饱和度分量S、亮度分量I和灰度图像G的图片,第三列为色调分量H、饱和度分量S、亮度分量I和灰度图像G的梯度图。关于色调分量H、饱和度分量S、亮度分量I和灰度图像G的梯度系数的计算过程详见实施例3。
本发明从拍摄图像的失真本质出发,用色调分量来描述主彩色分量,能够根据人类视觉感知特性区分具有同样亮度的彩色和非彩色的不同;用饱和度分量来测量彩色的纯度,即一种纯色被白光稀释的程度,根据人类视觉感知特性,当饱和度值较小时,所描述的彩色褪色较严重;用亮度分量描述彩色的明亮程度。从不同角度更加精确的描述了图像的质量。
实施例3
基于视觉感知的拍摄图像质量评价方法同实施例1-2,
步骤(2)中所述的求标准图像的梯度系数,是对标准图像的色调分量,饱和度分量,亮度分量和灰度图像求梯度系数,具体计算过程如下:
上式中P(m,n)表示进行梯度运算后求得的梯度矩阵,该梯度矩阵所表示的就是梯度系数,其中的m表示图像的横坐标,n表示图像的纵坐标;G(m,n)分别代表色调分量H、饱和度分量S、亮度分量I和灰度图像矩阵;表示线性卷积,gx,gy表示水平和垂直方向的高斯偏导函数。高斯偏导函数的表达式如下:
其中α是尺度因子。式中x表示横坐标,y表示纵坐标,采用下式对求得的梯度矩阵P(m,n)进行归一化以获得其在相同数值尺度下的梯度值:
其中表示归一化后的梯度矩阵,m∈{1,2…M},n∈{1,2…N},M,N是待求梯度矩阵的维数。μ(m,n),σ(m,n)是待求梯度矩阵的均值和对比度。待求梯度的矩阵分别是色调分量H、饱和度分量S、亮度分量I和灰度图像,
其中w={wi,j|i=-I,...,I,j=-J,...,J}是二维加权函数,在具体应用时一般设置I=J=3。
本发明针对失真图像的结构信息变化特点,用色调分量,饱和度分量,亮度分量和灰度图像的梯度信息来衡量图像像素点之间结构信息的变化,梯度系数代表结构信息,本发明从结构的角度对图片进行描述,参见图2,进而预测出拍摄图像的质量好坏。
实施例4
基于视觉感知的拍摄图像质量评价方法同实施例1-3,
步骤(3)中所述的利用广义高斯模型对归一化后的梯度系数的边缘分布进行拟合,对称的广义高斯模型概率密度函数f(x;λ,s)如下:
其中λ,s分别为对称的广义高斯模型的形状参数和尺度参数,Γ(·)是伽玛函数,非对称的广义高斯模型概率密度函数f(x,γ,sl,sr)如下:
其中参数γ控制着随机信号分布的形状参数,μ为均值,sl,sr为分别为左,右尺度参数,分别控制着随机信号数据所呈现的分布向左右两边衰减的速率,针对H,S,I和灰度图像的梯度系数用广义高斯模型提取的估计参数为(λ,s,γ,sl,sr,μ),所提取的标准图像的质量特征可用下式表示:
其中fH,fS,fI,fG分别表示对H,S,I和灰度图像的梯度系数求估计参数(λ,s,γ,sl,sr,μ)所得的特征向量。
本发明针对图像的色调分量H、饱和度分量S、亮度分量I和灰度图像的梯度系数分布特点,利用广义高斯模型对其梯度系数的边缘分布进行拟合,然后分别计算广义高斯模型的估计参数,将广义高斯模型的估计参数作为表征一幅标准图像质量特征。经过实验验证对比,利用本发明对拍摄图像质量进行评价时,所得测试结果与主观质量评价具有较高一致性。
实施例5
基于视觉感知的拍摄图像质量评价方法同实施例1-4,
步骤(4)中所述的选取L张标准图像组成训练集,计算训练集中所有标准图像的质量特征i∈{1,2,…L},用下式计算训练集里所有标准图像的质量特征的均值mr和方差cr:
本发明针对标准图像质量特征的普遍性问题,对训练集中所有标准图像的质量特征,求取均值和方差,避免了标准图像质量特征局限于某一幅标准图像的特定特征。
实施例6
基于视觉感知的拍摄图像质量评价方法同实施例1-5,
步骤(5)中所述的比较测试图像与标准图像质量特征的差异获得测试图像的质量分数Q,计算过程如下:
式中()T表示矩阵转置。
本发明针对测试图像的质量特征变化,用测试图像与标准图像质量特征的差异得到测试图像的质量分数,质量分数是一个介于(0,1)之间的数,1表示质量最差,0表示质量最好,因为拍摄照片很难做到完美,所以0和1所表示的图片是很少的,大多数介于(0,1)之间。经过多次实验验证对比,本发明与人类主观感知一致性较高,具有广泛的工程应用价值。
实施例7
基于视觉感知的拍摄图像质量评价方法同实施例1-6,本例从整体给出本发明的框架流程,
(1)首先将图像由RGB颜色空间转换到HSI颜色空间,得到彩色图像的色调分量H,饱和度分量S和亮度分量I;
(2)计算色调分量,饱和度分量,亮度分量和灰度图像的梯度系数,并对梯度系数进行归一化。
其中P(m,n)表示进行梯度运算后求得的梯度矩阵,G(m,n)分别代表H,S,I和灰度图像矩阵。表示线性卷积,gx,gy表示水平和垂直方向的高斯偏导函数。
(3)利用广义高斯模型对归一化后的梯度系数的边缘分布进行拟合。然后将广义高斯模型的估计参数表征图像质量的特征(λ,s,γ,sl,sr,μ),用以进行质量评价。对称的广义高斯模型概率密度函数f(x;λ,s)如下:
其中λ,s分别为对称的广义高斯模型的形状参数和尺度参数,Γ(·)是伽玛函数,非对称的广义高斯模型概率密度函数f(x,γ,sl,sr)如下:
其中参数γ控制着随机信号分布的形状参数,μ为均值,sl,sr为分别为左,右尺度参数,分别控制着随机信号数据所呈现的分布向左右两边衰减的速率。
(4)模型训练。首先选取L张标准图像组成训练集,对训练集中第i幅图像进行特征提取,记为i∈{1,2,…L}。然后用下式计算训练集里所有图像的质量特征的均值和方差:
其中i∈{1,2,…L},用训练所得的模型参数mr和cr表征无失真图像梯度系数统计特征的标准分布。
(5)计算测试图像质量分数。首先提取测试图像梯度域的统计特征,记为fd,然后对fd分别求均值和方差得到md和cd以表征所提取的测试图像梯度系数统计特征的分布特性,通过比较测试图像梯度系数统计特征的分布特性与标准分布的差异来获得测试图像的质量分数。下式给出了计算测试图像质量分数的公式。
本发明通过图像质量分数Q描述了拍摄图像的质量,是从色调分量,饱和度分量,亮度分量和灰度图像对拍摄图像进行评价的,通过比较测试图像质量特征与标准图像质量特征的差异评价拍摄照片的质量。通过人工对拍摄照片进行质量评价不仅需要大量的人力,消耗大量时间,而且由于不同的人个性的不同,对同一幅照片的质量评价差异也会较大。本发明的拍摄图像质量评价方法可以代替人实现对拍摄图像进行自动化的质量评价,节省大量的人力和时间,和人类主观感知一致性较高,具有广泛的实际用途。
本发明的优点可通过以下实验进一步说明:
实施例8
基于视觉感知的拍摄图像质量评价方法同实施例1-7,
为了对本发明提出的基于视觉感知的拍摄图像质量评价方法的有效性进行评测,使用公开的拍摄图像数据库CID2013。CID2013数据库包含480张失真图像以及相应的主观评价数据(MOS),这些失真图像可以分为8种日常生活中常见的场景,如图3所示,对这八种场景的描述如表1所示。CID2013数据库上的失真图像与以往传统数据库(LIVEII、TID2008数据库、TID2013数据库)上的失真原理不同,传统数据库上的失真图像是根据参考图像经人为后期处理产生的特定种类的失真,且每一副图像只包含一种失真类型,这种数据库里的失真图像与人们日常生活中常见的失真有较大差异。CID2013数据包含的是日常生活中比较常见的拍照图像,并且图像的失真是在相机拍摄的过程中直接产生的。因此在该数据库上进行实验获得的结果更加具有说服性,能够更好的评判所提出算法的性能优劣。
表1不同场景类别的拍摄照片的场景描述
为了测试本发明提出的视频质量客观评价结果与主观质量评价的一致性,选择以下三个度量准则:(1)Pearson线性相关系数(Pearson Linear Correlation Coefficient,LCC),反映了客观评价方法预测的精确性;(2)Spearman等级次序相关系数(Spearman RankOrder Correlation Coefficient,SROCC),反映了客观评价方法预测的单调性。表2通过对比方式列出了本发明与其他算法的评价性能结果。图4为本发明在CID2013数据库上的预测结果与主观质量分数之间的散点图。
从表2看出本发明的PLCC值和SROCC值均高于现有算法的值。由于所对比的传统算法在特征提取和模型训练时仅考虑了图像的结构信息的变化并未考虑颜色空间里不同分量对人眼感知的影响,而且这些方法在模型训练时所使用的数据样本都是人为加工产生的失真图像,这类失真图像与人们实际中遇到的拍摄图像的失真差别较大,因此将传统方法应用到CID2013数据库上时所获得的性能较差。而本发明针对拍摄图像的失真原理从视觉感知的颜色空间出发提取特征和训练模型,因此本发明能够获得较好的评估性能。
图4看出本发明获得的客观质量分数与主观质量分数的拟合效果较好。而且本发明的训练过程简单,不需要失真图像的无信息损失的参考图像的参与,也不需要主观质量分数的监督,因此更加符合实际应用的需求标准。
表2本发明与其他算法在CID2013数据库上的PLCC和SROCC值
为了验证本发明在少量训练数据下的算法性能,在该实验中,分别选取L张图像作为训练样本,其中L=5,35,65,95,125,分别用这些不同数量的训练样本来进行模型的训练。图5给出了本发明在不同数量的训练样本下所得训练模型进行主观一致性实验所得PLCC和SROCC值的变化。从图5看出本发明随着训练样本数量的增加其PLCC和SROCC值也在增大,当训练样本L=5时,由于训练样本数量太少,导致训练出来的模型不能很好表征参考图像的特性,因此在最终的质量预测阶段无法获得较优的算法性能。当训练样本L=125时,虽然增加了训练样本,但由于样本之间存在冗余,在模型训练上并不能获得提升,因此使得最终的算法性能并没有提高。综合对比可知当训练样本数量为65时,训练的模型恰好能够较好的表征参考图像的特性,此时算法的PLCC和SROCC值较高即算法性能最好。
本发明设计的基于视觉感知的拍摄图像质量评价方法是针对日常拍摄的图像进行质量评价,并且在数据库CID2013上的评估性能优于已有算法。实验验证了本发明在传统数据上的有效性,本发明选取具有代表的TID2013数据库进行算法性能测试,TID2013数据库包含24种信息损失类型的图像,每类信息损失有125幅不同损失程度的图像。表3给出了BRISQUE,BLIINDS-II,BIQI,DIIVINE,NIQE和本发明在TID2013数据库上的算法性能对比结果。从表3可以看出本发明所提出的基于视觉感知的拍摄图像质量评价方法,也是一种无参考型的方法,在TID2013数据上也取得了较好的性能。传统的方法在TID2013数据库上的效果之所以比较好,是因为采用了大量的与TID2013数据库相关的图像数据进行训练,因此能够获得较好的算法性能,但是将传统的方法用于CID2013数据库上所获得的算法性能却差于本发明。
表3本发明和其他算法在TID2013数据库上的SROCC值
实验说明本发明不仅在拍摄图像质量评价上获得较优的评估性能同时可应用于传统的图像数据上,实验验证了本发明所提出的基于视觉感知的拍摄图像质量评价方法具有良好的扩展性。
综上所述,本发明公开的基于视觉感知的拍摄图像质量评价方法,主要解决传统图像质量评价方法针对拍摄图像质量评价时性能较差的问题。本发明方法从拍摄图像的失真本质出发,用色调和饱和度的统计特征来描述图像的色彩均匀程度,用亮度的统计特征来表征图像的曝光程度,用灰度图像的梯度信息来衡量图像像素点之间结构信息的变化。本发明方法分为两个阶段,第一阶段是算法模型的训练阶段,利用一组无失真的图像来学习其梯度域图像特征的分布特性,并将该分布特性作为衡量图像信息损失程度的一个客观标准;在质量预测阶段,利用上一阶段学习得到的无失真图像特征的分布特性和测试图像特征的分布特性进行差异性对比,从而求得预测图像的质量分数。本发明计算简单,在拍摄图像数据库上的实验结果表明,本发明与主观质量评价具有较高一致性,评价性能优于现有图像质量评价方法,具有较强的实用价值。
Claims (6)
1.一种基于视觉感知的拍摄图像质量评价方法,包括对标准图像和测试图像的特征提取,其特征在于,图像的质量评价过程包括:
(1)将一幅标准图像由RGB颜色空间转换到HSI颜色空间,分别求得标准图像的色调分量、饱和度分量和亮度分量,用色调分量来描述主彩色分量,用饱和度分量来测量彩色的纯度;用亮度分量描述彩色的明亮程度;
(2)求标准图像的梯度系数:计算标准图像的色调分量、饱和度分量、亮度分量和灰度图像的梯度系数,并对各梯度系数分别进行归一化;
(3)用估计参数表征图像质量特征:利用广义高斯模型对归一化后的梯度系数边缘分布进行拟合,然后分别计算广义高斯模型的估计参数(λ,s,γ,sl,sr,μ),将广义高斯模型的估计参数(λ,s,γ,sl,sr,μ)作为表征一幅标准图像质量的特征,记为用估计参数表征图像质量特征;估计参数(λ,s,γ,sl,sr,μ)中,参数λ为对称的广义高斯模型的形状参数,参数s为对称的广义高斯模型的尺度参数,参数γ为随机信号的形状参数,参数μ为随机信号的均值,参数sl为随机信号的左尺度参数,参数sr为随机信号的右尺度参数;
(4)模型训练:选取L张标准图像组成训练集,计算训练集中所有标准图像的质量特征计算训练集里所有标准图像质量特征估计参数的均值mr和方差cr;
(5)计算测试图像质量分数Q:按步骤(1)-(3)提取测试图像的质量特征,记为fd,然后对fd分别求均值md和方差cd,用均值md和方差cd表征所提取的测试图像的质量特征,通过比较测试图像与标准图像质量特征的差异获得测试图像的质量分数Q。
2.根据权利要求1所述的基于视觉感知的拍摄图像质量评价方法,其特征在于,步骤(1)中的一幅标准图像由RGB颜色空间转换到HSI颜色空间,分别求得标准图像的色调分量H、饱和度分量S和亮度分量I,其中色调分量H的计算见下式:
式中δ为角向量,用于表达色调分量H,当标准图像的蓝色分量B小于等于绿色分量G的时候,色调分量H等于δ;当标准图像的蓝色分量B大于绿色分量G的时候,色调分量H等于2π-δ,δ表达式如下:
饱和度分量S和亮度分量I:
式中R、G、B表示RGB颜色空间的红、绿、蓝颜色分量。
3.根据权利要求1所述的基于视觉感知的拍摄图像质量评价方法,其特征在于,步骤(2)中所述的求标准图像的梯度系数,是对标准图像的色调分量,饱和度分量,亮度分量和灰度图像求梯度系数,具体计算过程如下:
上式中P(m,n)表示进行梯度运算后求得的梯度矩阵,该梯度矩阵所表示的就是梯度系数,其中的m表示图像的横坐标,n表示图像的纵坐标;G(m,n)分别代表色调分量H、饱和度分量S、亮度分量I和灰度图像矩阵;表示线性卷积,gx,gy表示水平和垂直方向的高斯偏导函数,高斯偏导函数的表达式如下:
其中α是尺度因子, 式中x表示横坐标,y表示纵坐标,采用下式对求得的梯度矩阵P(m,n)进行归一化以获得其在相同数值尺度下的梯度值:
其中表示归一化后的梯度矩阵,m∈{1,2…M},n∈{1,2…N},M,N是待求梯度矩阵的维数,μ(m,n),σ(m,n)是待求梯度矩阵的均值和对比度,待求梯度的矩阵分别是色调分量H、饱和度分量S、亮度分量I和灰度图像,
其中w={wi,j|i=-I,...,I,j=-J,...,J}是二维加权函数,在具体应用时设置I=J=3。
4.根据权利要求1所述的基于视觉感知的拍摄图像质量评价方法,其特征在于,步骤(3)中所述的利用广义高斯模型对归一化后的梯度系数边缘分布进行拟合,对称的广义高斯模型概率密度函数f(x;λ,s)如下:
其中λ,s分别为对称的广义高斯模型的形状参数和尺度参数,Γ(·)是伽玛函数,非对称的广义高斯模型概率密度函数f(x,γ,sl,sr)如下:
其中参数γ控制着随机信号分布的形状参数,μ为均值,sl,sr为分别为左,右尺度参数,分别控制着随机信号数据所呈现的分布向左右两边衰减的速率,针对H,S,I和灰度图像的梯度系数用广义高斯模型提取的估计参数为(λ,s,γ,sl,sr,μ),所提取的标准图像的质量特征可用下式表示:
其中fH,fS,fI,fG分别表示对H,S,I和灰度图像的梯度系数求估计参数(λ,s,γ,sl,sr,μ)所得的特征向量。
5.根据权利要求1所述的基于视觉感知的拍摄图像质量评价方法,其特征在于,步骤(4)中所述的选取L张标准图像组成训练集,计算训练集中所有标准图像的质量特征用下式计算训练集里所有标准图像的质量特征的均值mr和方差cr:
6.根据权利要求1所述的基于视觉感知的拍摄图像质量评价方法,其特征在于,步骤(5)中所述的比较测试图像与标准图像质量特征的差异获得测试图像的质量分数Q,计算过程如下:
式中()T表示矩阵转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610044268.4A CN105741328B (zh) | 2016-01-22 | 2016-01-22 | 基于视觉感知的拍摄图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610044268.4A CN105741328B (zh) | 2016-01-22 | 2016-01-22 | 基于视觉感知的拍摄图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105741328A CN105741328A (zh) | 2016-07-06 |
CN105741328B true CN105741328B (zh) | 2018-09-11 |
Family
ID=56246499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610044268.4A Active CN105741328B (zh) | 2016-01-22 | 2016-01-22 | 基于视觉感知的拍摄图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105741328B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107105223B (zh) * | 2017-03-20 | 2018-12-07 | 宁波大学 | 一种基于全局特征的色调映射图像质量客观评价方法 |
CN107945154A (zh) * | 2017-11-10 | 2018-04-20 | 西安电子科技大学 | 基于四元数离散余弦变换的彩色图像质量评价方法 |
CN108961227B (zh) * | 2018-06-22 | 2021-05-25 | 西安理工大学 | 一种基于空域和变换域多特征融合的图像质量评价方法 |
CN109194957B (zh) * | 2018-07-18 | 2021-05-18 | 北京工业大学 | 一种解码端帧间预测图像的增强方法 |
CN109446887B (zh) * | 2018-09-10 | 2022-03-25 | 易诚高科(大连)科技有限公司 | 一种针对图像质量主观评测的图像场景描述生成方法 |
CN109270952A (zh) * | 2018-09-19 | 2019-01-25 | 清远市飞凡创丰科技有限公司 | 一种农田信息获取系统及方法 |
CN109218716B (zh) * | 2018-10-22 | 2020-11-06 | 天津大学 | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 |
CN109788275A (zh) * | 2018-12-28 | 2019-05-21 | 天津大学 | 自然性、结构和双目不对称无参考立体图像质量评价方法 |
CN109712134B (zh) * | 2018-12-28 | 2020-11-06 | 武汉虹识技术有限公司 | 虹膜图像质量评价方法、装置及电子设备 |
CN110717892B (zh) * | 2019-09-18 | 2022-06-28 | 宁波大学 | 一种色调映射图像质量评价方法 |
CN111523400B (zh) * | 2020-03-31 | 2023-10-13 | 易视腾科技股份有限公司 | 视频代表帧提取方法及装置 |
CN111510622B (zh) * | 2020-04-01 | 2021-10-26 | Oppo广东移动通信有限公司 | 图像处理方法、装置、终端及存储介质 |
CN111768362B (zh) * | 2020-05-13 | 2023-05-23 | 上海大学 | 基于多特征融合的全参考高动态图像质量评价方法 |
CN117611578A (zh) * | 2024-01-17 | 2024-02-27 | 深圳市新良田科技股份有限公司 | 一种图像处理方法及图像处理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996192A (zh) * | 2014-05-12 | 2014-08-20 | 同济大学 | 基于高质量自然图像统计量模型的无参考图像质量评价方法 |
CN104318545A (zh) * | 2014-09-22 | 2015-01-28 | 中国人民解放军陆军军官学院 | 一种用于雾天偏振图像的质量评价方法 |
-
2016
- 2016-01-22 CN CN201610044268.4A patent/CN105741328B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996192A (zh) * | 2014-05-12 | 2014-08-20 | 同济大学 | 基于高质量自然图像统计量模型的无参考图像质量评价方法 |
CN104318545A (zh) * | 2014-09-22 | 2015-01-28 | 中国人民解放军陆军军官学院 | 一种用于雾天偏振图像的质量评价方法 |
Non-Patent Citations (2)
Title |
---|
No-reference image quality assessment in the spatial domain;Anish Mittal等;《IEEE Transactions on Image Processing》;20121231;第21卷(第12期);第1-14页 * |
一种基于视觉感知的图像质量评价方法;刘明晶等;《计算机工程与设计》;20050228;第26卷(第2期);第470-473页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105741328A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105741328B (zh) | 基于视觉感知的拍摄图像质量评价方法 | |
Peng et al. | Generalization of the dark channel prior for single image restoration | |
CN109120919B (zh) | 一种针对图像质量主观评测的自动分析系统与方法 | |
CN108401154B (zh) | 一种图像曝光度无参考质量评价方法 | |
CN101426150B (zh) | 视频图像质量测评的方法和系统 | |
CN107172418A (zh) | 一种基于曝光情况分析的色阶映射图像质量评价方法 | |
CN111079740A (zh) | 图像的质量评价方法、电子设备和计算机可读存储介质 | |
CN108388905B (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN109741285B (zh) | 一种水下图像数据集的构建方法及系统 | |
CN110363720A (zh) | 一种图像的色彩增强方法、装置、设备和存储介质 | |
CN109714591A (zh) | 基于对测评标签的图像质量主观评价方法及系统 | |
Saad et al. | Impact of camera pixel count and monitor resolution perceptual image quality | |
CN109427041A (zh) | 一种图像白平衡方法及系统、存储介质及终端设备 | |
CN108257117B (zh) | 图像曝光度的评测方法及装置 | |
CN104050678A (zh) | 水下监测彩色图像质量测量方法 | |
CN110070480A (zh) | 一种水下光学图像的模拟方法 | |
CN109636860A (zh) | 图像的光照分布估计与重现方法及装置 | |
Liu et al. | A database for perceptual evaluation of image aesthetics | |
CN114677670B (zh) | 一种身份证篡改自动识别与定位的方法 | |
CN114820514A (zh) | 一种图像处理方法和电子设备 | |
Saad et al. | Image quality of experience: a subjective test targeting the consumer’s experience | |
CN114187380A (zh) | 基于视觉显著性和通道注意力机制的色彩传递方法 | |
McNamara | Exploring visual and automatic measures of perceptual fidelity in real and simulated imagery | |
Falcon et al. | Image quality evaluation of video conferencing solutions with realistic laboratory scenes | |
Li et al. | On the limits of perceptual quality measures for enhanced underwater images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |