CN106022362A - 针对jpeg2000压缩失真的无参考图像质量客观评价方法 - Google Patents
针对jpeg2000压缩失真的无参考图像质量客观评价方法 Download PDFInfo
- Publication number
- CN106022362A CN106022362A CN201610318482.4A CN201610318482A CN106022362A CN 106022362 A CN106022362 A CN 106022362A CN 201610318482 A CN201610318482 A CN 201610318482A CN 106022362 A CN106022362 A CN 106022362A
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- quality
- distorted
- block
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种针对JPEG2000压缩失真的无参考图像质量客观评价方法,包括两个部分,第一部分:建立图像特征字典,将每组失真图像块的特征向量分别进行K‑means聚类,得到聚类中心;第二部分:对JPEG2000失真的测试图像质量客观评价:采用SDSP算法计算测试图像的显著性;用差分滤波器提取特征向量;将特征向量聚类;根据特征向量与聚类中心的距离计算质量;将所有图像块质量加和平均,求得整幅测试图像的质量分数。本发明可以有效地提高客观评价结果与主观感知的相关性。
Description
技术领域
本发明涉及一种图像质量评价方法,尤其是涉及一种针对JPEG2000失真的无参考图像客观质量评价方法。
背景技术
随着日益增长的多媒体内容在互联网和移动网络中传输,人们对信息的传输质量和传输速度提出越来越高的要求,为了适应通信系统大量、快速传输的需求,图像压缩技术和图像处理系统快速发展,图像质量是衡量图像压缩技术和图像处理系统的重要性能指标,图像质量评价方法成为当前研究的热点。
图像质量评价方法分为主观质量评价和客观质量评价,主观质量评价方法是多名观察者对图像进行主观打分,然后将所有观察者的分值进行加和平均,作为图像的质量分数。客观质量评价方法是通过建立数学模型计算图像的质量。客观质量评价方法根据是否有参考图像,分为全参考图像质量评价方法,半参考图像质量评价方法和无参考图像质量评价方法,因为在实际应用中,多数情况无法获得相应的参考图像,因此无参考质量评价方法更具有研究价值。
JPEG2000是一种常见的压缩方法,其引起的图像失真也是一种常见的图像失真类型,本发明针对JPEG2000压缩失真提出一种无参考图像质量评价方法。
发明内容
本发明提供一种无参考图像客观质量评价方法,此方法不需要图像的主观质量分数进行回归模型训练,而是通过利用建立的字典的方法进行图像客观质量评价,从而可以减少图像质量评价的工作量,降低算法的复杂度。本发明根据图像显著性进行图像质量评价,符合人眼的观看机理,有效地提高客观评价结果与主观感知的相关性。本发明的技术方案为:
一种针对JPEG2000压缩失真的无参考图像质量客观评价方法,包括两个部分,
第一部分:建立图像特征字典
①将参考图像和JPEG2000压缩失真图像分块,每幅图像分成大小为8*8,数量为8*8的图像块,将一幅图像的参考图像块记为xi,i=1,2...64,相应的失真图像块记为di;
②计算参考图像块xi和相应的失真图像块di的结构相似度,记为si,其中其中,PC(xi)和G(xi)分别是参考图像块的相位一致性和梯度,相应的,PC(di)和G(di)分别是失真图像块的相位一致性和梯度,t1是正常数;
③将si进行归一化,归一化因子为其中Ω是一幅失真图像中所有图像块的集合,Ωp是整幅图像的图像块的结构相似度si按升序排列后,前10%的si对应的图像块的集合,将结构相似度归一化为失真图像块的质量分数ci,其中ci=si/C,归一化后的质量分数ci的区间为[0,1],将质量分数平分成10个等级;
④计算上述步骤①中得到的所有失真图像块的质量分数,质量分数在同一质量等级的失真图像块为一组,共得到10组失真图像块,记为Gl,l=1,2...10,第l等级的质量分数记为ql=l/10;
⑤用差分滤波器提取上述步骤①中得到的所有失真图像块的特征,差分滤波器的尺度参数σ分别等于0.5,2.0,4.0,得到特征向量集{f};
⑥将上述步骤④中的每组失真图像块的特征向量分别进行K-means,K=30聚类,每组失真图像块得到30个聚类中心,记为δl,m,δl,m表示第l等级的第m,m=1,2...30个聚类中心;
第二部分:对JPEG2000失真的测试图像质量客观评价
①将一幅测试图像的图像块记为ti,i=1,2...64,采用SDSP算法计算各个图像块的显著性,ti的显著图为其中,分别为ti的频率显著性,颜色显著性和位置显著性,将SDSPi所有像素点x的值相加得到ti的显著性VSi;
②用差分滤波器提取ti的特征向量,差分滤波器的尺度参数σ分别等于0.5,2.0,4.0,得到特征向量fi;
③在每个质量等级内,将ti的特征向量聚类,得到10个聚类结果,记在第l质量等级中与ti距离最小的聚类中心为ti与的距离为
④根据ti的特征向量与聚类中心的距离δl,i计算ti的质量其中λ为控制衰减速率的因子,取λ=32;
⑤将ti的显著性VSi作为测试图像每个图像块的质量权重,所有图像块质量加和平均,求得整幅测试图像的质量分数。
附图说明
图1为图像字典建立框图
图2为本发明方法的总体实现框图
图3为应用本发明方法后,LIVE数据库、TID2008数据库和CSIQ数据库上主观质量分数与客观预测分数的散点图
具体实施方式
以下结合附图对本发明作进一步详细描述。
本发明提出的一种针对JPEG2000失真的无参考图像质量客观评价方法,其总体实现框图如图2所示,包括以下步骤:
第一步,建立图像特征字典,如图1所示。
①从数据库中选取10幅原始的无失真图像作为参考图像,通过改变图像的压缩率,分别获得每幅图像的3种不同失真水平的失真图像。将参考图像和失真图像分别分成大小为8*8,数量为8*8的图像块,对于每幅图像,将参考图像的图像块记为xi,i=1,2...64,相应的失真图像块记为di。
通过计算参考图像块xi和相应的失真图像块di的结构相似度,赋予失真图像块质量分数。结构相似度是衡量两幅图像相似度的指标,其值在[0,1]之间,结构相似度值越大,则两幅图像越相似,质量也越相近。本发明通过计算失真图像与参考图像的结构相似度,赋予每个失真图像块一个质量分数。失真图像块与相应的参考图像块的结构相似度为si,计算公式为(1)
其中,PC(xi)和G(xi)分别是参考图像块xi的相位一致性和梯度,相应的,PC(di)和G(di)分别是失真图像块di的相位一致性和梯度,t1是正常数。
图像的质量很大程度上由失真程度大的图像块决定,因此将一幅图像的失真图像块与相应的参考图像块的结构相似度si按升序进行排列,基于排序后的前10%的结构相似度,即失真最大的前10%的图像块Ωp,得到归一化因子C,计算公式为(2),
其中,Ω是一幅失真图像中所有图像块的集合,Ωp是si升序排列后,前10%的si对应的图像块的集合。归一化的图像块的质量分数为ci,计算公式为(3)
ci=si/C (3)
②归一化后的质量分数ci的区间为[0,1],将质量分数平分成10个等级,计算上述步骤①中得到的所有失真图像块的质量分数,质量分数在同一质量等级的失真图像块为一组,共得到10组图像块,记为Gl,l=1,2...10,第l等级的质量分数记为ql=l/10;
③用差分滤波器对②中所有失真图像块进行特征提取。差分滤波器能有效地提取图像的视觉信息,并且提取的特征随着失真水平的改变而变化,因此,提取的特征能有效地用于图像质量评价,特征计算公式为(4)
σ为控制滤波器形状的尺度参数,本发明中取σ=0.5,2.0,4.0提取图像块di的特征,得到特征向量
④将上述步骤②中的每组失真图像块的特征向量分别进行K-means聚类。其中,K-means算法是基于距离的聚类方法,认为两个对象的距离越近,越相似。本发明将每组图像块分别聚类为30类,得到300个聚类中心,记为ml,k,其中,ml,k为第l等级的第k,k=1,2...30个聚类中心,对图像块di的特征向量 进行聚类的计算公式为(5)
其中,Gl,k是图像组Gl中的第k个聚类中心。
第二步,对JPEG2000失真的无参考图像质量客观评价。
①将测试图像分成大小8*8,数量为8*8(N=64)的图像块,记为ti,i=1,2...64。计算图像块ti的视觉显著性,其中,视觉显著性是指智能算法通过模拟人的视觉特点,标注图片的显著区域。在观察图片时,人眼更多的观察图像的显著区域,因此显著图像块的质量对整幅图像的质量影响更大。本发明中,在图像块的质量中加入显著性权重,得到整幅图像的质量。采用SDSP(Saliency Detection by combining Simple Priors)算法计算图像块的显著性,ti的显著性的计算公式为(6)。
其中,分别为ti的频率显著性,颜色显著性和位置显著性。
将SDSPi所有像素点x的值相加得到ti的显著性,计算公式为(7)
②用差分滤波器提取ti的特征向量,滤波器的尺度参数σ分别等于0.5,2.0,4.0,将ti的特征向量记为fi。
③在每个质量等级内,将ti的特征向量聚类,得到10个聚类结果,记在第个l质量等级中,与ti距离最小的中心为ti与的距离为δl,i,计算公式为(8)
④根据图像块的特征向量与聚类中心的距离δl,i,计算图像块的质量。图像的特征会随着失真水平的改变而变化,图像的特征向量越相似,两幅图像的质量越接近,因此,δl,i可作为图像块与每个质量等级ql的相似度。如果δl,i越小,认为图像块的质量越接近质量等级ql,本发明中将exp(-δl,i/λ)作为权重,计算图像块的质量,计算公式为(9)
其中λ控制衰减速率,取λ=32。
⑤将图像显著性作为每个图像块的质量权重,最后,整幅测试图像的质量分数为所有图像块质量的加和平均,计算公式为(10)
为了证明本发明的有效性和可行性,分别在LIVE图像库、CSIQ图像库和TID2008数据库进行测试,利用本发明方法获得失真图像的客观质量分数,计算本方法的客观质量预测分数与主观评价分数之间的相关性。利用评估图像质量评价方法的2个常用客观参量作为评价指标,即Pearson相关系数(Pearson linear correlation coefficient,PLCC)、Spearman相关系数(Spearman rank order correlation coefficient,SROCC)。其中,PLCC反映失真图像的客观评价结果的准确性,值在[0,1]之间,值越大,客观评价结果的准确性越高。SROCC反映其单调性,值在[0,1]之间,值越高说明客观评价方法的客观评价结果与平均主观评分值相关性越好。反映本发明方法的质量评价性能的PLCC和SROCC表1所列。从表1所列的数据可看出, 三个数据库中计算得到的PLCC和SROCC都高于0.88,说明本发明方法适用于多种数据库。按本发明方法得到的失真图像的最终的客观质量评价预测值与平均主观评分差值之间的相关性高,表明本发明方法与人眼视觉系统相一致。
表1本发明方法在LIVE、CSIQ和TID2008数据库的客观质量预测结果与主观质量分数的PLCC和SROCC相关系数
为了证明本发明算法在不同数据库中的性能,证明客观预测分数与主观质量分数的一致性,分别画出在LIVE数据库、TID2008数据库和CSIQ数据库上主观质量分数与客观预测分数的散点图,如图3所示,主观质量分数与客观预测分数呈线性关系,直观的证明了本发明方法的普适性和有效性。
Claims (1)
1.一种针对JPEG2000压缩失真的无参考图像质量客观评价方法,包括两个部分,
第一部分:建立图像特征字典
①将参考图像和JPEG2000压缩失真图像分块,每幅图像分成大小为8*8,数量为8*8的图像块,将一幅图像的参考图像块记为xi,i=1,2...64,相应的失真图像块记为di;
②计算参考图像块xi和相应的失真图像块di的结构相似度,记为si,其中其中,PC(xi)和G(xi)分别是参考图像块的相位一致性和梯度,相应的,PC(di)和G(di)分别是失真图像块的相位一致性和梯度,t1是正常数;
③将si进行归一化,归一化因子为其中Ω是一幅失真图像中所有图像块的集合,Ωp是整幅图像的图像块的结构相似度si按升序排列后,前10%的si对应的图像块的集合,将结构相似度归一化为失真图像块的质量分数ci,其中ci=si/C,归一化后的质量分数ci的区间为[0,1],将质量分数平分成10个等级;
④计算上述步骤①中得到的所有失真图像块的质量分数,质量分数在同一质量等级的失真图像块为一组,共得到10组失真图像块,记为Gl,l=1,2...10,第l等级的质量分数记为ql=l/10;
⑤用差分滤波器提取上述步骤①中得到的所有失真图像块的特征,差分滤波器的尺度参数σ分别等于0.5,2.0,4.0,得到特征向量集{f};
⑥将上述步骤④中的每组失真图像块的特征向量分别进行K-means,K=30聚类,每组失真图像块得到30个聚类中心,记为δl,m,δl,m表示第l等级的第m,m=1,2...30个聚类中心;
第二部分:对JPEG2000失真的测试图像质量客观评价
①将一幅测试图像的图像块记为ti,i=1,2...64,采用SDSP算法计算各个图像块的显著性,ti的显著图为其中,分别为ti的频率显著性,颜色显著性和位置显著性,将SDSPi所有像素点x的值相加得到ti的显著性VSi;
②用差分滤波器提取ti的特征向量,差分滤波器的尺度参数σ分别等于0.5,2.0,4.0,得到特征向量fi;
③在每个质量等级内,将ti的特征向量聚类,得到10个聚类结果,记在第l质量等级中与ti距离最小的聚类中心为ti与的距离为
④根据ti的特征向量与聚类中心的距离δl,i计算ti的质量L=10,其中λ为控制衰减速率的因子,取λ=32;
⑤将ti的显著性VSi作为测试图像每个图像块的质量权重,所有图像块质量加和平均,求得整幅测试图像的质量分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610318482.4A CN106022362A (zh) | 2016-05-13 | 2016-05-13 | 针对jpeg2000压缩失真的无参考图像质量客观评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610318482.4A CN106022362A (zh) | 2016-05-13 | 2016-05-13 | 针对jpeg2000压缩失真的无参考图像质量客观评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106022362A true CN106022362A (zh) | 2016-10-12 |
Family
ID=57099626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610318482.4A Pending CN106022362A (zh) | 2016-05-13 | 2016-05-13 | 针对jpeg2000压缩失真的无参考图像质量客观评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022362A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765316A (zh) * | 2018-05-07 | 2018-11-06 | 珠海全志科技股份有限公司 | 雾气浓度自适应判断方法 |
CN108805826A (zh) * | 2018-05-07 | 2018-11-13 | 珠海全志科技股份有限公司 | 改善去雾效果的方法 |
CN109635874A (zh) * | 2018-12-19 | 2019-04-16 | 中国人民解放军军事科学院评估论证研究中心 | 一种特征字典映射的图像盲评价方法和装置 |
CN111145150A (zh) * | 2019-12-20 | 2020-05-12 | 中国科学院光电技术研究所 | 一种通用型无参考图像质量评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708567A (zh) * | 2012-05-11 | 2012-10-03 | 宁波大学 | 一种基于视觉感知的立体图像质量客观评价方法 |
CN105205820A (zh) * | 2015-09-21 | 2015-12-30 | 昆明理工大学 | 一种改进的特征相似性图像质量评估方法 |
CN105354835A (zh) * | 2015-10-16 | 2016-02-24 | 浙江工业大学 | 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法 |
-
2016
- 2016-05-13 CN CN201610318482.4A patent/CN106022362A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708567A (zh) * | 2012-05-11 | 2012-10-03 | 宁波大学 | 一种基于视觉感知的立体图像质量客观评价方法 |
CN105205820A (zh) * | 2015-09-21 | 2015-12-30 | 昆明理工大学 | 一种改进的特征相似性图像质量评估方法 |
CN105354835A (zh) * | 2015-10-16 | 2016-02-24 | 浙江工业大学 | 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法 |
Non-Patent Citations (4)
Title |
---|
LIN ZHANG 等: "SDSP: A NOVEL SALIENCY DETECTION METHOD BY COMBINING SIMPLE PRIORS", 《2013 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
LIN ZHANG 等: "VSI: A Visual Saliency-Induced Index for Perceptual Image Quality Assessment", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
WUFENG XUE 等: "Learning without Human Scores for Blind Image Quality Assessment", 《2013 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
王正友 等: "结合 HVS 和相似特征的图像质量评估方法", 《仪器仪表学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765316A (zh) * | 2018-05-07 | 2018-11-06 | 珠海全志科技股份有限公司 | 雾气浓度自适应判断方法 |
CN108805826A (zh) * | 2018-05-07 | 2018-11-13 | 珠海全志科技股份有限公司 | 改善去雾效果的方法 |
CN108765316B (zh) * | 2018-05-07 | 2021-11-16 | 珠海全志科技股份有限公司 | 雾气浓度自适应判断方法 |
CN109635874A (zh) * | 2018-12-19 | 2019-04-16 | 中国人民解放军军事科学院评估论证研究中心 | 一种特征字典映射的图像盲评价方法和装置 |
CN111145150A (zh) * | 2019-12-20 | 2020-05-12 | 中国科学院光电技术研究所 | 一种通用型无参考图像质量评价方法 |
CN111145150B (zh) * | 2019-12-20 | 2022-11-11 | 中国科学院光电技术研究所 | 一种通用型无参考图像质量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596902B (zh) | 基于选通卷积神经网络的多任务全参考图像质量评价方法 | |
CN107396095B (zh) | 一种无参考三维图像质量评价方法 | |
CN103262118B (zh) | 属性值估计装置和属性值估计方法 | |
CN108090902A (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
US20160070956A1 (en) | Method and Apparatus for Generating Facial Feature Verification Model | |
CN108428227A (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
CN110060236B (zh) | 基于深度卷积神经网络的立体图像质量评价方法 | |
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 | |
CN104867138A (zh) | 基于pca和ga-elm的立体图像质量客观评价方法 | |
CN105118048A (zh) | 翻拍证件图片的识别方法及装置 | |
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 | |
CN105447884A (zh) | 一种基于流形特征相似度的图像质量客观评价方法 | |
CN106022362A (zh) | 针对jpeg2000压缩失真的无参考图像质量客观评价方法 | |
CN102547368A (zh) | 一种立体图像质量客观评价方法 | |
CN108235003B (zh) | 基于3d卷积神经网络的立体视频质量评价方法 | |
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 | |
CN104811693B (zh) | 一种立体图像视觉舒适度客观评价方法 | |
CN101950422B (zh) | 一种基于奇异值分解的图像质量评价方法 | |
CN103996195A (zh) | 一种图像显著性检测方法 | |
CN108765414A (zh) | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN108389189B (zh) | 基于字典学习的立体图像质量评价方法 | |
CN107635136A (zh) | 基于视觉感知和双目竞争的无参考立体图像质量评价方法 | |
CN104866864A (zh) | 一种用于立体图像质量客观评价的极端学习机 | |
CN105049838A (zh) | 一种用于压缩立体视频质量的客观评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |