CN106022362A - 针对jpeg2000压缩失真的无参考图像质量客观评价方法 - Google Patents

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

针对JPEG2000压缩失真的无参考图像质量客观评价方法

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x_i，i＝1,2...64，相应的失真图像块记为d_i；

②计算参考图像块x_i和相应的失真图像块d_i的结构相似度，记为s_i，其中其中，PC(x_i)和G(x_i)分别是参考图像块的相位一致性和梯度，相应的,PC(d_i)和G(d_i)分别是失真图像块的相位一致性和梯度,t₁是正常数；

③将s_i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，Ω_p是整幅图像的图像块的结构相似度s_i按升序排列后，前10％的s_i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c_i，其中c_i＝s_i/C，归一化后的质量分数c_i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G_l，l＝1,2...10，第l等级的质量分数记为q_l＝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δ_l,m，δ_l,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t_i，i＝1,2...64，采用SDSP算法计算各个图像块的显著性，t_i的显著图为其中，分别为t_i的频率显著性，颜色显著性和位置显著性，将SDSP_i所有像素点x的值相加得到t_i的显著性VS_i；

②用差分滤波器提取t_i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f_i；

③在每个质量等级内，将t_i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t_i距离最小的聚类中心为t_i与的距离为

④根据t_i的特征向量与聚类中心的距离δ_l,i计算t_i的质量其中λ为控制衰减速率的因子，取λ＝32；

⑤将t_i的显著性VS_i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x_i，i＝1,2...64，相应的失真图像块记为d_i。

通过计算参考图像块x_i和相应的失真图像块d_i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s_i，计算公式为(1)

$s_i=S(x_i,d_i)=\frac{2PC\left(x_i\right)PC\left(d_i\right)+t_1}{PC{\left(x_i\right)}^2+PC{\left(d_i\right)}^2+t_1}\×\frac{2G\left(x_i\right)G\left(d_i\right)+t_1}{G{\left(x_i\right)}^2+G{\left(d_i\right)}^2+t_1}---\left(1\right)$

其中，PC(x_i)和G(x_i)分别是参考图像块x_i的相位一致性和梯度，相应的，PC(d_i)和G(d_i)分别是失真图像块d_i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s_i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Ω_p，得到归一化因子C，计算公式为(2)，

$C=\frac{{\mathrm{\Σ}}_{i\∈\mathrm{\Ω}}{s}_i}{10{\mathrm{\Σ}}_{i\∈{\mathrm{\Ω}}_p}{s}_i}---\left(2\right)$

其中，Ω是一幅失真图像中所有图像块的集合，Ω_p是s_i升序排列后，前10％的s_i对应的图像块的集合。归一化的图像块的质量分数为c_i，计算公式为(3)

c_i＝s_i/C (3)

②归一化后的质量分数c_i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G_l，l＝1,2...10，第l等级的质量分数记为q_l＝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)

$h_{\mathrm{\σ}}\left(r\right)=I_{r=0}-\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{r^2}{2{\mathrm{\σ}}^2})---\left(4\right)$

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d_i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m_l,k，其中，m_l,k为第l等级的第k，k＝1,2...30个聚类中心，对图像块d_i的特征向量 进行聚类的计算公式为(5)

${\min }_{m_{l,k}}{\mathrm{\Σ}}_{k=1}^K{\mathrm{\Σ}}_{d_i\∈G_{l,k}}\left|\right|f_{d_i}-m_{l,k}|{|}^2---\left(5\right)$

其中，G_l,k是图像组G_l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t_i，i＝1,2...64。计算图像块t_i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，t_i的显著性的计算公式为(6)。

${\mathrm{SDSP}}_i=S_{F_i}\·S_{C_i}\·S_{D_i}---\left(6\right)$

其中，分别为t_i的频率显著性，颜色显著性和位置显著性。

将SDSP_i所有像素点x的值相加得到t_i的显著性，计算公式为(7)

${\mathrm{VS}}_i=\underset{x}{\Σ}{\mathrm{SDSP}}_i---\left(7\right)$

②用差分滤波器提取t_i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t_i的特征向量记为f_i。

③在每个质量等级内，将t_i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t_i距离最小的中心为t_i与的距离为δ_l,i，计算公式为(8)

${\mathrm{\δ}}_{l,i}=\left|\right|f_i-m_{l,k_i}|{|}^2---\left(8\right)$

④根据图像块的特征向量与聚类中心的距离δ_l,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，δ_l,i可作为图像块与每个质量等级q_l的相似度。如果δ_l,i越小，认为图像块的质量越接近质量等级q_l，本发明中将exp(-δ_l,i/λ)作为权重，计算图像块的质量，计算公式为(9)

$z_i=\frac{{\mathrm{\Σ}}_{l=1}^L{q}_l\exp (-{\mathrm{\δ}}_{l,i}/\mathrm{\λ})}{{\mathrm{\Σ}}_{l=1}^L\exp (-{\mathrm{\δ}}_{l,i}/\mathrm{\λ})}---\left(9\right)$

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)

${\mathrm{zvs}}_i=\frac{1}{N}\frac{{\mathrm{\Σ}}_{i=1}^N{z}_i\×{\mathrm{VS}}_i}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{VS}}_i}---\left(10\right)$

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x_i，i＝1,2...64，相应的失真图像块记为d_i；

②计算参考图像块x_i和相应的失真图像块d_i的结构相似度，记为s_i，其中其中，PC(x_i)和G(x_i)分别是参考图像块的相位一致性和梯度，相应的,PC(d_i)和G(d_i)分别是失真图像块的相位一致性和梯度,t₁是正常数；

③将s_i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，Ω_p是整幅图像的图像块的结构相似度s_i按升序排列后，前10％的s_i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c_i，其中c_i＝s_i/C，归一化后的质量分数c_i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G_l，l＝1,2...10，第l等级的质量分数记为q_l＝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δ_l,m，δ_l,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t_i，i＝1,2...64，采用SDSP算法计算各个图像块的显著性，t_i的显著图为其中，分别为t_i的频率显著性，颜色显著性和位置显著性，将SDSP_i所有像素点x的值相加得到t_i的显著性VS_i；

②用差分滤波器提取t_i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f_i；

③在每个质量等级内，将t_i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t_i距离最小的聚类中心为t_i与的距离为

④根据t_i的特征向量与聚类中心的距离δ_l，i计算t_i的质量L＝10，其中λ为控制衰减速率的因子，取λ＝32；

⑤将t_i的显著性VS_i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。