CN106023214B - 基于中央凹视梯度结构相似性的图像质量评价方法及系统 - Google Patents
基于中央凹视梯度结构相似性的图像质量评价方法及系统 Download PDFInfo
- Publication number
- CN106023214B CN106023214B CN201610349154.0A CN201610349154A CN106023214B CN 106023214 B CN106023214 B CN 106023214B CN 201610349154 A CN201610349154 A CN 201610349154A CN 106023214 B CN106023214 B CN 106023214B
- Authority
- CN
- China
- Prior art keywords
- gradient
- original image
- image
- central fovea
- distortion map
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于中央凹视梯度结构相似性的图像质量评价方法及系统,定义梯度结构为梯度幅度和梯度方向,对原图的梯度图进行中央凹视处理,最后联合梯度结构和中央凹视特性进行评价,得到基于中央凹视觉的梯度结构相似性的图像质量评价结果。本发明采用中央凹视的梯度结构相似性对图像质量进行评价,与峰值信噪比和简单的结构相似性算法相比,评价效果更好,其评价结果与主观评价结果的相关性更大、误差更小,尤其在评价严重失真图像时效果更优。
Description
技术领域
本发明涉及一种图像质量评价技术方案,尤其涉及一种基于中央凹视的梯度结构相似性的图像质量评价技术方案,属于图像处理领域。
背景技术
作为信息表达与交流的工具,数字图像获得了广泛的运用。然而,数字图像在采集、压缩、传输、处理、重建过程中难免引入噪声,造成图像的失真[1]。因此,如何准确评价图像质量成为数字图像处理领域的一个重要内容。
图像质量评价一般可分为主观评价方法和客观评价方法。主观评价方法最终观测者为人,因而评价最为准确。但是该方法需要多次重复实验,费事费力,且易受观测者的个人因素影响,很难用于实际的工程实践。根据所提供原始图像的有无,客观评价方法可分为:全参考方法、部分参考方法、无参考方法。
早期的全参考图像质量评价方法有均方误差(Mean Square Error,MSE)和峰值信噪比(Peak Signal to Noise Ration,PSNR)。这些方法虽然有着计算简单、易于实现等优点,但只计算了像素点之间的绝对误差,没有考虑像素点之间的相关性和人眼视觉系统的感知特性,因而容易出现评价结果严重不符合实际的现象。近年来学者们提出了基于人眼视觉系统(Human Visual System,HVS)感知特性的图像质量评价方法。Zhou Wang等人认为HVS的主要功能是从视野中提取结构信息,提出了基于结构相似度(StructuralSimilarity Index Measurement System,SSIM)的图像质量评价方法[2][3]。实验结果证明该方法优于MSE和PSNR,但是同样暴露出一个问题:它对严重失真的图像质量评价失准。通过对SSIM算法的分析,作为其核心的结构函数仅仅只是计算原图和失真图之间像素值的相关系数,不能准确反应图像的边缘和结构信息。
视觉心理学上认为人眼对图像的边缘结构信息最为敏感[4],这不仅包括图像边缘中的幅度,而且还包括方向信息。在视觉科学的说法中,当一个人凝视环境中的某一点时,空间采样分辨率从凝聚点开始随距离的增加迅速下降,称这种现象为“中央凹视觉”。鉴于人眼对图像的边缘结构信息高度敏感,因此将结构比较函数重定义为梯度幅度和梯度方向的联合,并利用中央凹视觉效应提高评价的准确性,显得十分有意义。
相关参考文献如下:
[1]Z.Wang,A.C.Bovik,H.R.Sheikh,and E.P.Simoncelli,“Image qualityassessment:from error visibility to structural similarity,”IEEE Transactionson Image Processing,vol.13,no.4,pp.600-612,2004.
[2]Z.Wang and A.C.Bovik,Modern image quality assessment,San Rafael:Morgan&Claypool,2006.
[3]Z.Wang,A.C.Bovik,“A universal image quality index,”IEEE SignalProcessing Letters,vol.9,no.3pp.81-84,2002.
[4]G.H.Chen,C.L.Yang,and S.L.Xie,“Gradient-based structuralsimilarity for image quality assessment,”IEE Conference on Image Processing,pp.2929-2932,Atlanta,Georgia,2006.
[5]Z.Wang and A.C.Bovik,Modern image quality assessment[M].SanRafael:Morgan&Claypool,2006.
发明内容
本发明的目的在于解决当前图像质量评价方法对严重失真图像的评价不准确问题,在充分考虑人眼视觉系统感知特性的情况下,提供一种基于中央凹视觉的梯度结构相似性的图像质量评价方法及系统。
为实现上述目的,本发明所采用的技术方案为一种基于中央凹视梯度结构相似性的图像质量评价方法,包括定义梯度结构为梯度幅度和梯度方向,对原图的梯度图进行中央凹视处理,最后联合梯度结构和中央凹视特性进行评价,得到基于中央凹视觉的梯度结构相似性的图像质量评价结果,
所述定义梯度结构包括以下步骤,
Step1.1,针对原图和失真图,分别利用Sobel算子计算图像的水平梯度和垂直梯度得到图像的梯度幅度G(i,j);根据原图和失真图的梯度幅度,获得图像的梯度变化信息GM(i,j),计算公式如下,
其中,Gf(i,j)和Gd(i,j)分别表示原图和失真图的梯度幅度,C1为预设的正常数;Step1.2,针对原图和失真图,分别利用水平梯度和垂直梯度计算像素点梯度方向θ(i,j)和像素点梯度方向变化Δθ(i,j);根据原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度,得到像素点梯度变化信息GD(i,j),计算公式分别如下,
Δθ(i,j)=|θf(i,j)-θd(i,j)| (四)
其中,θf(i,j)和θd(i,j)分别表示原图和失真图的像素点梯度方向;Δθ(i,j)表示该像素点梯度方向变化;和分别表示原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度;C2为预设的无穷小量;
所述对原图的梯度图进行中央凹视处理包括以下步骤,
Step2.1,寻找凹视中心,包括根据预设的边缘点门限TH,认定梯度幅度大于TH的像素点为边缘点;定义中央凝聚块为图像边缘点最多的图像子块,根据预设的分块大小,对梯度图进行分块,统计所有子块中边缘点的数目,并把边缘点数目最多子块设置为中央凝聚块,记录该中央凝聚块的位置(μx,μy);
Step2.2,构造中央凹视矩阵,实现如下,
利用正态分布密度函数构造行矩阵RV和列矩阵CV,表达式分别如下,
其中,(x,y)为各子块的位置,σ为标准差;中央凹视矩阵CM(x,y)由以下公式给出,
CM(x,y)=CV×RV (八)
单位化公式如下,
其中,M,N分别为CM(x,y)矩阵水平和垂直的维数,CM‘(x,y)为中央凹视矩阵CM(x,y)的单位化结果;
所述联合梯度结构和中央凹视特性进行评价,实现方式如下,
将中央凹视矩阵的单位化结果CM‘(x,y)与SSIM算法中的亮度函数、对比度函数联合,形成以下函数,
FGSSIM(f,d)=L(f,d)C(f,d)GM(f,d)GD(f,d)CM‘ (十)
其中,f,d分别表示原图和失真图,FGSSIM(f,d)为原图和失真图对比所得图像评价结果,GM(f,d)为原图和失真图梯度幅值信息的对比,由式(二)得到,GD(f,d)为原图和失真图像素点梯度方向变化信息的对比,由公式(五)得到,CM‘代表由公式(九)得到的中央凹视矩阵的单位化结果;L(f,d)为原图和失真图亮度的对比,C(f,d)为原图和失真图对比度的对比。
而且,边缘点门限TH=k×Gmax,Gmax为原图中像素点梯度幅度最大值,k为预设的取值。
本发明提供一种基于中央凹视梯度结构相似性的图像质量评价系统,包括以下模块,定义梯度结构为梯度幅度和梯度方向,对原图的梯度图进行中央凹视处理,最后联合梯度结构和中央凹视特性进行评价,得到基于中央凹视觉的梯度结构相似性的图像质量评价结果,
第一模块,用于定义梯度结构为梯度幅度和梯度方向,包括以下子模块,
第一子模块,用于针对原图和失真图,分别利用Sobel算子计算图像的水平梯度和垂直梯度得到图像的梯度幅度G(i,j);根据原图和失真图的梯度幅度,获得图像的梯度变化信息GM(i,j),计算公式如下,
其中,Gf(i,j)和Gd(i,j)分别表示原图和失真图的梯度幅度,C1为预设的正常数;第二子模块,用于针对原图和失真图,分别利用水平梯度和垂直梯度计算像素点梯度方向θ(i,j)和像素点梯度方向变化Δθ(i,j);根据原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度,得到像素点梯度变化信息GD(i,j),计算公式分别如下,
Δθ(i,j)=|θf(i,j)-θd(i,j)| (四)
其中,θf(i,j)和θd(i,j)分别表示原图和失真图的像素点梯度方向;Δθ(i,j)表示该像素点梯度方向变化;和分别表示原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度;C2为预设的无穷小量;
第二模块,用于对原图的梯度图进行中央凹视处理,包括以下单元,第一单元,用于寻找凹视中心,包括根据预设的边缘点门限TH,认定梯度幅度大于TH的像素点为边缘点;定义中央凝聚块为图像边缘点最多的图像子块,根据预设的分块大小,对梯度图进行分块,统计所有子块中边缘点的数目,并把边缘点数目最多子块设置为中央凝聚块,记录该中央凝聚块的位置(μx,μy);
第二单元,用于构造中央凹视矩阵,实现如下,
利用正态分布密度函数构造行矩阵RV和列矩阵CV,表达式分别如下,
其中,(x,y)为各子块的位置,σ为标准差;中央凹视矩阵CM(x,y)由以下公式给出,
CM(x,y)=CV×RV (八)
单位化公式如下,
其中,M,N分别为CM(x,y)矩阵水平和垂直的维数,CM‘(x,y)为中央凹视矩阵CM(x,y)的单位化结果;
第三模块,用于联合梯度结构和中央凹视特性进行评价,得到基于中央凹视觉的梯度结构相似性的图像质量评价结果,实现方式如下,
将中央凹视矩阵的单位化结果CM‘(x,y)与SSIM算法中的亮度函数、对比度函数联合,形成以下函数,
FGSSIM(f,d)=L(f,d)C(f,d)GM(f,d)GD(f,d)CM‘ (十)
其中,f,d分别表示原图和失真图,FGSSIM(f,d)为原图和失真图对比所得图像评价结果,GM(f,d)为原图和失真图梯度幅值信息的对比,由式(二)得到,GD(f,d)为原图和失真图像素点梯度方向变化信息的对比,由公式(五)得到,CM‘代表由公式(九)得到的中央凹视矩阵的单位化结果;L(f,d)为原图和失真图亮度的对比,C(f,d)为原图和失真图对比度的对比。
而且,边缘点门限TH=k×Gmax,Gmax为原图中像素点梯度幅度最大值,k为预设的取值。
与现有技术相比,本发明的有益效果:
本发明在SSIM的基础上,对梯度结构做出新解释,将其理解为梯度幅度和梯度方向的联合,同时应用中央凹视觉效应来提高模型的准确性;结合新的梯度结构定义和中央凹视,提出了一种基于中央凹视觉的梯度结构相似性的图像质量评价方法(FGSSIM)。本发明采用中央凹视的梯度结构相似性对图像质量进行评价,与峰值信噪比和简单的结构相似性算法相比,该方法的评价效果更好,其评价结果与主观评价结果的相关性更大、误差更小,尤其在评价严重失真图像时效果更优。
附图说明
图1为本发明实施例的结构图;
图2为PSNR算法对所有失真类型图像的拟合曲线;
图3为SSIM算法对所有失真类型图像的拟合曲线;
图4为采用本发明实施例所提供FGSSIM算法对所有失真类型图像的拟合曲线。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
如图1,实施例所提供基于中央凹视觉的梯度结构相似性的图像质量评价方法的实现包含以下处理过程:首先,定义梯度结构为梯度幅度和梯度方向;其次,对原图的梯度图进行中央凹视处理;最后,联合梯度结构和中央凹视特性,得到一种基于中央凹视觉的梯度结构相似性的图像质量评价方法(FGSSIM),获得图像质量评价结果。
所述定义梯度结构包括以下步骤:
Step1.1,针对原图和失真图,分别利用Sobel算子计算图像的水平梯度和垂直梯度得到图像的梯度幅度G(i,j);根据原图和失真图的梯度幅度,进而获得图像的梯度变化信息GM(i,j),计算公式如(1)(2):
其中,Gf(i,j)和Gd(i,j)分别表示原图和失真图的梯度幅度,(i,j)表示像素点在图像中的坐标。C1为避免分母为零的正常数,具体实施时,本领域技术人员可自行设定取值。实施例中采用优选方案,预设正常数C1=(K1L)2=26.01,其中参数K1根据文献[5]取为0.02,L=28-1=255。计算图像梯度的水平Sobel和垂直Sobel算子如下:
(a)水平Sobel算子 (b)垂直Sobel算子
Step1.2,针对原图和失真图,分别利用水平梯度和垂直梯度计算像素点梯度方向θ(i,j)和像素点梯度方向变化Δθ(i,j);根据原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度,得到像素点梯度变化信息GD(i,j),计算公式分别如(3)(4)(5):
Δθ(i,j)=|θf(i,j)-θd(i,j)| (4)
其中,θf(i,j)和θd(i,j)分别表示原图和失真图的像素点梯度方向。Δθ(i,j)表示该像素点梯度方向变化,当Δθ(i,j)=π/2时,方向失真最为严重;Δθ(i,j)=0,方向无失真。和分别表示原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度。C2为防止分母为零的无穷小量,实施例中预先取为MATLAB中的最小值2.2204×10-16。
所述对原图的梯度图进行中央凹视处理包括以下步骤:
在视觉科学的说法中,当一个人凝视环境中的某一点时,空间采样分辨率从凝聚点开始随距离的增加迅速下降,称这种现象为“中央凹视觉”。
传统认为“中央凹视觉”的中央在图像的物理中心,但是人类对一张图像最感兴趣的地方并不一定是它的物理中心,因此该方法的核心在于以原图为参考图像,寻找凹视中心和构造中央凹视矩阵。
Step2.1,寻找凹视中心。
预先确定边缘点门限TH以寻找中央凝聚块,边缘点门限TH一般服从以下公式:
TH=k×Gmax (6)
其中,Gmax为原图中像素点梯度幅度最大值;k取值一般较小,根据文献[5]实施例取为0.18。如果原图的梯度图中,某像素点的梯度幅度大于TH,则认为该像素点为边缘点。最终将边缘点最多的子块定义为中央凝聚块,即凹视中心。
定义中央凝聚块为图像边缘点最多的图像子块,具体实施时,本领域技术人员可根据所选图像的大小,预先选择合适的分块大小,实施例把梯度图按8×8分块,并统计所有子块中边缘点的数目,并把边缘点数目最多子块设置为中央凝聚块,记录该中央凝聚块的位置(μx,μy)。Step2.2,构造中央凹视矩阵。
最后利用正态分布密度函数构造行矩阵RV(RowVector)和列矩阵CV(ColumnVector),表达式分别如(7)(8):
其中,(x,y)为各子块的位置,σ为标准差,为使得算法的性能最优,令σ=1。因此,中央凹视矩阵CM(x,y)(CentralMatrix)由以下公式给出:
CM(x,y)=CV×RV (9)
实际计算过程中要将其单位化,单位化公式如下:
公式中的M,N分别为CM(x,y)矩阵水平和垂直的维数。得到的单位化结果CM‘(x,y)作为FGSSIM算法中相应子块(x,y)中每个像素点的权重。
所述联合梯度结构和中央凹视特性进行评价,即FGSSIM方法构造,具体实现如下:
将中央凹视矩阵的单位化结果CM‘(x,y)与SSIM算法中的亮度函数、对比度函数联合,形成以下函数:
FGSSIM(f,d)=L(f,d)C(f,d)GM(f,d)GD(f,d)CM‘ (11)
其中,f,d分别表示原图和失真图,FGSSIM(f,d)为原图和失真图对比所得图像评价结果,GM(f,d)为原图和失真图梯度幅值信息的对比,由公式(2)得到,GD(f,d)为原图和失真图像素点梯度方向变化信息的对比,由公式(5)得到,CM‘即为由公式(10)所得中央凹视矩阵的单位化结果。L(f,d)为原图和失真图亮度的对比,C(f,d)为原图和失真图对比度的对比,实施例根据参考文献[5]计算采用11×11,1.5像素的不重叠高斯窗口,计算公式如下:
其中,具体实施时,本领域技术人员可自行设定参数C3、C4的取值。实施例中采用优选方案,参数C3=(K3L)2=6.5025,C4=(K4L)2=58.5225,其中根据文献[5]K3、K4分别取为0.01、0.03。σf为原图的标准差,σd为失真图的标准差,μf为原图的像素灰度平均值,μd为失真图的中央位置点。
由于对原图的梯度图进行中央凹视处理时,按子块获取权重,实施例中应用原图和失真图的比较函数(11)同样经过8×8分块处理,最终实现矩阵的点乘。
具体实施时,本发明所提供方法可基于软件技术实现自动运行流程,也可采用模块化方式实现相应系统。
本发明提供一种基于中央凹视梯度结构相似性的图像质量评价系统,包括以下模块,定义梯度结构为梯度幅度和梯度方向,对原图的梯度图进行中央凹视处理,最后联合梯度结构和中央凹视特性进行评价,得到基于中央凹视觉的梯度结构相似性的图像质量评价结果,
第一模块,用于定义梯度结构为梯度幅度和梯度方向,包括以下子模块,第一子模块,用于针对原图和失真图,分别利用Sobel算子计算图像的水平梯度和垂直梯度得到图像的梯度幅度G(i,j);根据原图和失真图的梯度幅度,获得图像的梯度变化信息GM(i,j),计算公式如下,
其中,Gf(i,j)和Gd(i,j)分别表示原图和失真图的梯度幅度,C1为预设的正常数;第二子模块,用于针对原图和失真图,分别利用水平梯度和垂直梯度计算像素点梯度方向θ(i,j)和像素点梯度方向变化Δθ(i,j);根据原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度,得到像素点梯度变化信息GD(i,j),计算公式分别如下,
Δθ(i,j)=|θf(i,j)-θd(i,j)| (四)
其中,θf(i,j)和θd(i,j)分别表示原图和失真图的像素点梯度方向;Δθ(i,j)表示该像素点梯度方向变化;和分别表示原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度;C2为预设的无穷小量;
第二模块,用于对原图的梯度图进行中央凹视处理,包括以下单元,第一单元,用于寻找凹视中心,包括根据预设的边缘点门限TH,认定梯度幅度大于TH的像素点为边缘点;定义中央凝聚块为图像边缘点最多的图像子块,根据预设的分块大小,对梯度图进行分块,统计所有子块中边缘点的数目,并把边缘点数目最多子块设置为中央凝聚块,记录该中央凝聚块的位置(μx,μy);
第二单元,用于构造中央凹视矩阵,实现如下,
利用正态分布密度函数构造行矩阵RV和列矩阵CV,表达式分别如下,
其中,(x,y)为各子块的位置,σ为标准差;中央凹视矩阵CM(x,y)由以下公式给出,
CM(x,y)=CV×RV (八)
单位化公式如下,
其中,M,N分别为CM(x,y)矩阵水平和垂直的维数,CM‘(x,y)为中央凹视矩阵CM(x,y)的单位化结果;
第三模块,用于联合梯度结构和中央凹视特性进行评价,得到基于中央凹视觉的梯度结构相似性的图像质量评价结果,实现方式如下,
将中央凹视矩阵的单位化结果CM‘(x,y)与SSIM算法中的亮度函数、对比度函数联合,形成以下函数,
FGSSIM(f,d)=L(f,d)C(f,d)GM(f,d)GD(f,d)CM‘ (十)
其中,f,d分别表示原图和失真图,FGSSIM(f,d)为原图和失真图对比所得图像评价结果,GM(f,d)为原图和失真图梯度幅值信息的对比,由式(二)得到,GD(f,d)为原图和失真图像素点梯度方向变化信息的对比,由公式(五)得到,CM‘代表由公式(九)得到的中央凹视矩阵的单位化结果;L(f,d)为原图和失真图亮度的对比,C(f,d)为原图和失真图对比度的对比。
各模块具体实现可参见相应步骤,本发明不予赘述。
本发明的优点可以通过以下实验具体说明:
如图2、图3、图4所示,分别是PSNR算法、SSIM算法、FGSSIM算法对所有失真类型图像的拟合曲线,具体如下:
1.实验数据库
为了验证提出的“基于中央凹视的梯度结构相似性的图像质量评价方法”的有效性,本发明采用美国TEXAS大学图像视频工程实验室提供的LIVE图像质量评价数据库(第二版)进行仿真实验。该数据库包括29张高分辨率原图和982张失真图。其中失真类型包括:jpk2000压缩,jpeg压缩,白噪声,高斯模糊,瑞利衰退。该数据库还提供了每张图片的差分主观评价分数DMOS,DMOS越小的图像主观质量越好。
2.评价方法的评估仿真结果与分析
基于VQEG提出的客观模型评价准则,选用四个参数比较算法的性能:非线性补偿后的模型评价质量值和DMOS间的线性相关系数(CC)、Spearman秩相关系数(SROCC)、均方根误差(RMSE)、评价绝对误差(MAE)。CC和SROCC可以作为评价模型评价质量值和DMOS间相关性与一致性的标准,其值越大说明预评价越精确。而RMSE和MAE表示评价值与DMOS误差程度,其值越小误差越小。表一为测试FGSSIM与PSNR,MSE模型对LIVE库中不同失真类型图像的评估仿真结果。
表一测试FGSSIM与PSNR,MSE模型对不同失真类型图像的评估仿真结果
从该表可以看出,FGSSIM算法对Gbluer(高斯模糊)和FF(快速瑞利失真)类型的评价结果相对PSNR和SSIM在各方面均有显著的提高;由于WN(白噪声)只是单个像素点的失真,与图像的结构无关,而PSNR恰是对像素点误差的数学统计,因此对该类型失真具有最好的评价效果;对于JPEG和JP2K失真类型,FGSSIM的评价相关性更大、预测误差更小,但是评价的秩相关系数略有下降,总体上比PSNR和SSIM优秀;从整体上看,“基于中央凹视的梯度结构相似性的图像质量评价方法”(FGSSIM)对于所有失真类型图像(ALL)的评价效果的评价指标与DMOS相关性更好、误差更小,显著比SSIM与PSNR优越。
Claims (4)
1.一种基于中央凹视梯度结构相似性的图像质量评价方法,其特征在于:包括定义梯度结构为梯度幅度和梯度方向,对原图的梯度图进行中央凹视处理,最后联合梯度结构和中央凹视特性进行评价,得到基于中央凹视觉的梯度结构相似性的图像质量评价结果,
所述定义梯度结构包括以下步骤,
Step1.1,针对原图和失真图,分别利用Sobel算子计算图像的水平梯度和垂直梯度得到图像的梯度幅度G(i,j);根据原图和失真图的梯度幅度,获得原图和失真图的梯度幅度变化信息GM(i,j),计算公式如下,
其中,Gf(i,j)和Gd(i,j)分别表示原图和失真图的梯度幅度,(i,j)表示像素点在图像中的坐标,C1为预设的正常数;
Step1.2,针对原图和失真图,分别利用水平梯度和垂直梯度计算像素点梯度方向θ(i,j)和像素点梯度方向变化Δθ(i,j);根据原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度,得到原图和失真图的像素点梯度方向变化信息GD(i,j),计算公式分别如下,
Δθ(i,j)=|θf(i,j)-θd(i,j)| (四)
其中,θf(i,j)和θd(i,j)分别表示原图和失真图的像素点梯度方向;Δθ(i,j)表示该像素点梯度方向变化;和分别表示原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度;C2为预设的无穷小量;
所述对原图的梯度图进行中央凹视处理包括以下步骤,
Step2.1,寻找凹视中心,包括根据预设的边缘点门限TH,认定梯度幅度大于TH的像素点为边缘点;定义中央凝聚块为图像边缘点最多的图像子块,根据预设的分块大小,对梯度图进行分块,统计所有子块中边缘点的数目,并把边缘点数目最多子块设置为中央凝聚块,记录该中央凝聚块的位置(μx,μy);
Step2.2,构造中央凹视矩阵,实现如下,
利用正态分布密度函数构造行矩阵RV和列矩阵CV,表达式分别如下,
其中,(x,y)为各子块的位置,σ为标准差;中央凹视矩阵CM(x,y)由以下公式给出,
CM(x,y)=CV×RV(八)
单位化公式如下,
其中,M,N分别为CM(x,y)矩阵水平和垂直的维数,CM‘(x,y)为中央凹视矩阵CM(x,y)的单位化结果;
所述联合梯度结构和中央凹视特性进行评价,实现方式如下,
将中央凹视矩阵的单位化结果CM‘(x,y)与SSIM算法中的亮度函数、对比度函数联合,形成以下函数,
FGSSIM(f,d)=L(f,d)C(f,d)gm(f,d)gd(f,d)CM‘(x,y)(十)
其中,f,d分别表示原图和失真图,FGSSIM(f,d)为原图和失真图对比所得图像评价结果,gm(f,d)为原图和失真图梯度幅度信息的对比,由式(二)所得GM(i,j)得到,gd(f,d)为原图和失真图像素点梯度方向信息的对比,由公式(五)所得GD(i,j)得到,CM‘(x,y)代表由公式(九)得到的中央凹视矩阵的单位化结果;L(f,d)为原图和失真图亮度的对比,C(f,d)为原图和失真图对比度的对比。
2.根据权利要求1所述基于中央凹视梯度结构相似性的图像质量评价方法,其特征在于:边缘点门限TH=k×Gmax,Gmax为原图中像素点梯度幅度最大值,k为预设的取值。
3.一种基于中央凹视梯度结构相似性的图像质量评价系统,其特征在于:包括以下模块,定义梯度结构为梯度幅度和梯度方向,对原图的梯度图进行中央凹视处理,最后联合梯度结构和中央凹视特性进行评价,得到基于中央凹视觉的梯度结构相似性的图像质量评价结果,
第一模块,用于定义梯度结构为梯度幅度和梯度方向,包括以下子模块,第一子模块,用于针对原图和失真图,分别利用Sobel算子计算图像的水平梯度和垂直梯度得到图像的梯度幅度G(i,j);根据原图和失真图的梯度幅度,获得原图和失真图的梯度幅度变化信息GM(i,j),计算公式如下,
其中,Gf(i,j)和Gd(i,j)分别表示原图和失真图的梯度幅度,(i,j)表示像素点在图像中的坐标,C1为预设的正常数;
第二子模块,用于针对原图和失真图,分别利用水平梯度和垂直梯度计算像素点梯度方向θ(i,j)和像素点梯度方向变化Δθ(i,j);根据原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度,得到原图和失真图的像素点梯度方向变化信息GD(i,j),计算公式分别如下,
Δθ(i,j)=|θf(i,j)-θd(i,j)| (四)
其中,θf(i,j)和θd(i,j)分别表示原图和失真图的像素点梯度方向;Δθ(i,j)表示该像素点梯度方向变化;和分别表示原图的水平梯度和垂直梯度、失真图的水平梯度和垂直梯度;C,为预设的无穷小量;
第二模块,用于对原图的梯度图进行中央凹视处理,包括以下单元,
第一单元,用于寻找凹视中心,包括根据预设的边缘点门限TH,认定梯度幅度大于TH的像素点为边缘点;定义中央凝聚块为图像边缘点最多的图像子块,根据预设的分块大小,对梯度图进行分块,统计所有子块中边缘点的数目,并把边缘点数目最多子块设置为中央凝聚块,记录该中央凝聚块的位置(μx,μy);
第二单元,用于构造中央凹视矩阵,实现如下,
利用正态分布密度函数构造行矩阵RV和列矩阵CV,表达式分别如下,
其中,(x,y)为各子块的位置,σ为标准差;中央凹视矩阵CM(x,y)由以下公式给出,
CM(x,y)=CV×RV(八)
单位化公式如下,
其中,M,N分别为CM(x,y)矩阵水平和垂直的维数,CM‘(x,y)为中央凹视矩阵CM(x,y)的单位化结果;
第三模块,用于联合梯度结构和中央凹视特性进行评价,得到基于中央凹视觉的梯度结构相似性的图像质量评价结果,实现方式如下,
将中央凹视矩阵的单位化结果CM‘(x,y)与SSIM算法中的亮度函数、对比度函数联合,形成以下函数,
FGSSIM(f,d)=L(f,d)C(f,d)gm(f,d)gd(f,d)CM‘(x,y)(十)
其中,f,d分别表示原图和失真图,FGSSIM(f,d)为原图和失真图对比所得图像评价结果,gm(f,d)为原图和失真图梯度幅度信息的对比,由式(二)所得GM(i,j)得到,gd(f,d)为原图和失真图像素点梯度方向信息的对比,由公式(五)所得GD(i,j)得到,CM‘(x,y)代表由公式(九)得到的中央凹视矩阵的单位化结果;L(f,d)为原图和失真图亮度的对比,C(f,d)为原图和失真图对比度的对比。
4.根据权利要求3所述基于中央凹视梯度结构相似性的图像质量评价系统,其特征在于:边缘点门限TH=k×Gmax,Gmax为原图中像素点梯度幅度最大值,k为预设的取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610349154.0A CN106023214B (zh) | 2016-05-24 | 2016-05-24 | 基于中央凹视梯度结构相似性的图像质量评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610349154.0A CN106023214B (zh) | 2016-05-24 | 2016-05-24 | 基于中央凹视梯度结构相似性的图像质量评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023214A CN106023214A (zh) | 2016-10-12 |
CN106023214B true CN106023214B (zh) | 2018-11-23 |
Family
ID=57093452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610349154.0A Expired - Fee Related CN106023214B (zh) | 2016-05-24 | 2016-05-24 | 基于中央凹视梯度结构相似性的图像质量评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023214B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416770A (zh) * | 2018-03-07 | 2018-08-17 | 西北工业大学 | 一种基于视觉显著性的图像质量评价方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920232B (zh) * | 2017-02-22 | 2019-06-11 | 武汉大学 | 基于显著性检测的梯度相似度图像质量评价方法及系统 |
CN108053393A (zh) * | 2017-12-08 | 2018-05-18 | 广东工业大学 | 一种梯度相似度图像质量评价方法及装置 |
CN110796651A (zh) * | 2019-10-29 | 2020-02-14 | 杭州阜博科技有限公司 | 图像质量的预测方法及装置、电子设备、存储介质 |
CN116703755A (zh) * | 2022-12-19 | 2023-09-05 | 济宁市健达医疗器械科技有限公司 | 用于医疗废弃物冷库的遗漏风险监控系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447884A (zh) * | 2015-12-21 | 2016-03-30 | 宁波大学 | 一种基于流形特征相似度的图像质量客观评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6039156B2 (ja) * | 2010-06-08 | 2016-12-07 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
-
2016
- 2016-05-24 CN CN201610349154.0A patent/CN106023214B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447884A (zh) * | 2015-12-21 | 2016-03-30 | 宁波大学 | 一种基于流形特征相似度的图像质量客观评价方法 |
Non-Patent Citations (3)
Title |
---|
Image Quality Assessment Based on DCT Subband Similarity;Amnon Balanov et al.;《2015 IEEE International Conference on Image Processing》;20150927;第2105-2109页 * |
图像质量评价方法研究进展;蒋刚毅 等;《电子与信息学报》;20100131;第32卷(第1期);第219-226页 * |
基于边缘结构相似性的图像质量评价方法;袁艳春 等;《计算机应用研究》;20150930;第32卷(第9期);第2870-2873页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416770A (zh) * | 2018-03-07 | 2018-08-17 | 西北工业大学 | 一种基于视觉显著性的图像质量评价方法 |
CN108416770B (zh) * | 2018-03-07 | 2021-06-11 | 西北工业大学 | 一种基于视觉显著性的图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106023214A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023214B (zh) | 基于中央凹视梯度结构相似性的图像质量评价方法及系统 | |
CN106920232B (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 | |
CN104361593B (zh) | 一种基于hvs和四元数的彩色图像质量评价方法 | |
CN110827193B (zh) | 基于多通道特征的全景视频显著性检测方法 | |
CN109671023A (zh) | 一种人脸图像超分辨率二次重建方法 | |
CN107481236A (zh) | 一种屏幕图像的质量评价方法 | |
CN101562675B (zh) | 基于Contourlet变换的无参考型图像质量评测方法 | |
CN109242834A (zh) | 一种基于卷积神经网络的无参考立体图像质量评价方法 | |
CN105513033B (zh) | 一种非局部联合稀疏表示的超分辨率重建方法 | |
CN105550989B (zh) | 基于非局部高斯过程回归的图像超分辨方法 | |
CN101976444A (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 | |
CN102651124B (zh) | 基于冗余字典稀疏表示和评价指标的图像融合方法 | |
CN108134937B (zh) | 一种基于hevc的压缩域显著性检测方法 | |
CN108805825B (zh) | 一种重定位图像质量评价方法 | |
CN102982535A (zh) | 基于psnr和ssim的立体图像质量评价方法 | |
CN104243973A (zh) | 基于感兴趣区域的视频感知质量无参考客观评价方法 | |
CN109191428A (zh) | 基于掩蔽纹理特征的全参考型图像质量评价方法 | |
DE102018003475A1 (de) | Formbasierte Grafiksuche | |
CN109191460A (zh) | 一种对于色调映射图像的质量评价方法 | |
Xu et al. | EPES: Point cloud quality modeling using elastic potential energy similarity | |
CN108846800A (zh) | 一种图像超分辨率重建的无参考图像质量评价方法 | |
CN106447654B (zh) | 基于统计相似性和双向显著性保真度的图像重定向质量评价方法 | |
CN104346809A (zh) | 采用高动态范围的图像质量数据集的图像质量评价方法 | |
CN111882516B (zh) | 一种基于视觉显著性和深度神经网络的图像质量评价方法 | |
CN111292336A (zh) | 基于分段式球面投影格式的全向图像无参考质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181123 Termination date: 20190524 |