CN107343196A - 一种混合失真无参考图像质量评价方法 - Google Patents

一种混合失真无参考图像质量评价方法 Download PDF

Info

Publication number
CN107343196A
CN107343196A CN201710585157.9A CN201710585157A CN107343196A CN 107343196 A CN107343196 A CN 107343196A CN 201710585157 A CN201710585157 A CN 201710585157A CN 107343196 A CN107343196 A CN 107343196A
Authority
CN
China
Prior art keywords
image
distorted image
phase equalization
designated
entropy
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
Application number
CN201710585157.9A
Other languages
English (en)
Inventor
侯春萍
马彤彤
岳广辉
刘月
冯丹丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201710585157.9A priority Critical patent/CN107343196A/zh
Publication of CN107343196A publication Critical patent/CN107343196A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种混合失真无参考图像质量评价方法，包括：将失真图像记为I；通过计算其每个像素点的相位一致性值，即可得到I的相位一致性图，连续计算4阶相位一致性，并将得到的4幅相位一致性图像；计算局部熵；分别计算灰度共生矩阵；分别计算个特征参数，即对比度，相关性，能量和同质性；计算互信息和交叉熵；通过对失真图像连续进行两次低通滤波和下采样，分别得到失真图像的第二尺度和第三尺度的失真图像，对于三个尺度上的失真图像，通过特征提取，最终得到的失真图像的特征向量；利用支持向量回归机，建立特征向量到图像质量分数的映射关系模型，利用此模型实现图像质量预测。

Description

一种混合失真无参考图像质量评价方法
技术领域
本发明涉及一种图像质量评价方法，尤其是涉及一种混合失真无参考图像质量评价方法。
背景技术
图像质量评价对于提高图像传输系统性能，改善图像观看品质非常重要。随着图像质量评价研究的深 入，建立符合实际应用的图像质量评价模型成为研究人员工作的重点。
在实际的图像处理系统中，往往无法获取原始图像，且图像常引入多种失真类型。因此，建立有效的 针对混合失真图像的无参考质量评价方法十分重要。在混合失真图像中，多种失真类型相互作用而并不是 孤立存在，因此，混合失真图像的质量变化比单失真图像要复杂的多，目前，多数的图像质量评价方法是 针对单失真图像，将其应用在混合失真图像中，一般不会取得理想的效果，因此，对混合失真图像进行质 量评价是当前图像质量评价领域的重点和难点。
发明内容
本发明所需要解决的技术问题是提供一种混合失真无参考图像质量评价方法，该方法充分考虑到人类 视觉特性以及与图像失真密切相关的图像特征，能有效提高客观评价结果与主观感知的相关性。本发明所 采用的技术方案为：
一种混合失真无参考图像质量评价方法，其特征在于包括以下步骤：
①将失真图像记为I，设图像中某像素点为x，则其相位一致性为其中，Δφn(x)为偏移函数，W(x)为滤波器频带加权值； An(x)表示第n个傅立叶分量的幅值；T为估计的噪声；ε为防止分母为零的常数；符号表示如果a 大于零，则等于a本身，否则为零；通过计算图像I中每个像素点的相位一致性值，即可得到I的相位一 致性图，记为PC；连续计算4阶相位一致性，并将得到的4幅相位一致性图像记为PCn(n＝1,2,3,4)；
②计算PCn的局部熵，局部窗口设置为3×3，将得到的4幅相位一致性局部熵图记为Hn(n＝1,2,3,4)；
③分别计算PCn(n＝1,2,3,4)的灰度共生矩阵，灰度共生矩阵的间隔距离取1，方向分别取0°、45°、 90°和135°，即每幅相位一致性图像计算得到4个灰度共生矩阵，总共获得16个灰度共生矩阵，并记为 Gm(m＝1,2,…16)；分别计算Gm的4个特征参数，即对比度，相关性，能量和同质性，共得到64维特征 向量；
④分别计算PC1与PC2，PC2与PC3，PC3与PC4间的互信息和交叉熵，分别得到3个互信息和3 个交叉熵；然后，分别计算H1与H2，H2与H3，H3与H4间的互信息和交叉熵，同样分别得到3个互信息 和3个交叉熵；最终共获得12维特征向量；
⑤通过对失真图像连续进行两次低通滤波和下采样，分别得到失真图像的第二尺度和第三尺度的失 真图像，对于三个尺度上的失真图像，均完成上述步骤①到步骤④的特征提取过程，最终得到的失真图像 的特征向量为228维；
⑥利用支持向量回归机，建立特征向量到图像质量分数的映射关系模型，利用此模型实现图像质量 预测。
附图说明
图1为本发明方法的总体实现框图。
具体实施方式
以下结合附图对本发明作进一步详细描述。
本发明提出一种混合失真无参考图像质量评价方法，其总体实现框图如图1所示，其具体过程为： 首先，计算了4阶相位一致性图像以及4阶相位一致性图的局部熵图；然后，计算了每阶相位一致性图像 的灰度共生矩阵，将灰度共生矩阵特征值作为图像特征向量；然后，计算了相邻阶相位一致性及其局部熵 图像间的互信息及交叉熵；之后，通过低通滤波和下采样，对多尺度图像进行上述特征提取；最后，利用 支持向量回归模型对图像的特征向量和相应的主观质量分数进行网络训练，得到图像的特征向量与主观质 量分数的映射关系模型，利用此模型对图像的质量分数进行预测。本发明提出的混合失真无参考图像质量 评价方法具体步骤如下：
①将失真图像记为I，设图像中某像素点为x，则其相位一致性为
其中，W(x)为滤波器频带加权值；An(x)为第n个傅里叶分量的幅值；T表示估计的噪声；ε为一 个非常小的常数，用于防止分母为零；符号的意义为：
相位偏移函数Δφn(x)表示为
通过计算图像I中每个像素点的相位一致性值，即可得到I的相位一致性图，记为PC。连续计算4阶 相位一致性，并将得到的4幅相位一致性图像记为PCn(n＝1,2,3,4)。
②计算PCn的局部熵，局部窗口设置为3×3，将得到的4幅相位一致性局部熵图记为Hn(n＝1,2,3,4)。 局部熵具体计算方法如下：设f(i,j)为图像I中(i,j)处的像素点，M×N为图像中以(i,j)为中心点的 局部窗口，则f(i,j)的局部熵为：
其中，H为点f(i,j)的局部熵，pij为局部窗口中点(i,j)处的灰度分布概率。将上述方法对整幅图像 进行遍历，便可得到整幅图像的局部熵。
③分别计算PCn(n＝1,2,3,4)的灰度共生矩阵，灰度共生矩阵的间隔距离取1，方向分别取0°、45°、 90°和135°，即每幅相位一致性图像计算得到4个灰度共生矩阵，总共获得16个灰度共生矩阵，并记为 Gm(m＝1,2,…16)。分别计算Gm的4个特征参数，即对比度，相关性，能量和同质性，共得到64维特征 向量。
④分别计算PC1与PC2，PC2与PC3，PC3与PC4间的互信息和交叉熵，分别得到3个互信息和3 个交叉熵；然后，分别计算H1与H2，H2与H3，H3与H4间的互信息和交叉熵，同样分别得到3个互信息 和3个交叉熵。最终共获得12维特征向量。互信息具体定义如下：设两幅图像Y和S，记两幅图像的熵 分别为H(Y)、H(S)，联合熵为H(Y,S)：
其中，a∈Y,b∈S，PY(a)和PS(b)分别为图像Y和S的概率分布，PYS(a,b)表示两幅图像的联合 分布。2幅图像的互信息可以表示为：
M(Y,S)＝H(Y)+H(S)-H(Y,S) (9)
交叉熵的具体定义如下：设两幅图像Y和S，其归一化后的灰度直方图分别为P＝{p0,p1,...pL-1}和 Q＝{q0,q1,...qL-1}，则Y和S的交叉熵可以记为：
⑤通过低通滤波和下采样，分别再3个尺度上完成上述特征提取过程，最终，图像特征向量为228 维。
⑥利用支持向量回归机，建立特征向量到图像质量分数的映射关系模型，利用此模型即可实现图像 质量预测。
为了验证本发明方法的性能，将其在MLIVE和MDID2013数据库上进行测试。选取3个图像质量评 价领域通用的性能指标，即皮尔森相关系数(PLCC)、斯皮尔曼相关系数(SROCC)和均方根误差(RMSE)。 实验方法设置如下：将整个数据库随机分为80％的训练集和20％的测试集；提取训练集图像的特征向量， 并将其特征向量和相应的图像主观质量分数输入支持向量回归机中，训练得到特征向量与主观质量分数的 映射关系模型；利用此回归模型，对测试图像的质量进行预测，并利用预测分数与主观质量分数进行比较， 计算得到PLCC、SROCC和RMSE值；将上述过程重复1000次，取各性能参数的中值作为本发明方法的最终性能。
本发明方法在MLIVE和MDID2013数据库上测试得到的性能指标如表1所示，可以看出，RMSE 值较小，说明本发明方法的预测结果较为准确。在MDID2013数据库上测试结果中，PLCC和SROCC值 均在0.92以上；在MLIVE数据库上测试结果中，PLCC和SROCC值均达到0.94以上，说明本发明方 法取得了与人眼视觉特性非常一致的结果，是一种有效的混合失真无参考图像质量评价方法。
表1MLIVE和MDID2013数据库上测试结果

Claims (1)

1.一种混合失真无参考图像质量评价方法，其特征在于包括以下步骤：
①将失真图像记为I，设图像中某像素点为x，则其相位一致性为其中，Δφn(x)为偏移函数，W(x)为滤波器频带加权值；An(x)表示第n个傅立叶分量的幅值；T为估计的噪声；ε为防止分母为零的常数；符号表示如果a大于零，则等于a本身，否则为零；通过计算图像I中每个像素点的相位一致性值，即可得到I的相位一致性图，记为PC；连续计算4阶相位一致性，并将得到的4幅相位一致性图像记为PCn(n＝1,2,3,4)；
②计算PCn的局部熵，局部窗口设置为3×3，将得到的4幅相位一致性局部熵图记为Hn(n＝1,2,3,4)；
③分别计算PCn(n＝1,2,3,4)的灰度共生矩阵，灰度共生矩阵的间隔距离取1，方向分别取0°、45°、90°和135°，即每幅相位一致性图像计算得到4个灰度共生矩阵，总共获得16个灰度共生矩阵，并记为Gm(m＝1,2,…16)；分别计算Gm的4个特征参数，即对比度，相关性，能量和同质性，共得到64维特征向量；
④分别计算PC1与PC2，PC2与PC3，PC3与PC4间的互信息和交叉熵，分别得到3个互信息和3个交叉熵；然后，分别计算H1与H2，H2与H3，H3与H4间的互信息和交叉熵，同样分别得到3个互信息和3个交叉熵；最终共获得12维特征向量；
⑤通过对失真图像连续进行两次低通滤波和下采样，分别得到失真图像的第二尺度和第三尺度的失真图像，对于三个尺度上的失真图像，均完成上述步骤①到步骤④的特征提取过程，最终得到的失真图像的特征向量为228维；
⑥利用支持向量回归机，建立特征向量到图像质量分数的映射关系模型，利用此模型实现图像质量预测。
CN201710585157.9A 2017-07-18 2017-07-18 一种混合失真无参考图像质量评价方法 Pending CN107343196A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710585157.9A CN107343196A (zh) 2017-07-18 2017-07-18 一种混合失真无参考图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710585157.9A CN107343196A (zh) 2017-07-18 2017-07-18 一种混合失真无参考图像质量评价方法

Publications (1)

Publication Number Publication Date
CN107343196A true CN107343196A (zh) 2017-11-10

Family

ID=60218768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710585157.9A Pending CN107343196A (zh) 2017-07-18 2017-07-18 一种混合失真无参考图像质量评价方法

Country Status (1)

Country Link
CN (1) CN107343196A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977967A (zh) * 2017-12-22 2018-05-01 中国矿业大学 一种面向视角合成的无参考图像质量评价方法
CN108053396A (zh) * 2017-12-15 2018-05-18 中国矿业大学 一种多失真图像质量的无参考评价方法
CN108460756A (zh) * 2018-01-30 2018-08-28 西安电子科技大学 基于统计特征的无参考红外图像质量评价方法
CN108830829A (zh) * 2018-05-08 2018-11-16 天津大学 联合多种边缘检测算子的无参考质量评价算法
CN109325550A (zh) * 2018-11-02 2019-02-12 武汉大学 基于图像熵的无参考图像质量评价方法
CN109919894A (zh) * 2017-12-07 2019-06-21 航天信息股份有限公司 一种基于人类视觉特性的无参考图像质量评价方法及系统
CN111899261A (zh) * 2020-08-31 2020-11-06 西北工业大学 一种水下图像质量实时评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104104943A (zh) * 2013-04-10 2014-10-15 江南大学 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法
CN106408561A (zh) * 2016-09-10 2017-02-15 天津大学 一种基于图像纹理特征的无参考图像质量评价方法
CN106780449A (zh) * 2016-12-06 2017-05-31 嘉兴学院 一种基于纹理特征的无参考图像质量评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104104943A (zh) * 2013-04-10 2014-10-15 江南大学 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法
CN106408561A (zh) * 2016-09-10 2017-02-15 天津大学 一种基于图像纹理特征的无参考图像质量评价方法
CN106780449A (zh) * 2016-12-06 2017-05-31 嘉兴学院 一种基于纹理特征的无参考图像质量评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侯春萍，马彤彤，岳广辉，刘月，冯丹丹: ""基于高阶相位一致性的混合失真图像质量评价"", 《激光与光电子学进展》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919894A (zh) * 2017-12-07 2019-06-21 航天信息股份有限公司 一种基于人类视觉特性的无参考图像质量评价方法及系统
CN108053396A (zh) * 2017-12-15 2018-05-18 中国矿业大学 一种多失真图像质量的无参考评价方法
CN108053396B (zh) * 2017-12-15 2021-09-14 中国矿业大学 一种多失真图像质量的无参考评价方法
CN107977967A (zh) * 2017-12-22 2018-05-01 中国矿业大学 一种面向视角合成的无参考图像质量评价方法
CN107977967B (zh) * 2017-12-22 2022-05-03 中国矿业大学 一种面向视角合成的无参考图像质量评价方法
CN108460756A (zh) * 2018-01-30 2018-08-28 西安电子科技大学 基于统计特征的无参考红外图像质量评价方法
CN108830829A (zh) * 2018-05-08 2018-11-16 天津大学 联合多种边缘检测算子的无参考质量评价算法
CN108830829B (zh) * 2018-05-08 2021-09-07 天津大学 联合多种边缘检测算子的无参考质量评价算法
CN109325550A (zh) * 2018-11-02 2019-02-12 武汉大学 基于图像熵的无参考图像质量评价方法
CN111899261A (zh) * 2020-08-31 2020-11-06 西北工业大学 一种水下图像质量实时评估方法

Similar Documents

Publication Publication Date Title
CN107343196A (zh) 一种混合失真无参考图像质量评价方法
Zhu et al. A benchmark for edge-preserving image smoothing
Kundu et al. No-reference quality assessment of tone-mapped HDR pictures
Ni et al. ESIM: Edge similarity for screen content image quality assessment
Cai et al. Blind inpainting using the fully convolutional neural network
CN107527337B (zh) 一种基于深度学习的视频对象移除篡改检测方法
Gu et al. Saliency-guided quality assessment of screen content images
CN106683048B (zh) 一种图像超分辨率方法及设备
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
Tian et al. A multi-order derivative feature-based quality assessment model for light field image
CN109523470B (zh) 一种深度图像超分辨率重建方法及系统
Wang et al. Image quality assessment based on local linear information and distortion-specific compensation
CN109978854B (zh) 一种基于边缘与结构特征的屏幕内容图像质量评估方法
CN105657402A (zh) 一种深度图恢复方法
CN112954312A (zh) 一种融合时空特征的无参考视频质量评估方法
CN101282481A (zh) 一种基于人工神经网络的视频质量评价方法
CN104657962B (zh) 基于级联线性回归的图像超分辨重建方法
CN104866868A (zh) 基于深度神经网络的金属币识别方法和装置
CN108053025B (zh) 多柱神经网络医学影像分析方法及装置
CN103971340A (zh) 一种高位宽数字图像动态范围压缩和细节增强方法
CN114612714B (zh) 基于课程学习的无参考图像质量评价方法
CN111062895B (zh) 一种基于多视场分割的显微图像复原方法
CN109257592B (zh) 基于深度学习的立体视频质量客观评价方法
CN106355195A (zh) 用于测量图像清晰度值的系统及其方法
CN113139904A (zh) 一种图像盲超分辨率方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171110