CN108053393A - 一种梯度相似度图像质量评价方法及装置 - Google Patents
一种梯度相似度图像质量评价方法及装置 Download PDFInfo
- Publication number
- CN108053393A CN108053393A CN201711294816.XA CN201711294816A CN108053393A CN 108053393 A CN108053393 A CN 108053393A CN 201711294816 A CN201711294816 A CN 201711294816A CN 108053393 A CN108053393 A CN 108053393A
- Authority
- CN
- China
- Prior art keywords
- gradient
- evaluated
- image
- reference picture
- factor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于扩展梯度算子的结构相似度图像质量评价方法,通过获取参考图像与待评价失真图像;对参考图像与待评价失真图像进行预处理,并确定参考图像与待评价失真图像的亮度因子、对比度因子、采用扩展的索贝尔算子的梯度相似度因子,分别计算参考图像对应的第一梯度幅值以及待评价失真图像对应的第二梯度幅值;根据第一梯度幅值与第二梯度幅值,确定参考图像与待评价失真图像的梯度相似度因子;结合梯度相似度因子、亮度因子、对比度因子,确定图像基于梯度的结构相似度结果。本申请可对噪声图像进行质量评价,且与主观评分有较好的一致性。此外,本发明还提供了一种具有上述技术优点的梯度相似度图像质量评价装置。
Description
技术领域
本发明涉及图像处理与图像质量评价领域,特别是涉及一种梯度相似度图像质量评价方法及装置。
背景技术
基于人眼视觉系统的图像质量客观评价一直是图像处理领域的研究热点。ZhouWang等人提出了著名的客观质量评价方法:结构相似度(Structure Similarity,SSIM),它的理论基础是人眼视觉系统能高度自适应地提取场景中的结构信息。其评价性能优于传统的客观质量评价方法均方误差(Mean Square Error,MSE)和峰值信噪比(Peak Signal toNoise Ration,PSNR)。但是SSIM评价模糊失真类的图像准确性较低,杨春玲等在SSIM的基础上提出一种基于梯度信息的图像质量评判方法—基于梯度的结构相似度(Gradient-based Structural Similarity, GSSIM),GSSIM模型比SSIM和PSNR(MSE)模型更符合人眼视觉系统特性,能较好地评价模糊图像的质量。
GSSIM算法在考虑图像边缘时采用的是传统Sobel算子,在检测边缘的同时具有抑制噪声的能力,但由于先平均后差分,且只计算两个方向的梯度信息,会丢失部分细节信息,造成边缘有一定的模糊。
发明内容
本发明的目的是提供一种梯度相似度图像质量评价方法及装置,以解决现有采用传统Sobel算子由于丢失部分细节信息,造成边缘有一定的模糊的问题。
为解决上述技术问题,本发明提供一种梯度相似度图像质量评价方法,包括:
获取参考图像与待评价失真图像;
对所述参考图像与所述待评价失真图像进行预处理,并确定所述参考图像与所述待评价失真图像的亮度因子、对比度因子;
采用扩展的索贝尔算子,分别计算所述参考图像对应的第一梯度幅值以及所述待评价失真图像对应的第二梯度幅值;
根据所述第一梯度幅值与所述第二梯度幅值,确定所述参考图像与所述待评价失真图像的梯度相似度因子;
结合所述梯度相似度因子、所述亮度因子、所述对比度因子,确定图像基于梯度的结构相似度结果。
可选地,所述对所述参考图像与所述待评价失真图像进行预处理包括:
对所述参考图像与所述待评价失真图像进行灰度化处理;
采用预定义的滤波算子,对经过灰度化处理之后的所述参考图像与所述待评价失真图像进行滤波处理。
可选地,所述确定所述参考图像与所述待评价失真图像的亮度因子、对比度因子包括:
采用计算所述参考图像与所述待评价失真图像的亮度因子,其中,x表示所述参考图像,y 表示所述待评价失真图像,l(x,y)为亮度因子,μx和μy分别表示参考图像和待评价失真图像的平均亮度,常数C1用于避免不稳定性,N为待评价失真图像个数,i为第i幅图像;
采用计算所述参考图像与所述待评价失真图像的对比度因子,其中, c(x,y)为对比度因子,σx和σy表示参考图像和待评价失真图像像素的标准差,C2用于避免不稳定性,N为待评价失真图像的个数,σxy为参考图像与待评价失真图像的协方差。
可选地,所述扩展的索贝尔算子为采用45°、135°、180°、225°、 270°、315°六个方向的算子。
可选地,所述根据所述第一梯度幅值与所述第二梯度幅值,确定所述参考图像与所述待评价失真图像的梯度相似度因子包括:
采用确定所述参考图像与所述待评价失真图像的梯度相似度因子,其中,Gx(i,j)为参考图像x在(i,j)处的梯度幅值,Gy(i,j)为失真图像y在(i,j)处的梯度幅值, C3为常数,用于避免不稳定性。
可选地,所述结合所述梯度相似度因子、所述亮度因子、所述对比度因子,确定图像基于梯度的结构相似度结果包括:
根据Sobel-GSSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[g(x,y)]λ确定所述参考图像与所述待评价失真图像的Sobel-GSSIM指标,其中, Sobel-GSSIM(x,y)为综合Sobel-GSSIM指标,α>0、β>0,γ>0,α、β、γ分别表示调整三个部分相对重要性的参数;
由各个子图像块的Sobel-GSSIM指标,采用
确定整幅图像基于梯度的结构相似度结果,其中,M为待评价失真图像采用滤波因子滑动重叠分块的个数。
本发明还提供了一种梯度相似度图像质量评价装置,包括:
图像获取模块,用于获取参考图像与待评价失真图像;
预处理模块,用于对所述参考图像与所述待评价失真图像进行预处理,并确定所述参考图像与所述待评价失真图像的亮度因子、对比度因子;
梯度幅值计算模块,用于采用扩展的索贝尔算子,分别计算所述参考图像对应的第一梯度幅值以及所述待评价失真图像对应的第二梯度幅值;
相似度因子计算模块,用于根据所述第一梯度幅值与所述第二梯度幅值,确定所述参考图像与所述待评价失真图像的梯度相似度因子;
相似度结果确定模块,用于结合所述梯度相似度因子、所述亮度因子、所述对比度因子,确定图像基于梯度的结构相似度结果。
可选地,所述扩展的索贝尔算子为采用45°、135°、180°、225°、 270°、315°六个方向的算子。
本发明所提供的梯度相似度图像质量评价方法,通过获取参考图像与待评价失真图像;对参考图像与待评价失真图像进行预处理,并确定参考图像与待评价失真图像的亮度因子、对比度因子;采用扩展的索贝尔算子,分别计算参考图像对应的第一梯度幅值以及待评价失真图像对应的第二梯度幅值;根据第一梯度幅值与第二梯度幅值,确定参考图像与待评价失真图像的梯度相似度因子;结合梯度相似度因子、亮度因子、对比度因子,确定图像基于梯度的结构相似度结果。本申请对传统Sobel算子的缺陷进行了相应的改进,可对噪声图像进行质量评价,且与主观评分有较好的一致性。此外,本发明还提供了一种具有上述技术优点的梯度相似度图像质量评价装置。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的梯度相似度图像质量评价方法的一种具体实施方式的流程图;
图2为本发明实施例中对参考图像与待评价失真图像进行预处理的过程示意图;
图3为传统Sobel算子的模板表示示意图;
图4为本申请所提供的扩展六方向的Sobel算子的模板表示示意图;
图5为PSNR与主观评价值DMOS的散点图;
图6为SSIM与主观评价值DMOS的散点图;
图7为GSSIM与主观评价值DMOS的散点图;
图8为Sobel-GSSIM与主观评价值DMOS的散点图;
图9为本发明所提供的梯度相似度图像质量评价方法的另一种具体实施方式的流程图;
图10为本发明实施例提供的梯度相似度图像质量评价装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提供的梯度相似度图像质量评价方法的一种具体实施方式的流程图如图1所示,该方法包括:
步骤S101:获取参考图像与待评价失真图像;
步骤S102:对所述参考图像与所述待评价失真图像进行预处理,并确定所述参考图像与所述待评价失真图像的亮度因子、对比度因子;
具体地,参考图2,本步骤中对参考图像与待评价失真图像进行预处理的过程可以具体包括:
步骤S1021:对所述参考图像与所述待评价失真图像进行灰度化处理;将参考图像与失真图像进行灰度化处理,可以只保留亮度信息进行后续的图像质量分析,舍去其彩色信息。
步骤S1022:采用预定义的滤波算子,对经过灰度化处理之后的所述参考图像与所述待评价失真图像进行滤波处理。
预定义的滤波算子可以具体为具有1.5像素的标准差的11*11高斯模板,其函数定义如下
其中,f(x,y)为高斯函数,σ为标准差,其值根据实验结果决定。
另外,确定所述参考图像与所述待评价失真图像的亮度因子、对比度因子的过程可以具体为:
采用计算所述参考图像与所述待评价失真图像的亮度因子,其中,x表示所述参考图像,y 表示所述待评价失真图像,l(x,y)为亮度因子,μx和μy分别表示参考图像和待评价失真图像的平均亮度,常数C1用于避免不稳定性,N为待评价失真图像个数,i为第i幅图像;
采用计算所述参考图像与所述待评价失真图像的对比度因子,其中, c(x,y)为对比度因子,σx和σy表示参考图像和待评价失真图像像素的标准差,C2用于避免不稳定性,N为待评价失真图像的个数,σxy为参考图像与待评价失真图像的协方差。
步骤S103:采用扩展的索贝尔算子,分别计算所述参考图像对应的第一梯度幅值以及所述待评价失真图像对应的第二梯度幅值;
作为一种具体实施方式,本申请中扩展的索贝尔算子为采用45°、 135°、180°、225°、270°、315°六个方向的算子。如图3示出了传统 Sobel算子的模板表示示意图,图4示出了本申请所提供的扩展六方向的Sobel算子的模板表示示意图。
类似于经典算法的对水平梯度和垂直梯度卷积运算得到的gx和 gy,算法实现时对图像的每一像素点分别对8个模板进行卷积运算,取其中的最大值作为该点新的灰度值,见下述公式。同时该最大值对应的模板所表示的方向为该像素点的边缘方向。
▽f≈max(|gx|,|gy|,|g_45|,|g_135|,
|g_180|,|g_225|,|g_270|,|g_315|)
其中,gx与gy分别是用传统的Sobel算子水平方向模板与垂直方向模板进行卷积运算后得到的梯度分量,g_45、g_135、g_180、g_225、 g_270、g_315、分别是与各自模板卷积运算之后的梯度分量。
步骤S104:根据所述第一梯度幅值与所述第二梯度幅值,确定所述参考图像与所述待评价失真图像的梯度相似度因子;
具体地,本实施例中采用
确定所述参考图像与所述待评价失真图像的梯度相似度因子,其中,Gx(i,j)为参考图像x 在(i,j)处的梯度幅值,Gy(i,j)为失真图像y在(i,j)处的梯度幅值,C3为为小的常数,用于避免不稳定性,用于防止分母为0。
步骤S105:结合所述梯度相似度因子、所述亮度因子、所述对比度因子,确定图像基于梯度的结构相似度结果。
根据Sobel-GSSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[g(x,y)]λ确定所述参考图像与所述待评价失真图像的Sobel-GSSIM指标,其中, Sobel-GSSIM(x,y)为综合Sobel-GSSIM指标,α>0、β>0,γ>0,α、β、γ分别表示调整三个部分相对重要性的参数;本申请为简化计算,可以取α=β=γ=1。
由各个子图像块的Sobel-GSSIM指标,采用
确定整幅图像基于梯度的结构相似度结果,其中,M为待评价失真图像采用滤波因子滑动重叠分块的个数。
本发明所提供的梯度相似度图像质量评价方法,通过获取参考图像与待评价失真图像;对参考图像与待评价失真图像进行预处理,并确定参考图像与待评价失真图像的亮度因子、对比度因子;采用扩展的索贝尔算子,分别计算参考图像对应的第一梯度幅值以及待评价失真图像对应的第二梯度幅值;根据第一梯度幅值与第二梯度幅值,确定参考图像与待评价失真图像的梯度相似度因子;结合梯度相似度因子、亮度因子、对比度因子,确定图像基于梯度的结构相似度结果。本申请对传统Sobel算子的缺陷进行了相应的改进,可对噪声图像进行质量评价,且与主观评分有较好的一致性。
本申请在全参考图像的前提下,通过简单的计算,即可对噪声图像进行质量评价且与主观评分有较好的一致性。下面将从两方面对本实施例的实验结果进行分析:
1)本发明的质量评价方法、PSNR、SSIM、GSSIM与DMOS值的非线性拟合曲线图;2)本发明的质量评价方法与PSNR、SSIM、 GSSIM量化性能评价比较。
本申请采用美国TEXAS大学图像和视频工程实验室提供的图像质量估计数据库进行仿真实验,比较了本申请所提出的改进方法 Sobel-GSSIM相对于PSNR、SSIM以及GSSIM的性能。图像库中包括了5类失真图像:JPEG、JPEG2000、Gaussian Blur(高斯模糊)、FastFading(在fast-fading通道传输JPEG2000码流的过程中发生错误而失真的图像)、White Noise(白噪声),共779幅失真图像。图库中还给出了所有失真图像的“主观差异评分”(Difference Mean Opinion Score,DMOS),描述的是主观评分(Mean Opinion Score,MOS)和满分100分的差值,因此DMOS越大表示图像质量越差,DMOS越小表示图像质量越好,且DMOS的取值范围为[0,100]。为了更好地比较图像客观质量评判模型的性能,本实施例选用四个常用客观参量作为评估这些方法的客观指标:非线性回归条件下的相关系数(CC)、主客观非线性回归后分数间的Spearman等级相关系数(SROCC)、绝对误差均值(MAE)、均方差的平方根(RMSE)。
在进行算法比较时,会产生各个算法量纲和单位上的差异。因此将待评价算法得到的客观图像质量评分进行非线性回归,用Logistic 函数作为非线性映射函数对论文提出的待评价算法得出的客观图像质量原始评分进行非线性回归:
Quality(x)=β1logistic(β2,(x-β3))+β4x+β5
(1)主客观非线性回归后分数间的平均绝对误差(Mean Absolute Error,MAE),反映了客观质量评价结果与主观评价结果的平均误差水平,越小表明图像质量评价结果准确性越高,公式描述如下:
(2)主客观非线性回归后分数间的均方根误差(Root Mean Square Error,RMSE),反映了客观评价结果的准确性,越小表明图像质量评价结果准确性越高,公式描述如下:
(3)主客观非线性回归后分数间的Pearson线性相关系数 (CorrelationCoefficient,CC),反映客观评价结果的一致性和准确性,取值范围在[-1,1],结果的绝对值越接近1,主客观评价方法的相关性越好,公式描述如下:
(4)主客观非线性回归后分数间的Spearman等级相关系数 (Spearman RankOrder Correlation Coefficient,SROCC),是应用较广泛的非参数统计分析方法,反映了客观质量评价结果与主观评价结果的单调性,取值范围在[-1,1],结果的绝对值越接近1,主客观评价方法的一致性越好,公式描述如下:
图5–图8分别显示了PSNR、SSIM、GSSIM以及Sobel-GSSIM 与主观评价值DMOS的散点图,图中每一个点表示一幅图像,点的横坐标是算法对该图像的客观质量评价评分,纵坐标是该图像的主观评价DMOS值,实线表示拟合曲线。散点越紧密分布在拟合曲线附近,表示算法与主观评价结果的一致性越好,该算法也就越好。可以看出本发明提供的方法982个散点图最靠近拟合曲线,说明本发明提出的方法经非线性拟合后效果比其他三种好。
表1 LIVE图像数据库图像质量评价方法性能比较
评价方法与标准 | MAE | RMSE | CC | SROCC |
PSNR | 7.2743 | 9.0871 | 0.8256 | 0.8197 |
SSIM | 5.1030 | 6.7240 | 0.9087 | 0.8999 |
GSSIM | 5.0671 | 6.7082 | 0.9091 | 0.9046 |
Sobel-GSSIM | 5.0420 | 6.6904 | 0.9096 | 0.9051 |
实验结果表明,Sobel-GSSIM模型比SSIM和PSNR(MSE)模型更符合人眼视觉系统特性,能较好地评价模糊图像的质量。
下面结合具体场景,对本发明所提供的梯度相似度图像质量评价方法进行进一步详细阐述,首先对LIVE图库进行整理,其中LIVE 图库包含5个子图库,分别为JPEG、JPEG2000、Gaussian Blur(高斯模糊)、Fast Fading(在fast-fading通道传输JPEG2000码流的过程中发生错误而失真的图像)、White Noise(白噪声)。JPEG图库共有233幅图像,其中169幅为失真图像,jpeg图库有233幅图像,其中有175 幅为失真图像。Gaussian Blur、Fast Fading、White Noise三个图库都是174幅图像,145幅为失真图像。整理之后根据每幅图库的信息对应找出每张图片的DMOS值。
参照图9,Sobel-GSSIM的具体方法包括:
步骤S201:使用高斯权函数对参考图像与待评价失真图像预处理,(默认使用标准差为1.5像素,窗口大小为11*11的重叠块)。
步骤S202:分别计算参考图像与待评价失真图像的亮度因子;
步骤S203:分别计算参考图像与待评价失真图像的对比度因子;
步骤S204:为传统Sobel算子进行扩展;
步骤S205:用扩展的Sobel算子分别对参考图像与待评价失真图像进行卷积运算,并计算梯度值;
步骤S206:用参考图像与待评价失真图像求得的梯度值来计算梯度相似度因子;
步骤S207:将亮度因子、对比度因子、梯度相似度因子结合得到客观评价值;
步骤S208:对所得到的各个图像重叠块的客观值求平均得到最终结果。
下面对本发明实施例提供的梯度相似度图像质量评价装置进行介绍,下文描述的梯度相似度图像质量评价装置与上文描述的梯度相似度图像质量评价方法可相互对应参照。
图10为本发明实施例提供的梯度相似度图像质量评价装置的结构框图,参照图10梯度相似度图像质量评价装置可以包括:
图像获取模块100,用于获取参考图像与待评价失真图像;
预处理模块200,用于对所述参考图像与所述待评价失真图像进行预处理,并确定所述参考图像与所述待评价失真图像的亮度因子、对比度因子;
梯度幅值计算模块300,用于采用扩展的索贝尔算子,分别计算所述参考图像对应的第一梯度幅值以及所述待评价失真图像对应的第二梯度幅值;
相似度因子计算模块400,用于根据所述第一梯度幅值与所述第二梯度幅值,确定所述参考图像与所述待评价失真图像的梯度相似度因子;
相似度结果确定模块500,用于结合所述梯度相似度因子、所述亮度因子、所述对比度因子,确定图像基于梯度的结构相似度结果。
作为一种具体实施方式,本发明所提供的梯度相似度图像质量评价装置中,所述扩展的索贝尔算子为采用45°、135°、180°、225°、270°、 315°六个方向的算子。
本实施例的梯度相似度图像质量评价装置用于实现前述的梯度相似度图像质量评价方法,因此梯度相似度图像质量评价装置中的具体实施方式可见前文中的梯度相似度图像质量评价方法的实施例部分,例如,图像获取模块100,预处理模块200,梯度幅值计算模块 300,相似度因子计算模块400,相似度结果确定模块500,分别用于实现上述梯度相似度图像质量评价方法中步骤S101,S102,S103,S104 和S105,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明所提供的梯度相似度图像质量评价装置,通过获取参考图像与待评价失真图像;对参考图像与待评价失真图像进行预处理,并确定参考图像与待评价失真图像的亮度因子、对比度因子;采用扩展的索贝尔算子,分别计算参考图像对应的第一梯度幅值以及待评价失真图像对应的第二梯度幅值;根据第一梯度幅值与第二梯度幅值,确定参考图像与待评价失真图像的梯度相似度因子;结合梯度相似度因子、亮度因子、对比度因子,确定图像基于梯度的结构相似度结果。本申请对传统Sobel算子的缺陷进行了相应的改进,可对噪声图像进行质量评价,且与主观评分有较好的一致性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程 ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的梯度相似度图像质量评价方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种梯度相似度图像质量评价方法,其特征在于,包括:
获取参考图像与待评价失真图像;
对所述参考图像与所述待评价失真图像进行预处理,并确定所述参考图像与所述待评价失真图像的亮度因子、对比度因子;
采用扩展的索贝尔算子,分别计算所述参考图像对应的第一梯度幅值以及所述待评价失真图像对应的第二梯度幅值;
根据所述第一梯度幅值与所述第二梯度幅值,确定所述参考图像与所述待评价失真图像的梯度相似度因子;
结合所述梯度相似度因子、所述亮度因子、所述对比度因子,确定图像基于梯度的结构相似度结果。
2.如权利要求1所述的梯度相似度图像质量评价方法,其特征在于,所述对所述参考图像与所述待评价失真图像进行预处理包括:
对所述参考图像与所述待评价失真图像进行灰度化处理;
采用预定义的滤波算子,对经过灰度化处理之后的所述参考图像与所述待评价失真图像进行滤波处理。
3.如权利要求1或2所述的梯度相似度图像质量评价方法,其特征在于,所述确定所述参考图像与所述待评价失真图像的亮度因子、对比度因子包括:
采用计算所述参考图像与所述待评价失真图像的亮度因子,其中,x表示所述参考图像,y表示所述待评价失真图像,l(x,y)为亮度因子,μx和μy分别表示参考图像和待评价失真图像的平均亮度,常数C1用于避免不稳定性,N为待评价失真图像个数,i为第i幅图像;
采用计算所述参考图像与所述待评价失真图像的对比度因子,其中, c(x,y)为对比度因子,σx和σy表示参考图像和待评价失真图像像素的标准差,C2用于避免不稳定性,N为待评价失真图像的个数,σxy为参考图像与待评价失真图像的协方差。
4.如权利要求3所述的梯度相似度图像质量评价方法,其特征在于,所述扩展的索贝尔算子为采用45°、135°、180°、225°、270°、315°六个方向的算子。
5.如权利要求4所述的梯度相似度图像质量评价方法,其特征在于,所述根据所述第一梯度幅值与所述第二梯度幅值,确定所述参考图像与所述待评价失真图像的梯度相似度因子包括:
采用确定所述参考图像与所述待评价失真图像的梯度相似度因子,其中,Gx(i,j)为参考图像x在(i,j)处的梯度幅值,Gy(i,j)为失真图像y在(i,j)处的梯度幅值,C3为常数,用于避免不稳定性。
6.如权利要求5所述的梯度相似度图像质量评价方法,其特征在于,所述结合所述梯度相似度因子、所述亮度因子、所述对比度因子,确定图像基于梯度的结构相似度结果包括:
根据Sobel-GSSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[g(x,y)]λ确定所述参考图像与所述待评价失真图像的Sobel-GSSIM指标,其中,Sobel-GSSIM(x,y)为综合Sobel-GSSIM指标,α>0、β>0,γ>0,α、β、γ分别表示调整三个部分相对重要性的参数;
由各个子图像块的Sobel-GSSIM指标,采用
确定整幅图像基于梯度的结构相似度结果,其中,M为待评价失真图像采用滤波因子滑动重叠分块的个数。
7.一种梯度相似度图像质量评价装置,其特征在于,包括:
图像获取模块,用于获取参考图像与待评价失真图像;
预处理模块,用于对所述参考图像与所述待评价失真图像进行预处理,并确定所述参考图像与所述待评价失真图像的亮度因子、对比度因子;
梯度幅值计算模块,用于采用扩展的索贝尔算子,分别计算所述参考图像对应的第一梯度幅值以及所述待评价失真图像对应的第二梯度幅值;
相似度因子计算模块,用于根据所述第一梯度幅值与所述第二梯度幅值,确定所述参考图像与所述待评价失真图像的梯度相似度因子;
相似度结果确定模块,用于结合所述梯度相似度因子、所述亮度因子、所述对比度因子,确定图像基于梯度的结构相似度结果。
8.如权利要求7所述的梯度相似度图像质量评价装置,其特征在于,所述扩展的索贝尔算子为采用45°、135°、180°、225°、270°、315°六个方向的算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711294816.XA CN108053393A (zh) | 2017-12-08 | 2017-12-08 | 一种梯度相似度图像质量评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711294816.XA CN108053393A (zh) | 2017-12-08 | 2017-12-08 | 一种梯度相似度图像质量评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108053393A true CN108053393A (zh) | 2018-05-18 |
Family
ID=62123203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711294816.XA Pending CN108053393A (zh) | 2017-12-08 | 2017-12-08 | 一种梯度相似度图像质量评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053393A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285153A (zh) * | 2018-09-29 | 2019-01-29 | 广东工业大学 | 一种图像质量评价方法及系统 |
CN109598209A (zh) * | 2018-11-15 | 2019-04-09 | 北京无线电计量测试研究所 | 一种虹膜图像清晰度的检测方法 |
CN111489346A (zh) * | 2020-04-14 | 2020-08-04 | 广东工业大学 | 一种全参考图像质量评价方法及系统 |
CN111598837A (zh) * | 2020-04-21 | 2020-08-28 | 中山大学 | 适用于可视化二维码的全参考图像质量评价方法及系统 |
CN111598829A (zh) * | 2020-02-13 | 2020-08-28 | 广东工业大学 | 一种基于扩展Prewitt算子的图像质量评价方法及装置 |
CN112330657A (zh) * | 2020-11-20 | 2021-02-05 | 湖南优象科技有限公司 | 一种基于灰度特性的图像质量评估方法及系统 |
CN113505854A (zh) * | 2021-07-29 | 2021-10-15 | 济南博观智能科技有限公司 | 一种人脸图像质量评价模型构建方法、装置、设备及介质 |
CN112330657B (zh) * | 2020-11-20 | 2024-06-07 | 湖南优象科技有限公司 | 一种基于灰度特性的图像质量评估方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116713A1 (en) * | 2007-10-18 | 2009-05-07 | Michelle Xiao-Hong Yan | Method and system for human vision model guided medical image quality assessment |
CN104504676A (zh) * | 2014-11-07 | 2015-04-08 | 嘉兴学院 | 一种多视觉敏感特征相似度的全参考图像质量评价方法 |
CN104574363A (zh) * | 2014-12-12 | 2015-04-29 | 南京邮电大学 | 一种考虑梯度方向差异的全参考图像质量评价方法 |
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 |
CN106023214A (zh) * | 2016-05-24 | 2016-10-12 | 武汉大学 | 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 |
-
2017
- 2017-12-08 CN CN201711294816.XA patent/CN108053393A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116713A1 (en) * | 2007-10-18 | 2009-05-07 | Michelle Xiao-Hong Yan | Method and system for human vision model guided medical image quality assessment |
CN104504676A (zh) * | 2014-11-07 | 2015-04-08 | 嘉兴学院 | 一种多视觉敏感特征相似度的全参考图像质量评价方法 |
CN104574363A (zh) * | 2014-12-12 | 2015-04-29 | 南京邮电大学 | 一种考虑梯度方向差异的全参考图像质量评价方法 |
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 |
CN106023214A (zh) * | 2016-05-24 | 2016-10-12 | 武汉大学 | 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 |
Non-Patent Citations (2)
Title |
---|
吴娱 等: "《数字图像处理》", 31 October 2017 * |
杨春玲 等: "基于梯度的结构相似度的图像质量评价方法", 《华南理工大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285153A (zh) * | 2018-09-29 | 2019-01-29 | 广东工业大学 | 一种图像质量评价方法及系统 |
CN109598209A (zh) * | 2018-11-15 | 2019-04-09 | 北京无线电计量测试研究所 | 一种虹膜图像清晰度的检测方法 |
CN111598829A (zh) * | 2020-02-13 | 2020-08-28 | 广东工业大学 | 一种基于扩展Prewitt算子的图像质量评价方法及装置 |
CN111598829B (zh) * | 2020-02-13 | 2024-04-19 | 广东工业大学 | 一种基于扩展Prewitt算子的图像质量评价方法及装置 |
CN111489346A (zh) * | 2020-04-14 | 2020-08-04 | 广东工业大学 | 一种全参考图像质量评价方法及系统 |
CN111489346B (zh) * | 2020-04-14 | 2023-04-07 | 广东工业大学 | 一种全参考图像质量评价方法及系统 |
CN111598837A (zh) * | 2020-04-21 | 2020-08-28 | 中山大学 | 适用于可视化二维码的全参考图像质量评价方法及系统 |
CN111598837B (zh) * | 2020-04-21 | 2023-05-05 | 中山大学 | 适用于可视化二维码的全参考图像质量评价方法及系统 |
CN112330657A (zh) * | 2020-11-20 | 2021-02-05 | 湖南优象科技有限公司 | 一种基于灰度特性的图像质量评估方法及系统 |
CN112330657B (zh) * | 2020-11-20 | 2024-06-07 | 湖南优象科技有限公司 | 一种基于灰度特性的图像质量评估方法及系统 |
CN113505854A (zh) * | 2021-07-29 | 2021-10-15 | 济南博观智能科技有限公司 | 一种人脸图像质量评价模型构建方法、装置、设备及介质 |
CN113505854B (zh) * | 2021-07-29 | 2023-08-15 | 济南博观智能科技有限公司 | 一种人脸图像质量评价模型构建方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053393A (zh) | 一种梯度相似度图像质量评价方法及装置 | |
Ni et al. | ESIM: Edge similarity for screen content image quality assessment | |
Wang et al. | Utility-driven adaptive preprocessing for screen content video compression | |
Li et al. | No-reference image blur assessment based on discrete orthogonal moments | |
CN103632352B (zh) | 一种噪声图像的时域降噪方法和相关装置 | |
US7532222B2 (en) | Anti-aliasing content using opacity blending | |
CN107784651B (zh) | 一种基于模糊检测加权的模糊图像质量评价方法 | |
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 | |
US11790499B2 (en) | Certificate image extraction method and terminal device | |
CN107454285A (zh) | 图像噪声估计方法及装置与图像提取装置 | |
CN108230325A (zh) | 基于卡通纹理分解的复合降质图像质量评价方法及系统 | |
JP2003331285A (ja) | パラメータに基づいたシャープニングおよびスムージングを行う方法 | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN109377494A (zh) | 一种用于图像的语义分割方法和装置 | |
TWI314301B (en) | Adaptive image sharpening method | |
CN107343196A (zh) | 一种混合失真无参考图像质量评价方法 | |
CN113592776A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN111445424A (zh) | 图像处理和移动终端视频处理方法、装置、设备和介质 | |
CN112150368A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN110378893A (zh) | 图像质量评价方法、装置和电子设备 | |
WO2013166656A1 (zh) | 一种提取及优化图像深度图的方法与装置 | |
CN108668129A (zh) | 一种编码方法及装置 | |
CN112132774A (zh) | 一种色调映射图像的质量评价方法 | |
CN102831583B (zh) | 基于分形分析的图像视频超分辨率与增强方法 | |
CN106303154A (zh) | 一种信息处理方法及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |