CN108389200A - 基于纹理视觉特性的网目调图像质量评价方法和系统 - Google Patents
基于纹理视觉特性的网目调图像质量评价方法和系统 Download PDFInfo
- Publication number
- CN108389200A CN108389200A CN201810213099.1A CN201810213099A CN108389200A CN 108389200 A CN108389200 A CN 108389200A CN 201810213099 A CN201810213099 A CN 201810213099A CN 108389200 A CN108389200 A CN 108389200A
- Authority
- CN
- China
- Prior art keywords
- block
- halftone image
- image
- noise
- value
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013441 quality evaluation Methods 0.000 claims abstract description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000013461 design Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 48
- 230000004438 eyesight Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 18
- 230000035945 sensitivity Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 238000012216 screening Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 230000016776 visual perception Effects 0.000 description 5
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003165 hybrid screening Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于纹理视觉特性的网目调图像质量评价方法和系统，属于图像质量评价技术领域。本发明公开的方法根据两种纹理结构(蠕虫、条带)的视觉感受与所出现的阶调范围对不同阶调输入进行权值设计，再综合考虑图像像素间的结构相关性与人眼视觉特性，采用分块的加权方差来衡量局部纹理对比度，最终基于图像内容信息进行加权求和获得网目调图像的纹理失真评价值。本发明所述的方法实现了一种基于纹理视觉特性的数字网目调图像质量评价，保证了主客观评价的一致性。
Description
技术领域
本发明属于网目调图像质量评价技术领域，具体涉及一种基于纹理视觉特性的网目调图像质量评价方法和系统。
背景技术
数字加网技术是利用不同加网算法将多灰度级的连续调图像转化为二值表示的网目调图像，其本质是根据人眼视觉系统的低通滤波特性，使加网后的网目调图像主观看上去具有连续调的视觉感受，该技术广泛应用在屏幕显示、打印领域。数字加网技术在本质上决定了原图像到网目调图像的转换质量，为了不断促进数字加网技术的优化与改进，同时增强质量评价的主客观一致性，应该充分重视网目调图像质量评价方法的研究。数字网目调图像是二值表示(即只有黑和白两种状态)的，通过人眼的低通滤波特性在视觉系统再现出各灰度的视觉感知效果来表示多值表示的连续调图像。因此，对于数字网目调图像的质量评价应该注意以下几点：一是网目调图像与原图像的像素并非一一对应关系，即可以理解全参考图像质量评价是不太适合于网目调图像的质量评价。二是网目调图像是依据人眼的低通滤波特性实现的，所以在对该类图像的质量评价应充分考虑人眼视觉系统的影响。三是网目调图像容易出现规律性的纹理，如蠕虫、条带等，而这些条纹严重影响网目调图像的最终呈现质量，所以纹理失真现象也是网目调图像质量评价的关键所在。
目前，研究者针对数字网目调图像的特殊性，对于该类图像的质量评价方法主要有三类。第一类是针对网目调图像的二值特性，从分块的角度来改进经典的全参考质量评价方法以期来评价网目调图像，如d_PSNR，d_NMSE，分块加权信噪比等，该类方法无法客观体现网目调图像局部细节与原图像的一致性评价。第二类是针对不同的加网算法产生的网目调图像具有不同的特性，研究者从网目调图像一些特性出发来对其质量进行评价。有针对调频和混合加网算法输出的具有量化噪声特性的网目调图像，通过比较两幅经过人眼视觉系统的点扩散函数卷积图像的误差图像，求取一系列子图像的各自期望值和标准偏差来作为算法适应性的网目调图像质量评价方法。也有从半色调算法的时间复杂度方面来验证半色调算法的优劣，进而评估网目调图像质量的优劣。该类方法忽略了其它的人眼视觉系统特性，且对不同的加网算法评价上存在制约。第三类是结合人眼视觉系统(Human visualsystem,HVS)的客观评价方法来评价网目调图像，如加权信噪比WSNR，UQI，WSSIM，该类方法考虑了人眼视觉系统对质量评价的影响，评价结果与人的主观评价相对一致，但未考虑局部纹理失真影响，也不能有效得衡量出网目调图像的细节复制效果。
以上三类方法分别从网目调图像二值特性、不同加网算法的输出特性、人眼视觉系统对质量评价的影响三个角度来衡量网目调图像，但是仍然存在评价结果主客观一致性不强的问题。
发明内容
基于以上背景现状，本发明的目的在于提供一种基于纹理视觉特性的网目调图像质量评价方法。该方法首先根据两种纹理结构(蠕虫、条带)的视觉感受与所出现的阶调范围对不同阶调输入进行权值设计，再综合考虑图像像素间的结构相关性与人眼视觉特性，采用分块的加权方差来衡量局部纹理对比度，最终基于图像内容信息进行加权求和获得网目调图像的纹理失真评价值。
为了实现上述发明目的，本发明所采用的技术方案为一种基于纹理视觉特性的网目调图像质量评价方法，包括以下步骤：
步骤1，选取合适的人眼视觉模型；
步骤2，对网目调图像进行CSF滤波处理；
步骤3，针对网目调图像对应原始图像的中间区域易出现“条带”，高光和暗调区域易出现“蠕虫”效应，对不同阶调的纹理赋予不同的权重；
步骤4，对CSF滤波处理后网目调图像进行分块处理，并计算每个分块的均差值；
步骤5，计算每个分块的方差值，然后利用每个分块的方差值加权求和获得网目调图像的质量评价指标TDEM，TDEM值越小，网目调图像质量越好。
进一步的，步骤1选取合适的人眼视觉模型的实现方式如下，
步骤1.1，首先对样本图像添加具有加性噪声性质的高斯噪声和具有乘性噪声的斑点噪声；
步骤1.2，选取多种人眼视觉模型分别对信噪比进行加权处理获得对应的加权信噪比质量评价方法；
步骤1.3，利用步骤1.2的加权信噪比质量评价方法对步骤1.1中获得的噪声图像评价计算，获得客观评价得分值；
步骤1.4，根据人眼主观上对误差的敏感度差异获得噪声图像质量主观评价值；
步骤1.5，结合客观评价得分值和主观评价值，选取合适的人眼视觉模型。
进一步的，步骤3中通过采用经典的MSE和局部最大误差LME这两个质量评价指标对15％、50％和85％的三个均匀灰色块网目调灰度图像进行失真衡量，以此确定图像中对应的高光、中间调和暗调区域的权重比值定义为：Wh:Wm:Ws＝3:4:3。
进一步的，步骤4中计算每个分块的均差值的实现方式如下，
设分块大小为m0×n0，则大小为M×N的图像经分块处理的总块数为MN/m0n0，但是考虑像素剩余现象，总块数为：
其中，为行剩余像素数，为列剩余像素数；
对于每个分块，y(i,j)表示网目调图像在(i,j)处的灰度值，h表示人眼视觉模型的点扩散函数，即对比敏感度函数的傅里叶逆变换，进行卷积处理后，网目调图像中每个分块的均差值为：
其中，I＝2,2+m0,2+2m0,···；J＝2,2+n0,2+2n0,···。
进一步的，步骤5的实现方式如下，
计算每个分块内的方差值sm,n：
式(3)中，m＝M/m0，n＝N/n0；归一化后得到质量评价指标TDEM为：
其中，wm,n为网目调图像中各分块的权重矩阵。
此外，本发明还提供一种基于纹理视觉特性的网目调图像质量评价系统，包括如下模块：
人眼视觉模型选取模块，用于选取合适的人眼视觉模型；
滤波处理模块，用于对网目调图像进行CSF滤波处理；
阶调权重设计模块，用于针对网目调图像对应原始图像的中间区域易出现“条带”，高光和暗调区域易出现“蠕虫”效应，对不同阶调的纹理赋予不同的权重；
分块处理模块，用于对CSF滤波处理后网目调图像进行分块处理，并计算每个分块的均方差值；
质量评价指标获取模块，用于利用分块处理模块中每个分块的均方差值加权求和获得网目调图像的质量评价指标TDEM，TDEM值越小，网目调图像质量越好。
进一步的，人眼视觉模型选取模块包括，
噪声添加单元，用于对样本图像添加具有加性噪声性质的高斯噪声和具有乘性噪声的斑点噪声；
加权处理单元，用于选取多种人眼视觉模型分别对信噪比进行加权处理获得对应的加权信噪比质量评价方法；
客观评价单元，用于利用加权处理单元中的加权信噪比质量评价方法对噪声添加单元中获得的噪声图像评价计算，获得客观评价得分值；
主观评价单元，用于根据人眼主观上对误差的敏感度差异获得噪声图像质量主观评价值；
人眼视觉模型获取单元，用于结合客观评价得分值和主观评价值，选取合适的人眼视觉模型。
进一步的，阶调权重设计模块中通过采用经典的MSE和局部最大误差LME这两个质量评价指标对15％、50％和85％的三个均匀灰色块网目调灰度图像进行失真衡量，以此确定图像中对应的高光、中间调和暗调区域的权重比值定义为：Wh:Wm:Ws＝3:4:3。
进一步的，分块处理模块中计算每个分块的均差值的实现方式如下，
设分块大小为m0×n0，则大小为M×N的图像经分块处理的总块数为MN/m0n0，但是考虑像素剩余现象，总块数为：
其中，为行剩余像素数，为列剩余像素数；
对于每个分块，y(i,j)表示网目调图像在(i,j)处的灰度值，h表示人眼视觉模型的点扩散函数，即对比敏感度函数的傅里叶逆变换，进行卷积处理后，网目调图像中每个分块的均差值为：
其中，I＝2,2+m0,2+2m0,···；J＝2,2+n0,2+2n0,···。
进一步的，质量评价指标获取模块中获取质量评价指标的实现方式如下，
计算每个分块内的方差值sm,n：
式(3)中，m＝M/m0，n＝N/n0；归一化后得到质量评价指标TDEM为：
其中，wm,n为网目调图像中各分块的权重矩阵。
本发明的效果在于：采用本发明所述的方法，可以实现主客观一致性的数字网目调图像质量评价，同时为数字网目调技术的优化与改进作出一定的贡献。
附图说明
图1为本发明方法实现原理的流程图。
图2为本发明视觉模型设计与选取实验的流程图。
图3为本发明不同阶调纹理权重设计的网目调图像图示。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示，本发明实施例提供的一种基于纹理视觉特性的网目调图像质量评价方法，包括以下步骤：
(1)人眼视觉模型的对比分析与实验设计选取，最终确定为Nasanen人眼视觉模型。首先选取现有经典的人眼视觉对比度敏感函数，如Campbell等人、Mannos和Sakrison、Nasanen以及改进的方向敏感性低通Daly模型进行对比分析，结合人眼视觉特性与网目调图像的复制原理，针对性地选择合适的HVS模型。具体操作流程如图2所示：
①首先对样本图像添加噪声，考虑到网目调算法产生的网目调图像具有量化噪声，且该量化噪声一般是由乘性噪声、加性噪声或两者混合组成，所以噪声选取两类，分别为具有加性噪声性质的高斯噪声和具有乘性噪声的斑点噪声。
本发明实施例采用高斯Gaussian和斑点Speckle两种噪声类型，其中Gaussian类型的方差参数设置分别为0.1，0.01和0.001，Speckle类型的方差参数设置分别为0.01，0.04和0.08，得到含噪图像。
②对质量评价方法加权信噪比WSNR进行权重处理改进，主要是将选取的四种人眼视觉模型分别对信噪比进行加权处理获得四种加权信噪比质量评价方法，分别为：基于Mannos_Sakrison人眼视觉模型的加权信噪比WSNR_m、基于Campbell等人眼视觉模型的加权信噪比WSNR_c、基于Nasanen人眼视觉模型的加权信噪比WSNR_n和基于Daly人眼视觉模型的加权信噪比WSNR_d。
③分别将②中获得的基于四种人眼视觉模型的加权信噪比质量评价方法WSNR_m、WSNR_c、WSNR_n和WSNR_d对①中获得的含噪图像计算质量评价得分值，获得客观评价得分。结果显示，相较于WSNR_m、WSNR_c和WSNR_d这三种加权信噪比评价方法，基于Nasanen人眼视觉模型的改进加权信噪比WSNR_n在评价含噪图像时不仅能正确衡量出含噪图像的失真程度，而且该评价方法可以有效地衡量出更多的信号与噪声，对于图像的整体信号的衡量更具有敏感性。
④结合主观对噪声图像质量的视觉感受，得出四种加权信噪比质量评价方法对误差的敏感度差异，从而选择出合适的人眼视觉模型作为本发明中针对纹理视觉特性的网目调图像质量评价方法中的人眼视觉系统引入模型。
结合主观对噪声图像质量的视觉感受以及实验设计结果，最终将Nasanen人眼视觉模型作为本发明网目调图像质量评价方法的视觉引入模型。
(2)对网目调图像进行CSF滤波处理；
数字网目调技术之所以能够复制出视觉可感知的连续调图像并成功应用，归根结底是由于人的眼睛具有类似于空间低通滤波器的图像信息处理功能。所以在网目调图像的质量评价上，对图像进行CSF滤波处理具有重要意义：一是解决了网目调图像二值性、原连续调图像多值性之间无法对应评价的问题；二是考虑了人眼视觉系统在质量评价中的重要作用，追求主客观评价的一致性。
(3)网目调图像不同阶调的纹理权重设计。通过观察图3，(a),(b)分别代表光栅扫描式和蛇形扫描式FS误差扩散加网输出的Grey15网目调图像；(c),(d)分别代表光栅扫描式和蛇形扫描式FS误差扩散加网输出的Grey85网目调图像；(e),(f)分别代表光栅扫描式和蛇形扫描式FS误差扩散加网输出的Grey50网目调图像；(g),(h)分别代表光栅扫描式和蛇形扫描式Stucki误差扩散加网输出的Grey50网目调图像。人眼对高光和暗调区存在的“蠕虫”和中间区域存在的“条带”的敏感度是不同的，“条带”纹理失真更容易引起人眼的关注。为了确保提出的质量评价指标与人眼视觉感知的一致性，不同的纹理失真应该赋以不同的权重值。通过采用经典的MSE和局部最大误差LME(Local Max Error)这两个质量评价指标对15％、50％和85％的三个均匀灰色块(即Grey15，Grey50和Grey85)网目调灰度图像进行失真衡量。对于MSE和LME，评价值越大，表示图像质量失真程度越大，反之亦然。考虑到这三个样本分别代表高光、中间调和暗调图，相对应地在网目调算法处理后的输出网目调图像仅存在“蠕虫”、“条带”和“蠕虫”的纹理失真现象，通过MSE和LME对15％、50％和85％的均匀灰色块网目调灰度图像的评价值比值可以得出两类纹理，即“蠕虫”和“条带”的权重赋值为3:4，即将以3:4作为“蠕虫”纹理所在的高光、暗调区域与“条带”纹理所在的中间调区域的权重比例，以提高“条带”纹理对图像质量评价的影响。那么，图像中对应的高光、中间调和暗调区域的权重比值定义为：Wh:Wm:Ws＝3:4:3，然后通过判定每个像素的灰度值所属区域范围得出原始图像所有像素的权重值，对应得出网目调图像的权重值矩阵W(i,j)。
(4)网目调图像的分块处理。采用不重叠的平均分块原则对图像进行分块处理，将CSF滤波处理后的网目调图像分别自左向右、自上而下地进行分块并依次对每个分块的灰度值进行求和与平均计算。本发明实施例中分块大小的确定是通过平衡计算复杂度和空间结构特性两个特性来获得的。块过小，计算时间较长、算法效率不高；块过大，虽提高了计算效率，但求取均方差的意义变小。实验表明，对于动态范围为256的图像分块大小为8×8较稳定。
设分块大小为8×8，则大小为M×N的图像经分块处理的总块数为MN/64。但是考虑像素剩余现象，总块数为：
其中，为行剩余像素数，为列剩余像素数。
对于每个块，y(i,j)表示网目调图像在(i,j)处的灰度值，h表示人眼视觉模型的点扩散函数，即对比敏感度函数的傅里叶逆变换。进行卷积处理后，网目调图像的块内像素均差为：
(I＝2,2+8,2+16,···；J＝2,2+8,2+16,···)
(5)网目调图像质量评价方法获取。块内像素均方差加权求和获得灰度网目调图像的质量评价指标，综合公式(2)，计算每块内的方差值sm,n：
式(3)中，m＝M/8，n＝N/8，归一化后的质量评价指标TDEM为：
其中，wm,n为网目调图像中各块的权重矩阵(wm,n块权重矩阵的取值原则：①如果块图像仅包含图像的高光或暗调区域元素，则该块权重矩阵wm,n的所有权重值均赋值为3；②如果块图像仅包含图像的中间区域元素，则该块权重矩阵wm,n的所有权重值均赋值为4；③如果块图像同时包含中间调和高光区域，或中间调和暗调区域元素，或者同时包含三个区域元素，通过取舍原则，将权重值存在最多的值作为该块权重矩阵wm,n的值)，TDEM值越大，一般意义上说明纹理失真越严重，网目调图像质量越差，反之越好。
此外，本发明实施例还提供一种基于纹理视觉特性的网目调图像质量评价系统，包括如下模块：
人眼视觉模型选取模块，用于选取合适的人眼视觉模型；
滤波处理模块，用于对网目调图像进行CSF滤波处理；
阶调权重设计模块，用于针对网目调图像对应原始图像的中间区域易出现“条带”，高光和暗调区域易出现“蠕虫”效应，对不同阶调的纹理赋予不同的权重；
分块处理模块，用于对CSF滤波处理后网目调图像进行分块处理，并计算每个分块的均差值；
质量评价指标获取模块，用于计算每个分块的方差值，然后利用每个分块的方差值加权求和获得网目调图像的质量评价指标TDEM，TDEM值越小，网目调图像质量越好。
其中，人眼视觉模型选取模块包括，
噪声添加单元，用于对样本图像添加具有加性噪声性质的高斯噪声和具有乘性噪声的斑点噪声；
加权处理单元，用于选取多种人眼视觉模型分别对信噪比进行加权处理获得对应的加权信噪比质量评价方法；
客观评价单元，用于利用加权处理单元中的加权信噪比质量评价方法对噪声添加单元中获得的噪声图像评价计算，获得客观评价得分值；
主观评价单元，用于根据人眼主观上对误差的敏感度差异获得噪声图像质量主观评价值；
人眼视觉模型获取单元，用于结合客观评价得分值和主观评价值，选取合适的人眼视觉模型。
其中，阶调权重设计模块中通过采用经典的MSE和局部最大误差LME这两个质量评价指标对15％、50％和85％的三个均匀灰色块网目调灰度图像进行失真衡量，以此确定图像中对应的高光、中间调和暗调区域的权重比值定义为：Wh:Wm:Ws＝3:4:3。
其中，分块处理模块中计算每个分块的均方差值的实现方式如下，
设分块大小为m0×n0，则大小为M×N的图像经分块处理的总块数为MN/m0n0，但是考虑像素剩余现象，总块数为：
其中，为行剩余像素数，为列剩余像素数；
对于每个分块，y(i,j)表示网目调图像在(i,j)处的灰度值，h表示人眼视觉模型的点扩散函数，即对比敏感度函数的傅里叶逆变换，进行卷积处理后，网目调图像中每个分块的均差值为：
其中，I＝2,2+m0,2+2m0,···；J＝2,2+n0,2+2n0,···。
其中，质量评价指标获取模块中获取质量评价指标的实现方式如下，
计算每个分块内的方差值sm,n：
式(3)中，m＝M/m0，n＝N/n0；归一化后得到质量评价指标TDEM为：
其中，wm,n为网目调图像中各分块的权重矩阵，wm,n为网目调图像中各块的权重矩阵(wm,n块权重矩阵的取值原则：①如果块图像仅包含图像的高光或暗调区域元素，则该块权重矩阵wm,n的所有权重值均赋值为3；②如果块图像仅包含图像的中间区域元素，则该块权重矩阵wm,n的所有权重值均赋值为4；③如果块图像同时包含中间调和高光区域，或中间调和暗调区域元素，或者同时包含三个区域元素，通过取舍原则，将权重值存在最多的值作为该块权重矩阵wm,n的值)，TDEM值越大，一般意义上说明纹理失真越严重，网目调图像质量越差，反之越好。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.基于纹理视觉特性的网目调图像质量评价方法，其特征在于，包括如下步骤：
步骤1，选取合适的人眼视觉模型；
步骤2，对网目调图像进行CSF滤波处理；
步骤3，针对网目调图像对应原始图像的中间区域易出现“条带”，高光和暗调区域易出现“蠕虫”效应，对不同阶调的纹理赋予不同的权重；
步骤4，对CSF滤波处理后网目调图像进行分块处理，并计算每个分块的均差值；
步骤5，计算每个分块的方差值，然后利用每个分块的方差值加权求和获得网目调图像的质量评价指标TDEM，TDEM值越小，网目调图像质量越好。
2.如权利要求1所述的基于纹理视觉特性的网目调图像质量评价方法，其特征在于：步骤1选取合适的人眼视觉模型的实现方式如下，
步骤1.1，首先对样本图像添加具有加性噪声性质的高斯噪声和具有乘性噪声的斑点噪声；
步骤1.2，选取多种人眼视觉模型分别对信噪比进行加权处理获得对应的加权信噪比质量评价方法；
步骤1.3，利用步骤1.2的加权信噪比质量评价方法对步骤1.1中获得的噪声图像评价计算，获得客观评价得分值；
步骤1.4，根据人眼主观上对误差的敏感度差异获得噪声图像质量主观评价值；
步骤1.5，结合客观评价得分值和主观评价值，选取合适的人眼视觉模型。
3.如权利要求2所述的基于纹理视觉特性的网目调图像质量评价方法，其特征在于：步骤3中通过采用经典的MSE和局部最大误差LME这两个质量评价指标对15％、50％和85％的三个均匀灰色块网目调灰度图像进行失真衡量，以此确定图像中对应的高光、中间调和暗调区域的权重比值定义为：Wh:Wm:Ws＝3:4:3。
4.如权利要求3所述的基于纹理视觉特性的网目调图像质量评价方法，其特征在于：步骤4中计算每个分块的均差值的实现方式如下，
设分块大小为m0×n0，则大小为M×N的图像经分块处理的总块数为MN/m0n0，但是考虑像素剩余现象，总块数为：
其中，为行剩余像素数，为列剩余像素数；
对于每个分块，y(i,j)表示网目调图像在(i,j)处的灰度值，h表示人眼视觉模型的点扩散函数，即对比敏感度函数的傅里叶逆变换，进行卷积处理后，网目调图像中每个分块的均差值为：
其中，I＝2,2+m0,2+2m0,…；J＝2,2+n0,2+2n0,…。
5.如权利要求4所述的基于纹理视觉特性的网目调图像质量评价方法，其特征在于：步骤5的实现方式如下，
计算每个分块内的方差值sm,n：
式(3)中，m＝M/m0，n＝N/n0；归一化后得到质量评价指标TDEM为：
其中，wm,n为网目调图像中各分块的权重矩阵。
6.基于纹理视觉特性的网目调图像质量评价系统，其特征在于，包括如下模块：
人眼视觉模型选取模块，用于选取合适的人眼视觉模型；
滤波处理模块，用于对网目调图像进行CSF滤波处理；
阶调权重设计模块，用于针对网目调图像对应原始图像的中间区域易出现“条带”，高光和暗调区域易出现“蠕虫”效应，对不同阶调的纹理赋予不同的权重；
分块处理模块，用于对CSF滤波处理后网目调图像进行分块处理，并计算每个分块的均方差值；
质量评价指标获取模块，用于计算每个分块的方差值，然后利用每个分块的方差值加权求和获得网目调图像的质量评价指标TDEM，TDEM值越小，网目调图像质量越好。
7.如权利要求6所述的基于纹理视觉特性的网目调图像质量评价系统，其特征在于：人眼视觉模型选取模块包括，
噪声添加单元，用于对样本图像添加具有加性噪声性质的高斯噪声和具有乘性噪声的斑点噪声；
加权处理单元，用于选取多种人眼视觉模型分别对信噪比进行加权处理获得对应的加权信噪比质量评价方法；
客观评价单元，用于利用加权处理单元中的加权信噪比质量评价方法对噪声添加单元中获得的噪声图像评价计算，获得客观评价得分值；
主观评价单元，用于根据人眼主观上对误差的敏感度差异获得噪声图像质量主观评价值；
人眼视觉模型获取单元，用于结合客观评价得分值和主观评价值，选取合适的人眼视觉模型。
8.如权利要求7所述的基于纹理视觉特性的网目调图像质量评价系统，其特征在于：阶调权重设计模块中通过采用经典的MSE和局部最大误差LME这两个质量评价指标对15％、50％和85％的三个均匀灰色块网目调灰度图像进行失真衡量，以此确定图像中对应的高光、中间调和暗调区域的权重比值定义为：Wh:Wm:Ws＝3:4:3。
9.如权利要求8所述的基于纹理视觉特性的网目调图像质量评价系统，其特征在于：分块处理模块中计算每个分块的均差值的实现方式如下，
设分块大小为m0×n0，则大小为M×N的图像经分块处理的总块数为MN/m0n0，但是考虑像素剩余现象，总块数为：
其中，为行剩余像素数，为列剩余像素数；
对于每个分块，y(i,j)表示网目调图像在(i,j)处的灰度值，h表示人眼视觉模型的点扩散函数，即对比敏感度函数的傅里叶逆变换，进行卷积处理后，网目调图像中每个分块的均差值为：
其中，I＝2,2+m0,2+2m0,…；J＝2,2+n0,2+2n0,…。
10.如权利要求9所述的基于纹理视觉特性的网目调图像质量评价系统，其特征在于：质量评价指标获取模块中获取质量评价指标的实现方式如下，
计算每个分块内的方差值sm,n：
式(3)中，m＝M/m0，n＝N/n0；归一化后得到质量评价指标TDEM为：
其中，wm,n为网目调图像中各分块的权重矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810213099.1A CN108389200A (zh) | 2018-03-15 | 2018-03-15 | 基于纹理视觉特性的网目调图像质量评价方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810213099.1A CN108389200A (zh) | 2018-03-15 | 2018-03-15 | 基于纹理视觉特性的网目调图像质量评价方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108389200A true CN108389200A (zh) | 2018-08-10 |
Family
ID=63067714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810213099.1A Pending CN108389200A (zh) | 2018-03-15 | 2018-03-15 | 基于纹理视觉特性的网目调图像质量评价方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108389200A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473189A (zh) * | 2019-08-02 | 2019-11-19 | 南通使爱智能科技有限公司 | 一种文本图像清晰度判断方法及系统 |
| CN111767623A (zh) * | 2019-03-14 | 2020-10-13 | 华东交通大学 | 基于人眼视觉的全范围照度均匀性评价新方法 |
| CN114897885A (zh) * | 2022-06-17 | 2022-08-12 | 北京东宇宏达科技有限公司 | 一种红外图像质量综合评价系统和方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853504A (zh) * | 2010-05-07 | 2010-10-06 | 厦门大学 | 基于视觉特性与结构相似度的图像质量评测方法 |
| CN105139394A (zh) * | 2015-08-19 | 2015-12-09 | 杭州电子科技大学 | 结合仿射重建和噪声散点直方图的噪声图像质量评价方法 |
-
2018
- 2018-03-15 CN CN201810213099.1A patent/CN108389200A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853504A (zh) * | 2010-05-07 | 2010-10-06 | 厦门大学 | 基于视觉特性与结构相似度的图像质量评测方法 |
| CN105139394A (zh) * | 2015-08-19 | 2015-12-09 | 杭州电子科技大学 | 结合仿射重建和噪声散点直方图的噪声图像质量评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| YAOHUA YI,ETAL.: "Quality evaluation metric for greyscale error diffusion halftone images based on texture and visual characteristics", 《 THE IMAGING SCIENCE JOURNAL》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111767623A (zh) * | 2019-03-14 | 2020-10-13 | 华东交通大学 | 基于人眼视觉的全范围照度均匀性评价新方法 |
| CN111767623B (zh) * | 2019-03-14 | 2022-04-29 | 华东交通大学 | 基于人眼视觉的全范围照度均匀性评价新方法 |
| CN110473189A (zh) * | 2019-08-02 | 2019-11-19 | 南通使爱智能科技有限公司 | 一种文本图像清晰度判断方法及系统 |
| CN110473189B (zh) * | 2019-08-02 | 2024-01-23 | 深圳市粤智康科技有限公司 | 一种文本图像清晰度判断方法及系统 |
| CN114897885A (zh) * | 2022-06-17 | 2022-08-12 | 北京东宇宏达科技有限公司 | 一种红外图像质量综合评价系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046673B (zh) | 基于多特征融合的无参考色调映射图像质量评价方法 | |
| Ponomarenko et al. | Image database TID2013: Peculiarities, results and perspectives | |
| KR101309498B1 (ko) | 높은 동적 범위 이미지 매핑을 위한 히스토그램 조정 | |
| Kolås et al. | Spatio-temporal Retinex-inspired envelope with stochastic sampling: a framework for spatial color algorithms | |
| US7636496B2 (en) | Histogram adjustment for high dynamic range image mapping | |
| CN107172418B (zh) | 一种基于曝光情况分析的色阶映射图像质量评价方法 | |
| JP3640979B2 (ja) | 線形フィルタリングと統計的平滑化とを用いた逆ハーフトーン化方法 | |
| JP3096054B2 (ja) | ハーフトーンデジタル映像から連続トーンデジタル映像への逆変換方法 | |
| CN108389200A (zh) | 基于纹理视觉特性的网目调图像质量评价方法和系统 | |
| JPH03503712A (ja) | 誤差拡散によるディジタル中間調調色 | |
| CN111105376B (zh) | 基于双分支神经网络的单曝光高动态范围图像生成方法 | |
| JPH05225332A (ja) | 空間的可変濾波の方法及び装置 | |
| CN111242878A (zh) | 基于布谷鸟搜索的矿井下图像增强方法 | |
| CN112991348A (zh) | 一种车辆底盘异物检测方法、装置及存储介质 | |
| CN108810314A (zh) | 基于多灰度图像边缘增强的无序误差扩散数字半色调方法 | |
| CN101901482A (zh) | 判断去雾增强图像质量效果的方法 | |
| CN101729760A (zh) | 图像处理设备、图像处理方法和程序 | |
| JP2005043174A (ja) | 色むら検査装置 | |
| JP4234358B2 (ja) | ノイズ出現の評価を利用して画像処理経路を選択するシステムおよび方法 | |
| JP5767516B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| Stojanović et al. | Just noticeable difference prediction and image quality assessment | |
| CN111369459A (zh) | 一种优化全局色调映射对比度的方法及装置 | |
| CN108737686A (zh) | 基于图像系数变更的边缘增强误差扩散数字半色调方法 | |
| Li et al. | Texture-aware error diffusion algorithm for multi-level digital halftoning | |
| Rao et al. | Combined transform and spatial domain based “no reference” measure for underwater images |
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 |
Application publication date: 20180810 |
|
| RJ01 | Rejection of invention patent application after publication |