CN108428232A - 一种卡通图像质量的盲评估方法 - Google Patents

Abstract

本发明公开了一种卡通图像质量的盲评估方法，其步骤包括：依据局部灰度差异值的大小将卡通图像分为卡通边缘区域与卡通背景区域；在卡通边缘区域，通过计算卡通图像边缘区域的锐度统计直方图与高质量卡通图像的锐度统计先验模型的距离获取卡通图像的边缘质量得分；在卡通背景区域，通过计算卡通图像局部量化编码直方图与高质量卡通图像的纹理统计先验模型的距离获取卡通图像的背景纹理得分；最后根据边缘质量得分和背景纹理得分得到最终的图像质量分数。本发明能提高对卡通图像质量评估的鲁棒性和可靠性，从而使得对卡通图像质量的评价更符合人类视觉感知。

Description

一种卡通图像质量的盲评估方法

技术领域

本发明涉及图像质量评估领域，具体是一种卡通图像质量的盲评估方法。

背景技术

图像质量评估(IQA)是计算机视觉和图像处理的基础研究课题之一，是指通过使用一定的主观或客观方法对图像的质量进行评价。近年来，许多针对自然图像的有效且稳定的客观IQA方法被提出。卡通图像作为一大类别的特定图像，与自然图像的统计规律、图像特征均有较大差异，然而目前的IQA方法大都是针对自然图像提出的，对卡通图像的质量评估并不鲁棒。现如今，有很多不同时期的卡通，由于不同的生产技术、存储环境和压缩(例如，赛璐珞卡通，模拟-数字处理和高压缩率)导致了不同的图像质量。为了处理或评估卡通和卡通类图像，图像质量的准确评估是一个值得研究的问题。随着动画和游戏产业的快速发展，卡通图像IQA变得越来越重要。

目前，客观IQA可以分为全参考、半参考和无参考三种。实际应用中，往往无法获得参考图像，因此无参考即对图像质量盲评估的研究有很大价值。根据对失真类型的先验知识掌握情况，盲评估算法可以分为特定失真类型和非特定失真类型两类。特定失真类型的有针对图像压缩、块效应以及模糊/噪声的。非特定失真类型的有基于自然场景统计的方法和基于学习的方法。然而，目前并没有有效的针对卡通图像的图像质量盲评估装置，而针对自然图像的质量盲评估算法对于卡通图像并不十分鲁棒。

发明内容

本发明为克服现有技术的不足之处，提供一种卡通图像质量的盲评估方法，以期能提高对卡通图像质量评估的鲁棒性和可靠性，从而使得对卡通图像质量的评价更符合人类视觉感知。

本发明为解决技术问题采用如下技术方案：

本发明一种卡通图像质量的盲评估方法的特点是按如下步骤进行：

步骤1：利用式(1)计算任意一幅卡通图像I中第c个像素点的局部灰度差异值s_c：

式(1)中，和分别表示第c个像素点的周围局部区域中第i个邻居像素点和第j个邻居像素点的灰度值，i,j＝1,2,…,p；p表示周围局部区域的像素点总数；c＝1,2,…,C，C表示所述卡通图像I的像素点总数；

步骤2：判断第c个像素点的局部灰度差异值s_c大于等于阈值t是否成立，若成立，则表示第c个像素点属于边缘区域I_Edge，否则，表示第c个像素点属于背景区域I_BG；从而将所述卡通图像I划分为边缘区域I_Edge和背景区域I_BG；

步骤3：利用式(2)获得所述边缘区域I_Edge中第n个像素点的边缘锐度γ_n：

式(2)中，g_n表示所述边缘区域I_Edge中第n个像素点的灰度值，表示所述边缘区域I_Edge中第n个像素点的周围局部区域中第i个邻居像素点的灰度值，max为取最大值操作；N_Edge表示所述边缘区域I_Edge的像素点总数；

步骤4：利用式(3)得到所述边缘区域I_Edge的锐度统计直方图H_Edge：

H_Edge＝Norm(hist{γ_n|n＝1,2,…,N_Edge}) (3)

式(3)中，hist{·}为统计直方图操作，Norm(·)为归一化操作；

步骤5：利用式(4)得到边缘区域的锐度先验模型T_Edge：

式(4)中，表示第k幅卡通图像的边缘区域的锐度统计直方图，k＝1,2,…,K；K表示参与统计的卡通图像的总数；

步骤6：利用式(5)得到所述卡通图像I的边缘质量分数d_Edge：

式(5)中，χ²(·)表示计算两个直方图之间的卡方距离，α表示幂函数的底数，且为α＞0的实数；

步骤7：利用式(6)得到第l个量化阈值σ_l：

σ_l＝(l-1)×Δ (6)

式(6)中，l＝1,2,…,L，L为量化阈值的总数；Δ为基础阈值，并有：

式(7)中，gm表示所述背景区域I_BG中第m个像素点的灰度值，表示所述背景区域I_BG中第m个像素点的周围局部区域中第u个邻居像素点的灰度值，u＝1,2,…,P_N，P_N为局部邻居像素点个数，且不包含中心点像素，m＝1,2,…,N_BG，N_BG表示所述背景区域I_BG的像素点总数；

步骤8：利用式(8)得到所述背景区域I_BG中第m个像素点的第u个邻居像素点在第l个等级下的分布值从而利用式(9)得到所述背景区域I_BG中第l个等级下的第m个像素点的分布个数

步骤9：利用式(10)得到所述背景区域I_BG中第m个像素点在所有等级下的局部量化编码t_m：

步骤10：利用式(11)得到所述背景区域I_BG的局部量化编码统计直方图H_BG：

HB＝Norm(hist{t_m|m＝1,2,…,N_BG}) (11)

步骤11：利用式(12)得到背景区域的纹理先验模型T_BG：

式(12)中，表示第k幅卡通图像的背景区域的局部量化编码统计直方图；

步骤12：利用式(13)得到所述卡通图像I的背景质量分数d_BG：

式(5)中，β表示幂函数的底数，且为β＞0的实数；

步骤13：利用式(14)得到所述卡通图像I的最终质量评价分数d：

d＝λ₁d_Edge+λ₂d_BG (14)

式(14)中，λ₁与λ₂均为权重。

与现有技术相比，本发明的有益效果在于：

1、本发明盲评估方法是针对卡通图像与自然图像的差异，将卡通边缘质量与卡通背景质量分别打分，从而能有效的衡量卡通图像的主观视觉质量，解决了传统图像质量评估方法针对自然图像设计，会将低质量卡通图像中的块效应、噪声等当作自然纹理而给低质量图像打高分的问题，进而提高了卡通图像的质量评估准确性。

2、本发明通过在边缘区域计算像素点与邻居区域内像素点的最大差异和全图整体差异水平的比值，从而得到该像素所在局部的锐利程度，可以有效地衡量卡通图像的边缘失真程度，进而对边缘区域进行打分。

3、本发明通过在背景区域定义局部量化编码来衡量图像的局部纹理复杂程度，从而有效地衡量卡通图像由编解码压缩、噪声等造成的失真程度，进而对背景区域进行打分。

附图说明

图1是本发明方法的流程图。

具体实施方式

本实施例中，一种卡通图像质量盲评估方法，参考图1，该方法可以包括以下步骤：

步骤101：利用式(1)计算任意一幅卡通图像I中第c个像素点的局部灰度差异值s_c：

式(1)中，和分别表示第c个像素点的周围局部区域中第i个邻居像素点和第j个邻居像素点的灰度值，i,j＝1,2,…,p；p表示周围局部区域的像素点总数；c＝1,2,…,C，C表示卡通图像I的像素点总数；

步骤102：卡通图像与自然图像有着较大的差异，自然图像有着丰富的细节纹理，而卡通图像由线条与较为光滑平坦的区域构成。因此，将卡通图像划分为卡通边缘区域与卡通背景区域。

局部灰度差异值s_c反应了以该像素点为中心的局部区域的灰度差异值的大小，在边缘区域，差异值较大，而在平坦区域，差异值较小。因而我们使用一个人为定义的阈值t来区分卡通边缘区域和卡通背景区域。判断第c个像素点的局部灰度差异值s_c大于等于阈值t是否成立，若成立，则表示第c个像素点属于边缘区域I_Edge，否则，表示第c个像素点属于背景区域I_BG；图像中的每个像素点完成划分后，卡通图像I即被分为卡通边缘区域I_Edge和卡通背景区域I_BG；

步骤103：利用式(2)获得边缘区域I_Edge中第n个像素点的边缘锐度γ_n：

式(2)中，gn表示边缘区域I_Edge中第n个像素点的灰度值，表示边缘区域I_Edge中第n个像素点的周围局部区域中第i个邻居像素点的灰度值，max为取最大值操作；N_Edge表示边缘区域I_Edge的像素点总数；

步骤104：利用式(2)计算卡通边缘区域中每个像素点的边缘锐度后，可以利用式(3)建立一幅卡通图像的卡通边缘区域I_Edge的锐度统计直方图H_Edge：

H_Edge＝Norm(hist{γ_n|n＝1,2,…,N_Edge}) (3)

式(3)中，hist{·}为统计直方图操作，Norm(·)为归一化操作，将直方图的取值范围由正整数归一化为到0到1之间的小数；

步骤105：通过步骤104获取一幅卡通图像的锐度统计直方图，但还需建立高质量卡通图像的锐度统计直方图先验模型，来作为对照和评价的基础。因此，选取K幅高质量、无压缩的清晰卡通图像，计算这K幅高质量卡通图像的平均锐度统计直方图作为先验模型，利用式(4)得到边缘区域的锐度先验模型T_Edge：

式(4)中，表示第k幅卡通图像的边缘区域的锐度统计直方图，k＝1,2,…,K；K表示参与统计的卡通图像的总数；

步骤106：依据卡通图像的边缘区域锐度统计直方图与先验模型的差异，计算该卡通图像的边缘质量分数。

具体的，对于一幅卡通图像，可以计算其卡通边缘区域的锐度统计直方图H_Edge与先验模型T_Edge之间的卡方距离来作为该卡通图像的边缘质量分数，利用式(5)得到卡通图像I的边缘质量分数d_Edge：

式(5)中，χ²(·)表示计算两个直方图之间的卡方距离，α表示幂函数的底数，且为α＞0的实数，这里依据实验取值为0.9；

步骤107：在卡通背景区域上，通过计算纹理复杂的程度来对图像进行打分，自然图像倾向于存在大量复杂局部纹理；而卡通图像背景则为光滑平坦，其中的局部复杂纹理是由编解码压缩、噪声等带来的，因而定义了局部量化编码来衡量图像的局部纹理复杂程度。

首先定义一系列局部量化阈值，L为阈值个数，用以对局部像素灰度差异进行更细致的分级，利用式(6)得到第l个量化阈值σ_l：

σ_l＝(l-1)×Δ (6)

式(6)中，l＝1,2,…,L，L为量化阈值的总数；Δ为基础阈值，并有：

式(7)中，g_m表示背景区域I_BG中第m个像素点的灰度值，表示背景区域I_BG中第m个像素点的周围局部区域中第u个邻居像素点的灰度值，u＝1,2,…,P_N，P_N为局部邻居像素点个数，m＝1,2,…,N_BG，N_BG表示背景区域I_BG的像素点总数，值得注意的是这里的P_N不包含中心点像素，而之前公式中的局部区域像素点个数P包含了中心像素；

步骤108：设定一系列阈值之后，即可以使用这些阈值将局部灰度的差异程度划分为不同等级，分别计算每个等级下的邻居像素分布情况，利用式(8)得到背景区域I_BG中第m个像素点的第u个邻居像素点在第l个等级下的分布值从而利用式(9)得到背景区域I_BG中第l个等级下的第m个像素点的分布个数

步骤109：计算完全部等级的像素分布情况后，利用式(10)得到背景区域I_BG中第m个像素点在所有等级下的局部量化编码t_m：

式(10)中，L为用于局部灰度差异值等级划分的阈值个数。值得注意的是，使用L个阈值共能划分L+1个等级，而0到L+1等级共有L+2种取值可能性，所以上式的指数函数的底数为L+2。

步骤110：计算卡通背景区域的局部量化编码统计直方图。

具体的，按照式(10)计算卡通背景区域中每个像素点的局部量化编码后，可以利用式(11)得到背景区域I_BG的局部量化编码统计直方图H_BG：

HB＝Norm(hist{t_m|m＝1,2,…,N_BG}) (11)

步骤111：建立高质量卡通图像背景区域局部量化编码统计直方图先验模型。

类似于卡通图像的边缘区域锐度统计直方图先验模型的建立，选取K幅高质量、无压缩的清晰卡通图像，计算这K幅高质量卡通图像的平均背景区域局部量化编码统计直方图作为先验模型，利用式(12)得到背景区域的纹理先验模型T_BG：

式(12)中，表示第k幅卡通图像的背景区域的局部量化编码统计直方图；

步骤112：依据卡通图像的背景区域局部量化编码统计直方图与先验模型的差异，计算该卡通图像的背景质量分数。

具体的，对于一幅卡通图像，可以计算其卡通背景区域局部量化编码统计直方图H_BG与先验模型T_BG之间的卡方距离来作为该卡通图像的背景质量分数，利用式(13)得到卡通图像I的背景质量分数d_BG：

式(5)中，β表示幂函数的底数，且为β＞0的实数，这里依据实验取值为0.8；

步骤113：依据卡通图像边缘区域得分d_Edge与背景区域得分d_BG计算卡通图像的最终质量评价分数d。

具体的，通过简单线性加权的方式由边缘质量分数和背景质量分数计算最终得分，利用式(14)得到卡通图像I的最终质量评价分数d：

d＝λ₁d_Edge+λ₂d_BG (14)

式(14)中，λ₁与λ₂均为权重，分别取0.6与0.4。

Claims (1)

1.一种卡通图像质量的盲评估方法，其特征是按如下步骤进行：

步骤1：利用式(1)计算任意一幅卡通图像I中第c个像素点的局部灰度差异值s_c：

式(1)中，和分别表示第c个像素点的周围局部区域中第i个邻居像素点和第j个邻居像素点的灰度值，i,j＝1,2,…,p；p表示周围局部区域的像素点总数；c＝1,2,…,C，C表示所述卡通图像I的像素点总数；

步骤2：判断第c个像素点的局部灰度差异值s_c大于等于阈值t是否成立，若成立，则表示第c个像素点属于边缘区域I_Edge，否则，表示第c个像素点属于背景区域I_BG；从而将所述卡通图像I划分为边缘区域I_Edge和背景区域I_BG；

步骤3：利用式(2)获得所述边缘区域I_Edge中第n个像素点的边缘锐度γ_n：

式(2)中，g_n表示所述边缘区域I_Edge中第n个像素点的灰度值，表示所述边缘区域I_Edge中第n个像素点的周围局部区域中第i个邻居像素点的灰度值，max为取最大值操作；N_Edge表示所述边缘区域I_Edge的像素点总数；

步骤4：利用式(3)得到所述边缘区域I_Edge的锐度统计直方图H_Edge：

H_Edge＝Norm(hist{γ_n|n＝1,2,…,N_Edge}) (3)

式(3)中，hist{·}为统计直方图操作，Norm(·)为归一化操作；

步骤5：利用式(4)得到边缘区域的锐度先验模型T_Edge：

式(4)中，表示第k幅卡通图像的边缘区域的锐度统计直方图，k＝1,2,…,K；K表示参与统计的卡通图像的总数；

步骤6：利用式(5)得到所述卡通图像I的边缘质量分数d_Edge：

式(5)中，χ²(·)表示计算两个直方图之间的卡方距离，α表示幂函数的底数，且为α＞0的实数；

步骤7：利用式(6)得到第l个量化阈值σ_l：

σ_l＝(l-1)×Δ (6)

式(6)中，l＝1,2,…,L，L为量化阈值的总数；Δ为基础阈值，并有：

式(7)中，g_m表示所述背景区域I_BG中第m个像素点的灰度值，表示所述背景区域I_BG中第m个像素点的周围局部区域中第u个邻居像素点的灰度值，u＝1,2,…,P_N，P_N为局部邻居像素点个数，且不包含中心点像素，m＝1,2,…,N_BG，N_BG表示所述背景区域I_BG的像素点总数；

步骤8：利用式(8)得到所述背景区域I_BG中第m个像素点的第u个邻居像素点在第l个等级下的分布值从而利用式(9)得到所述背景区域I_BG中第l个等级下的第m个像素点的分布个数

步骤9：利用式(10)得到所述背景区域I_BG中第m个像素点在所有等级下的局部量化编码t_m：

步骤10：利用式(11)得到所述背景区域I_BG的局部量化编码统计直方图H_BG：

HB＝Norm(hist{t_m|m＝1,2,…,N_BG}) (11)

步骤11：利用式(12)得到背景区域的纹理先验模型T_BG：

式(12)中，表示第k幅卡通图像的背景区域的局部量化编码统计直方图；

步骤12：利用式(13)得到所述卡通图像I的背景质量分数d_BG：

式(5)中，β表示幂函数的底数，且为β＞0的实数；

步骤13：利用式(14)得到所述卡通图像I的最终质量评价分数d：

d＝λ₁d_Edge+λ₂d_BG (14)

式(14)中，λ₁与λ₂均为权重。