CN108564580B - 基于人类视觉系统的图像质量评价方法 - Google Patents
基于人类视觉系统的图像质量评价方法 Download PDFInfo
- Publication number
- CN108564580B CN108564580B CN201810364577.9A CN201810364577A CN108564580B CN 108564580 B CN108564580 B CN 108564580B CN 201810364577 A CN201810364577 A CN 201810364577A CN 108564580 B CN108564580 B CN 108564580B
- Authority
- CN
- China
- Prior art keywords
- image
- vssim
- glop
- quality evaluation
- distorted
- 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.)
- Active
Links
Images
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
- G06T2207/20—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
- G06T2207/30—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 Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于人类视觉系统的图像质量评价方法,包括以下步骤:(a)获取原始图像和失真图像;(b)建立GLOP滤波模型,根据所述GLOP滤波模型对所述原始图像和所述失真图像进行滤波,得到滤波后原始图像和滤波后失真图像;(c)根据所述滤波后原始图像和所述滤波后失真图像获得结构相似度;(d)根据所述结构相似度得到所述失真图像的质量评价的客观值。本发明实施例,不仅提升了图像的主客观一致性,同时还对失真类图像的客观评价做了改进。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于人类视觉系统的图像质量评价方法。
背景技术
随着数字图像处理在卫星遥感、生物医疗、公共安全等领域有着广泛应用,人们对图像质量评价方法的效果要求也越来越高。最近几年,图像质量评价已成为图像信息工程方面一个重要的研究课题,它已经引起了广大学者的高度重视,人们希望可以用客观地、可以定量地用来进行分析的数学模型来表达人们的主观感受,因此研究图像质量的评价方法就具有非常广泛的现实意义。传统的基于峰值信噪比的图像质量评价方法,虽然形式简单、计算方便,但是几乎和人类视觉系统无关,经常导致主客观评价结果不一致。
如图1所示,图1为现有技术的一种基于结构相似度的图像质量评价方法的原理示意图。该方法通过计算两幅图像的结构、亮度、相似性信息来得到两幅图像的结构相似度。设原始图像和失真图像分别为x和y,结构相似性算法主要描述的是图像的结构方面的信息,将亮度I,对比度C,结构S这三个因素结合起来表示为图像的失真,其表达式为:
这三个部分组成了模型的评判方法:
SSIM(a,b)=[I(a,b)]α[C(a,b)]β[S(a,b)]γ
其中,μa、μb为图像x、y的均值,基于均值计算图像的亮度信息I;σa、σb为图像x、y的方差,基于方差计算图像的对比度信息;σab为x、y的协方差,基于协方差和方差计算图像的相似性信息。C1=(K1*L)2,C2=(K2*L)2,C3=C2/2,K1=0.01,K2=0.03,L=255;参数α>0,β>0,γ>0。一般取α=β=γ=1,L是图像中像素灰度的变化范围。结构相似度的取值范围为[0,1],实验表明,其值越大,图像x和y越相似。
传统的基于结构相似度的图像质量评价方法,虽然考虑了一部分人类视觉系统,其评价效果比峰值信噪比的相对好一些,但却不能较好的评价模糊失真类图像,而且主客观一致性也不是特别高,这两种方法的性能都比较低。
如图2a、2b、2c、2d、2e、2f、2g所示,图2a为现有技术的一种基于结构相似度的图像质量评价方法的原始图像;图2b为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第一压缩图像;图2c为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第二压缩图像;图2d为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第三压缩图像;图2e为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第一高斯模糊图像;图2f为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第二高斯模糊图像;图2g为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第三高斯模糊图像。其中,图2b、2c、2d图像的压缩程度依次递增,图2e、2f、2g图像的高斯模糊程度依次递增。通过计算出结构相似度,对结果进行主客观一致性评价,压缩图像的主客观一致性值为0.782,模糊图像的主客观一致性值为0.705。由此分析得到,结构相似度算法的主客观一致性值不是很好,还需提高主客观一致性;模糊图像的主客观一致性比压缩图像的低。该方法虽然考虑了部分人眼特性,但效果不是很好。同时,现有的结构相似度算法对人类视觉特性应用的不够充分,导致的主客观一致性不是很高的问题。该方法只是根据经验粗略提取两幅灰度图的亮度、结构、对比度信息,然后对三者进行点乘,没有考虑自然图像的特点,不能很好地预测某些失真类型图像质量,并没细致的研究人类视觉系统,对噪声污染和模糊失真类图像并没有很好的客观评价效果。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于人类视觉系统的图像质量评价方法。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例提供了一种基于人类视觉系统的图像质量评价方法,包括以下步骤:
(a)获取原始图像和失真图像;
(b)建立GLOP滤波模型,根据所述GLOP滤波模型对所述原始图像和所述失真图像进行滤波,得到滤波后原始图像和滤波后失真图像;
(c)根据所述滤波后原始图像和所述滤波后失真图像获得结构相似度;
(d)根据所述结构相似度得到所述失真图像的质量评价的客观值。
在本发明的一个实施例中,步骤(a)之后包括:
将所述原始图像和所述失真图像转换为灰度图像。
在本发明的一个实施例中,步骤(b)包括:
(b1)将所述原始图像和所述失真图像从空域转到频域;
(b2)获取所述原始图像的第一归一化径向频率和所述失真图像的第二归一化径向频率;
(b3)获取所述原始图像的第一方位角和所述失真图像的第二方位角;
(b4)设置所述GLOP滤波模型的中心频率和中心方位角,构建所述GLOP滤波模型;
(b5)根据所述第一归一化径向频率、所述第二归一化径向频率、所述第一方位角、所述第二方位角以及所述GLOP滤波模型,得到所述滤波后原始图像和所述滤波后失真图像。
在本发明的一个实施例中,所述GLOP滤波器的频域表达式为:
其中,s为输入图像的归一化径向频率,fi为滤波器的中心频率。θf为所述中心频率的带宽;o为输入图像的方位角;θj为滤波模型的中心方位角;σθ为中心方位角的带宽。
在本发明的一个实施例中,所述θf=0.12,所述σθ=1。
在本发明的一个实施例中,所述GLOP滤波器的滤波模型有2个中心频率fi和4个所述中心方位角θj。
在本发明的一个实施例中,步骤(b2)包括:
(b21)获取所述原始图像的第一径向频率和所述失真图像的第二径向频率;
(b22)对所述第一径向频率和所述第二径向频率进行归一化,得到所述第一归一化径向频率和所述第二归一化径向频率。
在本发明的一个实施例中,步骤(d)之前包括:
(x1)根据所述第一归一化径向频率、所述第一方位角、所述第二归一化径向频率以及所述第二方位角建立所述GLOP滤波器的视觉特性表达式;
(x2)根据所述第一归一化径向频率和所述第二归一化径向频率建立第一对比度敏感函数;
(x3)根据所述第一对比度敏感函数以及所述GLOP滤波器的视觉特性表达式建立第二对比度敏感函数。
在本发明的一个实施例中,步骤(d)包括:
(d1)采用第二对比度敏感函数对所述结构相似度进行加权,得到所述滤波后失真图像的第一加权值和第二加权值;
(d2)采用第一对比度敏感函数对所述第一加权值和所述第二加权值进行加权,得到所述失真图像的质量评价的客观值。
与现有技术相比,本发明的有益效果:
1.本发明的算法考虑了人类视觉系统,充分利用该系统的优点,在进行结构相似度计算之前先对图像进行滤波平滑,不仅提升了主客观一致性还对失真类图像的客观评价做了良好的改进。
2.本发明的用客观算法代替了人类视觉系统,避免了大量的实验,有效节省了经济成本和时间成本。
附图说明
图1为现有技术的一种基于结构相似度的图像质量评价方法的原理示意图;
图2a为现有技术的一种基于结构相似度的图像质量评价方法的原始图像;
图2b为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第一压缩图像;
图2c为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第二压缩图像;
图2d为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第三压缩图像;
图2e为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第一高斯模糊图像;
图2f为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第二高斯模糊图像;
图2g为现有技术的一种基于结构相似度的图像质量评价方法的原始图像的第三高斯模糊图像;
图3为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的流程示意图;
图4为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的算法原理图;
图5为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的GLOP滤波的空间组成示意图;
图6为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的GLOP滤波器的原理示意图;
图7为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的VSSIM算法的示意图;
图8为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的SSIM算法的示意图;
图9为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的主客观一致性评价的实现结构图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图3,图3为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的流程示意图。
一种基于人类视觉系统的图像质量评价方法,包括以下步骤:
(a)获取原始图像和失真图像;
(b)建立GLOP滤波模型,根据所述GLOP滤波模型对所述原始图像和所述失真图像进行滤波,得到滤波后原始图像和滤波后失真图像;
(c)根据所述滤波后原始图像和所述滤波后失真图像获得结构相似度;
(d)根据所述结构相似度得到所述失真图像的质量评价的客观值。
在本实施例中,加入了所述GLOP滤波模型对所述原始图像和所述失真图像进行平滑,即运用了人类视觉系统的原理对所述原始图像和所述失真图像进行平滑。
人类视觉系统有从外界提取图像信息的功能,光线映入人眼,人眼就感受到刺激,相应的心理和生理方面都会受到不同程度的影响,称其为视觉。人类视觉系统总的来说其实是图像处理系统,适用于满足线性和非线性的所有图像。人类视觉系统特性:(1)多频率通道特性:在研究视觉心理学的过程中,用多频率通道模型表述视觉感知的低级特性,所用的方法介于空域和频域之间,对一幅图像进行傅里叶变换将其从空域转到频域,将其展开就有多个频率通道。(2)掩盖效应:掩盖效应对图像的影响程度非常大,会导致忽视某些类型的失真情况,这样基本不会影响图像整体质量,在忽视某些失真类型的同时相应的会增加另一些失真,导致图像质量迅速下降。针对以上原因,在对图像进行评价的过程中,要适当的加入人眼视觉特性,针对不同情况进行不同程度的处理,以达到主客观一致。研究过程中,人们发现:人眼对色度信号的敏感度低于亮度信号,高频信号敏感度低于低频信号,斜线条比水平和垂直方向线条的敏感度低;人眼对失真最敏感的区域在图像边缘、轮廓信息上面;眼睛对图像细节部分的敏感度取决于图像所在背景的亮度大小,视觉在亮度比较高和比较低这两个方面的敏感度相对来说比较低,不过对中高程度的亮度信息的背景纹理细节的敏感程度却比较高。
在本发明实施例中,采用GLOP滤波模型对所述原始图像和所述失真图像进行滤波,再对所述滤波后原始图像和所述滤波后失真图像求解结构相似度,再根据所述结构相似度得到基于人类视觉系统的图像质量评价算法的客观值。本发明实施例利用GLOP滤波模型的特点,提升了失真图像的主客观一致性。
实施例二
请再次参见图3,同时请参见图4,图4为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的算法原理图。本实施例在上述实施例的基础上,重点对一种基于人类视觉系统的图像质量评价的客观值的算法进行详细描述。
(S10)获取原始图像A和失真图像B;
本实施例分别获取所述原始图像A以及对应的因污染导致失真的所述失真图像B。
(S20)对所述原始图像A和所述失真图像B进行第一预处理。
所述第一预处理的过程包括以下几个步骤:
(S201)将所述原始图像A和所述失真图像B转换为灰度图像。
因为在本发明中结构相似度的算法是在灰度层面进行的,因此需要将所述原始图像A和所述失真图像B转换为灰度图像。
(S202)将所述原始图像A和所述失真图像B的数据类型转换为double类型。
因为Matlab(数学软件)为图像提供了特殊的数据类型unit8(8位无符号整数),读入图像的数据是unit8,而Matlab中数值一般采用double型(64)位存储和运算。所以要先将图像转换为double格式的才能运算,如果不转换,计算会产生溢出。
(S30)建立GLOP滤波模型,根据所述GLOP滤波模型对所述原始图像和所述失真图像进行滤波,得到滤波后原始图像A'和滤波后失真图像B'。
步骤(S30)包括以下步骤:
(S301)将所述原始图像A和所述失真图像B从空域转到频域。
因为本发明采用的GLOP滤波器的滤波过程是在频域进行的。因此采用傅里叶变换将所述原始图像A和所述失真图像B从空域转换到频域。频域滤波的优点:(1)在时域进行滤波,需要做卷积运算,而转换到频域做的是乘法运算,计算量小,而且有FFT(快速傅里叶变换)快速算法,所以工程实现上频域滤波容易一些。(2)在频域设计滤波器,滤波器参数的物理意义很明确,分析起来更直观。
(S302)获取所述原始图像A的第一径向频率和所述失真图像B的第二径向频率。
所述第一径向频率为所述原始图像A的滤波过程的第一自变量,所述第二径向频率为所述失真图像B的滤波过程的第一自变量。
(S303)对所述第一径向频率和所述第二径向频率进行归一化,得到第一归一化径向频率和第二归一化径向频率。
大多数情况下频率的范围都比较大,使用时不方便,因此需要将其归一化,转换到[0,1]之间。这样使得其结果标准统一,在比较各个频率分布情况的时候就比较方便。归一化也是为了防止数据的溢出,在对图像进行对数极坐标滤波之前,需要对每处图像进行归一化处理,归一化图像后可以减少亮度分布的差异,使得后面的要进行的图像滤波步骤更容易方便一些。
(S304)获取所述原始图像A的第一方位角和所述失真图像B的第二方位角。
所述第一方位角为所述原始图像A的滤波过程的第二自变量,所述第二方位角为所述失真图像B的滤波过程的第二自变量。
(S305)设置所述GLOP滤波模型的中心频率和中心方位角,根据GLOP滤波器构建所述GLOP滤波模型。
请参见图5,图5为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的GLOP滤波器的空间组成示意图。如图5所示,GLOP滤波器是由GLOP为z坐标,径向频率s为x坐标、角度o为y坐标建立的函数。
请参见图6,图6为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的GLOP滤波器的原理示意图。包括以下步骤:
(a1)在滤波器中输入参数fkl、delta、thata;
(a2)linspace确定输入参数x、y方向的范围并确定采样点数;
(a3)Mesh生成网络采样点的函数;
(a4)编写GLOP函数并将其归一化;
(a5)显示所述GLOP滤波器。
在本发明实施例中,基于GLOP滤波器,也就是对数极Gabor滤波器与人类视觉特性相匹配的原则,设计出所述GLOP滤波器。所述Gabor滤波器通过高斯函数调制正弦信号或余弦信号来构建。所述Gabor滤波器的偶对称信号有个直流分量,不过它和带宽基本上没有关系,此时所述Gabor滤波器对图像的频率响应就基本上没有真实性,在这种情况下,研究人员对高斯函数求对数操作,本发明采用GLOP滤波器对图像频谱同时进行频率和方位角两种通道层面上的滤波。所述GLOP滤波器的特征主要表现在它的多通道特征,所述GLOP滤波器和人类视觉系统的多通道模型相对一致,人眼可近似的看作由一组所述GLOP滤波器所组成。
所述GLOP频域函数的表达式如下:
其中,s为输入图像的归一化径向频率,与空间频率的值相同,s=(sx 2+sy 2)^(1/2)(周期/度),其中sx、sy分别为水平、垂直方向的空间频率;fi为滤波器的中心频率;θf为所述中心频率的带宽;o为输入图像的方位角;θj为滤波模型的中心方位角;σθ为中心方位角的带宽。
在一个具体实施例中,所述θf=0.12,所述σθ=1。
在一个具体实施例中,所述GLOP滤波器的滤波模型有2个中心频率fi和4个中心方位角θj。
在一个具体实施例中,所述中心频率fi为[1/2,3/4],即f1=1/2,f2=3/4;所述中心方位角θf为[45°,60°,90°,135°],即θ1=45°,θ2=60°,θ3=90°,θ4=135°。
(S306)根据所述第一归一化径向频率、所述第二归一化径向频率、所述第一方位角、所述第二方位角以及所述GLOP滤波模型,得到所述滤波后原始图像A'和所述滤波后失真图像B'。
所述滤波后原始图像A'的表达式为:
A'={F{A(m,n)}GLOP(s,o)}。
所述滤波后失真图像B的表达式为:
B'={F{B(x,y)}GLOP(s,o)}。
式中,A(m,n)为所述原始图像A,B(m,n)为所述失真图像B,m和n为所述原始图像A的尺寸,x和y为所述失真图像B的尺寸;F是傅里叶变换。
由于所述GLOP滤波器的滤波模型有2个中心频率和4个中心方位角,一个中心频率和一个中心方位角可以得到一副滤波图像,因此将所述原始图像A的第一归一化径向频率、第一方位角输入所述GLOP滤波模型中,可以得到八幅所述滤波后原始图像,分别为A11'、A21'、A12'、A22'、A13'、A31'、A14'、A41',将所述失真图像B的第二归一化径向频率、第二方位角输入所述GLOP滤波模型中,可以得到八幅所述滤波后失真图像,分别为B11'、B21'、B12'、B22'、B13'、B31'、B14'、B41'。
(S40)根据所述滤波后原始图像A'和所述滤波后失真图像B'获得结构相似度。
所述结构相似度公式为:
VSSIM(s,o)=SSIM{GLOP(s,o)F{A},GLOP(s,o)F{B}}={I{GLOP(s,o)F{A},GLOP(s,o)F{B}}}α{C{GLOP(s,o)F{A},GLOP(s,o)F{B}}}β{S{GLOP(s,o)F{A},GLOP(s,o)F{B}}}γ,
式中,I{GLOP(s,o)F{A},GLOP(s,o)F{B}}指所述原始图像A和所述失真图像B进行GLOP滤波后提取的图像亮度信息;C{GLOP(s,o)F{A},GLOP(s,o)F{B}}指所述原始图像A和所述失真图像B进行滤波后提取的图像对比度信息;S{GLOP(s,o)F{A},GLOP(s,o)F{B}}指所述原始图像A和所述失真图像B进行滤波后提取的图像结构信息。
由上述公式可知,一幅所述滤波后原始图像A'与一幅所述滤波后失真图像B'进行计算,可以得到一个VSSIM(s,o)值。则所述滤波后原始图像A'和所述滤波后失真图像B'进行计算,可以得到八个结构度相似值,分别为VSSIM11、VSSIM12、VSSIM13、VSSIM14、VSSIM21、VSSIM22、VSSIM23、VSSIM24。
(S50)根据所述第一归一化径向频率、所述第一方位角、所述第二归一化径向频率以及所述第二方位角建立所述GLOP滤波器的视觉特性表达式。
所述GLOP滤波器具有较好的方向性,这种视觉特性表示如下:
式中,s为输入图像的归一化径向频率;o为输入图像的方位角。
(S60)根据所述第一归一化径向频率和所述第二归一化径向频率建立第一对比度敏感函数。
对人类视觉系统的视觉敏感带特性进行描述时用的是视觉对比度敏感函数,通过视觉对比度敏感函数可以看出在不同空间频率下,人类视觉系统对比度敏感函数不同程度所表现出来的差异,正是因为第一对比度敏感函数把主观感受和客观评价结果结合到了一起,现在大多数图像质量评价都用到了该方法。所述GLOP滤波器的尺度效应:第一对比度敏感函数,也就是CSF函数可以反映所述GLOP滤波器的多通道特性,
所述第一对比度敏感函数的表达式如下;
其中,s为输入图像的归一化径向频率,对所述原始图像A和所述失真图像B来说,s的值是不相同的;fpeak指的是空间频率的阈值;λ参数用于调节fpeak值。
在一个具体实施例中,λ=0.228,fpeak=4周/度。
(S70)根据所述第一对比度敏感函数以及所述GLOP滤波器的视觉特性表达式建立第二对比度敏感函数。
将所述GLOP滤波器的视觉特性表达式带入所述第一对比度敏感函数的表达式中,得到所述第二对比度敏感函数。
所述第二对比度敏感函数表示如下:
其中,s为归一化径向频率;o为输入图像的方位角;fpeak指的是空间频率的阈值;λ参数用于调节fpeak值。
(S80)根据所述结构相似度得到所述失真图像B的质量评价的客观值。
步骤(S80)包括以下步骤:
(S801)采用第二对比度敏感函数对所述结构相似度进行加权,得到所述滤波后失真图像B'的第一加权值和第二加权值;
将所述第二对比度敏感函数CSF[f(s,o)]作为第一权重系数,对VSSIM(s,o)进行加权求和,得到所述第一加权值和所述第二加权值的公式如下:
在一个具体实施例中,将所述VSSIM11的第一权重系数记为ω11,将所述VSSIM12的第一权重系数记为ω12,将所述VSSIM13的第一权重系数记为ω13,将所述VSSIM14的第一权重系数记为ω14,将所述VSSIM21的第一权重系数记为ω21,将所述VSSIM22的第一权重系数记为ω22,将所述VSSIM23的第一权重系数记为ω23,将所述VSSIM24的第一权重系数记为ω24。
在一个具体实施例中,对所述VSSIM11、VSSIM12、VSSIM13、VSSIM14进行加权求和,得到所述第一加权值VSSIM1;对所述VSSIM21、VSSIM22、VSSIM23、VSSIM24进行加权求和,得到所述第二加权值VSSIM2。
(S802)采用第一对比度敏感函数对所述第一加权值和所述第二加权值进行加权,得到所述失真图像B的质量评价的客观值。
将所述第一对比度敏感函数CSF(s)作为第二权重系数,对所述VSSIM(s)进行加权求和,得到所述失真图像B的质量评价的客观值。所述失真图像B的质量评价的客观值的计算公式为:
在一个具体实施例中,将所述第一加权值VSSIM1的第二权重系数记为ω1,将所述第二加权值VSSIM2的第二权重系数记为ω2。
在一个具体实施例中,对所述第一加权值VSSIM1和所述第二加权值VSSIM2进行加权,得到所述失真图像B的质量评价的客观值VSSIM。
请参见图7,图7为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的VSSIM算法的结构图。所述VSSIM算法的实现包括以下步骤:
(b1)通过imread函数读入所述原始图像A和所述失真图像B;
(b2)通过傅里叶变换将所述原始图像A和所述失真图像B从空域转到频域;
(b3)用所述GLOP滤波器分别对所述原始图像A和所述失真图像B进行滤波后得到若干滤波图像;
(b4)编写SSIM函数语句计算所述原始图像A和所述失真图像B的结构相似度VSSIM;
(b5)构建CSF函数并将其作为权重因子;
(b6)再对VSSIM函数加权求和,得到所述失真图像B的质量评价的客观值。
请参见图8,图8为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的SSIM算法的示意图。所述SSIM算法的实现通过以下步骤:
(c1)输入所述原始图像A和所述失真图像B的参数;
(c2)读入所述原始图像A和所述失真图像B;
(c3)分别根据所述原始图像A和所述失真图像B的灰度值均值计算亮度;
(c4)分别根据所述原始图像A和所述失真图像B的方差计算结构;
(c5)分别根据所述原始图像A和所述失真图像B的相关系数计算相似性;
(c6)编写结构相似度公式计算原始图像A和所述失真图像B的SSIM值,得到SSIM函数。
本发明通过这种方法,可以达到以下有益效果:
1.本发明的这种方法在计算结构相似度时加入了人类视觉系统,提高了主客观一致性。
2.本发明的这种方法代替了人类视觉系统,可以客观的评价所述失真图像的质量,减少了经济成本以及时间成本。
实施例三
本实施例在上述实施例的基础上,重点介绍了对所述失真图像的质量评价的客观值来进行主客观一致性评价的方法。
早在1974年,视频质量专家组就成立了一个专家组织,该组织主要用来评估视频质量的评价算法的性能。本文用来评价算法性能的实验数据均由LIVE数据库中得到,该数据库来自美国TEXAS图像视频工程实验室,用来进行图像质量评价,并且为第二版。这个数据库中有29幅原始图像,都是RGB彩色图像,分辨率达到24位。这些原始图像经过了4种不同类型的失真,分别为JPEG2000和JPEG压缩、白噪声污染(wn)、高斯模糊(gblur),失真图像共683幅。每幅失真图像还有主观质量评分(DMOS),通过将观测者进行主观实验得到的数据然后进行处理后得到,一般认为,主观质量评分值越小,图像主观质量就越好。
在本发明实施例中,采用Pearson相关系数,即计算主客观质量评分的Pearson系数来评价主客观一致性。一般用积差相关表示Pearson相关,该评价方法在20世纪被英国的统计学家皮尔逊提出的,用来对直线的相关度进行计算。准确的说是计算两个数据的集合,看其结果是否在一条线上面,用来衡量固定距离的情况下各变量之间的线性关系。一般用积差相关系数表示呈现线性关系且都是正态连续的两个变量之间的相关程度,典型的例子为Pearson系数。其值越大,相关度越高,绝对值越接近1,相关性越好,越接近0,相关度越低。所述Pearson系数的数学表达式为:
计算出所述原始图像A对应的n幅所述失真图像B的质量评价的客观值,将n幅所述失真图像B对应的主观值和客观值同时带入上述公式中,得到Pearson系数,对n幅所述失真图像B的主客观一致性进行评价。
请参见图9,图9为本发明实施例提供的一种基于人类视觉系统的图像质量评价方法的主客观一致性评价的实现结构图。所述主客观一致性评价过程通过以下步骤来实现:
(d1)输入失真图像B主观质量评分;
(d2)输入失真图像B的质量评价的客观值;
(d3)编写Pearson系数,计算其结果。
将原始图像A对应的所述失真图像B的质量评价的客观值带入Pearson函数中,得到所述失真图像B的主客观一致性评价结果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于人类视觉系统的图像质量评价方法,其特征在于,包括以下步骤:
(a)获取原始图像和失真图像;
(b)建立GLOP滤波模型,根据所述GLOP滤波模型对所述原始图像和所述失真图像进行滤波,得到滤波后原始图像和滤波后失真图像;
GLOP滤波器的频域表达式为:
其中,s为输入图像的归一化径向频率,fi为滤波器的中心频率;θf为所述中心频率的带宽;o为输入图像的方位角;θj为滤波模型的中心方位角;σθ为中心方位角的带宽;
(c)根据所述滤波后原始图像和所述滤波后失真图像获得结构相似度,所述结构相似度包括VSSIM11、VSSIM12、VSSIM13、VSSIM14、VSSIM21、VSSIM22、VSSIM23、VSSIM24;
(d)根据所述结构相似度得到所述失真图像的质量评价的客观值;
所述步骤(b)包括:
(b1)将所述原始图像和所述失真图像从空域转到频域;
(b2)获取所述原始图像的第一归一化径向频率和所述失真图像的第二归一化径向频率;
(b3)获取所述原始图像的第一方位角和所述失真图像的第二方位角;
(b4)设置所述GLOP滤波模型的中心频率和中心方位角,根据GLOP滤波器构建所述GLOP滤波模型;
(b5)根据所述第一归一化径向频率、所述第二归一化径向频率、所述第一方位角、所述第二方位角以及所述GLOP滤波模型,得到所述滤波后原始图像和所述滤波后失真图像;
所述步骤(d)之前包括:
(x1)根据所述第一归一化径向频率、所述第一方位角、所述第二归一化径向频率以及所述第二方位角建立所述GLOP滤波器的视觉特性表达式;
(x2)根据所述第一归一化径向频率和所述第二归一化径向频率建立第一对比度敏感函数;
(x3)根据所述第一对比度敏感函数以及所述GLOP滤波器的视觉特性表达式建立第二对比度敏感函数;
所述步骤(d)包括:
(d1)采用第二对比度敏感函数对所述结构相似度进行加权,得到所述滤波后失真图像的第一加权值和第二加权值,对所述VSSIM11、VSSIM12、VSSIM13、VSSIM14进行加权求和,得到第一加权值VSSIM1;对所述VSSIM21、VSSIM22、VSSIM23、VSSIM24进行加权求和,得到第二加权值VSSIM2;
(d2)采用第一对比度敏感函数对所述第一加权值和所述第二加权值进行加权,得到所述失真图像的质量评价的客观值。
2.根据权利要求1所述的一种基于人类视觉系统的图像质量评价方法,其特征在于,步骤(a)之后包括:
将所述原始图像和所述失真图像转换为灰度图像。
3.根据权利要求1所述的一种基于人类视觉系统的图像质量评价方法,其特征在于,所述θf=0.12,所述σθ=1。
4.根据权利要求1所述的一种基于人类视觉系统的图像质量评价方法,其特征在于,所述GLOP滤波器的滤波模型有2个所述中心频率fi和4个所述中心方位角θj。
5.根据权利要求1所述的一种基于人类视觉系统的图像质量评价方法,其特征在于,步骤(b2)包括:
(b21)获取所述原始图像的第一径向频率和所述失真图像的第二径向频率;
(b22)对所述第一径向频率和所述第二径向频率进行归一化,得到所述第一归一化径向频率和所述第二归一化径向频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810364577.9A CN108564580B (zh) | 2018-04-23 | 2018-04-23 | 基于人类视觉系统的图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810364577.9A CN108564580B (zh) | 2018-04-23 | 2018-04-23 | 基于人类视觉系统的图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564580A CN108564580A (zh) | 2018-09-21 |
CN108564580B true CN108564580B (zh) | 2022-05-10 |
Family
ID=63536290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810364577.9A Active CN108564580B (zh) | 2018-04-23 | 2018-04-23 | 基于人类视觉系统的图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564580B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046893B (zh) * | 2018-10-12 | 2024-02-02 | 富士通株式会社 | 图像相似性确定方法和装置、图像处理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104270638A (zh) * | 2014-07-29 | 2015-01-07 | 武汉飞脉科技有限责任公司 | 一种ct影像感兴趣区域压缩与质量评估方法 |
CN104574399A (zh) * | 2015-01-06 | 2015-04-29 | 天津大学 | 基于多尺度视觉显著性与梯度幅值的图像质量评价方法 |
CN104853182A (zh) * | 2015-05-21 | 2015-08-19 | 天津大学 | 基于幅度和相位的立体图像质量客观评价方法 |
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 |
CN107274379A (zh) * | 2017-05-09 | 2017-10-20 | 武汉大学 | 一种图像质量评价方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090003646A1 (en) * | 2007-06-29 | 2009-01-01 | The Hong Kong University Of Science And Technology | Lossless visible watermarking |
CN102254185B (zh) * | 2011-07-21 | 2013-04-17 | 西安电子科技大学 | 基于对比度敏感函数的背景杂波量化方法 |
CN102567990B (zh) * | 2011-12-08 | 2014-07-16 | 宁波大学 | 一种立体图像客观质量评价方法 |
US10097851B2 (en) * | 2014-03-10 | 2018-10-09 | Euclid Discoveries, Llc | Perceptual optimization for model-based video encoding |
CN104268868A (zh) * | 2014-09-23 | 2015-01-07 | 上海交通大学 | 基于小波域的自适应高频滤波方法 |
-
2018
- 2018-04-23 CN CN201810364577.9A patent/CN108564580B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104270638A (zh) * | 2014-07-29 | 2015-01-07 | 武汉飞脉科技有限责任公司 | 一种ct影像感兴趣区域压缩与质量评估方法 |
CN104574399A (zh) * | 2015-01-06 | 2015-04-29 | 天津大学 | 基于多尺度视觉显著性与梯度幅值的图像质量评价方法 |
CN104853182A (zh) * | 2015-05-21 | 2015-08-19 | 天津大学 | 基于幅度和相位的立体图像质量客观评价方法 |
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 |
CN107274379A (zh) * | 2017-05-09 | 2017-10-20 | 武汉大学 | 一种图像质量评价方法及系统 |
Non-Patent Citations (2)
Title |
---|
Method to Quality Assessment of Stereo Images;Jian Ma et al;《2016 Visual Communications and Image Processing (VCIP)》;20170105;1-4页 * |
一种基于视觉特性的图像质量评价指标;杨迪威;《信号处理》;20111130;1691-1695页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108564580A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Contrast enhancement of brightness-distorted images by improved adaptive gamma correction | |
Wang et al. | Structural similarity based image quality assessment | |
Panetta et al. | No reference color image contrast and quality measures | |
CN112419151B (zh) | 图像退化处理方法、装置、存储介质及电子设备 | |
Temel et al. | Perceptual image quality assessment through spectral analysis of error representations | |
CN102289670B (zh) | 一种具有光照鲁棒性的图像特征提取方法 | |
CN103607589B (zh) | 基于层次选择性视觉注意力机制的jnd阈值计算方法 | |
Zhang et al. | No-reference image quality assessment using structural activity | |
Chen et al. | Blind quality index for tone-mapped images based on luminance partition | |
Murray et al. | Low-level spatiochromatic grouping for saliency estimation | |
CN109447903B (zh) | 一种半参考型超分辨率重构图像质量评价模型的建立方法 | |
CN109754390B (zh) | 一种基于混合视觉特征的无参考图像质量评价方法 | |
CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
Ninassi et al. | On the performance of human visual system based image quality assessment metric using wavelet domain | |
JP2020197915A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
Cheng et al. | Image quality assessment using natural image statistics in gradient domain | |
CN108564580B (zh) | 基于人类视觉系统的图像质量评价方法 | |
Hadizadeh | A saliency-modulated just-noticeable-distortion model with non-linear saliency modulation functions | |
CN111489333B (zh) | 一种无参考夜间自然图像质量评价方法 | |
CN113129300A (zh) | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 | |
Fu et al. | Image quality assessment using edge and contrast similarity | |
Qin et al. | Traffic sign image enhancement in low light environment | |
Rajalakshmi et al. | Retinal model-based visual perception: applied for medical image processing | |
Lu et al. | A video quality assessment metric based on human visual system | |
Dong et al. | Image quality assessment by considering multiscale and multidirectional visibility differences in shearlet domain |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |