CN109285153A - 一种图像质量评价方法及系统 - Google Patents

一种图像质量评价方法及系统 Download PDF

Info

Publication number
CN109285153A
CN109285153A CN201811148749.5A CN201811148749A CN109285153A CN 109285153 A CN109285153 A CN 109285153A CN 201811148749 A CN201811148749 A CN 201811148749A CN 109285153 A CN109285153 A CN 109285153A
Authority
CN
China
Prior art keywords
gradient
pixel
image
degree
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
Application number
CN201811148749.5A
Other languages
English (en)
Inventor
丁磊
范大煌
毋鹏杰
邓杰航
顾国生
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201811148749.5A priority Critical patent/CN109285153A/zh
Publication of CN109285153A publication Critical patent/CN109285153A/zh
Pending legal-status Critical Current

Links

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
    • G06T2207/10—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
    • G06T2207/30—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)

Abstract

本发明公开了一种图像质量评价方法及系统，包括：计算待评价图像和参考图像的特征参数相似度；对待评价图像每一像素和参考图像每一像素分别对多个不同方向的梯度模板进行卷积运算，根据对应不同方向的计算结果中取值最大的梯度值得到该像素的梯度值，多个不同方向的梯度模板包括0度方向梯度模板、90度方向梯度模板以及至少一个除0度方向和90度方向之外其它方向的梯度模板；根据待评价图像和参考图像对应像素的梯度，计算待评价图像和参考图像的梯度相似度；根据待评价图像和参考图像各像素的特征参数相似度、梯度相似度计算用于评价待评价图像质量的评价指标。本发明图像质量评价方法及系统，与现有方法相比能够提高对图像质量评价的精确性。

Description

一种图像质量评价方法及系统
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像质量评价方法及系统。
背景技术
图像质量评价(Image Quality Assessment，IQA)是通过对图像进行特性分析研究，而评估出图像失真程度，它是图像处理领域的一项基本技术，随着数字图像和通信技术的快速普及，图像质量评价已成为图像采集、传输、压缩、恢复和增强等众多应用中的一个重要问题。
图像质量评价方法分为主观图像质量评价方法和客观图像质量评价方法，主观图像质量评价方法不易用于许多场景，比如实时测量和自动化测量，而客观图像质量评价方法采用计算模型自动预测图像质量，成本低，耗时短，具有很好的应用价值。
全参考图像质量评价方法是客观图像质量评价方法的一种，该方法采用完美的、质量很好的图像作为参考图像对图像进行客观质量评价。峰值信噪比(Peak Signal toNoise Ration，PSNR)和均方误差(Mean Square Error，MSE)是经典的全参考图像质量评价方法，这两种方法容易理解，计算方便，但是只考虑图像各个像素的比较，并没有考虑图像像素间存在的结构关系，与人眼真实看到的存在偏差。结构相似度算法(StructuralSimilarity，SSIM)综合参考图像和待评价图像在亮度、对比度和结构相似度三类不同信息间的差异进行评价，考虑了像素间的结构关系，但是存在严重模糊情况下细节把握不好、指数参数确定比较困难等问题。随后，基于梯度信息的图像质量评价方法得到开发和应用，比如，基于梯度的结构相似度(Gradient-based Structural Similarity，GSSIM)算法，这类方法考虑了梯度对图像失真高度敏感，相比更符合人眼视觉系统特性，能较好地评价模糊图像的质量，因此结合梯度信息的方法被越来越多地应用在客观图像质量评价方法上。然而随着科技发展，这些图像质量评价方法的测量评价结果不能满足更高的应用要求。
发明内容
本发明的目的是提供一种图像质量评价方法及系统，与现有方法相比能够提高对图像质量评价的精确性。
为实现上述目的，本发明提供如下技术方案：
一种图像质量评价方法，包括：
计算待评价图像和参考图像每一像素的特征参数相似度，所述特征参数为用于表征图像特征的参数；
对所述待评价图像每一像素和所述参考图像每一像素分别对多个不同方向的梯度模板进行卷积运算，根据对应不同方向的计算结果中取值最大的梯度值得到该像素的梯度值，多个不同方向的梯度模板包括0度方向梯度模板、90度方向梯度模板以及至少一个除0度方向和90度方向之外其它方向的梯度模板；
根据所述待评价图像和所述参考图像对应像素的梯度，计算所述待评价图像和所述参考图像每一像素的梯度相似度；
根据所述待评价图像和所述参考图像各像素的特征参数相似度、梯度相似度计算用于评价所述待评价图像质量的评价指标。
优选的，计算待评价图像和参考图像每一像素的特征参数相似度包括：
按照预设规则分别将所述待评价图像和所述参考图像分割为若干分块；
将所述待评价图像和所述参考图像分别转换到以亮度和色度描述的颜色空间；
对于所述待评价图像和所述参考图像，以像素所属分块内所有像素的亮度平均值作为该像素的亮度值、以像素所属分块内所有像素的第一色度参数值的平均值作为该像素的第一色度参数值，以像素所属分块内所有像素的第二色度参数值的平均值作为该像素的第二色度参数值；
根据以下公式计算所述待评价图像和所述参考图像每一像素的亮度相似度：
其中，ML(i)表示所述待评价图像和所述参考图像第i个像素的亮度相似度，Lr(i)表示所述待评价图像第i个像素的亮度值，Ld(i)表示所述参考图像第i个像素的亮度值，T1为正变量；
根据以下公式计算所述待评价图像和所述参考图像每一像素的色度相似度：
MC(i)＝MU(i)MV(i)；
其中，MU(i)表示所述待评价图像和所述参考图像第i个像素的第一色度参数相似度，Ur(i)表示所述待评价图像第i个像素的第一色度参数值，Ud(i)表示所述参考图像第i个像素的第一色度参数值，MV(i)表示所述待评价图像和所述参考图像第i个像素的第二色度参数值相似度，Vr(i)表示所述待评价图像第i个像素的第二色度参数值，Vd(i)表示所述参考图像第i个像素的第二色度参数值，T1为正变量，MC(i)表示所述待评价图像和所述参考图像第i个像素的色度相似度。
优选的，所述预设规则具体为将图像中邻近的具有相同像素值的像素划分到同一分块，或者将图像中邻近的具有相同纹理特征的像素划分到同一分块，或者将图像中邻近的具有相同像素值和相同纹理特征的像素划分到同一分块。
优选的，根据对应不同方向的计算结果中取值最大的梯度值得到该像素的梯度值包括：
选取出对应不同方向的计算值中取值最大的梯度值，将取值最大的梯度值与衰减因子相除所得值作为该像素的梯度值。
优选的，多个不同方向的梯度模板包括0度方向梯度模板、45度方向梯度模板、90度方向梯度模板、135度方向梯度模板、180度方向梯度模板、225度方向梯度模板、270度方向梯度模板和315度方向梯度模板，各方向梯度模板以如下各表表示：
表1
-1 0 1
-1 0 1
-1 0 1
表2
-1 -1 0
-1 0 1
0 1 1
表3
-1 -1 -1
0 0 0
1 1 1
表4
0 1 1
-1 0 1
-1 -1 0
表5
1 1 1
0 0 0
-1 -1 -1
表6
表7
1 0 -1
1 0 -1
1 0 -1
表8
0 -1 -1
1 0 -1
1 1 0
其中，表1表示0度方向梯度模板，表2表示45度方向梯度模板，表3表示90度方向梯度模板，表4表示135度方向梯度模板，表5表示180度方向梯度模板，表6表示225度方向梯度模板，表7表示270度方向梯度模板，表8表示315度方向梯度模板。
优选的，根据对应不同方向的计算结果中取值最大的梯度值得到该像素的梯度值计算公式如下：
其中，gx、gy、g_45、g_135、g_180、g_225、g_270、g_315分别表示图像像素与0度方向梯度模板、90度方向梯度模板、45度方向梯度模板、135度方向梯度模板、180度方向梯度模板、225度方向梯度模板、270度方向梯度模板、315度方向梯度模板卷积运算后得到的梯度分量，scale表示衰减因子。
优选的，根据以下公式计算所述待评价图像和所述参考图像每一像素的梯度相似度：
其中，Gr(i)表示所述待评价图像第i个像素的梯度值，Gd(i)表示所述参考图像第i个像素的梯度值，T2表示正变量。
优选的，根据以下公式计算用于评价所述待评价图像质量的评价指标：
其中，MSPSIM表示用于评价所述待评价图像质量的评价指标，
ML(i)、ML(i)分别表示亮度相似度和色度相似度，MG(i)表示梯度相似度，ω(i)表示第i个像素所属分块的权值。
一种图像质量评价系统，用于执行以上所述图像质量评价方法。
由上述技术方案可知，本发明所提供的一种图像质量评价方法及系统，首先，计算待评价图像和参考图像每一像素的特征参数相似度，特征参数为用于表征图像特征的参数，然后，对待评价图像每一像素和参考图像每一像素分别对多个不同方向的梯度模板进行卷积运算，根据对应不同方向的计算值中取值最大的梯度值得到该像素的梯度值，多个不同方向的梯度模板包括0度方向梯度模板、90度方向梯度模板以及至少一个除0度方向和90度方向之外方向的梯度模板，并根据待评价图像和参考图像对应像素的梯度，计算待评价图像和参考图像每一像素的梯度相似度，进一步根据待评价图像和参考图像各像素的特征参数相似度、梯度相似度计算用于评价待评价图像质量的评价指标。
本发明方法及系统基于图像的梯度信息进行评价，不只计算水平方向和垂直方向的梯度信息，还计算除水平方向和垂直方向之外方向的梯度信息，与现有技术中只考虑水平和垂直两个方向梯度信息对图像质量评价的方法相比，避免丢失太多细节信息，能够考虑图像更多细节信息，能够提高对图像质量评价的精确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，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为本发明实施例提供的一种图像质量评价方法的流程图；
图2为本发明实施例提供的一种图像质量评价方法中计算待评价图像和参考图像每一像素的亮度相似度和色度相似度的方法流程图。
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中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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，都应当属于本发明保护的范围。
请参考图1，本发明实施例提供的一种图像质量评价方法，包括以下步骤：
S10：计算待评价图像和参考图像每一像素的特征参数相似度，所述特征参数为用于表征图像特征的参数。
特征参数是指用于表征图像特征的参数，特征参数相似度表示待评价图像像素的特征参数值与参考图像对应像素的特征参数值的相似程度。
具体本实施例中，对图像评价使用的特征参数包括亮度和色度。相应的，计算待评价图像和参考图像每一像素的特征参数相似度包括计算待评价图像和参考图像每一像素的亮度相似度ML(i)和色度相似度MC(i)。可以理解的是，在本发明其它实施例中，对图像评价使用的特征参数可以是其它图像特征参数，也都在本发明保护范围内。
S11：对所述待评价图像每一像素和所述参考图像每一像素分别对多个不同方向的梯度模板进行卷积运算，根据对应不同方向的计算结果中取值最大的梯度值得到该像素的梯度值，多个不同方向的梯度模板包括0度方向梯度模板、90度方向梯度模板以及至少一个除0度方向和90度方向之外其它方向的梯度模板。
多个不同方向的梯度模板包括0度方向梯度模板、90度方向梯度模板以及至少一个除0度方向和90度方向之外其它方向的梯度模板，多个不同方向的梯度模板可以包括一个或者多个除0度方向和90度方向之外其它方向的梯度模板，在具体实施时可以根据实际应用需求确定其它方向模板和其它方向模板的数量，在本实施例中并不做具体限定。
优选的，在一种实施方式中，多个不同方向的梯度模板包括0度方向梯度模板、45度方向梯度模板、90度方向梯度模板、135度方向梯度模板、180度方向梯度模板、225度方向梯度模板、270度方向梯度模板和315度方向梯度模板。各方向梯度模板以如下各表表示：
表1
-1 0 1
-1 0 1
-1 0 1
表2
-1 -1 0
-1 0 1
0 1 1
表3
-1 -1 -1
0 0 0
1 1 1
表4
0 1 1
-1 0 1
-1 -1 0
表5
表6
1 1 0
1 0 -1
0 -1 -1
表7
1 0 -1
1 0 -1
1 0 -1
表8
0 -1 -1
1 0 -1
1 1 0
其中，表1表示0度方向梯度模板，表2表示45度方向梯度模板，表3表示90度方向梯度模板，表4表示135度方向梯度模板，表5表示180度方向梯度模板，表6表示225度方向梯度模板，表7表示270度方向梯度模板，表8表示315度方向梯度模板。由上述各表可以看出，各方向模板算子仅仅依赖于系数0、1、-1，而且在形式上都是沿着对应方向轴对称，观察模板还可发现边缘模板中邻域内各处权值相加的结果为0。
本实施方式中，对待评价图像每一像素对上述8个方向的梯度模板进行卷积运算，分别得到8个方向的梯度分量。对参考图像每一像素对上述8个方向的梯度模板进行卷积运算，分别得到8个方向的梯度分量。
对运算得到的对应多个不同方向梯度模板的梯度分量，选取梯度幅值最大的梯度分量，根据该方向的梯度分量得到该像素的梯度值。
优选的，本实施例中，根据对应不同方向的计算结果中取值最大的梯度幅值得到该像素的梯度幅值包括：选取出对应不同方向的计算值中取值最大的梯度值，将取值最大的梯度值与衰减因子相除所得值作为该像素的梯度值。其中，将取值最大的梯度值对应模板所表示的方向作为该像素的梯度方向。
示例性的，以图像每一像素对上述8个方向的梯度模板进行卷积运算为例，计算该像素的梯度幅值的计算公式如下：
其中，gx、gy、g_45、g_135、g_180、g_225、g_270、g_315分别表示图像像素与0度方向梯度模板、90度方向梯度模板、45度方向梯度模板、135度方向梯度模板、180度方向梯度模板、225度方向梯度模板、270度方向梯度模板、315度方向梯度模板卷积运算后得到的梯度分量，scale表示衰减因子。
通过上述方法，计算得到待评价图像每一像素的梯度值、梯度方向以及参考图像每一像素的梯度值、梯度方向。
S12：根据所述待评价图像和所述参考图像对应像素的梯度，计算所述待评价图像和所述参考图像每一像素的梯度相似度。
具体的，可根据以下公式计算待评价图像和参考图像每一像素的梯度相似度：
其中，Gr(i)表示所述待评价图像第i个像素的梯度值，Gd(i)表示所述参考图像第i个像素的梯度值，T2表示正变量。其中，T2用以避免当非常小时的不稳定性。
S13：根据所述待评价图像和所述参考图像各像素的特征参数相似度、梯度相似度计算用于评价所述待评价图像质量的评价指标。
具体的，可根据以下公式计算用于评价所述待评价图像质量的评价指标：
其中，MSPSIM表示用于评价所述待评价图像质量的评价指标，ML(i)、MC(i)分别表示所述待评价图像和所述参考图像的亮度相似度、色度相似度，ω(i)表示第i个像素所属分块的权值。
可以看出，本实施例图像质量评价方法基于图像的梯度信息进行评价，不只计算水平方向和垂直方向的梯度信息，还计算除水平方向和垂直方向之外方向的梯度信息，与现有技术中只考虑水平和垂直两个方向梯度信息对图像质量评价的方法相比，避免丢失太多细节信息，能够考虑图像更多细节信息，能够提高对图像质量评价的精确性。
现有的图像质量评价方法使用Prewitt算子检测边缘，只计算水平方向和垂直方向这两个方向的梯度信息，会丢失部分细节信息。造成边缘有一定模糊，而本实施例方法应用多方向的梯度算子应用到图像质量评价指标上，能够弥补以上评价指标的不足。
进一步的，本实施例提供的图像质量评价方法中，对图像评价使用的特征参数包括亮度和色度。相应的，计算待评价图像和参考图像每一像素的特征参数相似度包括计算待评价图像和参考图像每一像素的亮度相似度ML(i)和色度相似度MC(i)。请参考图2，具体包括以下过程：
S110：按照预设规则分别将所述待评价图像和所述参考图像分割为若干分块。
在具体实施时，可以将图像中邻近的具有相同像素值的像素划分到同一分块，或者将图像中邻近的具有相同纹理特征的像素划分到同一分块，或者将图像中邻近的具有相同像素值和相同纹理特征的像素划分到同一分块。在实际应用中可以分别根据待评价图像和参考图像的实际情况，灵活设置各分割分块的大小，对待评价图像和参考图像进行分割。
现有的图像质量评价方法是以方形分块对图像分割，计算图像的特征参数值而进行比较，而本方法采用超像素方法对参考图像和待评价图像进行分割，每一图像分块内像素值或者纹理特征具有高度的一致性，相比能够有效地反映局部特征。
S111：将所述待评价图像和所述参考图像分别转换到以亮度和色度描述的颜色空间。
S112：对于所述待评价图像和所述参考图像，以像素所属分块内所有像素的亮度平均值作为该像素的亮度值、以像素所属分块内所有像素的第一色度参数值的平均值作为该像素的第一色度参数值，像素所属分块内所有像素的第二色度参数值的平均值作为该像素的第二色度参数值。
具体的，可根据以下公式计算图像像素的亮度值Li、第一色度参数值Ui和第二色度参数值Vi：
其中，Si表示第i个像素所属分块，|Si|表示分块Si内的像素数量，Y(j)表示图像在YUV颜色空间中第j个像素的Y分量，U(j)表示图像在YUV颜色空间中第j个像素的U分量,V(j)表示图像在YUV颜色空间中第j个像素的V分量。
可通过以上计算公式计算出待评价图像每一像素的亮度值、第一色度参数值和第二色度参数值，以及计算出参考图像每一像素的亮度值、第一色度参数值和第二色度参数值。
S113：根据以下公式计算所述待评价图像和所述参考图像每一像素的亮度相似度：
其中，ML(i)表示所述待评价图像和所述参考图像第i个像素的亮度相似度，Lr(i)表示所述待评价图像第i个像素的亮度值，Ld(i)表示所述参考图像第i个像素的亮度值，T1为正变量；
S114：根据以下公式计算所述待评价图像和所述参考图像每一像素的色度相似度：
MC(i)＝MU(i)MV(i)；
其中，MU(i)表示所述待评价图像和所述参考图像第i个像素的第一色度参数相似度，Ur(i)表示所述待评价图像第i个像素的第一色度参数值，Ud(i)表示所述参考图像第i个像素的第一色度参数值，MV(i)表示所述待评价图像和所述参考图像第i个像素的第二色度参数值相似度，Vr(i)表示所述待评价图像第i个像素的第二色度参数值，Vd(i)表示所述参考图像第i个像素的第二色度参数值，T1为正变量，MC(i)表示所述待评价图像和所述参考图像第i个像素的色度相似度。
下面使用图像质量评价领域里目前公开的几个图库，对本实施例图像质量评价方法计算的评价指标与几种传统方法计算的指标进行对比试验。以下表9列出了八个图像库。
表9
以下表10列出了本实施例图像质量评价方法(简称MSPSIM)与其它九种现有算法PSNR(Peak Signal to Noise Ration，峰值信噪比)、SSIM(Structural Similarity，结构相似度)、MS-SSIM、VIF(Visual Saliency-induced，视觉显著性)、MAD、IW-SSIM、FSIM(Feature Similarity，特征相似度)、GMSD(Gradient Magnitude Similarity Deviation，梯度幅度相似度偏差)、SPSIM(Superpixel-based Similarity Index)计算的秩相关系数(Spearman Rank Order Correlation Coefficient,SROCC)、肯德尔的秩相关系数(Kendall’s RankOrder Correlation Coefficient，KROCC)、非线性回归条件下的相关系数(Pearson’s linear correlation coefficient，PLCC)、均方根误差(Root Mean SquareError，RMSE)四个参量值，以进行比较。
表10
通过表10可以发现，MAD在LIVE图库中的结果最好，GMSD在CSIQ图库中的结果最好，而在失真图像数量较多的TID2008与TID2013中，本发明方法MSPSIM在十种评价指标里有明显的优势，从最终的结果来看本发明方法MSPSIM在四个图库加权平均之后的结果优于其余九种算法。
相应的，本发明实施例还提供一种图像质量评价系统，用于执行以上所述的图像质量评价方法。
本实施例提供的图像质量评价系统，不只计算水平方向和垂直方向的梯度信息，还计算除水平方向和垂直方向之外方向的梯度信息，与现有技术中只考虑水平和垂直两个方向梯度信息对图像质量评价的方法相比，避免丢失太多细节信息，能够考虑图像更多细节信息，能够提高对图像质量评价的精确性。
以上对本发明所提供的一种图像质量评价方法及系统进行了详细介绍。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 (9)

1.一种图像质量评价方法，其特征在于，包括：
计算待评价图像和参考图像每一像素的特征参数相似度，所述特征参数为用于表征图像特征的参数；
对所述待评价图像每一像素和所述参考图像每一像素分别对多个不同方向的梯度模板进行卷积运算，根据对应不同方向的计算结果中取值最大的梯度值得到该像素的梯度值，多个不同方向的梯度模板包括0度方向梯度模板、90度方向梯度模板以及至少一个除0度方向和90度方向之外其它方向的梯度模板；
根据所述待评价图像和所述参考图像对应像素的梯度，计算所述待评价图像和所述参考图像每一像素的梯度相似度；
根据所述待评价图像和所述参考图像各像素的特征参数相似度、梯度相似度计算用于评价所述待评价图像质量的评价指标。
2.根据权利要求1所述的图像质量评价方法，其特征在于，计算待评价图像和参考图像每一像素的特征参数相似度包括：
按照预设规则分别将所述待评价图像和所述参考图像分割为若干分块；
将所述待评价图像和所述参考图像分别转换到以亮度和色度描述的颜色空间；
对于所述待评价图像和所述参考图像，以像素所属分块内所有像素的亮度平均值作为该像素的亮度值、以像素所属分块内所有像素的第一色度参数值的平均值作为该像素的第一色度参数值，以像素所属分块内所有像素的第二色度参数值的平均值作为该像素的第二色度参数值；
根据以下公式计算所述待评价图像和所述参考图像每一像素的亮度相似度：
其中，ML(i)表示所述待评价图像和所述参考图像第i个像素的亮度相似度，Lr(i)表示所述待评价图像第i个像素的亮度值，Ld(i)表示所述参考图像第i个像素的亮度值，T1为正变量；
根据以下公式计算所述待评价图像和所述参考图像每一像素的色度相似度：
MC(i)＝MU(i)MV(i)；
其中，MU(i)表示所述待评价图像和所述参考图像第i个像素的第一色度参数相似度，Ur(i)表示所述待评价图像第i个像素的第一色度参数值，Ud(i)表示所述参考图像第i个像素的第一色度参数值，MV(i)表示所述待评价图像和所述参考图像第i个像素的第二色度参数值相似度，Vr(i)表示所述待评价图像第i个像素的第二色度参数值，Vd(i)表示所述参考图像第i个像素的第二色度参数值，T1为正变量，MC(i)表示所述待评价图像和所述参考图像第i个像素的色度相似度。
3.根据权利要求2所述的图像质量评价方法，其特征在于，所述预设规则具体为将图像中邻近的具有相同像素值的像素划分到同一分块，或者将图像中邻近的具有相同纹理特征的像素划分到同一分块，或者将图像中邻近的具有相同像素值和相同纹理特征的像素划分到同一分块。
4.根据权利要求1所述的图像质量评价方法，其特征在于，根据对应不同方向的计算结果中取值最大的梯度值得到该像素的梯度值包括：
选取出对应不同方向的计算值中取值最大的梯度值，将取值最大的梯度值与衰减因子相除所得值作为该像素的梯度值。
5.根据权利要求1所述的图像质量评价方法，其特征在于，多个不同方向的梯度模板包括0度方向梯度模板、45度方向梯度模板、90度方向梯度模板、135度方向梯度模板、180度方向梯度模板、225度方向梯度模板、270度方向梯度模板和315度方向梯度模板，各方向梯度模板以如下各表表示：
表1
-1 0 1 -1 0 1 -1 0 1
表2
-1 -1 0 -1 0 1 0 1 1
表3
-1 -1 -1 0 0 0 1 1 1
表4
0 1 1 -1 0 1 -1 -1 0
表5
1 1 1 0 0 0 -1 -1 -1
表6
1 1 0 1 0 -1 0 -1 -1
表7
1 0 -1 1 0 -1 1 0 -1
表8
0 -1 -1 1 0 -1 1 1 0
其中，表1表示0度方向梯度模板，表2表示45度方向梯度模板，表3表示90度方向梯度模板，表4表示135度方向梯度模板，表5表示180度方向梯度模板，表6表示225度方向梯度模板，表7表示270度方向梯度模板，表8表示315度方向梯度模板。
6.根据权利要求5所述的图像质量评价方法，其特征在于，根据对应不同方向的计算结果中取值最大的梯度值得到该像素的梯度值计算公式如下：
其中，gx、gy、g_45、g_135、g_180、g_225、g_270、g_315分别表示图像像素与0度方向梯度模板、90度方向梯度模板、45度方向梯度模板、135度方向梯度模板、180度方向梯度模板、225度方向梯度模板、270度方向梯度模板、315度方向梯度模板卷积运算后得到的梯度分量，scale表示衰减因子。
7.根据权利要求1所述的图像质量评价方法，其特征在于，根据以下公式计算所述待评价图像和所述参考图像每一像素的梯度相似度：
其中，Gr(i)表示所述待评价图像第i个像素的梯度值，Gd(i)表示所述参考图像第i个像素的梯度值，T2表示正变量。
8.根据权利要求1所述的图像质量评价方法，其特征在于，根据以下公式计算用于评价所述待评价图像质量的评价指标：
其中，MSPSIM表示用于评价所述待评价图像质量的评价指标，ML(i)、ML(i)分别表示亮度相似度和色度相似度，MG(i)表示梯度相似度，ω(i)表示第i个像素所属分块的权值。
9.一种图像质量评价系统，其特征在于，用于执行权利要求1-8任一项所述图像质量评价方法。
CN201811148749.5A 2018-09-29 2018-09-29 一种图像质量评价方法及系统 Pending CN109285153A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811148749.5A CN109285153A (zh) 2018-09-29 2018-09-29 一种图像质量评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811148749.5A CN109285153A (zh) 2018-09-29 2018-09-29 一种图像质量评价方法及系统

Publications (1)

Publication Number Publication Date
CN109285153A true CN109285153A (zh) 2019-01-29

Family

ID=65182271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811148749.5A Pending CN109285153A (zh) 2018-09-29 2018-09-29 一种图像质量评价方法及系统

Country Status (1)

Country Link
CN (1) CN109285153A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179257A (zh) * 2019-12-31 2020-05-19 上海联影医疗科技有限公司 一种评价方法、装置、电子设备及存储介质
CN111510622A (zh) * 2020-04-01 2020-08-07 Oppo广东移动通信有限公司 图像处理方法、装置、终端及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053393A (zh) * 2017-12-08 2018-05-18 广东工业大学 一种梯度相似度图像质量评价方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053393A (zh) * 2017-12-08 2018-05-18 广东工业大学 一种梯度相似度图像质量评价方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEN SUN等: ""SPSIM: A Superpixel-Based Similarity Index for Full-Reference Image Quality Assessment"", 《IEEE XPLORE》 *
沈德海 等: ""基于八方向卷积模板的边缘检测算法"", 《电子设计工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179257A (zh) * 2019-12-31 2020-05-19 上海联影医疗科技有限公司 一种评价方法、装置、电子设备及存储介质
CN111510622A (zh) * 2020-04-01 2020-08-07 Oppo广东移动通信有限公司 图像处理方法、装置、终端及存储介质

Similar Documents

Publication Publication Date Title
CN105678700B (zh) 基于预测梯度的图像插值方法及系统
CN106920232B (zh) 基于显著性检测的梯度相似度图像质量评价方法及系统
KR101001086B1 (ko) 주파수 도메인에서 필름 그레인 패턴을 모델링하는 방법 및장치
CN111489346B (zh) 一种全参考图像质量评价方法及系统
CN111127318A (zh) 一种机场环境下的全景图像拼接方法
CN108428227A (zh) 基于全卷积神经网络的无参考图像质量评价方法
CN108109147A (zh) 一种模糊图像的无参考质量评价方法
Sánchez-Ferreira et al. Bio-inspired optimization algorithms for real underwater image restoration
CN109064418A (zh) 一种基于非局部均值的非均匀噪声图像去噪方法
CN102509294B (zh) 一种基于单幅图像的全局深度估计方法
DE102013113490A1 (de) Verfahren und System zum Schätzen einer Lage einer Kamera
CN110070539A (zh) 基于信息熵的图像质量评价方法
CN108734668A (zh) 图像色彩恢复方法、装置、计算机可读存储介质及终端
CN109285153A (zh) 一种图像质量评价方法及系统
CN108830823A (zh) 基于空域结合频域分析的全参考型图像质量评价方法
CN103049915A (zh) 评价标准参数的建立方法及显示屏图像质量的评价方法
CN110674925A (zh) 基于3d卷积神经网络的无参考vr视频质量评价方法
CN102724541B (zh) 一种监控影像智能诊断恢复方法
CN110691236B (zh) 一种全景视频质量评价方法
CN106412571A (zh) 一种基于梯度相似性标准差的视频质量评价方法
CN109509201A (zh) 一种sar图像质量评价方法和装置
CN109785242A (zh) 一种基于逐波段广义双线性模型的高光谱图像的解混方法
CN106023214A (zh) 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
CN104243970A (zh) 基于立体视觉注意力机制和结构相似度的3d绘制图像的客观质量评价方法
CN108169445A (zh) 一种有效的湖泊水质监测系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190129