CN109840903A - 基于独立成分分析的无参考图像质量评价方法 - Google Patents
基于独立成分分析的无参考图像质量评价方法 Download PDFInfo
- Publication number
- CN109840903A CN109840903A CN201910062771.6A CN201910062771A CN109840903A CN 109840903 A CN109840903 A CN 109840903A CN 201910062771 A CN201910062771 A CN 201910062771A CN 109840903 A CN109840903 A CN 109840903A
- Authority
- CN
- China
- Prior art keywords
- picture quality
- image
- block
- quality block
- evaluated
- 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
- 238000012880 independent component analysis Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000005192 partition Methods 0.000 claims description 16
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 11
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000001303 quality assessment method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了一种基于独立成分分析的无参考图像质量评价方法,明利用像素对的空间相关性来选择代表图像质量的图像质量块;利用选出的最佳图像质量块并采用FastICA算法求得LIVE2图像库中图像的检测特征,由特征求得图像质量块的独立成分;由LIVE2中图像的独立成分的二值化作为哈希函数建立哈希查找表,查找表的每个数据元素包括判断数据,独立成分数据及主观质量评价DMOS(differential mean opinion score)值;利用待测图像的独立成分的二值化来查找哈希表,对于冲突项采用汉明距离匹配,得出无参考图像质量评价结果。评价结果与DMOS值保持了较好的一致性,且能够对图像的失真程度进行准确度量。
Description
技术领域
本发明涉及图像质量评价领域,尤其涉及通信与信息处理技术领域。
背景技术
在数字视听技术飞速发展的时代,人们对传输及获取的图像质量提出了更高的要求。所以在图像或视频处理的显示终端需要嵌入质量监控模块,为了满足图像处理系统实现质量监控的要求,并克服无法获取标准参考图像的困难,学者们提出了无参考图像质量评价技术,并对该项技术进行了深入研究。
现有的无参考图像质量评价技术存在一些缺陷,例如:不能很好地表征图像质量;图像质量评价算法速度较慢;主观一致性较差等。此外与本方法相似的一个图像质量评价技术是利用像素对的统计模型评价图像质量,但该方法只能在微光图像质量评价中取得良好效果,对自然图像质量进行评价时效果不理想。为了克服这些缺陷,本发明提出一种基于ICA(独立成分分析)二值化的无参考图像质量评价方法,利用像素对的空间相关性来选择代表图像质量的图像质量块,对选出的最佳图像质量块进行ICA计算,求得独立成分,将独立成分通过哈希查找表及汉明距离匹配图像库LIVE2中的主观质量评价DMOS(differential mean opinion score)值,得出无参考图像质量评价结果。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷,提供一种基于独立成分分析的无参考图像质量评价方法。
本发明为解决上述技术问题采用以下技术方案:
基于独立成分分析的无参考图像质量评价方法,包含以下步骤:
步骤1),对于LIVE2图像库中的每一个图像,选择出五个图像质量块:
步骤1.1),生成每幅图像的散点图;
步骤1.2),计算散点图的散布宽度Iw;
步骤1.3),在图像上滑动32×32的窗口,获得所有32×32的图像块,计算每个图像块中像素对散点图的散布宽度Ipw;
步骤1.4),对于每一个图像块,计算其散布宽度Ipw与Iw的比值,将其作为该图像块的RWID值;
步骤1.5),按照以下按照以下RWID值的范围对各个图像块进行分类:RWID=1、0.95<RWID<1、0.9<RWID<0.95、0.85<RWID<0.9、0.8<RWID<0.85;在每个范围内任意选择一个图像块作为该范围的图像质量块;
步骤2),对获得的LIVE2图像库所有图像的图像质量块进行独立成分分析(FastICA)计算,得到36个特征检测子;
步骤3),计算各个图像质量块的独立成分:
对于每一个图像质量块,将其图像矩阵分别和36个特征检测子相乘,得到36个矩阵,对于每个矩阵、将其内的元素分别相加,得到36个元素Si,i为大于等于0且小于36的整数,所述36个元素组成向量、即该图像质量块的独立成分;
步骤4),对于每一个图像质量块,对其独立成分进行二值化:
步骤4.1),根据下面公式计算独立成分中相邻元素的差的绝对值SDi;
步骤4.2),根据下面公式对独立成分进行二值化计算,得到其独立成分的二值码bi集合:
式中,M为M0、M1、……、M35中的最小值,Mi为各个图像质量块的Si的平均值;
步骤5),根据各个图像质量块独立成分的二值码bi集合计算出其对应的哈希地址,对于每个图像质量块:
令Nm=bm×3+1×20+bm×3+2×21+bm×3+3×22,m为大于0小于等于11的整数,令N12=N0;
定义哈希函数为H(h0,…,h11)=h0×20+…+h11×211,计算出图像质量块对应的哈希地址;
步骤6),在图像质量块对应的哈希地址指向的存储单元中存放图像质量块的独立成分以及图像质量块在LIVE2图像库中的DMOS值,形成哈希表;
步骤7),需要对待评价图像进行图像质量评价时:
步骤7.1),选择出待评价图像的五个图像质量块,并记录该五个图像质量块的RWID值;
步骤7.2),对待评价图像五个图像质量块进行独立成分分析(FastICA)计算,得到36个待评价图像的特征检测子;
步骤7.3),计算待评价图像五个图像质量块的独立成分:
对于待评价图像的每一个图像质量块,将其图像矩阵分别和36个待评价图像的特征检测子相乘,得到36个矩阵,对于每个矩阵、将其内的元素分别相加,得到36个元素,所述36个元素组成向量、即该图像质量块的独立成分;
步骤7.4),对于待评价图像的每一个图像质量块,对其独立成分进行二值化,得到其二值码集合;
步骤7.5),对于待评价图像的每一个图像质量块,根据其独立成分的二值码集合计算出其对应的哈希地址;
步骤7.6),对于待评价图像的每一个图像质量块,根据其对应的哈希地址在哈希表中寻找地址指向的存储单元,根据存储单元中存储的独立成分与该图像质量块的独立成分计算出该图像质量块的汉明距离;
步骤7.7),将待评价图像的各个图像质量块的汉明距离和预设的距离阈值进行比较,如果图像质量块的汉明距离和预设的距离阈值,则认为该图像质量块为相似块,记录其对应的哈希地址指向的存储单元中存储的DMOS值;
步骤7.8),根据以下公式计算待评价图像的无参考图像质量评价分数PIH-IQA:
式中,N为相似块的数目,k为大于等于1小于等于N的整数,DMOSk为第k个相似块对应的哈希地址指向的存储单元中存储的DMOS值,RWIDk为第k个相似块对应的RWID值。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
判断一个图像质量评价方法是否有效的最主要的是测试其主观一致性,即与主观测评分数是否一致,本发明中,PIH-IQA的评价结果与DMOS值保持了较好的一致性。
基于ICA二值化的无参考图像质量评价指标能够对图像的失真程度进行准确度量。预测评价结果的准确性Pearson线性相关系数(PCC)值高达0.949;预测评价结果的单调性Spearman Rand Order Correlation(SRC)高达0.996;预测评价结果的一致性均方根误差(RMSE)为5.917。
附图说明
图1(a)、图1(b)分别是图像的原图、散点图;
图2是由FastICA算法得到的36个特征检测子;
图3是独立成分的二值化过程示意图;
图4 PIH-IQA的主观一致性散点图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
基于独立成分分析的无参考图像质量评价方法,包含以下步骤:
步骤1),对于LIVE2图像库中的每一个图像,选择出五个图像质量块:
步骤1.1),生成每幅图像的散点图,图1(a)、图1(b)分别是图像的原图、散点图;
步骤1.2),计算散点图的散布宽度Iw;
步骤1.3),在图像上滑动32×32的窗口,获得所有32×32的图像块,计算每个图像块中像素对散点图的散布宽度Ipw;
步骤1.4),对于每一个图像块,计算其散布宽度Ipw与Iw的比值,将其作为该图像块的RWID值;
步骤1.5),按照以下按照以下RWID值的范围对各个图像块进行分类:RWID=1、0.95<RWID<1、0.9<RWID<0.95、0.85<RWID<0.9、0.8<RWID<0.85;在每个范围内任意选择一个图像块作为该范围的图像质量块;
按照此方法共获得3895块图像质量块;
步骤2),如图2所示,对获得的LIVE2图像库所有图像的图像质量块进行独立成分分析(FastICA)计算,得到36个特征检测子;
步骤3),计算各个图像质量块的独立成分:
对于每一个图像质量块,将其图像矩阵分别和36个特征检测子相乘,得到36个矩阵,对于每个矩阵、将其内的元素分别相加,得到36个元素Si,i为大于等于0且小于36的整数,所述36个元素组成向量、即该图像质量块的独立成分;
步骤4),如图3所示,对于每一个图像质量块,对其独立成分进行二值化:
步骤4.1),根据下面公式计算独立成分中相邻元素的差的绝对值SDi;
步骤4.2),根据下面公式对独立成分进行二值化计算,得到其独立成分的二值码bi集合:
式中,M为M0、M1、……、M35中的最小值,Mi为各个图像质量块的Si的平均值;譬如,M0为3895块图像质量块的S0的平均值;
步骤5),根据各个图像质量块独立成分的二值码bi集合计算出其对应的哈希地址,对于每个图像质量块:
令Nm=bm×3+1×20+bm×3+2×21+bm×3+3×22,m为大于0小于等于11的整数,令N12=N0;
定义哈希函数为H(h0,…,h11)=h0×20+…+h11×211,计算出图像质量块对应的哈希地址;
步骤6),在图像质量块对应的哈希地址指向的存储单元中存放图像质量块的独立成分以及图像质量块在LIVE2图像库中的DMOS值,形成哈希表;
步骤7),需要对待评价图像进行图像质量评价时:
步骤7.1),选择出待评价图像的五个图像质量块,并记录该五个图像质量块的RWID值;
步骤7.2),对待评价图像五个图像质量块进行独立成分分析(FastICA)计算,得到36个待评价图像的特征检测子;
步骤7.3),计算待评价图像五个图像质量块的独立成分:
对于待评价图像的每一个图像质量块,将其图像矩阵分别和36个待评价图像的特征检测子相乘,得到36个矩阵,对于每个矩阵、将其内的元素分别相加,得到36个元素,所述36个元素组成向量、即该图像质量块的独立成分;
步骤7.4),对于待评价图像的每一个图像质量块,对其独立成分进行二值化,得到其二值码集合;
步骤7.5),对于待评价图像的每一个图像质量块,根据其独立成分的二值码集合计算出其对应的哈希地址;
步骤7.6),对于待评价图像的每一个图像质量块,根据其对应的哈希地址在哈希表中寻找地址指向的存储单元,根据存储单元中存储的独立成分与该图像质量块的独立成分计算出该图像质量块的汉明距离;
步骤7.7),将待评价图像的各个图像质量块的汉明距离和预设的距离阈值进行比较,如果图像质量块的汉明距离和预设的距离阈值,则认为该图像质量块为相似块,记录其对应的哈希地址指向的存储单元中存储的DMOS值;
步骤7.8),根据以下公式计算待评价图像的无参考图像质量评价分数PIH-IQA:
式中,N为相似块的数目,k为大于等于1小于等于N的整数,DMOSk为第k个相似块对应的哈希地址指向的存储单元中存储的DMOS值,RWIDk为第k个相似块对应的RWID值。
本发明利用像素对的空间相关性来选择代表图像质量的图像质量块;利用选出的最佳图像质量块并采用FastICA算法求得LIVE2图像库中图像的检测特征,由特征求得图像质量块的独立成分;由LIVE2中图像的独立成分的二值化作为哈希函数建立哈希查找表,查找表的每个数据元素包括判断数据,独立成分数据及主观质量评价DMOS(differentialmean opinion score)值;利用待测图像的独立成分的二值化来查找哈希表,对于冲突项采用汉明距离匹配,得出无参考图像质量评价结果。
判断一个图像质量评价方法是否有效的最主要的是测试其主观一致性,即与主观测评分数是否一致。主观分数与评价结果的散点图如图4所示,图中x轴表示PIH-IQA的分数,y-轴为DMOS值,由图中可见除别点外,点的分布非常集中,所以PIH-IQA的评价结果与DMOS值保持了较好的一致性。
基于ICA二值化的无参考图像质量评价指标可以对图像的失真程度进行准确度量。预测评价结果的准确性Pearson线性相关系数(PCC)值高达0.949;预测评价结果的单调性Spearman Rand Order Correlation(SRC)高达0.996;预测评价结果的一致性均方根误差(RMSE)为5.917。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.基于独立成分分析的无参考图像质量评价方法,包含以下步骤:
步骤1),对于LIVE2图像库中的每一个图像,选择出五个图像质量块:
步骤1.1),生成每幅图像的散点图;
步骤1.2),计算散点图的散布宽度Iw;
步骤1.3),在图像上滑动32×32的窗口,获得所有32×32的图像块,计算每个图像块中像素对散点图的散布宽度Ipw;
步骤1.4),对于每一个图像块,计算其散布宽度Ipw与Iw的比值,将其作为该图像块的RWID值;
步骤1.5),按照以下按照以下RWID值的范围对各个图像块进行分类:RWID=1、0.95<RWID<1、0.9<RWID<0.95、0.85<RWID<0.9、0.8<RWID<0.85;在每个范围内任意选择一个图像块作为该范围的图像质量块;
步骤2),对获得的LIVE2图像库所有图像的图像质量块进行独立成分分析(FastICA)计算,得到36个特征检测子;
步骤3),计算各个图像质量块的独立成分:
对于每一个图像质量块,将其图像矩阵分别和36个特征检测子相乘,得到36个矩阵,对于每个矩阵、将其内的元素分别相加,得到36个元素Si,i为大于等于0且小于36的整数,所述36个元素组成向量、即该图像质量块的独立成分;
步骤4),对于每一个图像质量块,对其独立成分进行二值化:
步骤4.1),根据下面公式计算独立成分中相邻元素的差的绝对值SDi;
步骤4.2),根据下面公式对独立成分进行二值化计算,得到其独立成分的二值码bi集合:
式中,M为M0、M1、……、M35中的最小值,Mi为各个图像质量块的Si的平均值;
步骤5),根据各个图像质量块独立成分的二值码bi集合计算出其对应的哈希地址,对于每个图像质量块:
令Nm=bm×3+1×20+bm×3+2×21+bm×3+3×22,m为大于0小于等于11的整数,令N12=N0;
定义哈希函数为H(h0,…,h11)=h0×20+…+h11×211,计算出图像质量块对应的哈希地址;
步骤6),在图像质量块对应的哈希地址指向的存储单元中存放图像质量块的独立成分以及图像质量块在LIVE2图像库中的DMOS值,形成哈希表;
步骤7),需要对待评价图像进行图像质量评价时:
步骤7.1),选择出待评价图像的五个图像质量块,并记录该五个图像质量块的RWID值;
步骤7.2),对待评价图像五个图像质量块进行独立成分分析(FastICA)计算,得到36个待评价图像的特征检测子;
步骤7.3),计算待评价图像五个图像质量块的独立成分:
对于待评价图像的每一个图像质量块,将其图像矩阵分别和36个待评价图像的特征检测子相乘,得到36个矩阵,对于每个矩阵、将其内的元素分别相加,得到36个元素,所述36个元素组成向量、即该图像质量块的独立成分;
步骤7.4),对于待评价图像的每一个图像质量块,对其独立成分进行二值化,得到其二值码集合;
步骤7.5),对于待评价图像的每一个图像质量块,根据其独立成分的二值码集合计算出其对应的哈希地址;
步骤7.6),对于待评价图像的每一个图像质量块,根据其对应的哈希地址在哈希表中寻找地址指向的存储单元,根据存储单元中存储的独立成分与该图像质量块的独立成分计算出该图像质量块的汉明距离;
步骤7.7),将待评价图像的各个图像质量块的汉明距离和预设的距离阈值进行比较,如果图像质量块的汉明距离和预设的距离阈值,则认为该图像质量块为相似块,记录其对应的哈希地址指向的存储单元中存储的DMOS值;
步骤7.8),根据以下公式计算待评价图像的无参考图像质量评价分数PIH-IQA:
式中,N为相似块的数目,k为大于等于1小于等于N的整数,DMOSk为第k个相似块对应的哈希地址指向的存储单元中存储的DMOS值,RWIDk为第k个相似块对应的RWID值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910062771.6A CN109840903A (zh) | 2019-01-23 | 2019-01-23 | 基于独立成分分析的无参考图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910062771.6A CN109840903A (zh) | 2019-01-23 | 2019-01-23 | 基于独立成分分析的无参考图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109840903A true CN109840903A (zh) | 2019-06-04 |
Family
ID=66884008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910062771.6A Pending CN109840903A (zh) | 2019-01-23 | 2019-01-23 | 基于独立成分分析的无参考图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840903A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524123A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
-
2019
- 2019-01-23 CN CN201910062771.6A patent/CN109840903A/zh active Pending
Non-Patent Citations (1)
Title |
---|
CHUANG ZHANG 等: "No-reference image quality assessment based on quality patches in real time", 《HTTPS://JIVP-EURASIPJOURNALS.SPRINGEROPEN.COM/ARTICLES/10.1186/S13640-018-0361-Z》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524123A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
CN111524123B (zh) * | 2020-04-23 | 2023-08-08 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
US11734809B2 (en) | 2020-04-23 | 2023-08-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for processing image |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Čadík et al. | Evaluation of HDR tone mapping methods using essential perceptual attributes | |
Chalidabhongse et al. | A perturbation method for evaluating background subtraction algorithms | |
Song et al. | Color to gray: Visual cue preservation | |
CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
Tian et al. | A multi-order derivative feature-based quality assessment model for light field image | |
CN104851112B (zh) | 一种基于数据集补偿的运动目标检测跟踪算法的评估方法 | |
Tian et al. | Light field image quality assessment via the light field coherence | |
CN109598299A (zh) | 一种图像相似度确定方法、装置及电子设备 | |
WO2022100510A1 (zh) | 一种图像失真评测的方法、装置及计算机设备 | |
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 | |
CN108335289A (zh) | 一种全参考融合的图像客观质量评价方法 | |
CN110766658B (zh) | 一种无参考激光干扰图像质量评价方法 | |
CN110910347B (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
CN101976444A (zh) | 一种基于像素类型的结构类似性图像质量客观评价方法 | |
CN106570862A (zh) | 一种超分辨率重建质量的评价方法及装置 | |
CN109741285B (zh) | 一种水下图像数据集的构建方法及系统 | |
Lavoué et al. | Perceptual quality of BRDF approximations: dataset and metrics | |
Goyal et al. | Analytical relation & comparison of PSNR and SSIM on babbon image and human eye perception using matlab | |
CN109754390A (zh) | 一种基于混合视觉特征的无参考图像质量评价方法 | |
Potashnikov et al. | Analysis of modern methods used to assess the quality of video sequences during signal streaming | |
Chi et al. | Blind tone mapped image quality assessment with image segmentation and visual perception | |
Hashim et al. | No reference Image Quality Measure for Hazy Images. | |
CN108010023A (zh) | 基于张量域曲率分析的高动态范围图像质量评价方法 | |
CN112132774A (zh) | 一种色调映射图像的质量评价方法 | |
CN109840903A (zh) | 基于独立成分分析的无参考图像质量评价方法 |
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: 20190604 |
|
RJ01 | Rejection of invention patent application after publication |