CN109886945B - 基于对比度增强的无参考对比度失真图像质量评价方法 - Google Patents
基于对比度增强的无参考对比度失真图像质量评价方法 Download PDFInfo
- Publication number
- CN109886945B CN109886945B CN201910108262.2A CN201910108262A CN109886945B CN 109886945 B CN109886945 B CN 109886945B CN 201910108262 A CN201910108262 A CN 201910108262A CN 109886945 B CN109886945 B CN 109886945B
- Authority
- CN
- China
- Prior art keywords
- image
- contrast
- gray
- gray level
- mean 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于对比度增强的无参考对比度失真图像质量评价方法,该方法首先计算失真图像和对比度增强图像之间的结构相似度索引均值和方差作为对比度增强特征;再将对比度失真图像分割成若干个超像素,计算超像素的均值和方差作为超像素特征;并计算对比度失真图像在每个像素点处的0°、45°、90°和135°方向偏差组成偏差矩阵,得到偏差矩阵特征值,再计算得到偏差特征;组合上述特征得到最终的特征向量;送入支持向量机中进行训练和测试得到客观图像质量评价结果。该方法充分考虑图像的直方图、超像素分割和灰度局部偏差和对比度失真之间的关系,提高了对比度失真图像质量评价精度。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种基于对比度增强的无参考对比度失真图像质量评价方法。
背景技术
图像质量评价是图像处理领域的关键问题,图像质量评价方法根据是否有人的参与可分成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由人对图像进行打分,评价结果精确,但评价过程复杂,耗时时间长,难以得到实时应用。客观图像质量评价方法无需人的参与,通过特定的计算机算法自动预测图像质量,根据是否使用原始无失真图像作为参考,可将图像质量评价方法分成全参考图像质量评价方法,半参考图像质量评价方法和无参考图像质量评价方法。全参考算法使用参考图像的所有信息预测图像质量,半参考图像质量评价方法采用参考图像的部分信息进行图像质量预测,无参考图像质量评价方法不使用参考图像的任何信息进行图像质量评价。现有的全参考图像质量评价方法主要针对普通图像,而针对对比度失真图像的研究相对较少,因此对对比度失真图像进行全参考图像质量评价更具有挑战性。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于对比度增强的无参考对比度失真图像质量评价方法。
本发明的目的是通过以下技术方案来实现的:一种基于对比度增强的无参考对比度失真图像质量评价方法,其特征在于,该方法包括如下步骤:
步骤(1):从输入图像集中取出对比度失真图像I,将训练图像集中的彩色失真图像转换为灰度失真图像;
步骤(2):对对比度灰度失真图像I进行直方图均衡化,具体步骤是:
(2.1):统计对比度灰度失真图像I灰度级i的像素个数ni,其中i=0,1,...,L,L为灰度总级数;
(2.2):计算得到对比度灰度失真图像I的直方图,其中计算公式如下:
其中,n为对比度灰度失真图像I的总像素数目;
(2.3):计算累积分布函数,计算公式如下:
其中,sk为累积分布结果,k为输出灰度级,i=0,1,...,L,L为灰度总级数,L取值为255;
(2.4):计算最终的输出灰度级,计算公式为:
gk=INT[(gmax-gmin)×sk+gmin+0.5]
其中,INT[·]为向下取整操作,gmin为输出灰度级的最小值,gmax为输出灰度级的最大取值,gk为输出灰度级;
(2.5):根据输入灰度级和输出灰度级之间的关系,修改对比度灰度失真图像I的灰度级,得到输出对比度增强图像Y;
步骤(3):计算对比度灰度失真图像I和对比度增强图像Y之间的结构相似度,采用如下公式计算得到结构相似度映射图,即SSIM映射图;
其中,i和j分别为SSIM映射图的行索引和列索引,m和n分别为二维高斯滤波器系数的行索引和列索引,ωm,n为二维高斯滤波器系数,N为滤波器窗口大小,C1和C2为避免分母为0设置的常数,μX为参考灰度图像经高斯滤波后的邻域灰度值的均值,μY为失真灰度图像经高斯滤波后的邻域灰度值的均值,σX为参考灰度图像经高斯滤波后的邻域灰度值的标准差,σY为失真灰度图像经高斯滤波后的邻域灰度值的标准差,σXY为参考灰度图像X和失真灰度图像Y之间的协方差;
步骤(4):计算相似度均值μ1和相似度方差σ1,计算公式如下:
其中,W为图像的宽度,H为图像的高度;
步骤(5):采用超像素分割算法将对比度失真图像I分割为若干个超像素,记分割成的超像素总个数为K,则分割成的第k个超像素记为Pk,其中,1≤k≤K;
步骤(6):求取第k个超像素的面积、均值和方差,记为Sk、μk和σk,其中1≤k≤K,其中Sk、μk和σk计算公式如下:
其中i和j分别为对比度失真图像I的行索引和列索引,ak为第k个超像素中的像素个数,Pk为第k个超像素分割块,其中t(i,j)为(i,j)处的超像素划分,计算公式如下:
步骤(7):采用均值μk和方差σk对第k个超像素分割块Pk进行归一化处理,采用公式如下:
其中C3为避免分母为0设置的常数,L(i,j)为归一化图像在(i,j)处的取值;
步骤(8):计算K个超像素块方差σk的均值μ2和方差σ2,再计算归一化图像L(i,j)在一幅图像的均值μ3和方差σ3,计算公式如下:
步骤(9):求取K个超像素块的面积Sk的均值μ4和方差σ4,求取公式如下:
步骤(10):计算对比度失真图像I在(i,j)处的0°,45°,90°,和135°方向的偏差G0、G45、G90和G135,计算方法如下:
步骤(11):将0°,45°,90°,和135°方向的偏差G0、G45、G90和G135在(i,j)位置处的取值G0(i,j)、G45(i,j)、G90(i,j)和G135(i,j),组成偏差矩阵G,其中组合公式如下:
步骤(12):将偏差矩阵G进行特征值分解,得到偏差矩阵G的特征值λ1(i,j)和λ2(i,j),利用特征值λ1(i,j)和λ2(i,j)得到T(i,j),计算公式如下:
步骤(13):求取T(i,j)的均值μ5和方差σ5,求取特征值λ1的均值μ6和方差σ6,求取特征值λ2的均值μ7和方差σ7,计算公式如下:
步骤(14):将步骤(4)、步骤(8)和步骤(9)提取的均值μ1、μ2、μ3、μ4和方差σ1、σ2、σ3、σ4,步骤(13)提取的均值μ5、μ6、μ7和方差σ5、σ6、σ7组成特征向量F,组合公式如下:
F=[μ1,σ1,μ2,σ2,μ3,σ3,μ4,σ4,μ5,σ5,μ6,σ6,μ7,σ7];
步骤(15):将特征向量F合并MOS分值送到支持向量回归机中进行训练,得到训练后的支持向量回归机;
步骤(16):将待测图像同样按步骤(1)到步骤(14)的流程提取出特征向量F,送到步骤15训练后的支持向量回归机中进行测试,得到客观的图像质量评价结果。
本发明的有益效果是:本发明首先对对比度失真图像进行直方图均衡,得到对比度增强图像,比对失真图像和对比度增强图像得到对比度增强特征;再将对比度失真图像分割成若干个超像素,计算超像素的均值和方差作为超像素特征;并计算对比度失真图像的偏差矩阵,得到偏差矩阵行列式和特征值的均值和方差作为偏差特征;该方法充分考虑图像的直方图、超像素分割和灰度局部偏差和对比度失真之间的关系,提高了对比度失真图像质量评价精度。
附图说明
图1为基于对比度增强的无参考对比度失真图像质量评价方法流程图。
具体实施方式
以下结合附图和实施实例对本发明详细说明:
具体实施中,采用CID2013数据库作为实验数据库,CID2013数据库是专用于对比度失真图像评价的数据库,包含480幅对比度失真图像;
步骤(1):从输入图像集中取出对比度失真图像I,将训练图像集中的彩色失真图像转换为灰度失真图像;
步骤(2):对对比度灰度失真图像I进行直方图均衡化,具体步骤是:
(2.1):统计对比度灰度失真图像I灰度级i的像素个数ni,其中i=0,1,...,L,L为灰度总级数,L取值为255;
(2.2):计算得到对比度灰度失真图像I的直方图,其中计算公式如下:
其中,n为对比度灰度失真图像I的总像素数目;
(2.3):计算累积分布函数,计算公式如下:
其中,sk为累积分布结果,k为输出灰度级,i=0,1,...,L,L为灰度总级数,L取值为255;
(2.4):计算最终的输出灰度级,计算公式为:
gk=INT[(gmax-gmin)×sk+gmin+0.5]
其中,INT[·]为向下取整操作,gmin取值为0,gmax取值为255,gk为输出灰度级;
(2.5):根据输入灰度级和输出灰度级之间的关系,修改对比度灰度失真图像I的灰度级,得到输出对比度增强图像Y;
步骤(3):计算对比度灰度失真图像I和对比度增强图像Y之间的结构相似度,计算公式如下:
采用如下公式计算得到结构相似度映射图,即SSIM映射图;
其中,i和j分别为SSIM映射图的行索引和列索引,m和n分别为二维高斯滤波器系数的行索引和列索引,ωm,n为均值为0,方差为1.5的二维高斯滤波器系数,N为滤波器大小,N取值为5,C1和C2为避免分母为0设置的常数,C1和C2取值为0.01,μX为参考灰度图像经高斯滤波后的邻域灰度值的均值,μY为失真灰度图像经高斯滤波后的邻域灰度值的均值,σX为参考灰度图像经高斯滤波后的邻域灰度值的标准差,σY为失真灰度图像经高斯滤波后的邻域灰度值的标准差,σXY为参考灰度图像X和失真灰度图像Y之间的协方差;
步骤(4):计算相似度均值μ1和相似度方差σ1,计算公式如下:
其中,W为图像的宽度,H为图像的高度;
步骤(5):采用超像素分割算法将整幅图像分割为若干个超像素,其中超像素分割算法采用SLIC超像素分割算法,记分割成的超像素总个数为K,K取值为100,则分割成的第k个超像素记为Pk,其中1≤k≤K;
步骤(6):求取K个超像素的面积、均值和方差,记为Sk、μk和σk,其中1≤k≤K,其中σk计算公式如下:
其中i和j分别为对比度失真图像I的行索引和列索引,ak为第k个超像素中的像素个数,Pk为第k个超像素分割块,其中t(i,j)为(i,j)处的超像素划分,计算公式如下:
步骤(7):采用均值μk和方差σk对第k个超像素分割块Pk进行归一化处理,采用公式如下:
其中C3为避免分母为0设置的常数,取值为0.01,L(i,j)为归一化图像在(i,j)处的取值;
步骤(8):计算K个超像素块方差σk的均值μ2和方差σ2,再计算归一化图像L(i,j)在一幅图像的均值μ3和方差σ3,计算公式如下:
步骤(9):求取K个超像素块的面积Sk的均值和方差,求取公式如下:
步骤(10):计算对比度失真图像I在(i,j)处的0°,45°,90°,和135°方向的偏差G0、G45、G90和G135,计算方法如下:
其中Q取值为3;
步骤(11):将0°,45°,90°,和135°方向的偏差G0、G45、G90和G135在(i,j)位置处的取值G0(i,j)、G45(i,j)、G90(i,j)和G135(i,j),组成偏差矩阵G,其中组合公式如下:
步骤(12):将偏差矩阵G进行特征值分解,得到偏差矩阵G的特征值λ1(i,j)和λ2(i,j),利用特征值λ1(i,j)和λ2(i,j)得到T(i,j),计算公式如下:
步骤(13):求取T(i,j)的均值μ5和方差σ5,求取特征值λ1的均值μ6和方差σ6,求取特征值λ2的均值μ7和方差σ7,计算公式如下:
步骤(14):将步骤(4)、步骤(8)和步骤(9)提取的均值μ1、μ2、μ3、μ4和方差σ1、σ2、σ3、σ4,步骤(13)提取的均值μ5、μ6、μ7和方差σ5、σ6、σ7组成特征向量F,组合公式如下:
F=[μ1,σ1,μ2,σ2,μ3,σ3,μ4,σ4,μ5,σ5,μ6,σ6,μ7,σ7];
步骤(15):将特征向量F合并MOS(Mean Opinion Score,平均主观意见分)分值送到支持向量回归机中进行训练,得到训练后的支持向量回归机,其中,MOS分值为根据电视图像评价标准(ITU-R BT.500-11)得到的评价结果。
步骤(16):将测试图像同样按步骤(1)到步骤(14)的流程提取出特征向量F,送到训练后的支持向量回归机中进行测试,得到客观的图像质量评价结果,发现该方法预测效果与现有技术相比更精确。
以上步骤中支持向量回归机采用台湾大学开发的libsvm支持向量机工具包进行训练和测试,采用径向基函数作为核函数。
Claims (2)
1.一种基于对比度增强的无参考对比度失真图像质量评价方法,其特征在于,该方法包括如下步骤:
步骤(1):从输入图像集中取出对比度失真图像I,将训练图像集中的彩色失真图像转换为灰度失真图像;
步骤(2):对对比度灰度失真图像I进行直方图均衡化;
步骤(3):计算对比度灰度失真图像I和对比度增强图像Y之间的结构相似度,采用如下公式计算得到结构相似度映射图,即SSIM(结构相似度索引)映射图;
其中,i和j分别为SSIM映射图的行索引和列索引,m和n分别为二维高斯滤波器系数的行索引和列索引,ωm,n为二维高斯滤波器系数,N为滤波器窗口大小,C1和C2为避免分母为0设置的常数,μX为参考灰度图像经高斯滤波后的邻域灰度值的均值,μY为失真灰度图像经高斯滤波后的邻域灰度值的均值,σX为参考灰度图像经高斯滤波后的邻域灰度值的标准差,σY为失真灰度图像经高斯滤波后的邻域灰度值的标准差,σXY为参考灰度图像X和失真灰度图像Y之间的协方差;
步骤(4):计算相似度均值μ1和相似度方差σ1,计算公式如下:
其中,W为图像的宽度,H为图像的高度;
步骤(5):采用超像素分割算法将对比度失真图像I分割为若干个超像素,记分割成的超像素总个数为K,则分割成的第k个超像素记为Pk,其中,1≤k≤K;
步骤(6):求取第k个超像素的面积、均值和方差,记为Sk、μk和σk,其中1≤k≤K,其中Sk、μk和σk计算公式如下:
其中i和j分别为对比度失真图像I的行索引和列索引,Pk为第k个超像素分割块,ak为第k个超像素中的像素个数,其中t(i,j)为(i,j)处的超像素划分,计算公式如下:
步骤(7):采用均值μk和方差σk对第k个超像素分割块Pk进行归一化处理,采用公式如下:
其中C3为避免分母为0设置的常数,L(i,j)为归一化图像在(i,j)处的取值;
步骤(8):计算K个超像素块方差σk的均值μ2和方差σ2,再计算归一化图像L(i,j)在一幅图像的均值μ3和方差σ3,计算公式如下:
步骤(9):求取K个超像素块的面积Sk的均值μ4和方差σ4,求取公式如下:
步骤(10):计算对比度失真图像I在(i,j)处的0°,45°,90°,和135°方向的偏差G0、G45、G90和G135,计算方法如下:
步骤(11):将0°,45°,90°,和135°方向的偏差G0、G45、G90和G135在(i,j)位置处的取值G0(i,j)、G45(i,j)、G90(i,j)和G135(i,j),组成偏差矩阵G,其中组合公式如下:
步骤(12):将偏差矩阵G进行特征值分解,得到偏差矩阵G的特征值λ1(i,j)和λ2(i,j),利用特征值λ1(i,j)和λ2(i,j)得到T(i,j),计算公式如下:
其中|·|为求绝对值操作;
步骤(13):求取T(i,j)的均值μ5和方差σ5,求取特征值λ1的均值μ6和方差σ6,求取特征值λ2的均值μ7和方差σ7,计算公式如下:
步骤(14):将步骤(4)、步骤(8)和步骤(9)提取的均值μ1、μ2、μ3、μ4和方差σ1、σ2、σ3、σ4,步骤(13)提取的均值μ5、μ6、μ7和方差σ5、σ6、σ7组成特征向量F,组合公式如下:
F=[μ1,σ1,μ2,σ2,μ3,σ3,μ4,σ4,μ5,σ5,μ6,σ6,μ7,σ7];
步骤(15):将特征向量F合并MOS分值送到支持向量回归机中进行训练,得到训练后的支持向量回归机,其中MOS分值为根据电视图像主观评价标准(ITU-R BT.500-11)得到的评价结果;
步骤(16):将待测图像同样按步骤(1)到步骤(14)的流程提取出特征向量F,送到步骤15训练后的支持向量回归机中进行测试,得到客观的图像质量评价结果。
2.根据权利要求1所述基于对比度增强的无参考对比度失真图像质量评价方法,其特征在于,其特征在于,所述步骤2包括以下子步骤:
(2.1):统计对比度灰度失真图像I灰度级i的像素个数ni,其中i=0,1,...,L,L为灰度总级数;
(2.2):计算得到对比度灰度失真图像I的直方图,其中计算公式如下:
其中,n为对比度灰度失真图像I的总像素数目;
(2.3):计算累积分布函数,计算公式如下:
其中,sk为累积分布结果,k为输出灰度级,i=0,1,...,L,L为灰度总级数,L取值为255;
(2.4):计算最终的输出灰度级,计算公式为:
gk=INT[(gmax-gmin)×sk+gmin+0.5]
其中,INT[·]为向下取整操作,gmin为输出灰度级的最小值,gmax为输出灰度级的最大取值,gk为输出灰度级;
(2.5):根据输入灰度级和输出灰度级之间的关系,修改对比度灰度失真图像I的灰度级,得到输出对比度增强图像Y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910108262.2A CN109886945B (zh) | 2019-01-18 | 2019-01-18 | 基于对比度增强的无参考对比度失真图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910108262.2A CN109886945B (zh) | 2019-01-18 | 2019-01-18 | 基于对比度增强的无参考对比度失真图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886945A CN109886945A (zh) | 2019-06-14 |
CN109886945B true CN109886945B (zh) | 2023-03-24 |
Family
ID=66928025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910108262.2A Active CN109886945B (zh) | 2019-01-18 | 2019-01-18 | 基于对比度增强的无参考对比度失真图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886945B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487999A (zh) * | 2020-12-02 | 2021-03-12 | 西安邮电大学 | 一种基于CycleGAN的遥感图像鲁棒特征提取方法 |
CN112561949B (zh) * | 2020-12-23 | 2023-08-22 | 江苏信息职业技术学院 | 一种基于rpca和支持向量机的快速运动目标检测算法 |
CN113034454B (zh) * | 2021-03-16 | 2023-11-24 | 上海交通大学 | 一种基于人类视觉感官的水下图像质量评价方法 |
CN113793282B (zh) * | 2021-09-17 | 2023-10-24 | 中国科学院长春光学精密机械与物理研究所 | 一种空间相机传函测试图像莫尔条纹模糊去除方法 |
CN114067006B (zh) * | 2022-01-17 | 2022-04-08 | 湖南工商大学 | 一种基于离散余弦变换的屏幕内容图像质量评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017049703A1 (zh) * | 2015-09-25 | 2017-03-30 | 深圳市华星光电技术有限公司 | 图像对比度增强方法 |
CN108289222A (zh) * | 2018-01-26 | 2018-07-17 | 嘉兴学院 | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 |
CN109003265A (zh) * | 2018-07-09 | 2018-12-14 | 嘉兴学院 | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 |
-
2019
- 2019-01-18 CN CN201910108262.2A patent/CN109886945B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017049703A1 (zh) * | 2015-09-25 | 2017-03-30 | 深圳市华星光电技术有限公司 | 图像对比度增强方法 |
CN108289222A (zh) * | 2018-01-26 | 2018-07-17 | 嘉兴学院 | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 |
CN109003265A (zh) * | 2018-07-09 | 2018-12-14 | 嘉兴学院 | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109886945A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886945B (zh) | 基于对比度增强的无参考对比度失真图像质量评价方法 | |
CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
CN109345508B (zh) | 一种基于两阶段神经网络的骨龄评价方法 | |
WO2019104767A1 (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
Liu et al. | A paraboost method to image quality assessment | |
CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
CN108289222B (zh) | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 | |
CN109003265B (zh) | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 | |
CN112818827B (zh) | 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN110996096B (zh) | 一种基于结构相似性差异度的色调映射图像质量评价方法 | |
CN110458792B (zh) | 人脸图像质量的评价方法及装置 | |
CN109712095B (zh) | 一种快速边缘保留的人脸美化方法 | |
CN108629762B (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及系统 | |
CN111223110B (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN112465842B (zh) | 基于U-net网络的多通道视网膜血管图像分割方法 | |
Wang et al. | A new blind image quality framework based on natural color statistic | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN111311525A (zh) | 一种基于直方图概率修正的图像梯度场双区间均衡化算法 | |
CN111047618B (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
CN108090914B (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN112263224A (zh) | 一种基于fpga边缘计算的医学信息处理方法 | |
CN109886325B (zh) | 一种非线性颜色空间分类的模板选择与加速匹配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |