CN112435188A - 基于方向权重的jnd预测方法、装置、计算机设备及存储介质 - Google Patents

基于方向权重的jnd预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112435188A
CN112435188A CN202011321500.7A CN202011321500A CN112435188A CN 112435188 A CN112435188 A CN 112435188A CN 202011321500 A CN202011321500 A CN 202011321500A CN 112435188 A CN112435188 A CN 112435188A
Authority
CN
China
Prior art keywords
masking
calculating
metric
value
metric 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.)
Granted
Application number
CN202011321500.7A
Other languages
English (en)
Other versions
CN112435188B (zh
Inventor
王妙辉
刘雪芹
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202011321500.7A priority Critical patent/CN112435188B/zh
Publication of CN112435188A publication Critical patent/CN112435188A/zh
Application granted granted Critical
Publication of CN112435188B publication Critical patent/CN112435188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种基于方向权重的JND预测方法、装置、计算机设备及存储介质，其中该方法包括：获取输入的待预测图像；利用Prewitt算子计算所述图像中的像素点的水平方向梯度和垂直方向梯度得到对应像素点的方向；根据人眼对不同方向的敏感性差异计算不同方向对应的权重因子；根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值；将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性叠加得到最终的JND预测值。本发明结合人眼视觉特性，对不同方向的像素对比度掩蔽度量值进行不同程度的调整，使得敏感度较高的地方对应的对比度掩蔽度量值更小，敏感度较低的地方对应度量值较大。

Description

基于方向权重的JND预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及图像视频编码技术领域，特别是涉及一种基于方向权重的JND预测方法、装置、计算机设备及存储介质。
背景技术
随着互联网技术和多媒体信息技术的快速发展，产生了越来越多的屏幕图像/视频数据，给数据的压缩、传输和存储带来巨大压力。为了进一步提高编码效率，利用人眼视觉特性来去除图像/视频中的视觉冗余是当前学术界和工业界的研究热点。基于生理学和心理学的研究表明，人眼视觉系统在对图像感知过程中存在视觉掩蔽效应，即当图像像素值的变化小于一定的阈值时，人眼感知不到任何像素值的变化，该阈值就是恰可察觉失真(JustNoticeable Difference，简称JND)阈值。JND可以有效地表征人眼视觉冗余，并且已被广泛应用于基于视觉感知的图像/视频处理算法和系统中。
目前，JND模型主要分为两类：像素域JND模型和变换域JND模型。传统的像素域JND模型主要考虑亮度自适应掩蔽和对比度掩蔽，亮度自适应掩蔽指在不同的亮度背景下，物体变化的可见性阈值会不一样，对比度掩蔽是指一个物体在另一个物体存在的情况下，这个物体变化的可见性阈值会降低。亮度自适应掩蔽得到的度量值和对比度掩蔽得到的度量值通过非线性叠加模型得到最终的JND值。
由于人眼对不同方向的边缘的变化有不同的程度的掩蔽，一般情况下，人眼对水平方向和竖直方向的刺激变化的感知能力最强，对于45°和135°方向的刺激变化的感知能力最弱。然而，在现有的JND模型中并没有使用基于方向的权重因子专门针对对比度掩蔽进行精确的调整。此外，图像模糊小于一定程度时也不会被人眼感知到，因此人眼对图像模糊的掩蔽也应该被考虑进JND模型中，而目前现有的JND模型通常并没有考虑到模糊掩蔽对JND预测结果的影响。
发明内容
基于此，有必要针对上述技术问题，提供一种基于方向权重的JND预测方法、装置、计算机设备及存储介质。
一种基于方向权重的JND预测方法，所述方法包括：
获取输入的待预测图像；
利用Prewitt算子计算所述图像中的像素点的水平方向梯度和垂直方向梯度得到对应像素点的方向；
根据人眼对不同方向的敏感性差异计算不同方向对应的权重因子；
根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值；
将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性叠加得到最终的JND预测值。
在其中一个实施例中，所述利用Prewitt算子计算所述图像中的像素点的水平方向梯度和垂直方向梯度得到对应像素点的方向的步骤包括：
利用Prewitt算子计算(x,y)处像素的水平方向梯度G1(x,y)和垂直方向梯度G2(x,y)；
根据所述水平方向梯度G1(x,y)和垂直方向梯度G2(x,y)计算得到所述像素点的方向ω(x,y)；
Figure BDA0002793064950000021
其中，ω(x,y)为(x,y)处像素的方向。
在其中一个实施例中，所述根据人眼对不同方向的敏感性差异计算不同方向对应的权重因子的步骤具体包括：
计算基于方向的权重因子
Figure BDA0002793064950000022
ω(x,y)∈[0,180°]
其中，a＝2，a1＝1.526，b1＝195.5，c1＝53.74，a2＝1.379，b2＝3.325，c2＝29.1，a3＝1.409，b3＝74.96，c3＝38.12，d＝2。
在其中一个实施例中，所述根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值的步骤包括：
计算像素的最大边缘高度G(x,y)和所述像素的亮度特征值br(x,y)；
Figure BDA0002793064950000031
其中，B(i,j)为5x5大小的矩阵，I(x,y)表示输入图像像素值，k＝5，m1＝1，m2＝1，n＝3；
结合所述权重因子计算对比度掩蔽度量值CM(x,y)；
Figure BDA0002793064950000032
其中，β＝0.4，p1＝10，M＝127。
在其中一个实施例中，所述根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值的步骤还包括：
对图像进行高斯滤波；
Figure BDA0002793064950000033
Figure BDA0002793064950000034
其中，GF(x,y)表示高斯平滑后的结果；
Figure BDA0002793064950000035
表示卷积运算，g(x,y)为高斯方程，其标准差σg随G(x,y)增加而减小，p2＝0.33，p3＝8；
结合亮度特征值，计算模糊掩蔽度量值BS(x,y)；
Figure BDA0002793064950000036
其中，a＝0.8，p4＝-0.0024，p5＝1，p6＝18。
在其中一个实施例中，所述根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值的步骤还包括：
计算亮度掩蔽度量值LA(x,y)；
Figure BDA0002793064950000041
其中，
Figure BDA0002793064950000042
表示像素(x,y)在以其为中心的5x5窗口内的背景亮度值，l1，l2，l3为控制背景亮度与可见性阈值的关系，依次分别设置为13，1，3/128，p7＝1，p8＝127。
在其中一个实施例中，所述将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性叠加得到最终的JND预测值的步骤包括：
将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性，计算图片最终的JND；
Figure BDA0002793064950000043
其中，z1＝0.6，z2＝1，z3＝0.6。
一种基于方向权重的JND预测装置，所述装置包括：
获取模块，所述获取模块用于获取输入的待预测图像；
第一计算模块，所述第一计算模块用于利用Prewitt算子计算所述图像中的像素点的水平方向梯度和垂直方向梯度得到对应像素点的方向；
第二计算模块，所述第二计算模块用于根据人眼对不同方向的敏感性差异计算不同方向对应的权重因子；
第三计算模块，所述第三计算模块用于根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值；
非线性叠加模块，所述非线性叠加模块用于将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性叠加得到最终的JND预测值。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项方法的步骤。
上述基于方向权重的JND预测方法、装置、计算机设备及存储介质，结合人眼视觉特性，对不同方向的像素对比度掩蔽度量值进行不同程度的调整，使得敏感度较高的地方对应的对比度掩蔽度量值更小，敏感度较低的地方对应度量值较大。此外，除了对比度掩蔽和亮度掩蔽，本发明也考虑了模糊掩蔽的作用，用于进一步去除视觉冗余，使得更多的噪声被加在人眼不容易发现的地方，人眼容易关注到的地方添加更少的噪声。
附图说明
图1为一个实施例中基于方向权重的JND预测方法的流程示意图；
图2为一个实施例中基于方向权重的JND预测方法的整体构思示意图；
图3为一个实施例中基于方向权重的JND预测装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于方向权重的JND预测方法，该方法包括：
步骤102，获取输入的待预测图像；
步骤104，利用Prewitt算子计算图像中的像素点的水平方向梯度和垂直方向梯度得到对应像素点的方向；
步骤106，根据人眼对不同方向的敏感性差异计算不同方向对应的权重因子；
步骤108，根据亮度特征值并结合权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值；
步骤110，将对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性叠加得到最终的JND预测值。
为了进一步去除人眼的视觉冗余，在本实施例中提出一种基于方向权重的JND预测方法。该方法的整体构思参考图2所示，至少包括如下几个发明点：
首先，在本实施例中提出了一种衡量人眼视觉系统对不同方向像素失真敏感性的权重因子计算方法。其次，在本实施例中还提出了一种基于方向敏感性差异的计算对比度掩蔽度量值的方法。再次，本实施例中还提出了一种基于亮度特征和边缘特征的计算人眼对模糊程度可察觉阈值方法，可用于进一步去除视觉冗余。该方法的具体实现步骤如下：
第一步：获取输入的待评价图像，对该图像利用Prewitt算子计算(x,y)处像素的水平和竖直方向的梯度G1(x,y)和G2(x,y)，进而得到该点的方向ω(x,y)：
Figure BDA0002793064950000061
其中，ω(x,y)为(x,y)处像素的方向。
第二步：人眼视觉特性对不同方向的刺激有不同敏感性，敏感度随刺激的方向变化而变化。具体地，敏感度从0°到45°依次降低，从45°到90°依次升高，从90°到135°依次降低，从135°到180°依次升高，对水平方向和竖直方向最高的敏感度，对45°和135°方向的敏感度最低。根据上述的人眼视觉特性，本实施例中提出的基于方向的权重因子计算公式如下：
Figure BDA0002793064950000062
ω(x,y)∈[0,180°]
其中，a＝2，a1＝1.526，b1＝195.5，c1＝53.74，a2＝1.379，b2＝3.325，c2＝29.1，a3＝1.409，b3＝74.96，c3＝38.12，d＝2。
第三步：考虑亮度特征和方向敏感性因素计算对比度掩蔽度量值，具体的计算过程如下：
首先，计算每一个像素的最大边缘高度G(x,y)和亮度特征值br(x,y)：
Figure BDA0002793064950000071
其中，B(i,j)为5x5大小的矩阵，I(x,y)表示输入图像像素值，k＝5，m1＝1，m2＝1，n＝3；
在一个具体的实施例中B(i,j)值如下所示：
0.03 0.03 0.03 0.03 0.03
0.03 0.06 0.07 0.06 0.03
0.03 0.07 0.00 0.07 0.03
0.03 0.06 0.07 0.06 0.03
0.03 0.03 0.03 0.03 0.03
然后，结合权重因子，计算对比度掩蔽度量值CM(x,y)：
Figure BDA0002793064950000072
其中，β＝0.4，p1＝10，M＝127。
第四步：考虑亮度特征和边缘特征的影响计算模糊掩蔽度量值，具体的计算过程如下：
首先，先对图像进行高斯滤波。
Figure BDA0002793064950000073
Figure BDA0002793064950000074
其中，GF(x,y)表示高斯平滑后的结果；
Figure BDA0002793064950000075
表示卷积运算，g(x,y)为高斯方程，其标准差σg随G(x,y)增加而减小，p2＝0.33，p3＝8。
然后，结合亮度特征计算模糊掩蔽度量值BS(x,y)：
Figure BDA0002793064950000076
其中，a＝0.8，p4＝-0.0024，p5＝1，p6＝18。
第五步：计算亮度掩蔽度量值LA(x,y)：
Figure BDA0002793064950000081
其中，
Figure BDA0002793064950000082
表示像素(x,y)在以其为中心的5x5窗口内的背景亮度值，l1，l2，l3控制背景亮度与可见性阈值的关系，分别设置为13，1，3/128，p7＝1，p8＝127。
第六步：计算图片最终的JND。将对比度掩蔽度量值、模糊掩蔽度量值和亮度掩蔽度量值进行非线性叠加，JND的计算公式如下：
Figure BDA0002793064950000083
其中，z1＝0.6，z2＝1，z3＝0.6。
在上述实施例中，结合人眼视觉特性，对不同方向的像素对比度掩蔽度量值进行不同程度的调整，使得敏感度较高的地方对应的对比度掩蔽度量值更小，敏感度较低的地方对应度量值较大。此外，除了对比度掩蔽和亮度掩蔽，本发明也考虑了模糊掩蔽的作用，用于进一步去除视觉冗余，使得更多的噪声被加在人眼不容易发现的地方，人眼容易关注到的地方添加更少的噪声。
在一个实施例中，如图3所示，提供了一种基于方向权重的JND预测装置300，该装置包括：
获取模块301，用于获取输入的待预测图像；
第一计算模块302，用于利用Prewitt算子计算所述图像中的像素点的水平方向梯度和垂直方向梯度得到对应像素点的方向；
第二计算模块303，用于根据人眼对不同方向的敏感性差异计算不同方向对应的权重因子；
第三计算模块304，用于根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值；
非线性叠加模块305，用于将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性叠加得到最终的JND预测值。
在一个实施例中，第一计算模块302还用于：
利用Prewitt算子计算(x,y)处像素的水平方向梯度G1(x,y)和垂直方向梯度G2(x,y)；
根据所述水平方向梯度G1(x,y)和垂直方向梯度G2(x,y)计算得到所述像素点的方向ω(x,y)；
Figure BDA0002793064950000091
其中，ω(x,y)为(x,y)处像素的方向。
在一个实施例中，第二计算模块303还用于：
计算基于方向的权重因子
Figure BDA0002793064950000092
ω(x,y)∈[0,180°]
其中，a＝2，a1＝1.526，b1＝195.5，c1＝53.74，a2＝1.379，b2＝3.325，c2＝29.1，a3＝1.409，b3＝74.96，c3＝38.12，d＝2。
在一个实施例中，第三计算模块304还用于：
计算像素的最大边缘高度G(x,y)和以所述像素的亮度特征值br(x,y)；
Figure BDA0002793064950000093
其中，B(i,j)为5x5大小的矩阵，I(x,y)表示输入图像像素值，k＝5，m1＝1，m2＝1，n＝3；；
结合所述权重因子计算对比度掩蔽度量值CM(x,y)；
Figure BDA0002793064950000094
其中，β＝0.4，p1＝10，M＝127。
在一个实施例中，第三计算模块304还用于：
对图像进行高斯滤波；
Figure BDA0002793064950000101
Figure BDA0002793064950000102
其中，GF(x,y)表示高斯平滑后的结果；
Figure BDA0002793064950000103
表示卷积运算，g(x,y)为高斯方程，其标准差σg随G(x,y)增加而减小，p2＝0.33，p3＝8。
结合亮度特征值，计算模糊掩蔽度量值BS(x,y)；
Figure BDA0002793064950000104
其中，a＝0.8，p4＝-0.0024，p5＝1，p6＝18。
在一个实施例中，第三计算模块304还用于：
计算亮度掩蔽度量值LA(x,y)；
Figure BDA0002793064950000105
其中，
Figure BDA0002793064950000106
表示像素(x,y)在以其为中心的5x5窗口内的背景亮度值，l1，l2，l3为控制背景亮度与可见性阈值的关系，依次分别设置为13，1，3/128，p7＝1，p8＝127。
在一个实施例中，非线性叠加模块305还用于：
将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性，计算图片最终的JND；
Figure BDA0002793064950000107
其中，z1＝0.6，z2＝1，z3＝0.6。
关于基于方向权重的JND预测装置的具体限定可以参见上文中对于基于方向权重的JND预测方法的限定，在此不再赘述。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图4所示。该计算机设备包括通过装置总线连接的处理器、存储器以及网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作装置、计算机程序和数据库。该内存储器为非易失性存储介质中的操作装置和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于方向权重的JND预测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以上各个方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以上各个方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于方向权重的JND预测方法，所述方法包括：
获取输入的待预测图像；
利用Prewitt算子计算所述图像中的像素点的水平方向梯度和垂直方向梯度得到对应像素点的方向；
根据人眼对不同方向的敏感性差异计算不同方向对应的权重因子；
根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值；
将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性叠加得到最终的JND预测值。
2.根据权利要求1所述的基于方向权重的JND预测方法，其特征在于，所述利用Prewitt算子计算所述图像中的像素点的水平方向梯度和垂直方向梯度得到对应像素点的方向的步骤包括：
利用Prewitt算子计算(x,y)处像素的水平方向梯度G1(x,y)和垂直方向梯度G2(x,y)；
根据所述水平方向梯度G1(x,y)和垂直方向梯度G2(x,y)计算得到所述像素点的方向ω(x,y)；
Figure FDA0002793064940000011
其中，ω(x,y)为(x,y)处像素的方向。
3.根据权利要求2所述的基于方向权重的JND预测方法，其特征在于，所述根据人眼对不同方向的敏感性差异计算不同方向对应的权重因子的步骤具体包括：
计算基于方向的权重因子
Figure FDA0002793064940000012
ω(x,y)∈[0,180°]
其中，a＝2，a1＝1.526，b1＝195.5，c1＝53.74，a2＝1.379，b2＝3.325，c2＝29.1，a3＝1.409，b3＝74.96，c3＝38.12，d＝2。
4.根据权利要求3所述的基于方向权重的JND预测方法，其特征在于，所述根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值的步骤包括：
计算像素的最大边缘高度G(x,y)和所述像素的亮度特征值br(x,y)；
Figure FDA0002793064940000021
其中，B(i,j)为5x5大小的矩阵，I(x,y)表示输入图像像素值，k＝5，m1＝1，m2＝1，n＝3；
结合所述权重因子计算对比度掩蔽度量值CM(x,y)；
Figure FDA0002793064940000022
其中，β＝0.4，p1＝10，M＝127。
5.根据权利要求4所述的基于方向权重的JND预测方法，其特征在于，所述根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值的步骤还包括：
对图像进行高斯滤波；
Figure FDA0002793064940000023
Figure FDA0002793064940000024
其中，GF(x,y)表示高斯平滑后的结果；
Figure FDA0002793064940000025
表示卷积运算，g(x,y)为高斯方程，其标准差σg随G(x,y)增加而减小，p2＝0.33，p3＝8；
结合亮度特征值，计算模糊掩蔽度量值BS(x,y)；
Figure FDA0002793064940000026
其中，a＝0.8，p4＝-0.0024，p5＝1，p6＝18。
6.根据权利要求5所述的基于方向权重的JND预测方法，其特征在于，所述根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值的步骤还包括：
计算亮度掩蔽度量值LA(x,y)；
Figure FDA0002793064940000031
其中，
Figure FDA0002793064940000032
表示像素(x,y)在以其为中心的5x5窗口内的背景亮度值，l1，l2，l3为控制背景亮度与可见性阈值的关系，依次分别设置为13，1，3/128，p7＝1，p8＝127。
7.根据权利要求6所述的基于方向权重的JND预测方法，其特征在于，所述将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性叠加得到最终的JND预测值的步骤包括：
将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性，计算图片最终的JND；
Figure FDA0002793064940000033
其中，z1＝0.6，z2＝1，z3＝0.6。
8.一种基于方向权重的JND预测装置，其特征在于，所述装置包括：
获取模块，所述获取模块用于获取输入的待预测图像；
第一计算模块，所述第一计算模块用于利用Prewitt算子计算所述图像中的像素点的水平方向梯度和垂直方向梯度得到对应像素点的方向；
第二计算模块，所述第二计算模块用于根据人眼对不同方向的敏感性差异计算不同方向对应的权重因子；
第三计算模块，所述第三计算模块用于根据亮度特征值并结合所述权重因子分别计算对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值；
非线性叠加模块，所述非线性叠加模块用于将所述对比度掩蔽度量值、模糊掩蔽度量值及亮度掩蔽度量值进行非线性叠加得到最终的JND预测值。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202011321500.7A 2020-11-23 2020-11-23 基于方向权重的jnd预测方法、装置、计算机设备及存储介质 Active CN112435188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011321500.7A CN112435188B (zh) 2020-11-23 2020-11-23 基于方向权重的jnd预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011321500.7A CN112435188B (zh) 2020-11-23 2020-11-23 基于方向权重的jnd预测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112435188A true CN112435188A (zh) 2021-03-02
CN112435188B CN112435188B (zh) 2023-09-22

Family

ID=74693617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011321500.7A Active CN112435188B (zh) 2020-11-23 2020-11-23 基于方向权重的jnd预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112435188B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113422956A (zh) * 2021-06-17 2021-09-21 北京金山云网络技术有限公司 一种图像编码方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102905130A (zh) * 2012-09-29 2013-01-30 浙江大学 基于视觉感知的多分辨率jnd模型建构方法
CN103475881A (zh) * 2013-09-12 2013-12-25 同济大学 Dct域内基于视觉注意力机制的图像jnd阈值计算方法
US20150029210A1 (en) * 2012-03-21 2015-01-29 Dolby Laboratories Licensing Corporation Systems and Methods for ISO-Perceptible Power Reduction for Displays
US20150093015A1 (en) * 2013-09-26 2015-04-02 Hong Kong Applied Science & Technology Research Institute Company Limited Visual-Experience-Optimized Super-Resolution Frame Generator
CN110399886A (zh) * 2019-07-15 2019-11-01 华侨大学 一种屏幕图像jnd模型构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150029210A1 (en) * 2012-03-21 2015-01-29 Dolby Laboratories Licensing Corporation Systems and Methods for ISO-Perceptible Power Reduction for Displays
CN102905130A (zh) * 2012-09-29 2013-01-30 浙江大学 基于视觉感知的多分辨率jnd模型建构方法
CN103475881A (zh) * 2013-09-12 2013-12-25 同济大学 Dct域内基于视觉注意力机制的图像jnd阈值计算方法
US20150093015A1 (en) * 2013-09-26 2015-04-02 Hong Kong Applied Science & Technology Research Institute Company Limited Visual-Experience-Optimized Super-Resolution Frame Generator
CN110399886A (zh) * 2019-07-15 2019-11-01 华侨大学 一种屏幕图像jnd模型构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高绍姝;王延江;金伟其;张晓东;: "基于感知对比度的图像清晰度客观评价模型", 光学技术, no. 05, pages 15 - 18 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113422956A (zh) * 2021-06-17 2021-09-21 北京金山云网络技术有限公司 一种图像编码方法、装置、电子设备及存储介质
CN113422956B (zh) * 2021-06-17 2022-09-09 北京金山云网络技术有限公司 一种图像编码方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112435188B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
CN108122234B (zh) 卷积神经网络训练及视频处理方法、装置和电子设备
Jiang et al. Unsupervised decomposition and correction network for low-light image enhancement
CN108924525B (zh) 图像亮度调整方法、装置、计算机设备及存储介质
CN111629262A (zh) 视频图像处理方法和装置、电子设备及存储介质
CN107133923B (zh) 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法
CN112991227B (zh) 基于U-net++网络的弱光图像增强方法和装置
WO2014070489A1 (en) Recursive conditional means image denoising
CN110533632B (zh) 图像模糊篡改检测方法、装置、计算机设备和存储介质
CN111105367A (zh) 人脸畸变校正方法、装置、电子设备及存储介质
CN111986116B (zh) 视频降噪方法和装置、电子设备、计算机可读存储介质
CN110580693A (zh) 图像处理方法、装置、计算机设备及存储介质
US7826678B2 (en) Adaptive image sharpening method
CN111062884A (zh) 一种图像增强方法、装置、存储介质和终端设备
CN111369478B (zh) 人脸图像增强方法、装置、计算机设备和存储介质
CN112435188A (zh) 基于方向权重的jnd预测方法、装置、计算机设备及存储介质
CN112419270A (zh) 元学习下的无参考图像质量评价方法、装置及计算机设备
CN111696064A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN111915541A (zh) 基于人工智能的图像增强处理方法、装置、设备及介质
CN109447942B (zh) 图像模糊度确定方法、装置、计算机设备及存储介质
CN109447935B (zh) 红外图像处理方法、装置、计算机设备和可读存储介质
CN113989165A (zh) 图像处理方法、装置、电子设备及存储介质
CN112950497A (zh) 图像处理方法、装置、电子设备及存储介质
CN111415317B (zh) 图像处理方法及装置、电子设备、计算机可读存储介质
CN112437302B (zh) 屏幕内容图像的jnd预测方法、装置、计算机设备及存储介质
CN114066765A (zh) 图像的去噪方法、装置、电子设备、介质及程序产品

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