CN114170205A - 一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法 - Google Patents
一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法 Download PDFInfo
- Publication number
- CN114170205A CN114170205A CN202111519246.6A CN202111519246A CN114170205A CN 114170205 A CN114170205 A CN 114170205A CN 202111519246 A CN202111519246 A CN 202111519246A CN 114170205 A CN114170205 A CN 114170205A
- Authority
- CN
- China
- Prior art keywords
- image
- entropy
- contrast
- ref
- dis
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000014509 gene expression Effects 0.000 claims description 20
- 238000007499 fusion processing Methods 0.000 claims description 4
- 230000016776 visual perception Effects 0.000 abstract description 12
- 230000015556 catabolic process Effects 0.000 abstract description 7
- 238000006731 degradation reaction Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 238000011158 quantitative evaluation Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008447 perception Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明提供了一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法,属于图像质量客观评价、图像处理及机器视觉等领域。本发明将图像的图像熵、结构相似性特征进行结合并融合处理,弥补了图像熵特征对图像结构不敏感的不足同时融入了图像的结构特征和熵特征,从图像像素统计和内容结构方面对图像开展全面的质量评价,解决了在采集、传输、转换等数据处理过程中图像对比度失真退化的量化评价问题。本发明的评价过程不是很复杂、计算效率高、准确性好,对图像的失真具有很好的评价性能,评价数据真实反映了图像退化失真程度且与人眼的视觉感知特性一致,能够满足图像融合、图像增强、图像识别等领域对图像质量失真客观评价的实际需求。
Description
技术领域
本发明涉及数字图像质量客观评价、机器视觉以及人工智能等技术领域,具体涉及一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法。
背景技术
众所周知,数字图像与人们的日常生活密不可分,在人们的工作、生活中的重要性日益凸显。然而,数字图像在其采集和传递的过程中很容易受损产生图像失真的现象,从而造成图像在展示上的美观不足以及在信息内容上的本质损失,所获得图像的内容信息与图像的真实信息不一致。因此,为了对图像的复原、理解、识别等应用提供有效的、真实的图像处理数据,迫切需要量化、衡量图像的失真情况,图像质量评价(IQA)应运而生并被广泛研究。当前,图像质量评价方法的研究众多并取得了一定的研究成果,但是其中的绝大多数均不适用于对比度失真类型图像的评价,因为其无法真实反映人眼对图像的视觉感知,也就是说还不能够客观准确的评估对比度失真图像的质量。与其他失真类型图像的质量评价相比,对比度失真类型图像的IQA方法的种类较少且存在评价的准确性较低的问题,因此,在此领域迫切需要评价性能良好的IQA方法。
当前,对比度失真图像的质量评价方法可以分为全参考IQA(FR_IQA)、半参考IQA(RR_IQA)和无参考IQA(NR_IQA)三种类型。FR_IQA的评价需要一整幅无损伤的参考图像作为对照,RR_IQA只需要对照参考图像的部分特征即可,而NR_IQA则是无需参考图像即可实现对失真图像的质量评价。由于NR_IQA摆脱了对参考图像的依赖,故其受到了国内外众多学者的密切关注并取得了较好的发展,比较而言FR_IQA和RR_IQA的方法的发展却较慢、不是很理想。然而实际上,在图像处理及相关领域内,FR_IQA相对于其他IQA方法的应用范围更广,更加需要性能良好的FR_IQA方法。目前,针对全参考对比度失真IQA,已有很多研究学者进行了尝试,取得了一定的成果:Wang等人在2015年提出了一种新的基于局部分块结构的PCQI(Patch-based Contrast Quality Index)方法(S Wang,K Ma,H Yeganeh,Z Wang,WLin.A Patch-Structure Representation Method for Quality Assessment ofContrast Changed Images,IEEE SIGNAL PROCESSING LETTERS,2015);Sun等人在2018年提出了一种采用线性模型描述参考图像局部分块与对比度变化图像之间的关系的QCCI(Quality of Contrast Changed Image)方法(W Sun,W Yang,F Zhou,Q Liao.Full-reference quality assessment of contrast changed images based on local linearmodel,IEEE ICASSP,2018);Shokrollahi等人在2020年提出了一种视觉信息保真度的对比度变化度量(VIF-CCM)方法(A Shokrollahi,MN Maybodi,A Mahmoudi-Aznaveh.Histogrammodification based enhancement along with contrast-changed image qualityassessment,Multimedia Tools and Applications,2020);上述方法都提取了图像的多种特征比如图像平均强度、信号强度、信号结构分量、结构、亮度、视觉信息保真度、局部熵等对图像的质量进行评价,取得了较为不错的评价效果。相对于其他的图像特征,图像熵对对比度失真图像的评价显示出了更优异的性能。事实上,图像熵与对比度失真图像有着较为密切的关系:图像的对比度正常时图像熵最大,图像的对比度的减小或增大会使图像熵减小。图像熵作为一个图像数据和质量的统计指标,对图像的内容和结构进行评价时显示出了较大的不足,用之评价的局限性很大、评价的结果和图像的真实情况存在较大的出入。为了弥补图像熵的这种缺陷,本发明将结构相似性与图像熵有机结合,从统计方面与结构方面对对比度失真图像进行更为全面、准确的评价,提出了一种融合图像熵和结构相似性(SSIM)特征的对比度失真图像质量评价方法。与其他评价方法相比,本发明的评价更为合理、准确、客观,在图像融合、图像增强、图像识别等领域及图像处理相关领域均有着广泛的应用前景和价值。
为了解决在采集、传输、转换等图像数据处理过程中图像的对比度失真的评价问题,本发明提出了一种融合图像熵和SSIM特征的对比度失真图像质量评价方法。本发明提出将图像熵和结构相似性特征这两类图像质量评价特征进行融合处理,进行对比度失真图像的质量评价;进一步,优选的,本发明所提及的图像熵为图像的一维熵,其求取是对传统的图像全局熵或局部熵的改进,其利用图像熵的机制并充分考虑彩色图像的RGB通道的特征,首先获得图像R、G、B三通道数据的图像熵,再通过熵权法确定R、G、B通道图像熵的权重并进行加权处理,该处理能够有效弥补传统上的图像熵仅能对图像亮度信息进行统计的不足,还可以给图像的主色调更多的考虑进而使图像质量的评价更适应人眼对图像变化的感知,从而能够很好的评价图像的内容和质量。本发明将图像熵和图像的SSIM特征进行结合以进行对比度失真图像的质量评价,弥补了图像熵特征对图像结构不敏感的不足,同时融入了图像内容的结构特征和图像的熵特征。本发明提供的评价方法,其计算过程不是很复杂、计算效率高、准确性好,对对比度失真图像的失真程度具有很好的评价性能,能够满足图像融合、图像增强、图像识别等相关领域对对比度失真图像的质量客观评价的实际需求。
发明内容
本发明的目的是为了克服现有的图像质量评价体系缺乏对对比度失真类彩色图像的失真退化程度的客观评价以及现有的对比度失真图像质量评价方法的性能不佳的技术缺陷,而提出一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法。本发明通过该方法以解决图像在传输、存储、压缩、编辑等处理过程中对图像带来的图像质量失真退化的客观评价问题,所得到的评价数据能够真实反映失真退化图像与标准图像之间的差异,并且其与人眼的视觉感知效果一致。
为了实现上述目的,本发明提供了一种技术方案,一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法,其特征在于,所述的评价方法是将图像熵和结构相似性两类图像质量评价特征进行融合处理来实现所述的对比度失真图像的质量评价;所述的图像熵是基于图像的一维熵的图像质量评价而获得的图像质量评价特征;所述的结构相似性是从图像的亮度、对比度和结构方面度量图像的相似程度而获得的图像质量评价特征;所述的融合处理是将参考图像、对比度失真图像的图像熵和结构相似性图像质量评价特征按照关系式
进行融合计算处理,得到最终的图像质量评价分数H-SSIM;所述的关系式中的ΔH为所述的参考图像和对比度失真图像的图像熵的差值,所述的关系式中的SSIM为由所述的参考图像和对比度失真图像得到的结构相似性数值;所述的关系式中的C1、C2是不为零的常数,用于调整所述ΔH与SSIM的重要性;
所述的一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法,包括如下步骤:
步骤1:输入参考图像IRef和对比度失真图像IDis;
步骤2:分别计算参考图像IRef和对比度失真图像IDis的图像熵图像质量评价特征,为HRef和HDis,并获得其图像熵的图像质量评价特征的差值ΔH=|HRef-HDis|;
步骤3:计算参考图像IRef和对比度失真图像IDis的结构相似性图像质量评价特征,为SSIM;
步骤4:根据关系式
计算最终的图像质量评价分数H-SSIM。
进一步的,步骤2所述的参考图像IRef和对比度失真图像IDis的图像熵图像质量评价特征是利用图像熵的计算关系式
获得的,其分别为HRef=α1HRef_R+β1HRef_G+γ1HRef_B和HDis=α2HDis_R+β2HDis_G+γ2HDis_B,px为数据为x的图像数据的数目与数据x所在的图像的图像数据总数的比值,HRef_R、HRef_G、HRef_B和HDis_R、HDis_G、HDis_B分别为参考图像和对比度失真图像的红(R)、绿(G)、蓝(B)通道图像的图像熵,α1、β1、γ1、α2、β2、γ2为常数且α1+β1+γ1=1、α2+β2+γ2=1。
进一步的,步骤3所述的参考图像IRef和对比度失真图像IDis的结构相似性图像质量评价特征是利用结构相似性的计算关系式
获得的,其中的x、y分别为参考图像和失真图像,μx、μy和σx、σy分别为图像x、y的图像数据的均值和方差,σxy为图像x、y的图像数据的相关系数,c1、c2、c3为接近于零的正常数,α、β、γ为大于零的常数;μx、μy反映了图像的亮度信息,σx、σy反映了图像的对比度信息,σxy反映图像的结构信息的相似度。
进一步的,步骤2所述的参考图像IRef和对比度失真图像IDis的图像熵图像质量评价特征是利用图像熵的计算关系式
获得的,其分别为HRef=α1HRef_R+β1HRef_G+γ1HRef_B和HDis=α2HDis_R+β2HDis_G+γ2HDis_B,HRef_R、HRef_G、HRef_B和HDis_R、HDis_G、HDis_B分别为参考图像和对比度失真图像的红(R)、绿(G)、蓝(B)通道图像的图像熵,α1、β1、γ1、α2、β2、γ2为常数且α1+β1+γ1=1、α2+β2+γ2=1;步骤3所述的参考图像IRef和对比度失真图像IDis的结构相似性图像质量评价特征SSIM是利用结构相似性的计算关系式
获得的。
进一步的,上述所述的α1、β1、γ1、α2、β2、γ2通过下列操作获得:
操作1:计算所述参考图像的R、G、B通道的熵,R通道的熵值占RGB三通道的熵值相加之和的比例为α1;G通道的熵值占RGB三通道的熵值相加之和的比例为β1,B通道的熵值占RGB三通道的熵值相加之和的比例为γ1;
操作2:计算所述失真图像的R、G、B通道的熵,R通道的熵值占RGB三通道的熵值相加之和的比例为α2;G通道的熵值占RGB三通道的熵值相加之和的比例为β2,B通道的熵值占RGB三通道的熵值相加之和的比例为γ2。
本发明提供的融合图像熵和结构相似性特征的对比度失真图像质量评价方法,还具有以下特点:
1.本发明的评价方法是将图像熵和SSIM两个评价特征结合来对对比度失真图像进行评价,包含了图像熵评价、SSIM评价、特征融合三个环节。图像熵评价是分别计算参考图像和对比度失真图像的图像熵并求差值,有关图像熵的计算过程相同;SSIM评价是依据参考图像和对比度失真图像计算两者的结构相似性特征,计算时考虑图像的亮度、对比度和结构特征;特征融合是通过线性关系式将图像熵评价和SSIM评价进行结合获得图像的评价分数。
2.本发明提供的对比度失真图像质量评价方法,能够客观反映彩色图像因对比度失真退化而引起的视觉感知差异,获得的失真评价数据H-SSIM真实反映了人眼对对比度失真图像的视觉感知误差。
3.本发明提供的方法,可以用来评价彩色图像的失真问题,也可以用来评价灰度图像的失真问题。对于灰度图像,将之看作红、绿、蓝通道完全相同的彩色图像进行处理。
4.本发明利用图像的R、G、B三通道的数据来计算图像的图像熵,充分考虑图像的对比度失真引起的图像颜色特性的变化;利用熵权法对R、G、B通道图像数据在图像质量评价中的重要性进行了赋权分配,对图像失真的评价效果良好。本发明所涉及的α1、β1、γ1、α2、β2、γ2是通过熵权法得到的,需要计算图像R、G、B通道数据的熵,R通道的熵值占RGB三通道的熵值和的比例为α1或α2,G通道的熵值占RGB三通道的熵值和的比例为β1或β2,B通道的熵值占RGB三通道的熵值和的比例为γ1或γ2。
5.本发明提出了一种将图像熵差与SSIM相结合的线性公式,使得到的失真评价数据和人眼对失真图像和参考图像之间的视觉感知差异相匹配,符合人眼的视觉感知特性。
6.本发明提出了一种对比度失真图像的质量客观评价方法,用之能够得到图像失真程度的客观质量评价数据H-SSIM,数值越小则图像的失真越小,所获得的评价结果与人眼的视觉感知评价一致。
附图说明
图1为本发明所述的融合图像熵和结构相似性特征的对比度失真图像质量评价方法的整体处理流程图。
图2为本发明所述的优选的图像熵的计算流程图。
图3为本发明的实施例一的参考图像。
图4为本发明的实施例一的失真图像。
图5为本发明的实施例一的另一幅失真图像。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步描述。以下实施例仅用于说明本发明,但不用来限制本发明的范围。
图1为本发明所述的融合图像熵和结构相似性(SSIM)特征的对比度失真质量评价方法的整体流程图,图2为本发明所述的优选的图像熵的计算流程图。再结合本发明提供的技术方案就能够对图像的对比度失真退化程度进行客观的描述和评价,解决了相关领域的图像应用和评价问题。本发明提供的下列实施例就是依据图1和图2的流程图以及本发明提供的技术方案来实现的,具体实施例如下:
实施例一
选取CSIQ(Categorical subjective image quality)数据库的1幅参考图像(标准)和与之对应的2幅失真程度不同的整体对比度缩减失真图像,作为本实施例的输入进行本发明所述的对比度失真图像质量的评价。CSIQ数据库共含有30幅标准图像、866幅失真图像,失真图像的失真类型包括JPEG压缩、JPEG2000压缩、整体对比度缩减、加性高斯粉红噪声、加性高斯白噪声以及高斯模糊。CSIQ数据库也提供了失真图像的人眼平均感知误差值(DMOS),DMOS取值范围为[0,1],DMOS越大则图像质量越低,人眼感知的效果越差。
图3为所选取的参考图像;图4为失真较小的对比度失真图像,其DMOS为0.090;图5为失真较大的对比度失真图像,其DMOS为0.342。图4的图像感知质量比图5的图像感知质量要好,图4和图3的图像的整体对比度差别不大,图5的图像的对比度明显降低,其在整体上尤其是人的衣服呈现了灰蒙蒙的低对比度失真外观。
将图3和图4作为本发明的输入,分别为参考图像IRef和失真图像IDis,然后依据图1和图2所示的图像特征整体处理流程以及本发明所述的技术方案等,获取图像的图像熵的差值特征和结构相似性特征,最终得到失真图像的质量评价分数H-SSIM。
利用图像熵的关系式
获取参考图像IRef和失真图像IDis的图像熵的差值特征,其中所述的图像IRef和图像IDis的图像熵的计算方法相同。首先,提取图像IRef和图像IDis的R、G、B通道的图像数据,分别为IRef_R、IRef_G、IRef_B和IDis_R、IDis_G、IDis_B,依据上述关系式计算图像各个通道数据的图像熵特征,分别为HRef_R、HRef_G、HRef_B和HDis_R、HDis_G、HDis_B;然后对HRef_R、HRef_G、HRef_B执行熵权法加权处理,遵循“熵越大权重越大”的原则分配图像熵的权重α1=0.6、β1=0.3、γ1=0.1,进而计算图像IRef的图像熵HRef=α1HRef_R+β1HRef_G+γ1HRef_B;同样的,对HDis_R、HDis_G、HDis_B执行熵权法加权处理,遵循“熵越大权重越大”的原则分配图像熵的权重α1=0.4、β1=0.4、γ1=0.2,进而计算图像IRef的图像熵HDis=α2HDis_R+β2HDis_G+γ2HDis_B;最终获得所述的参考图像IRef和失真图像IDis的图像熵的差值特征ΔH=|HRef-HDis|。
利用结构相似性的关系式
获取参考图像IRef和失真图像IDis的结构相似性特征,得到图像的结构相似性指数SSIM。再利用H-SSIM的计算关系式对上述的图像熵的差值特征ΔH和结构相似特征SSIM进行融合处理,得到最终的对比度失真图像(图4)的质量评价分数数据H-SSIM,为0.1299。
同理,将图3和图5作为本发明的输入,然后依据图1和图2所示的流程以及本发明的技术方案等,执行上述相似的操作,获得图5所示的对比度失真图像的质量评价分数数据H-SSIM为0.4572。显然,0.4572大于0.1299,故图4所示的图像质量比图5所示的图像的质量要好,图4的失真程度比图5的失真小。本发明的评价方法所得到的评价结果与基于DMOS的评价结果一致,也和人眼的视觉感知评价效果一致。
实施例二
选取CSIQ数据库的30幅不同的参考图像以及与之对应的164幅对比度失真图像作为本发明的输入:1幅参考图像和与之对应的多幅失真图像构成一个输入图像组,进行本发明所述的失真图像质量的评价计算;所涉及到的图像质量的评价过程与实施例一相同,经过检验,利用本发明的评价方法所得到的评价数据与CSIQ数据库的DMOS数据以及人眼的视觉感知特性是一致的。
依据本发明的技术方案以及图1和图2所示的流程,获取上述164幅图像的评价数据。研究中,采用“皮尔逊线性相关系数(PLCC)”和“斯皮尔曼秩序相关系数(SROCC)”指标,来评价分析本发明的评价数据与相应DMOS数据间的一致性和准确性,以及其与人眼视觉感知的一致性;PLCC、SROCC的取值范围为[-1,1],数值在[0,1]内则表明其数据正相关,数值越接近1则数据的相关性越好。
表1给出了基于上述图像的多种评价方法的评价结果数据,表中的“SSIM”、“MS-SSIM”、“MAD”分别表示基于“结构相似性”、“多层结构相似性”、“平均绝对差值”的全参考图像质量评价方法,“QCCI”、“PCQI”、“H-SSIM”分别表示基于“对比度改变图像质量方法”、“局部对比度质量指数”的对比度失真图像质量评价方法。由表可见,本发明的评价数据和相应DMOS数据的PLCC和SROCC数值分别为0.9436和0.9770,较其他评价方法的数值更接近1,数据的相关性高且与人眼感知特性的一致性好。利用本发明所获得的失真图像的失真评价数据能够客观的描述和评价失真图像的对比度失真退化程度,评价的结果符合人眼的视觉感知特性。
表1 146幅失真图像的评价数据
以上实施仅表达了本发明的实施方式,其描述较为具体和详细,但不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都是属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法,其特征在于,所述的评价方法是将图像熵和结构相似性两类图像质量评价特征进行融合处理来实现所述的对比度失真图像的质量评价;所述的图像熵是基于图像的一维熵的图像质量评价而获得的图像质量评价特征;所述的结构相似性是从图像的亮度、对比度和结构方面度量图像的相似程度而获得的图像质量评价特征;所述的融合处理是将参考图像、对比度失真图像的图像熵和结构相似性图像质量评价特征按照关系式
进行融合计算处理,得到最终的图像质量评价分数H-SSIM;所述的关系式中的ΔH为所述的参考图像和对比度失真图像的图像熵的差值,所述的关系式中的SSIM为由所述的参考图像和对比度失真图像得到的结构相似性数值;所述的关系式中的C1、C2是不为零的常数,用于调整所述ΔH与SSIM的重要性;
所述的一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法,包括如下步骤:
步骤1:输入参考图像IRef和对比度失真图像IDis;
步骤2:分别计算参考图像IRef和对比度失真图像IDis的图像熵图像质量评价特征,为HRef和HDis,并获得其图像熵的图像质量评价特征的差值ΔH=|HRef_HDis|;
步骤3:计算参考图像IRef和对比度失真图像IDis的结构相似性图像质量评价特征,为SSIM;
步骤4:根据关系式
计算最终的图像质量评价分数H-SSIM。
2.根据权利要求1所述的一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法,其特征在于,步骤2所述的参考图像IRef和对比度失真图像IDis的图像熵图像质量评价特征是利用图像熵的计算关系式
获得的,其分别为HRef=α1HRef_R+β1HRef_G+γ1HRef_B和HDis=α2HDis_R+β2HDis_G+γ2HDis_B,px为数据为x的图像数据的数目与数据x所在的图像的图像数据总数的比值,HRef_R、HRef_G、HRef_B和HDis_R、HDis_G、HDis_B分别为参考图像和对比度失真图像的红(R)、绿(G)、蓝(B)通道图像的图像熵,α1、β1、γ1、α2、β2、γ2为常数且α1+β1+γ1=1、α2+β2+γ2=1。
4.根据权利要求1所述的一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法,其特征在于,步骤2所述的参考图像IRef和对比度失真图像IDis的图像熵图像质量评价特征是利用图像熵的计算关系式
获得的,其分别为HRef=α1HRef_R+β1HRef_G+γ1HRef_B和HDis=α2HDis_R+β2HDis_G+γ2HDis_B,HRef_R、HRef_G、HRef_B和HDis_R、HDis_G、HDis_B分别为参考图像和对比度失真图像的红(R)、绿(G)、蓝(B)通道图像的图像熵,α1、β1、γ1、α2、β2、γ2为常数且α1+β1+γ1=1、α2+β2+γ2=1;步骤3所述的参考图像IRef和对比度失真图像IDis的结构相似性图像质量评价特征SSIM是利用结构相似性的计算关系式
获得的。
5.根据权利要求2和权利要求4所述的一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法,其特征在于,所述的α1、β1、γ1、α2、β2、γ2通过下列操作获得:
操作1:计算所述参考图像的R、G、B通道的熵,R通道的熵值占RGB三通道的熵值相加之和的比例为α1;G通道的熵值占RGB三通道的熵值相加之和的比例为β1,B通道的熵值占RGB三通道的熵值相加之和的比例为γ1;
操作2:计算所述失真图像的R、G、B通道的熵,R通道的熵值占RGB三通道的熵值相加之和的比例为α2;G通道的熵值占RGB三通道的熵值相加之和的比例为β2,B通道的熵值占RGB三通道的熵值相加之和的比例为γ2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111519246.6A CN114170205A (zh) | 2021-12-14 | 2021-12-14 | 一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111519246.6A CN114170205A (zh) | 2021-12-14 | 2021-12-14 | 一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170205A true CN114170205A (zh) | 2022-03-11 |
Family
ID=80486005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111519246.6A Pending CN114170205A (zh) | 2021-12-14 | 2021-12-14 | 一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170205A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600616A (zh) * | 2016-12-19 | 2017-04-26 | 中国科学院长春光学精密机械与物理研究所 | 一种图像背景杂波度量方法及系统 |
US20170286798A1 (en) * | 2016-03-31 | 2017-10-05 | Ningbo University | Objective assessment method for color image quality based on online manifold learning |
WO2020232710A1 (zh) * | 2019-05-23 | 2020-11-26 | 深圳大学 | 雾霾图像质量评价方法、系统、存储介质及电子设备 |
CN112446879A (zh) * | 2021-01-06 | 2021-03-05 | 天津科技大学 | 一种基于图像熵的对比度失真图像质量评价方法 |
-
2021
- 2021-12-14 CN CN202111519246.6A patent/CN114170205A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286798A1 (en) * | 2016-03-31 | 2017-10-05 | Ningbo University | Objective assessment method for color image quality based on online manifold learning |
CN106600616A (zh) * | 2016-12-19 | 2017-04-26 | 中国科学院长春光学精密机械与物理研究所 | 一种图像背景杂波度量方法及系统 |
WO2020232710A1 (zh) * | 2019-05-23 | 2020-11-26 | 深圳大学 | 雾霾图像质量评价方法、系统、存储介质及电子设备 |
CN112446879A (zh) * | 2021-01-06 | 2021-03-05 | 天津科技大学 | 一种基于图像熵的对比度失真图像质量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Simple low-light image enhancement based on Weber–Fechner law in logarithmic space | |
CN108109147A (zh) | 一种模糊图像的无参考质量评价方法 | |
CN110232670B (zh) | 一种基于高低频分离的图像视觉效果增强的方法 | |
CN112446879B (zh) | 一种基于图像熵的对比度失真图像质量评价方法 | |
CN110717892B (zh) | 一种色调映射图像质量评价方法 | |
CN113822954B (zh) | 一种面向资源约束下人机协同场景的深度学习图像编码方法 | |
CN105006001A (zh) | 一种基于非线性结构相似度偏差的有参图像的质量评估方法 | |
CN112767385A (zh) | 基于显著性策略与特征融合无参考图像质量评价方法 | |
CN110910347A (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 | |
Yang et al. | EHNQ: Subjective and objective quality evaluation of enhanced night-time images | |
CN114926883A (zh) | 一种满足多种降质模型的人脸图像处理方法 | |
CN110415816B (zh) | 一种基于迁移学习的皮肤病临床图像多分类方法 | |
CN114170205A (zh) | 一种融合图像熵和结构相似性特征的对比度失真图像质量评价方法 | |
CN117094903A (zh) | 一种基于颜色损失的亮度矫正灰度化方法 | |
Gao et al. | A content-based image quality metric | |
CN115861208A (zh) | 一种基于图像信息分解和相似性评价融合处理的超分图像质量评价方法 | |
CN114189695B (zh) | 一种基于gan的hevc压缩视频视觉感知提升方法 | |
CN114742760A (zh) | 一种x光片桡骨远端骨折自动快速诊断方法 | |
CN104182935B (zh) | 一种基于层次分析法选取小波基的图像去噪方法 | |
Qi et al. | Non-Reference Image Quality Assessment Based on Super-Pixel Segmentation and Information Entropy | |
Wu et al. | Image quality assessment based on BIQI with gray beep | |
CN112446878B (zh) | 一种基于联合熵的彩色图像质量评价方法 | |
CN112634278A (zh) | 基于超像素的恰可察觉失真模型 | |
CN111028200A (zh) | 基于无参考图像质量评价和msr的图像优化方法 | |
CN111179224A (zh) | 一种基于联合学习的航拍图像修复质量的无参考评价方法 |
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 |