CN114240849B - 一种基于梯度变化的无参考jpeg图像质量评价方法 - Google Patents
一种基于梯度变化的无参考jpeg图像质量评价方法 Download PDFInfo
- Publication number
- CN114240849B CN114240849B CN202111409368.XA CN202111409368A CN114240849B CN 114240849 B CN114240849 B CN 114240849B CN 202111409368 A CN202111409368 A CN 202111409368A CN 114240849 B CN114240849 B CN 114240849B
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- calculating
- image block
- blockiness
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 24
- 230000000903 blocking effect Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 68
- 230000009466 transformation Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000007430 reference method Methods 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
-
- 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)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明属于无参考图像质量评价领域，具体提供一种基于梯度变化的无参考JPEG图像质量评价方法，用以进行单一JPEG图像的质量分数的有效评价。本发明提出了基于JPEG图像的水平、垂直、45度斜、135度斜四个方向的一阶梯度块效应，二阶梯度块效应，频域AC系数三个图像特征来评价其客观质量分数的无参考质量评价方法；在提取图像的三个特征后，使用多项式模型将其组合构成质量评价模型；最后在四个公开的质量评价数据库上进行性能验证，试验结果表明，本发明在预测JPEG压缩图像质量方面明显优于现有的无参考方法。综上所述，本发明通过引入有效的图像特征后，能够显著的提升JPEG图像的质量评价准确度，进而有效评价图像质量。
Description
技术领域
本发明属于无参考图像质量评价领域，具体提供一种基于梯度变化的无参考JPEG图像质量评价方法。
背景技术
现代生活和工作离不开数字图像，数字图像已成为信息传递的重要媒介，其质量影响着人类和机器对图像信息获取的完整性和准确性。数字图像的获取是通过摄像工具，如摄像机、手机、相机等获得，图像获取过程中的采光、模数转换、压缩、处理等过程存在不同的失真，并且这些失真难以避免，影响着图像的质量，准确合理地评价图像质量十分必要。
目前为止，图像质量的评价方法分为主观评价方法和客观评价方法两大类，其中，主观评价方法为通过专业人员的视觉观察直接判断图像质量的好坏，而客观评价方法是利用数学模型对图像质量进行评价，通过计算得到的数值反映出图像质量的高低。图像质量评估方法的目的是预测图像质量，以尽可能接近我们的主观感知；图像质量客观评价方法可以分为三类：全参考方法、半参考方法和无参考方法，全参考方法和半参考方法需要来自无失真原始图像的信息，而无参考方法则可以在不参考任何无失真原始图像的情况下评估图像质量。在现实中，很难找到待评价图像的无失真原始图像，因此，无参考方法得到了更广泛的应用和需求。
发明内容
本发明的目的在于提供一种基于梯度变化的无参考JPEG图像质量评价方法，用以有效评价图像质量。为实现该目的，本发明采用的技术方案如下：
一种基于梯度变化的无参考JPEG图像质量评价方法，其特征在于，包括以下步骤：
步骤1.计算待评价JPEG图像的一阶梯度块效应特征；
步骤1.1计算待评价JPEG图像的一阶梯度矩阵：
Gh(i,j)＝|I(i,j+1)-I(i,j)|
Gv(i,j)＝|I(i+1,j)-I(i,j)|
其中，I(i,j)表示图像像素(i,j)处的灰度值，Gh(i,j)、Gv(i,j)分别表示像素(i,j)处的水平、垂直梯度；
步骤1.2基于待评价JPEG图像构建若干个图像块T；
以8×8块为单元，按照窗口尺寸为3×3、滑动步长为1的滑窗操作遍历整个图像，构建得到若干个图像块T；
步骤1.3计算待评价JPEG图像的一阶梯度块效应横竖特征；
步骤1.3.1计算每一个图像块T的一阶梯度块效应水平特征；
针对每一个图像块T，取其第9～16行构成一个8×24(像素点为单元)的图像块，进一步取该8×24图像块的第4～21列像素点构成一个8×18的子图像块t1，即取图像块T第9～16行、第4～21列像素点构成一个8×18的子图像块t1；子图像块t1包含3个单元块的水平相邻边界，能够同时计算两个相邻块的边界梯度值；基于子图像块t1对应的8×17水平梯度矩阵计算当前图像块T的块效应水平特征；
其中，(mh,nh)表示子图像块t1的第一个像素点坐标，Gh(j)表示子图像块t1中j列的8个水平梯度值的平均值；
步骤1.3.2计算每一个图像块T的一阶梯度块效应垂直特征；
针对每一个图像块T，取其第9～16列构成一个24×8像素的图像块，进一步取该24×8图像块的第4～21行像素点构成一个18×8的子图像块t2，即取图像块T第9～16列、第4～21行像素点构成一个18×8的子图像块t2；基于子图像块t2对应的17×8垂直梯度矩阵计算当前图像块T的块效应垂直特征；
其中，Gv(i)表示子图像块t2中i行的8个垂直梯度值的平均值；
步骤1.3.3计算当前图像块T的一阶梯度块效应横竖特征：
Th,v＝(Th+Tv)/2
步骤1.3.4设定阈值过滤无效块效应横竖特征：Th,v＞0.47，并将过滤后所有有效块效应横竖特征的均值作为待评价JPEG图像的一阶梯度块效应横竖特征
步骤1.4计算待评价JPEG图像的一阶梯度块效应斜特征；
步骤1.4.1计算待评价JPEG图像的一阶梯度斜矩阵：
G45(i,j)＝|I(i+1,j)-I(i,j+1)|
G135(i,j)＝|I(i+1,j+1)-I(i,j)|
其中，I(i,j)表示图像像素(i,j)处的灰度值，G45(i,j)和G135(i,j)分别表示像素(i,j)处的45度和135度梯度；
步骤1.4.2计算每一个图像块T的一阶梯度块效应135度特征；
针对每一个图像块T，取其第8～16行构成一个9×24像素的图像块，进一步取该9×24图像块的第4～21列像素点构成一个9×18的子图像块t3，即取图像块T第8～16行、第4～21列像素点构成一个9×18的子图像块t3；基于子图像块t3对应8×17的135度梯度矩阵计算当前图像块T的块效应135度特征；
其中，G135(j)表示子图像块t3中j列的8个135度梯度值的平均值；
步骤1.4.3计算每一个图像块T的一阶梯度块效应45度特征；
针对每一个图像块T，取其第9～17列像素构成一个24×9像素的图像块，进一步取该24×9图像块的第4～21行像素点构成一个18×9的子图像块t4，即取图像块T第9～17列、第4～21行像素点构成一个18×9的子图像块t4；基于子图像块t4对应17×8的45度梯度矩阵计算当前图像块T的块效应45度特征；
其中，G45(i)表示子图像块t4中i行的8个45度梯度值的平均值；
步骤1.4.4计算当前图像块T的一阶梯度块效应斜特征：
T135,45＝(T135+T45)/2
步骤1.4.5设定阈值过滤无效块效应斜特征：T135,45＞1，并将过滤后所有有效块效应斜特征的均值作为待评价JPEG图像的一阶梯度块效应斜特征
步骤1.5计算待评价JPEG图像的一阶梯度块效应特征：
步骤2.计算待评价JPEG图像的二阶梯度块效应特征；
步骤2.1计算待评价JPEG图像的二阶梯度矩阵：
Gh2(i,j)＝|I(i,j+2)-2I(i,j+1)+I(i,j)|
Gv2(i,j)＝|I(i+2,j)-2I(i+1,j)+I(i,j)|
其中，Gh2(i,j)与Gv2(i,j)分别表示像素(i,j)处的二阶水平梯度与二阶垂直梯度；
步骤2.2计算待评价JPEG图像的二阶梯度块效应特征；
步骤2.2.1计算每一个图像块T的二阶梯度块效应水平特征；
针对每一个图像块T，取其第9～16行构成一个8×24像素的图像块，进一步取该8×24图像块的第4～22列像素点构成一个8×19的子图像块t5，即取图像块T第9～16行、第4～22列像素点构成一个8×19的子图像块t5；基于子图像块t5对应的8×17二阶水平梯度矩阵计算当前图像块T的块效应水平特征；
其中，Gh2(j)表示子图像块t5中j列的8个二阶水平梯度值的平均值；
步骤2.2.2计算每一个图像块T的二阶梯度块效应垂直特征；
针对每一个图像块T，取其第9～16列构成一个24×8(像素点为单元)的图像块，进一步取该24×8图像块的第4～22行像素点构成一个19×8的子图像块t6，即取图像块T第9～16列、第4～22行像素点构成一个19×8的子图像块t6；基于子图像块t6对应的17×8二阶垂直梯度矩阵计算当前图像块T的块效应垂直特征；
其中，Gv2(i)表示子图像块t6中i行的8个二阶垂直梯度值的平均值；
步骤2.2.3计算当前图像块T的二阶梯度块效应横竖特征：
Th2,v2＝(Th2+Tv2)/2
步骤2.2.4设定阈值过滤无效块效应横竖特征：Th,v＞0.4，并将过滤后所有有效块效应横竖特征的均值作为待评价JPEG图像的二阶梯度块效应特征B2；
步骤3.计算待评价JPEG图像的频域AC系数特征；
步骤3.1计算待评价JPEG图像的频域的梯度矩阵：
G′h(i,j)＝I(i,j+1)-I(i,j)
G′v(i,j)＝I(i+1,j)-I(i,j)
步骤3.2对于水平梯度矩阵G′h和垂直梯度矩阵G′v分别进行阈值判定：
即：矩阵元素值大于0则置为1、剩下元素值则置为0；
步骤3.3对于阈值判定后水平梯度矩阵G′h，每列进行DCT变换，得到m×n的频域梯度矩阵Ghf：
Ghf(:,j)＝dct(G′h(:,j))
其中，G′h(:,j)表示第j列所有元素，dct表示进行dct变换；
对于阈值判定后垂直梯度矩阵G′v，每行进行DCT变换，得到m×n的频域梯度矩阵Gvf：
Gvf(i,:)＝dct(G′v(i,:))
其中，G′v(i,:)表示第i行所有元素，dct表示进行dct变换；
步骤3.4对于频域梯度矩阵Ghf，统计其中AC系数绝对值大于阈值的个数，再除以总AC系数个数进行归一化，得到频域AC系数水平特征Ah：
Ah＝sum(|AC|＞0.09)/((m-1)·n)
其中，AC表示的AC系数值，sum表示统计AC系数绝对值大于0.09的个数，(m-1)·n表示频域梯度矩阵Ghf中AC系数总个数；
对于频域梯度矩阵Gvf，统计其中AC系数绝对值大于阈值的个数，再除以总AC系数个数进行归一化，得到频域AC系数垂直特征Av：
Av＝sum(|AC|＞0.2)/(m·(n-1))
其中，AC表示AC系数值，sum表示统计AC系数绝对值大于0.2的个数，m·(n-1)表示频域梯度矩阵Gvf中AC系数总个数；
步骤3.5将Ah和Av组合得到待评价JPEG图像的频域AC系数特征；
A＝(Ah+Av)/2
步骤4.组合特征得到图像质量评价模型：score＝(0.61B1+0.39B2)·A-0.421。
与现有技术相比，本发明是有益效果在于：
本发明提出了一种基于梯度变化的无参考JPEG图像质量评价方法，为了准确预测JPEG压缩图像的客观质量，通过分析JPEG图像的梯度矩阵及其频域的特点，发现该类图像的块边界梯度值和频域矩阵值分布与其主观分数具有较大的相关性；基于此，本发明提出了基于JPEG图像的水平、垂直、45度斜、135度斜四个方向的一阶梯度块效应，二阶梯度块效应，频域AC系数三个图像特征来评价其客观质量分数的无参考质量评价方法；在提取图像的三个特征后，使用多项式模型将其组合构成质量评价模型；最后在四个公开的质量评价数据库上进行性能验证，试验结果表明，本发明在预测JPEG压缩图像质量方面明显优于现有的无参考方法。综上所述，本发明通过引入有效的图像特征后，能够显著的提升JPEG图像的质量评价准确度，进而有效评价图像质量。
附图说明
图1为本发明实施例中基于梯度和频域的无参考JPEG图像质量评价方法的流程图.
图2为本发明实施例中图像块T中子图像块t1与子图像块t2的构建示意图。
图3为本发明实施例中图像块T中子图像块t3与子图像块t4的构建示意图。
图4为本发明实施例中图像块T中子图像块t5与子图像块t6的构建示意图。
图5为本发明实施例中涉及到数据库的详细信息图。
图6为本发明实施例中每个图像特征以及最终分数模型的SROCC指标结果图。
图7为本发明实施例与其他方法对于单一图像的计算时间对比图。
图8为本发明实施例与其他方法在四个数据库中的SROCC、PLCC、RMSE对比图。
图9，图10，图11，图12为本发明实施例中四个数据库测试分数与图像本身分数的相关点状图。
具体实施方式
下面将结合附图对本发明得实施例中的技术方案进行清楚、完整的描述，显然，下面所描述的实施例仅是本发明一部分的实施例，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付出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供一种基于梯度变化的无参考JPEG图像质量评价方法，其流程如图1所示，具体包括以下步骤：
步骤1.计算待评价JPEG图像的一阶梯度块效应特征；
步骤1.1计算待评价JPEG图像的一阶梯度矩阵，计算公式为：
Gh(i,j)＝|I(i,j+1)-I(i,j)|
Gv(i,j)＝|I(i+1,j)-I(i,j)|
其中，I(i,j)表示图像(待评价JPEG图像)像素(i,j)处的灰度值，Gh(i,j)、Gv(i,j)分别表示像素(i,j)处的水平、垂直梯度；
步骤1.2基于待评价JPEG图像构建若干个图像块T；
块效应的产生是因为JPEG压缩图像是由8×8相邻块单独变换编码，一个合理的方法来测量一个块的块效应是计算沿该块的四个边界的梯度值；
以8×8块为单元，按照窗口尺寸为3×3、滑动步长为1的滑窗操作遍历整个图像，构建得到若干个3×3(8×8块为单元)的图像块T；
步骤1.3计算待评价JPEG图像的一阶梯度块效应横竖特征；
步骤1.3.1计算每一个图像块T的一阶梯度块效应水平特征；
针对每一个图像块T，取其第9～16行构成一个8×24(像素点为单元)的图像块，进一步取该8×24图像块的第4～21列像素点构成一个8×18的子图像块t1，即取图像块T第9～16行、第4～21列像素点构成一个8×18的子图像块t1，如图2中实线框所示，子图像块t1包含3个单元块的水平相邻边界，能够同时计算两个相邻块的边界梯度值；基于子图像块t1对应的8×17水平梯度矩阵计算当前图像块T的块效应水平特征；
其中，(mh,nh)表示子图像块t1的第一个像素点(左上角)坐标，Gh(j)表示子图像块t1中j列的8个水平梯度值的平均值；
步骤1.3.2计算每一个图像块T的一阶梯度块效应垂直特征；
针对每一个图像块T，取其第9～16列构成一个24×8像素的图像块，进一步取该24×8图像块的第4～21行像素点构成一个18×8的子图像块t2，即取图像块T第9～16列、第4～21行像素点构成一个18×8的子图像块t2，如图2中虚线框所示，子图像块t2同样包含3个单元块的水平相邻边界，能够同时计算两个相邻块的边界梯度值；基于子图像块t2对应的17×8垂直梯度矩阵计算当前图像块T的块效应垂直特征；
其中，(mv,nv)表示子图像块t2的第一个像素点(左上角)坐标，Gv(i)表示子图像块t2中i行的8个垂直梯度值的平均值；
步骤1.3.3计算当前图像块T的一阶梯度块效应横竖特征：
Th,v＝(Th+Tv)/2
步骤1.3.4设定阈值过滤无效块效应横竖特征：Th,v＞0.47，并将过滤后所有有效块效应横竖特征的均值作为待评价JPEG图像的一阶梯度块效应横竖特征
步骤1.4计算待评价JPEG图像的一阶梯度块效应斜特征；
步骤1.4.1计算待评价JPEG图像的一阶梯度斜矩阵：
G45(i,j)＝|I(i+1,j)-I(i,j+1)|
G135(i,j)＝|I(i+1,j+1)-I(i,j)|
其中，I(i,j)表示图像像素(i,j)处的灰度值，G45(i,j)和G135(i,j)分别表示像素(i,j)处的45度和135度梯度；
步骤1.4.2计算每一个图像块T的一阶梯度块效应135度特征；
针对每一个图像块T，取其第8～16行构成一个9×24像素的图像块，进一步取该9×24图像块的第4～21列像素点构成一个9×18的子图像块t3，即取图像块T第8～16行、第4～21列像素点构成一个9×18的子图像块t3，如图3中实线框所示；基于子图像块t3对应8×17的135度梯度矩阵计算当前图像块T的块效应135度特征；
其中，(mh,nh)表示子图像块t3的第二行第一列像素点坐标，G135(j)表示子图像块t3j列的8个135度梯度值的平均值；
步骤1.4.3计算每一个图像块T的一阶梯度块效应45度特征；
针对每一个图像块T，取其第9～17列像素构成一个24×9像素的图像块，进一步取该24×9图像块的第4～21行像素点构成一个18×9的子图像块t4，即取图像块T第9～17列、第4～21行像素点构成一个18×9的子图像块t4，如图3中虚线框所示；基于子图像块t4对应17×8的45度梯度矩阵计算当前图像块T的块效应45度特征；
其中，(mv,nv)表示子图像块t4的第一个像素点(左上角)坐标，G45(i)表示子图像块t4中i行的8个45度梯度值的平均值；
步骤1.4.4计算当前图像块T的一阶梯度块效应斜特征：
T135,45＝(T135+T45)/2
步骤1.4.5设定阈值过滤无效块效应斜特征：T135,45＞1，并将过滤后所有有效块效应斜特征的均值作为待评价JPEG图像的一阶梯度块效应斜特征
步骤1.5计算待评价JPEG图像的一阶梯度块效应特征：
步骤2.计算待评价JPEG图像的二阶梯度块效应特征；
步骤2.1计算待评价JPEG图像的二阶梯度矩阵，计算公式为：
Gh2(i,j)＝|I(i,j+2)-2I(i,j+1)+I(i,j)|
Gv2(i,j)＝|I(i+2,j)-2I(i+1,j)+I(i,j)|
其中，Gh2(i,j)与Gv2(i,j)分别表示像素(i,j)处的二阶水平梯度与二阶垂直梯度；
步骤2.2计算待评价JPEG图像的二阶梯度块效应特征；
步骤2.2.1计算每一个图像块T的二阶梯度块效应水平特征；
针对每一个图像块T，取其第9～16行构成一个8×24像素的图像块，进一步取该8×24图像块的第4～22列像素点构成一个8×19的子图像块t5，即取图像块T第9～16行、第4～22列像素点构成一个8×19的子图像块t5，如图4中实线框所示；基于子图像块t5对应的8×17二阶水平梯度矩阵计算当前图像块T的块效应水平特征；
其中，(mh,nh)表示子图像块t5的第一个像素点(左上角)坐标，Gh2(j)表示子图像块t5中j列的8个二阶水平梯度值的平均值；
步骤2.2.2计算每一个图像块T的二阶梯度块效应垂直特征；
针对每一个图像块T，取其第9～16列构成一个24×8(像素点为单元)的图像块，进一步取该24×8图像块的第4～22行像素点构成一个19×8的子图像块t6，即取图像块T第9～16列、第4～22行像素点构成一个19×8的子图像块t6，如图4中虚线框所示；基于子图像块t6对应的17×8二阶垂直梯度矩阵计算当前图像块T的块效应垂直特征；
其中，(mv,nv)表示子图像块t6的第一个像素点(左上角)坐标，Gv2(i)表示子图像块t6中i行的8个二阶垂直梯度值的平均值；
步骤2.2.3计算当前图像块T的二阶梯度块效应横竖特征：
Th2,v2＝(Th2+Tv2)/2
步骤2.2.4设定阈值过滤无效块效应横竖特征：Th,v＞0.4，并将过滤后所有有效块效应横竖特征的均值作为待评价JPEG图像的二阶梯度块效应特征B2；
步骤3.计算待评价JPEG图像的频域AC系数特征；
步骤3.1计算待评价JPEG图像的频域的梯度矩阵，频域特征基于梯度矩阵的变化率，其梯度矩阵的定义如下：
G′h(i,j)＝I(i,j+1)-I(i,j)
G′v(i,j)＝I(i+1,j)-I(i,j)
步骤3.2对于水平梯度矩阵G′h和垂直梯度矩阵G′v分别进行阈值判定：
即：矩阵元素值大于0则置为1、剩下元素值则置为0；
步骤3.3对于阈值判定后水平梯度矩阵G′h，每列进行DCT变换，得到m×n的频域梯度矩阵Ghf：
Ghf(:,j)＝dct(G′h(:,j))
其中，G′h(:,j)表示第j列所有元素，dct表示进行dct变换；
对于阈值判定后垂直梯度矩阵G′v，每行进行DCT变换，得到m×n的频域梯度矩阵Gvf：
Gvf(i,:)＝dct(G′v(i,:))
其中，G′v(i,:)表示第i行所有元素，dct表示进行dct变换；
步骤3.4对于频域梯度矩阵Ghf，统计其中AC系数绝对值大于阈值的个数，再除以总AC系数个数进行归一化，得到频域AC系数水平特征Ah：
Ah＝sum(|AC|＞0.09)/((m-1)·n)
其中，AC表示的是频域梯度矩阵Ghf中所有的AC系数值，sum表示统计AC系数绝对值大于0.09的个数，(m-1)·n表示频域梯度矩阵Ghf中AC系数总个数；
对于频域梯度矩阵Gvf，统计其中AC系数绝对值大于阈值的个数，再除以总AC系数个数进行归一化，得到频域AC系数垂直特征Av：
Av＝sum(|AC|＞0.2)/(m·(n-1))
其中，AC表示的是频域梯度矩阵Gvf中所有的AC系数值，sum表示统计AC系数绝对值大于0.2的个数，m·(n-1)表示频域梯度矩阵Gvf中AC系数总个数；
步骤3.5将Ah和Av组合得到待评价JPEG图像的频域AC系数特征；
A＝(Ah+Av)/2
步骤4.特征组合；
将一阶梯度块效应特征、二阶梯度块效应特征和频域AC系数特征按下式进行组合，得到图像质量评价模型：score＝(0.61B1+0.39B2)·A-0.421。
基于上述技术方案，本实施例在4个图像集进行测试，LIVE、CSIQ、TID2008、TID2013四个经典数据库，其详细信息如图5所示，分别取出每个数据库的JPEG压缩导致失真的图像以及每张图像对应的MOS和DMOS分数，图像作为该方法的输入，采用SROCC(Spearman rankorder correlation coefficient，斯皮尔曼秩相关系数)，PLCC(Pearsonlinear correlation coefficient，皮尔森线性相关系数)，RMSE(RootMean SquaredError，均方误差)作为为客观评价指标衡量算法性能，较高的SROCC和PLCC值和较低的RMSE值表明方法的性能更优。每个特征以及最终方法模型输入数据库图像来进行性能测试，其SROCC性能测试结果如图6所示。同时通过比较不同方法的单张图像执行时间来衡量算法复杂度，图7列出了本发明和主流算法在计算单张图像所需要的时间，表明本发明算法具有较低的复杂性；所有无参考图像质量评价方法都在相同的数据库的JPEG数据集上测试。
本发明中将所提出的方法与六种主流的方法进行比较，包括：Ref.[1]、RMB、NJQA、GridSAR、Ref.[2](参考文献：[1]Z.Wang,H.R.Sheikh,and A.Bovik,“No-referenceperceptual qualityassessment of JPEG compressed images,”inProc.Int.Conf.ImageProcess.2002,vol.1,pp.I-477–I-480.[2]Zhan Y,Zhang R.“No-Reference JPEG Image Quality Assessment Based on Blockiness and LuminanceChange[J]”.IEEE Signal Processing Letters,2017,PP(6):1-1.)，使用这些方法的SROCC、PLCC和RMSE的结果如图8所示，对于每一个绩效指标，最好的两种方法用黑体突出显示，从图8可以看出，本发明在所有数据库中都具有竞争力，几乎在所有数据库中排名前两位；图8还提供了所有IQA数据库的加权平均结果，可以看出，本发明所提方法的平均性能最好。图9，图10，图11，图12显示了本发明与4个数据库主观评分的散点图和拟合曲线，可以看到，本发明预测的客观分数与主观评价一致，其分数和MOS成正相关，与DMOS成负相关。
综上所述，本发明所提出的方法对JPEG压缩后的图像质量评价非常有效，并且具有较低的复杂度和较好的性能，在测试中，整个数据集的性能稳健、一致。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。
Claims (1)
1.一种基于梯度变化的无参考JPEG图像质量评价方法，其特征在于，包括以下步骤：
步骤1.计算待评价JPEG图像的一阶梯度块效应特征；
步骤1.1计算待评价JPEG图像的一阶梯度矩阵：
Gh(i,j)＝|I(i,j+1)-I(i,j)|
Gv(i,j)＝|I(i+1,j)-I(i,j)|
其中，I(i,j)表示图像像素(i,j)处的灰度值，Gh(i,j)、Gv(i,j)分别表示像素(i,j)处的水平、垂直梯度；
步骤1.2基于待评价JPEG图像构建若干个图像块T；
以8×8块为单元，按照窗口尺寸为3×3、滑动步长为1的滑窗操作遍历整个图像，构建得到若干个图像块T；
步骤1.3计算待评价JPEG图像的一阶梯度块效应横竖特征；
步骤1.3.1计算每一个图像块T的一阶梯度块效应水平特征；
取图像块T第9～16行、第4～21列像素点构成一个8×18的子图像块t1，基于子图像块t1对应的8×17水平梯度矩阵计算当前图像块T的块效应水平特征；
其中，(mh,nh)表示子图像块t1的第一个像素点坐标，Gh(j)表示子图像块t1中j列的8个水平梯度值的平均值；
步骤1.3.2计算每一个图像块T的一阶梯度块效应垂直特征；
取图像块T第9～16列、第4～21行像素点构成一个18×8的子图像块t2，基于子图像块t2对应的17×8垂直梯度矩阵计算当前图像块T的块效应垂直特征；
其中，Gv(i)表示子图像块t2中i行的8个垂直梯度值的平均值；
步骤1.3.3计算当前图像块T的一阶梯度块效应横竖特征：
Th,v＝(Th+Tv)/2
步骤1.3.4设定阈值过滤无效块效应横竖特征：Th,v＞0.47，并将过滤后所有有效块效应横竖特征的均值作为待评价JPEG图像的一阶梯度块效应横竖特征
步骤1.4计算待评价JPEG图像的一阶梯度块效应斜特征；
步骤1.4.1计算待评价JPEG图像的一阶梯度斜矩阵：
G45(i,j)＝|I(i+1,j)-I(i,j+1)|
G135(i,j)＝|I(i+1,j+1)-I(i,j)|
其中，G45(i,j)和G135(i,j)分别表示像素(i,j)处的45度和135度梯度；
步骤1.4.2计算每一个图像块T的一阶梯度块效应135度特征；
取图像块T第8～16行、第4～21列像素点构成一个9×18的子图像块t3，基于子图像块t3对应8×17的135度梯度矩阵计算当前图像块T的块效应135度特征；
其中，G135(j)表示子图像块t3中j列的8个135度梯度值的平均值；
步骤1.4.3计算每一个图像块T的一阶梯度块效应45度特征；
取图像块T第9～17列、第4～21行像素点构成一个18×9的子图像块t4，基于子图像块t4对应17×8的45度梯度矩阵计算当前图像块T的块效应45度特征；
其中，G45(i)表示子图像块t4中i行的8个45度梯度值的平均值；
步骤1.4.4计算当前图像块T的一阶梯度块效应斜特征：
T135,45＝(T135+T45)/2
步骤1.4.5设定阈值过滤无效块效应斜特征：T135,45＞1，并将过滤后所有有效块效应斜特征的均值作为待评价JPEG图像的一阶梯度块效应斜特征
步骤1.5计算待评价JPEG图像的一阶梯度块效应特征：
步骤2.计算待评价JPEG图像的二阶梯度块效应特征；
步骤2.1计算待评价JPEG图像的二阶梯度矩阵：
Gh2(i,j)＝|I(i,j+2)-2I(i,j+1)+I(i,j)|
Gv2(i,j)＝|I(i+2,j)-2I(i+1,j)+I(i,j)|
其中，Gh2(i,j)与Gv2(i,j)分别表示像素(i,j)处的二阶水平梯度与二阶垂直梯度；
步骤2.2计算待评价JPEG图像的二阶梯度块效应特征；
步骤2.2.1计算每一个图像块T的二阶梯度块效应水平特征；
取图像块T第9～16行、第4～22列像素点构成一个8×19的子图像块t5，基于子图像块t5对应的8×17二阶水平梯度矩阵计算当前图像块T的块效应水平特征；
其中，Gh2(j)表示子图像块t5中j列的8个二阶水平梯度值的平均值；
步骤2.2.2计算每一个图像块T的二阶梯度块效应垂直特征；
取图像块T第9～16列、第4～22行像素点构成一个19×8的子图像块t6，基于子图像块t6对应的17×8二阶垂直梯度矩阵计算当前图像块T的块效应垂直特征；
其中，Gv2(i)表示子图像块t6中i行的8个二阶垂直梯度值的平均值；
步骤2.2.3计算当前图像块T的二阶梯度块效应横竖特征：
Th2,v2＝(Th2+Tv2)/2
步骤2.2.4设定阈值过滤无效块效应横竖特征：Th,v＞0.4，并将过滤后所有有效块效应横竖特征的均值作为待评价JPEG图像的二阶梯度块效应特征B2；
步骤3.计算待评价JPEG图像的频域AC系数特征；
步骤3.1计算待评价JPEG图像的频域的梯度矩阵：
G′h(i,j)＝I(i,j+1)-I(i,j)
G′v(i,j)＝I(i+1,j)-I(i,j)
步骤3.2对于水平梯度矩阵G′h和垂直梯度矩阵G′v分别进行阈值判定：
步骤3.3对于阈值判定后水平梯度矩阵G′h，每列进行DCT变换，得到m×n的频域梯度矩阵Ghf：
Ghf(:,j)＝dct(G′h(:,j))
对于阈值判定后垂直梯度矩阵G′v，每行进行DCT变换，得到m×n的频域梯度矩阵Gvf：
Gvf(i,:)＝dct(G′v(i,:))
步骤3.4对于频域梯度矩阵Ghf，计算频域AC系数水平特征Ah：
Ah＝sum(|AC|＞0.09)/((m-1)·n)
对于频域梯度矩阵Gvf，计算频域AC系数垂直特征Av：
Av＝sum(|AC|＞0.2)/(m·(n-1))
其中，AC表示AC系数值，sum表示满足括号内条件的个数统计；
步骤3.5将Ah和Av组合得到待评价JPEG图像的频域AC系数特征；
A＝(Ah+Av)/2
步骤4.组合特征得到图像质量评价模型：score＝(0.61B1+0.39B2)·A-0.421。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111409368.XA CN114240849B (zh) | 2021-11-25 | 2021-11-25 | 一种基于梯度变化的无参考jpeg图像质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111409368.XA CN114240849B (zh) | 2021-11-25 | 2021-11-25 | 一种基于梯度变化的无参考jpeg图像质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114240849A CN114240849A (zh) | 2022-03-25 |
| CN114240849B true CN114240849B (zh) | 2023-03-31 |
Family
ID=80751039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111409368.XA Active CN114240849B (zh) | 2021-11-25 | 2021-11-25 | 一种基于梯度变化的无参考jpeg图像质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114240849B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
| CN103366369A (zh) * | 2013-07-01 | 2013-10-23 | 中国矿业大学 | 一种评价图像中块效应的方法及装置 |
| CN106408561A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 一种基于图像纹理特征的无参考图像质量评价方法 |
| CN108269253A (zh) * | 2018-01-11 | 2018-07-10 | 天津大学 | 基于小波变换和局部结构特征的立体图像质量评价方法 |
| CN108830823A (zh) * | 2018-03-14 | 2018-11-16 | 西安理工大学 | 基于空域结合频域分析的全参考型图像质量评价方法 |
| CN109218738A (zh) * | 2018-07-16 | 2019-01-15 | 电子科技大学 | 一种基于二阶梯度的图像去块效应滤波方法 |
| CN112950592A (zh) * | 2021-03-05 | 2021-06-11 | 宁波大学 | 基于高维离散余弦变换的无参考光场图像质量评价方法 |
| KR20210076660A (ko) * | 2019-12-16 | 2021-06-24 | 연세대학교 산학협력단 | 합성곱 신경망 기반의 스테레오스코픽 이미지 화질 평가 방법 및 장치 |
-
2021
- 2021-11-25 CN CN202111409368.XA patent/CN114240849B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
| CN103366369A (zh) * | 2013-07-01 | 2013-10-23 | 中国矿业大学 | 一种评价图像中块效应的方法及装置 |
| CN106408561A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 一种基于图像纹理特征的无参考图像质量评价方法 |
| CN108269253A (zh) * | 2018-01-11 | 2018-07-10 | 天津大学 | 基于小波变换和局部结构特征的立体图像质量评价方法 |
| CN108830823A (zh) * | 2018-03-14 | 2018-11-16 | 西安理工大学 | 基于空域结合频域分析的全参考型图像质量评价方法 |
| CN109218738A (zh) * | 2018-07-16 | 2019-01-15 | 电子科技大学 | 一种基于二阶梯度的图像去块效应滤波方法 |
| KR20210076660A (ko) * | 2019-12-16 | 2021-06-24 | 연세대학교 산학협력단 | 합성곱 신경망 기반의 스테레오스코픽 이미지 화질 평가 방법 및 장치 |
| CN112950592A (zh) * | 2021-03-05 | 2021-06-11 | 宁波大学 | 基于高维离散余弦变换的无参考光场图像质量评价方法 |
Non-Patent Citations (5)
| Title |
|---|
| Blind image quality assessment by relative gradient statistics and adaboosting neural network;LixiongLiu等;《Signal Processing: Image Communication》;1-15 * |
| No reference image quality assessment metric via multi-domain structural information and piecewise regression;QingboWu等;《Journal of Visual Communication and Image Representation》;205-216 * |
| 一种基于曲率变分正则化的小波变换图像去噪方法;周先春等;《电子学报》(第03期);112-119 * |
| 联合多种边缘检测算子的无参考质量评价算法;沈丽丽等;《工程科学学报》(第08期);107-115 * |
| 融合多特征的无参考复原遥感图像质量评价;闫钧华等;《电子设计工程》;1-7 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114240849A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105825500B (zh) | 一种对相机图像质量的评价方法与装置 | |
| CN100559881C (zh) | 一种基于人工神经网络的视频质量评价方法 | |
| Ma et al. | Reduced-reference image quality assessment in reorganized DCT domain | |
| Zhan et al. | No-reference JPEG image quality assessment based on blockiness and luminance change | |
| CN112001904B (zh) | 一种遥感图像质量清晰度综合评价模块及评价方法 | |
| CN110505472A (zh) | 一种h.265超高清视频质量评价方法 | |
| CN106651829B (zh) | 一种基于能量和纹理分析的无参考图像客观质量评价方法 | |
| CN104851098A (zh) | 基于改进结构相似度的立体图像质量客观评价方法 | |
| CN109871852B (zh) | 一种无参考色调映射图像质量评价方法 | |
| CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
| CN105894507B (zh) | 基于图像信息量自然场景统计特征的图像质量评价方法 | |
| CN107146216A (zh) | 一种基于梯度自相似度的无参考图像客观质量评价方法 | |
| Lu et al. | A spatiotemporal model of video quality assessment via 3D gradient differencing | |
| CN114240849B (zh) | 一种基于梯度变化的无参考jpeg图像质量评价方法 | |
| Vora et al. | Analysis of compressed image quality assessments, m | |
| CN109447952B (zh) | 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法 | |
| Hu et al. | Reduced-reference image quality assessment for single-image super-resolution based on wavelet domain | |
| CN112950479B (zh) | 一种图像灰度区域拉伸算法 | |
| CN114782422B (zh) | 一种svr特征融合的无参考jpeg图像质量评价方法 | |
| CN109685757B (zh) | 一种基于灰度差分统计的无参考图像质量评价方法及系统 | |
| CN112950592B (zh) | 基于高维离散余弦变换的无参考光场图像质量评价方法 | |
| Qi et al. | Non-Reference Image Quality Assessment Based on Super-Pixel Segmentation and Information Entropy | |
| Corchs et al. | Grouping strategies to improve the correlation between subjective and objective image quality data | |
| CN114401400B (zh) | 基于视觉显著性编码效应感知的视频质量评测方法及系统 | |
| CN108271020A (zh) | 一种基于视觉注意力模型的全景视频质量评价方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |