收藏
下载资源 加入会员免费下载

基于结构补偿的图像质量评价方法.pdf

上传人：a*** 文档编号：4537266 上传时间：2018-10-18 格式：PDF 页数：13 大小：3.11MB
返回 下载 相关 举报
摘要
申请专利号：

CN201410323907.1

 申请日：

2014.07.08
公开号：

CN104123723A

 公开日：

2014.10.29
当前法律状态：

实审

 有效性：

审中
法律详情：

实质审查的生效IPC(主分类):G06T 7/00申请日:20140708|||公开
IPC分类号：

G06T7/00

 主分类号：

G06T7/00
申请人：

上海交通大学
发明人：

顾锞; 翟广涛; 许祺; 杨小康
地址：

200240 上海市闵行区东川路800号
优先权：

专利代理机构：

上海汉声知识产权代理有限公司 31236

 代理人：

郭国中
PDF下载： PDF下载
内容摘要

本发明公开一种基于结构补偿的图像质量评价方法，该方法通过定义的模糊度来分辨出不同种类的图像失真类型，来补偿结构相似性模型无法根据不同种类失真图像的情况做出相应反馈的不足。根据在现有的LIVE数据库以及TID2008数据库上的测试结果来看，本发明大幅度提升了结构相似性模型的准确性，并且优于大部分主流全参考图像质量评价方法。此外，本发明中的结构补偿方法同时可以作为快速高效的图像失真类型分辨来单独使用，并且兼具了计算复杂度低，执行效率高的特点。

权利要求书

1.  一种基于结构补偿的图像质量评价方法，其特征在于包括以下步骤：
第一步、确定参考图X与失真图Y的结构相似指数SSIM(X，Y)；
第二步、确定参考图X与参考图X经过高斯低通滤波后的图像μX的结构相似指数，将结果定义为参考图X的模糊度AMB(X)；
第三步、确定失真图Y与失真图Y经过高斯低通滤波后的图像μY的结构相似指数，结果为失真图Y的模糊度AMB(Y)；
第四步、确定参考图X的模糊度AMB(X)与失真图Y的模糊度AMB(Y)之差，将结果定义为参考图X与失真图Y的结构补偿SC(X，Y)；
第五步、将参考图X与失真图Y的结构相似指数SSIM(X，Y)与参考图X与失真图Y的结构补偿SC(X，Y)进行非线性组合，结果即为基于结构补偿的结构相似性指数SC-SSIM(X，Y)；
第六步、根据视频质量专家组VQEG的推荐，对SC-SSIM(X，Y)进行逻辑回归，得到新的质量指数SC-SSIM，该值越大则预测图像质量越好，值越小则预测图像质量越差。

2.  根据权利要求1所述的基于结构补偿的图像质量评价方法，其特征是，所述第一步，具体实现如下：
i)分别利用下述公式计算图像X，Y的局部统计平均μx、μy，标准差σx、σy以及相关系数σxy：
μx=Σi=1Nωixi]]>
σx=[Σi=1Nωi(xi-μx)2]1/2]]>
μy=Σi=1Nωiyi]]>
σy=[Σi=1Nωi(xi-μy)2]1/2]]>
σxy=Σi=1Nωi(xi-μx)(yi-μy)]]>
其中N为图像被窗口切分的数量，高斯权重窗口ω＝{ωi|i＝1,2,3,…,N}，每个窗口大小11*11，标准差为1.5并且进行了归一化处理；
ii)分别计算图像X，Y的亮度l(x，y)、对比度c(x，y)以及结构相似度s(x，y)：
l(x,y)=2μxμy+C1μx2+μy2+C1]]>
c(x,y)=2σxσy+C2σx2+σy2+C2]]>
s(x,y)=2σxσy+C3σx2+σy2+C3]]>
其中C1＝(K1L)2，C2＝(K2L)2，C3＝C1/2，K1＝0.01，K2＝0.03，L为灰阶深度；
iii)计算出图像X、Y的结构相似指数：
SSIM(X,Y)=1MΣi=1Ml(xi,yi)c(xi,yi)s(xi,yi)]]>
其中xi，yi分别为参考图X、失真图Y在第i个窗口的图像内容。

3.  根据权利要求2所述的基于结构补偿的图像质量评价方法，其特征是，所述第二步中，参考图X模糊度AMB(X)：
AMB(X)＝SSIM(X,μX)
其中SSIM(·)的计算方式与权利要求2中的相同。

4.  根据权利要求2所述的基于结构补偿的图像质量评价方法，其特征是，所述第三步中，失真图Y模糊度AMB(Y)：
AMB(Y)＝SSIM(Y,μY)
其中SSIM(·)的计算方式与权利要求2中的相同。

5.  根据权利要求1-4任一项所述的基于结构补偿的图像质量评价方法，其特征是，所述第四步中，参考图X与失真图Y的结构补偿SC(X，Y)：
SC(X，Y)＝AMB(X)–AMB(Y)。

6.  根据权利要求1-4任一项所述的基于结构补偿的图像质量评价方法，其特征是，所述第五步，具体实现如下：
所述的结构相似指数SSIM(X，Y)与结构补偿SC(X，Y)的非线性组合：
SC-SSIM(X,Y)=SSIM(X,Y)+α(SC(X,Y))γ1+β(SC(X,Y))γ2,SC&GreaterEqual;0β(SC(X,Y))γ3,SC<0]]>
其中α、β、γ1、γ2和γ3是模型的参数，在图像数据库上训练得到：其中α＝-2.8386，β＝1.5043，γ1＝4.8668，γ2＝1.4292，γ3＝2.1988。

7.  根据权利要求1-4任一项所述的基于结构补偿的图像质量评价方法，其特征是，所述第六步，具体实现如下：
所述的图像质量专家组VQEG推荐的逻辑回归方法：
q(x)=β1-β21+exp(-x-β3β4)+β2]]>
其中β1至β4由拟合时确定，β1＝-25876，β2＝105.2060，β3＝3.0684，β4＝0.3676；
x即为SC-SSIM(X,Y)，q(x)为最终的图像质量评价指标SC-SSIM。

说明书

基于结构补偿的图像质量评价方法
技术领域
本发明涉及的是一种图像质量评价领域，具体是一种基于结构补偿(Structure Compensation)的结构相似性模型(SSIM)的全参考图像质量评价方法(SC-SSIM)。
背景技术
随着诸如图像视频压缩、存储以及传输技术在多媒体领域的广泛应用，对于高效的图像质量评价技术的需求也在高速增长。现有的图像质量评价方法主要分为主观与客观两种。其中主观评价方法应当是最为贴近真实的，但是代价非常昂贵，同时十分浪费时间，并且这种主观评价方式在实时图像处理系统中是无法应用的。而对于客观质量评价，均方差(Mean-Squared Error)以及峰值信噪比(Peak Signal-to-Noise Ratio)这两种评价方法在当前有着非常广泛的应用，然而这两种方法并不能非常准确的与人们的主观评价结果相匹配。
考虑到这种状况，Z.Wang等人在2004年《IEEE Transaction on Image Processing》上发表了“Image quality assessment:From error visibility to structural similarity”，充分考虑到人类视觉认知系统，提出了一种全新的基于图像结构信息的客观图像质量评价方法，即结构相似指数(SSIM)。Z.Wang因此论文获得IEEE Signal Processing Society Best Paper Award。随后，大量的基于结构相似指数的改进方法纷纷涌现。例如，Z.Wang等人又在2011年《IEEE Transaction on Image Processing》发表的论文“Information content weighting for perceptual image quality assessment”，提出基于信息内容加权的结构相似指数(IW-SSIM)等。此外，还有一些基于人类视觉认知系统的模型陆续提出，比如H.R.Sheikh等人在2006年《IEEE Transaction on Image Processing》发表的论文“Image information and visual quality”，提出视觉信息保真度模型(VIF)等。然而，这些质量评价方式并没有考虑到对不同失真类型来进行相对的反馈。这促使我们去设计一种新的 客观质量评价方法，将不同失真类型的不同反馈融入其中，从而提高客观图像质量评价的准确度。
发明内容
针对现有技术的不足，本发明提供一种基于结构补偿的图像质量评价方法，在本发明之中，通过定义的模糊度分辨出不同种类的图像失真类型，来补偿结构相似性模型无法根据不同种类失真图像的情况做出相应反馈的不足。
本发明是通过以下技术方案实现的，本发明包括以下步骤：
第一步、确定参考图X与失真图Y的结构相似指数SSIM(X，Y)；
第二步、确定参考图X与参考图X经过高斯低通滤波后的图像μX的结构相似指数，将结果定义为参考图X的模糊度AMB(X)；
第三步、确定失真图Y与失真图Y经过高斯低通滤波后的图像μY的结构相似指数，结果为失真图Y的模糊度AMB(Y)；
第四步、确定参考图X的模糊度AMB(X)与失真图Y的模糊度AMB(Y)之差，将结果定义为参考图X与失真图Y的结构补偿SC(X，Y)；
第五步、将参考图X与失真图Y的结构相似指数SSIM(X，Y)与参考图X与失真图Y的结构补偿SC(X，Y)进行非线性组合，结果即为基于结构补偿的结构相似性指数SC-SSIM(X，Y)；
第六步、根据视频质量专家组VQEG的推荐，对SC-SSIM(X，Y)进行逻辑回归，得到新的质量指数SC-SSIM，该值越大则预测图像质量越好，值越小则预测图像质量越差。
本发明的原理是，不同种类失真的图像与其高斯低通滤波后图像的结构相似指数(SSIM)有着相应的不同种类的反馈，根据这种对应关系可以确定失真图像的失真类型可以来定义结构补偿(Structure Compensation)，并与现有的结构显示指数(SSIM)进行非线性组合，从而得到新的指数SC-SSIM。
与现有技术相比，本发明具有如下的有益效果：
根据在现有的LIVE数据库以及TID2008数据库上的测试结果来看，本发明大幅度提升了结构相似性模型的准确性，并且优于大部分主流全参考图像质量评价方法。此外， 本发明第四步中获得的结构补偿同时可以作为快速高效的图像失真类型分辨来单独使用。值得注意的是，本发明方法仅依赖于结构相似性指数的计算函数，而无需引入其他复杂处理，这意味着本发明不仅显著提升了结构相似性模型评价方法的准确度，并且兼具了计算复杂度低，执行效率高的特点。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明一实施例总体流程图；
图2是本发明一实施例参考图模糊度确定方式演示图；
图3是本发明一实施例失真图模糊度确定方式演示图；
图4是本发明一实施例SC-SSIM在LIVE图像质量数据库上与主观评价值DMOS比较图；
图5是本发明一实施例SC-SSIM在TID2008图像质量数据库上与主观评价值MOS比较图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对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。这些都属于本发明的保护范围。
实施例：
本实施例提供一种图像质量评价方法，具体综合流程图见图1。
第一步、确定参考图X与失真图Y的结构相似指数SSIM(X，Y)。具体如下：
i)分别利用下述公式计算图像X，Y的局部统计平均μx、μy，标准差σx、σy以及相关系数σxy：
μx=Σi=1Nωixi]]>
σx=[Σi=1Nωi(xi-μx)2]1/2]]>
μy=Σi=1Nωiyi]]>
σy=[Σi=1Nωi(xi-μy)2]1/2]]>
σxy=Σi=1Nωi(xi-μx)(yi-μy)]]>
其中N为图像被滤波窗口切分的数量。高斯权重窗口ω＝{ωi|i＝1,2,3,…,N}，窗口大小11*11，标准差为1.5并且进行了归一化处理，具体窗口数值如下：

ii)分别计算图像X，Y的亮度l(x，y)、对比度c(x，y)以及结构相似度s(x，y)：
l(x,y)=2μxμy+C1μx2+μy2+C1]]>
c(x,y)=2σxσy+C2σx2+σy2+C2]]>
s(x,y)=2σxσy+C3σx2+σy2+C3]]>
其中C1＝(K1L)2，C2＝(K2L)2，C3＝C1/2。K1＝0.01，K2＝0.03，K为灰阶深度，如常用的8位图像，则L＝28-1＝255；
iii)计算出图像X、Y的结构相似指数：
SSIM(X,Y)=1MΣi=1Ml(xi,yi)c(xi,yi)s(xi,yi)]]>
其中xi，yi分别为参考图X、失真图Y在第i个窗口的图像内容。
第二步、确定参考图X与参考图X经过高斯低通滤波后的图像μX的结构相似指数，结果为参考图X的模糊度AMB(X)，具体如下(见图2)：
其中高斯权重窗口ω＝{ωi|i＝1,2,3,…,N}，窗口大小11*11，标准差为1.5并且进行了归一化处理，具体窗口数值如下：

1.06E-067.81E-063.70E-050.0001120.0002190.0002740.0002190.0001123.70E-057.81E-061.06E-061.06E-067.81E-065.77E-050.0002740.0008310.0016190.0020210.0016190.0008310.0002745.77E-057.81E-067.81E-063.70E-050.0002735610.0012960.0039370.0076680.0095770.0076680.0039370.0012960.0002743.70E-053.70E-050.00011250.0008310050.0039370.011960.0232940.0290910.0232940.011960.0039370.0008310.0001120.00011250.00021910.0016185780.0076680.0232940.0453710.0566620.0453710.0232940.0076680.0016190.0002190.00021910.00027360.0020213590.0095770.0290910.0566620.0707620.0566620.0290910.0095770.0020210.0002740.00027360.00021910.0016185780.0076680.0232940.0453710.0566620.0453710.0232940.0076680.0016190.0002190.00021910.00011250.0008310050.0039370.011960.0232940.0290910.0232940.011960.0039370.0008310.0001120.00011253.70E-050.0002735610.0012960.0039370.0076680.0095770.0076680.0039370.0012960.0002743.70E-053.70E-057.81E-065.77E-050.0002740.0008310.0016190.0020210.0016190.0008310.0002745.77E-057.81E-067.81E-061.06E-067.81E-063.70E-050.0001120.0002190.0002740.0002190.0001123.70E-057.81E-061.06E-061.06E-06

所述的参考图X模糊度AMB(X)：
AMB(X)＝SSIM(X,μX)
其中SSIM(·)的计算方式与第一步中的相同。
第三步、确定失真图Y与失真图Y经过高斯低通滤波后的图像μY的结构相似指数，结果为失真图Y的模糊度AMB(Y)，具体如下(具体见图3)：
其中高斯权重窗口ω＝{ωi|i＝1,2,3,…,N}，窗口大小11*11，标准差为1.5并且进行了归一化处理，具体窗口数值如下：
1.06E-067.81E-063.70E-050.0001120.0002190.0002740.0002190.0001123.70E-057.81E-061.06E-061.06E-067.81E-065.77E-050.0002740.0008310.0016190.0020210.0016190.0008310.0002745.77E-057.81E-067.81E-063.70E-050.0002735610.0012960.0039370.0076680.0095770.0076680.0039370.0012960.0002743.70E-053.70E-050.00011250.0008310050.0039370.011960.0232940.0290910.0232940.011960.0039370.0008310.0001120.00011250.00021910.0016185780.0076680.0232940.0453710.0566620.0453710.0232940.0076680.0016190.0002190.00021910.00027360.0020213590.0095770.0290910.0566620.0707620.0566620.0290910.0095770.0020210.0002740.00027360.00021910.0016185780.0076680.0232940.0453710.0566620.0453710.0232940.0076680.0016190.0002190.00021910.00011250.0008310050.0039370.011960.0232940.0290910.0232940.011960.0039370.0008310.0001120.00011253.70E-050.0002735610.0012960.0039370.0076680.0095770.0076680.0039370.0012960.0002743.70E-053.70E-057.81E-065.77E-050.0002740.0008310.0016190.0020210.0016190.0008310.0002745.77E-057.81E-067.81E-061.06E-067.81E-063.70E-050.0001120.0002190.0002740.0002190.0001123.70E-057.81E-061.06E-061.06E-06

所述的失真图Y模糊度AMB(Y)：
AMB(Y)＝SSIM(Y,μY)
其中SSIM(·)的计算方式与第一步中的相同。
第四步、确定参考图X的模糊度AMB(X)与失真图Y的模糊度AMB(Y)之差，将结果定义为参考图X与失真图Y的结构补偿SC(X，Y)，具体如下：
SC(X，Y)＝AMB(X)–AMB(Y)
其中AMB(X)由第二步获得，AMB(Y)由第三步获得。
第五步、将参考图X与失真图Y的结构相似指数SSIM(X，Y)与参考图X与失真图Y的结构补偿SC(X，Y)进行非线性组合，将结果即为基于结构补偿的结构相似性指数SC-SSIM(X，Y)：
SC-SSIM(X,Y)=SSIM(X,Y)+α(SC(X,Y))γ1+β(SC(X,Y))γ2,SC&GreaterEqual;0β(SC(X,Y))γ3,SC<0]]>
其中α、β、γ1、γ2和γ3是模型的参数，在图像数据库上训练可得。其中α＝-2.8386，β＝1.5043，γ1＝4.8668，γ2＝1.4292，γ3＝2.1988。
第六步、根据视频质量专家组VQEG的推荐，对SC-SSIM(X，Y)进行逻辑回归，得到最终的质量指数SC-SSIM。
所述的图像质量专家组VQEG推荐的逻辑回归方法：
q(x)=β1-β21+exp(-x-β3β4)+β2]]>
其中β1至β4由拟合时确定。β1＝-25876，β2＝105.2060，β3＝3.0684，β4＝0.3676。
在本发明中x即为权利要求6中的SC-SSIM(X,Y)，q(x)为最终的图像质量评价指标SC-SSIM，这个数值越大则预测图像质量越好，值越小则预测图像质量越差。
实施效果
依据上述步骤，对Laboratory for Image and Video Engineering(LIVE)数据库的所有779张图像，以及Tempere Image Database2008(TID2008)数据库中包含高斯白噪声、高斯模糊、JPEG与JPEG2000压缩类型的500张图像进行图像质量评价。利用视频质量专家组(VQEG)推荐的指标来与一些主流客观图像质量评价方法与本发明的方法进行比较，其中包括：Pearson Linear Correlation Coefficient(PLCC)、SpearmanRank-order Correlation Coefficient(SRCC)、Kendall’s Rank-order Correlation Coefficient(KRCC)、Average Absolute Error(AAE)以及Root Mean-Squared Error(RMSE)。 在LIVE数据库上的比较结果见表1，在TID2008数据库上的比较结果见表2，可以发现本发明中的SC-SSIM准确性优于大多主流评价方法。SC-SSIM在LIVE图像质量数据库上与主观评价值DMOS比较图见图4，在TID2008图像质量数据库上与主观评价值MOS比较图见图5。
表1
方法PLCCSRCCKRCCAAERMSESSIM0.93830.94780.79617.52519.4508MS-SSIM0.94020.95120.80437.43829.3121IW-SSIM0.94250.95660.81747.44169.1344VIF0.95940.96330.82736.23237.7102VIFP0.95940.96180.82496.11867.7143DIP0.96010.96420.82926.22067.6472SC-SSIM0.96200.96550.83646.07277.4610

表2
方法PLCCSRCCKRCCAAERMSESSIM0.85760.88680.69390.59430.7563MS-SSIM0.86690.88580.6930.59590.7332IW-SSIM0.89770.9140.73450.52180.6481VIF0.91780.90820.73730.46140.5838VIFP0.90440.88720.70920.49950.6276DIP0.92120.90510.72860.47920.6113SC-SSIM0.92110.93690.77760.44090.5727

表1与表2中所述的图像质量评价方法具体是指：
SSIM：Z.Wang等人在2004年《IEEE Transaction on Image Processing》上发表的“Image quality assessment: From error visibility to structural similarity”；
MS-SSIM：Z.Wang等人在2003年《IEEE Asilomar Conference on Signal,System and Computers》上发表的“Multi-scale structural similarity for image quality assessment”；
IW-SSIM：Z.Wang等人在2011年《IEEE Transaction on Image Processing》上发表的“Information content weighting for perceptual image quality assessment”；
VIF：H.R.Sheikh等人在2006年《IEEE Transaction on Image Processing》发表的“Image information and visual quality”；
VIFP：H.R.Sheikh等人在2006年《IEEE Transaction on Image Processing》发表的“Image information and visual quality”；
DIP：K.Gu等人在2012年期刊《Signal,Image and Video Processing》发表的“A new psychovisual paradigm for image quality assessment:from differentiating distortion types to discriminating quality conditions”。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

基于结构补偿的图像质量评价方法.pdf_第1页
第1页 / 共13页
基于结构补偿的图像质量评价方法.pdf_第2页
第2页 / 共13页
基于结构补偿的图像质量评价方法.pdf_第3页
第3页 / 共13页
点击查看更多>>
资源描述

《基于结构补偿的图像质量评价方法.pdf》由会员分享，可在线阅读，更多相关《基于结构补偿的图像质量评价方法.pdf（13页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104123723 A (43)申请公布日 2014.10.29 CN 104123723 A (21)申请号 201410323907.1 (22)申请日 2014.07.08 G06T 7/00(2006.01) (71)申请人 上海交通大学 地址 200240 上海市闵行区东川路 800 号 (72)发明人 顾锞 翟广涛 许祺 杨小康 (74)专利代理机构 上海汉声知识产权代理有限 公司 31236 代理人 郭国中 (54) 发明名称 基于结构补偿的图像质量评价方法 (57) 摘要 本发明公开一种基于结构补偿的图像质量评 价方法， 该方法通过定义的模糊度来分辨出。

2、不同 种类的图像失真类型， 来补偿结构相似性模型无 法根据不同种类失真图像的情况做出相应反馈的 不足。 根据在现有的LIVE 数据库以及TID2008 数 据库上的测试结果来看， 本发明大幅度提升了结 构相似性模型的准确性， 并且优于大部分主流全 参考图像质量评价方法。 此外， 本发明中的结构补 偿方法同时可以作为快速高效的图像失真类型分 辨来单独使用， 并且兼具了计算复杂度低， 执行效 率高的特点。 (51)Int.Cl. 权利要求书 2 页 说明书 7 页 附图 3 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书7页 附图3页 (10)申请公布号 C。

3、N 104123723 A CN 104123723 A 1/2 页 2 1. 一种基于结构补偿的图像质量评价方法， 其特征在于包括以下步骤 ： 第一步、 确定参考图 X 与失真图 Y 的结构相似指数 SSIM(X， Y) ； 第二步、 确定参考图 X 与参考图 X 经过高斯低通滤波后的图像 X的结构相似指数， 将 结果定义为参考图 X 的模糊度 AMB(X) ； 第三步、 确定失真图 Y 与失真图 Y 经过高斯低通滤波后的图像 Y的结构相似指数， 结 果为失真图 Y 的模糊度 AMB(Y) ； 第四步、 确定参考图 X 的模糊度 AMB(X) 与失真图 Y 的模糊度 AMB(Y) 之差， 将。

4、结果定义 为参考图 X 与失真图 Y 的结构补偿 SC(X， Y) ； 第五步、 将参考图 X 与失真图 Y 的结构相似指数 SSIM(X， Y) 与参考图 X 与失真图 Y 的 结构补偿 SC(X， Y) 进行非线性组合， 结果即为基于结构补偿的结构相似性指数 SC-SSIM(X， Y) ； 第六步、 根据视频质量专家组 VQEG 的推荐， 对 SC-SSIM(X， Y) 进行逻辑回归， 得到新的 质量指数 SC-SSIM， 该值越大则预测图像质量越好， 值越小则预测图像质量越差。 2. 根据权利要求 1 所述的基于结构补偿的图像质量评价方法， 其特征是， 所述第一步， 具体实现如下 ： i。

5、) 分别利用下述公式计算图像 X， Y 的局部统计平均 x、 y， 标准差 x、 y以及相关 系数 xy： 其中 N 为图像被窗口切分的数量， 高斯权重窗口 i|i 1,2,3,N， 每个窗 口大小 11*11， 标准差为 1.5 并且进行了归一化处理 ； ii) 分别计算图像 X， Y 的亮度 l(x， y)、 对比度 c(x， y) 以及结构相似度 s(x， y) ： 其中 C1 (K1L)2， C2 (K2L)2， C3 C1/2， K1 0.01， K2 0.03， L 为灰阶深度 ； 权 利 要 求 书 CN 104123723 A 2 2/2 页 3 iii) 计算出图像 X、 Y。

6、 的结构相似指数 ： 其中 xi， yi分别为参考图 X、 失真图 Y 在第 i 个窗口的图像内容。 3. 根据权利要求 2 所述的基于结构补偿的图像质量评价方法， 其特征是， 所述第二步 中， 参考图 X 模糊度 AMB(X) ： AMB(X) SSIM(X,X) 其中 SSIM() 的计算方式与权利要求 2 中的相同。 4. 根据权利要求 2 所述的基于结构补偿的图像质量评价方法， 其特征是， 所述第三步 中， 失真图 Y 模糊度 AMB(Y) ： AMB(Y) SSIM(Y,Y) 其中 SSIM() 的计算方式与权利要求 2 中的相同。 5. 根据权利要求 1-4 任一项所述的基于结构补。

7、偿的图像质量评价方法， 其特征是， 所 述第四步中， 参考图 X 与失真图 Y 的结构补偿 SC(X， Y) ： SC(X， Y) AMB(X)AMB(Y)。 6. 根据权利要求 1-4 任一项所述的基于结构补偿的图像质量评价方法， 其特征是， 所 述第五步， 具体实现如下 ： 所述的结构相似指数 SSIM(X， Y) 与结构补偿 SC(X， Y) 的非线性组合 ： 其中 、 、 1、 2和 3是模型的参数， 在图像数据库上训练得到 ： 其中 -2.8386， 1.5043， 1 4.8668， 2 1.4292， 3 2.1988。 7. 根据权利要求 1-4 任一项所述的基于结构补偿的图像。

8、质量评价方法， 其特征是， 所 述第六步， 具体实现如下 ： 所述的图像质量专家组 VQEG 推荐的逻辑回归方法 ： 其中 1至 4由拟合时确定， 1 -25876， 2 105.2060， 3 3.0684， 4 0.3676 ； x 即为 SC-SSIM(X,Y)， q(x) 为最终的图像质量评价指标 SC-SSIM。 权 利 要 求 书 CN 104123723 A 3 1/7 页 4 基于结构补偿的图像质量评价方法 技术领域 0001 本发明涉及的是一种图像质量评价领域， 具体是一种基于结构补偿 (Structure Compensation) 的结构相似性模型 (SSIM) 的全参考。

9、图像质量评价方法 (SC-SSIM)。 背景技术 0002 随着诸如图像视频压缩、 存储以及传输技术在多媒体领域的广泛应用， 对于高效 的图像质量评价技术的需求也在高速增长。 现有的图像质量评价方法主要分为主观与客观 两种。其中主观评价方法应当是最为贴近真实的， 但是代价非常昂贵， 同时十分浪费时间， 并且这种主观评价方式在实时图像处理系统中是无法应用的。而对于客观质量评价， 均方 差(Mean-Squared Error)以及峰值信噪比(Peak Signal-to-Noise Ratio)这两种评价方 法在当前有着非常广泛的应用， 然而这两种方法并不能非常准确的与人们的主观评价结果 相匹配。

10、。 0003 考 虑 到 这 种 状 况， Z.Wang 等 人 在 2004 年 IEEE Transaction on Image Processing 上 发 表 了 “Image quality assessment:From error visibility to structural similarity” ， 充分考虑到人类视觉认知系统， 提出了一种全新的基于图像结 构信息的客观图像质量评价方法， 即结构相似指数 (SSIM)。Z.Wang 因此论文获得 IEEE Signal Processing Society Best Paper Award。 随后， 大量的基于结构相似指。

11、数的改进方 法纷纷涌现。例如， Z.Wang 等人又在 2011 年 IEEE Transaction on Image Processing 发 表 的 论 文 “Information content weighting for perceptual image quality assessment” ， 提出基于信息内容加权的结构相似指数 (IW-SSIM) 等。此外， 还有一些基于 人类视觉认知系统的模型陆续提出， 比如 H.R.Sheikh 等人在 2006 年 IEEE Transaction on Image Processing 发表的论文 “Image information。

12、 and visual quality” ， 提出视觉 信息保真度模型 (VIF) 等。然而， 这些质量评价方式并没有考虑到对不同失真类型来进行 相对的反馈。这促使我们去设计一种新的客观质量评价方法， 将不同失真类型的不同反馈 融入其中， 从而提高客观图像质量评价的准确度。 发明内容 0004 针对现有技术的不足， 本发明提供一种基于结构补偿的图像质量评价方法， 在本 发明之中， 通过定义的模糊度分辨出不同种类的图像失真类型， 来补偿结构相似性模型无 法根据不同种类失真图像的情况做出相应反馈的不足。 0005 本发明是通过以下技术方案实现的， 本发明包括以下步骤 ： 0006 第一步、 确定参。

13、考图 X 与失真图 Y 的结构相似指数 SSIM(X， Y) ； 0007 第二步、 确定参考图 X 与参考图 X 经过高斯低通滤波后的图像 X的结构相似指 数， 将结果定义为参考图 X 的模糊度 AMB(X) ； 0008 第三步、 确定失真图 Y 与失真图 Y 经过高斯低通滤波后的图像 Y的结构相似指 数， 结果为失真图 Y 的模糊度 AMB(Y) ； 说 明 书 CN 104123723 A 4 2/7 页 5 0009 第四步、 确定参考图 X 的模糊度 AMB(X) 与失真图 Y 的模糊度 AMB(Y) 之差， 将结果 定义为参考图 X 与失真图 Y 的结构补偿 SC(X， Y) ；。

14、 0010 第五步、 将参考图 X 与失真图 Y 的结构相似指数 SSIM(X， Y) 与参考图 X 与失真 图 Y 的结构补偿 SC(X， Y) 进行非线性组合， 结果即为基于结构补偿的结构相似性指数 SC-SSIM(X， Y) ； 0011 第六步、 根据视频质量专家组 VQEG 的推荐， 对 SC-SSIM(X， Y) 进行逻辑回归， 得到 新的质量指数 SC-SSIM， 该值越大则预测图像质量越好， 值越小则预测图像质量越差。 0012 本发明的原理是， 不同种类失真的图像与其高斯低通滤波后图像的结构相似指数 (SSIM) 有着相应的不同种类的反馈， 根据这种对应关系可以确定失真图像的。

15、失真类型可以 来定义结构补偿 (Structure Compensation)， 并与现有的结构显示指数 (SSIM) 进行非线 性组合， 从而得到新的指数 SC-SSIM。 0013 与现有技术相比， 本发明具有如下的有益效果 ： 0014 根据在现有的LIVE数据库以及TID2008数据库上的测试结果来看， 本发明大幅度 提升了结构相似性模型的准确性， 并且优于大部分主流全参考图像质量评价方法。 此外， 本 发明第四步中获得的结构补偿同时可以作为快速高效的图像失真类型分辨来单独使用。 值 得注意的是， 本发明方法仅依赖于结构相似性指数的计算函数， 而无需引入其他复杂处理， 这意味着本发明不。

16、仅显著提升了结构相似性模型评价方法的准确度， 并且兼具了计算复杂 度低， 执行效率高的特点。 附图说明 0015 通过阅读参照以下附图对非限制性实施例所作的详细描述， 本发明的其它特征、 目的和优点将会变得更明显 ： 0016 图 1 是本发明一实施例总体流程图 ； 0017 图 2 是本发明一实施例参考图模糊度确定方式演示图 ； 0018 图 3 是本发明一实施例失真图模糊度确定方式演示图 ； 0019 图 4 是本发明一实施例 SC-SSIM 在 LIVE 图像质量数据库上与主观评价值 DMOS 比 较图 ； 0020 图 5 是本发明一实施例 SC-SSIM 在 TID2008 图像质量。

17、数据库上与主观评价值 MOS 比较图。 具体实施方式 0021 下面结合具体实施例对本发明进行详细说明。 以下实施例将有助于本领域的技术 人员进一步理解本发明， 但不以任何形式限制本发明。 应当指出的是， 对本领域的普通技术 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。 这些都属于本发明 的保护范围。 0022 实施例 ： 0023 本实施例提供一种图像质量评价方法， 具体综合流程图见图 1。 0024 第一步、 确定参考图 X 与失真图 Y 的结构相似指数 SSIM(X， Y)。具体如下 ： 0025 i) 分别利用下述公式计算图像 X， Y 的局部统计平均 x、 y。

18、， 标准差 x、 y以及 说 明 书 CN 104123723 A 5 3/7 页 6 相关系数 xy： 0026 0027 0028 0029 0030 0031 其中N为图像被滤波窗口切分的数量。 高斯权重窗口i|i1,2,3,N， 窗口大小 11*11， 标准差为 1.5 并且进行了归一化处理， 具体窗口数值如下 ： 0032 0033 ii) 分别计算图像 X， Y 的亮度 l(x， y)、 对比度 c(x， y) 以及结构相似度 s(x， y) ： 0034 0035 0036 0037 其中 C1 (K1L)2， C2 (K2L)2， C3 C1/2。K1 0.01， K2 0.0。

19、3， K 为灰阶深度， 如常用的 8 位图像， 则 L 28-1 255 ； 0038 iii) 计算出图像 X、 Y 的结构相似指数 ： 0039 说 明 书 CN 104123723 A 6 4/7 页 7 0040 其中 xi， yi分别为参考图 X、 失真图 Y 在第 i 个窗口的图像内容。 0041 第二步、 确定参考图 X 与参考图 X 经过高斯低通滤波后的图像 X的结构相似指 数， 结果为参考图 X 的模糊度 AMB(X)， 具体如下 ( 见图 2) ： 0042 其中高斯权重窗口i|i1,2,3,N， 窗口大小11*11， 标准差为1.5并 且进行了归一化处理， 具体窗口数值如。

20、下 ： 0043 1.06E-067.81E-063.70E-050.0001120.0002190.0002740.0002190.0001123.70E-057.81E-061.06E-061.06E-06 7.81E-065.77E-050.0002740.0008310.0016190.0020210.0016190.0008310.0002745.77E-057.81E-067.81E-06 3.70E-050.000273561 0.0012960.0039370.0076680.0095770.0076680.0039370.0012960.0002743.70E-053.70E。

21、-05 0.00011250.000831005 0.0039370.011960.0232940.0290910.0232940.011960.0039370.0008310.0001120.0001125 0.00021910.001618578 0.0076680.0232940.0453710.0566620.0453710.0232940.0076680.0016190.0002190.0002191 0.00027360.002021359 0.0095770.0290910.0566620.0707620.0566620.0290910.0095770.0020210.00027。

22、40.0002736 0.00021910.001618578 0.0076680.0232940.0453710.0566620.0453710.0232940.0076680.0016190.0002190.0002191 0.00011250.000831005 0.0039370.011960.0232940.0290910.0232940.011960.0039370.0008310.0001120.0001125 3.70E-050.000273561 0.0012960.0039370.0076680.0095770.0076680.0039370.0012960.0002743。

23、.70E-053.70E-05 7.81E-065.77E-050.0002740.0008310.0016190.0020210.0016190.0008310.0002745.77E-057.81E-067.81E-06 1.06E-067.81E-063.70E-050.0001120.0002190.0002740.0002190.0001123.70E-057.81E-061.06E-061.06E-06 0044 所述的参考图 X 模糊度 AMB(X) ： 0045 AMB(X) SSIM(X,X) 0046 其中 SSIM() 的计算方式与第一步中的相同。 0047 第三步、 确。

24、定失真图 Y 与失真图 Y 经过高斯低通滤波后的图像 Y的结构相似指 数， 结果为失真图 Y 的模糊度 AMB(Y)， 具体如下 ( 具体见图 3) ： 0048 其中高斯权重窗口i|i1,2,3,N， 窗口大小11*11， 标准差为1.5并 且进行了归一化处理， 具体窗口数值如下 ： 0049 1.06E-067.81E-063.70E-050.0001120.0002190.0002740.0002190.0001123.70E-057.81E-061.06E-061.06E-06 7.81E-065.77E-050.0002740.0008310.0016190.0020210.0016。

25、190.0008310.0002745.77E-057.81E-067.81E-06 3.70E-050.000273561 0.0012960.0039370.0076680.0095770.0076680.0039370.0012960.0002743.70E-053.70E-05 0.00011250.000831005 0.0039370.011960.0232940.0290910.0232940.011960.0039370.0008310.0001120.0001125 0.00021910.001618578 0.0076680.0232940.0453710.0566620.。

26、0453710.0232940.0076680.0016190.0002190.0002191 0.00027360.002021359 0.0095770.0290910.0566620.0707620.0566620.0290910.0095770.0020210.0002740.0002736 0.00021910.001618578 0.0076680.0232940.0453710.0566620.0453710.0232940.0076680.0016190.0002190.0002191 0.00011250.000831005 0.0039370.011960.0232940.。

27、0290910.0232940.011960.0039370.0008310.0001120.0001125 3.70E-050.000273561 0.0012960.0039370.0076680.0095770.0076680.0039370.0012960.0002743.70E-053.70E-05 7.81E-065.77E-050.0002740.0008310.0016190.0020210.0016190.0008310.0002745.77E-057.81E-067.81E-06 1.06E-067.81E-063.70E-050.0001120.0002190.00027。

28、40.0002190.0001123.70E-057.81E-061.06E-061.06E-06 说 明 书 CN 104123723 A 7 5/7 页 8 0050 所述的失真图 Y 模糊度 AMB(Y) ： 0051 AMB(Y) SSIM(Y,Y) 0052 其中 SSIM() 的计算方式与第一步中的相同。 0053 第四步、 确定参考图 X 的模糊度 AMB(X) 与失真图 Y 的模糊度 AMB(Y) 之差， 将结果 定义为参考图 X 与失真图 Y 的结构补偿 SC(X， Y)， 具体如下 ： 0054 SC(X， Y) AMB(X)AMB(Y) 0055 其中 AMB(X) 由第。

29、二步获得， AMB(Y) 由第三步获得。 0056 第五步、 将参考图 X 与失真图 Y 的结构相似指数 SSIM(X， Y) 与参考图 X 与失真 图 Y 的结构补偿 SC(X， Y) 进行非线性组合， 将结果即为基于结构补偿的结构相似性指数 SC-SSIM(X， Y) ： 0057 0058 其中 、 、 1、 2和 3是模型的参数， 在图像数据库上训练可得。其中 -2.8386， 1.5043， 1 4.8668， 2 1.4292， 3 2.1988。 0059 第六步、 根据视频质量专家组 VQEG 的推荐， 对 SC-SSIM(X， Y) 进行逻辑回归， 得到 最终的质量指数 SC。

30、-SSIM。 0060 所述的图像质量专家组 VQEG 推荐的逻辑回归方法 ： 0061 0062 其中 1至 4由拟合时确定。1 -25876， 2 105.2060， 3 3.0684， 4 0.3676。 0063 在本发明中 x 即为权利要求 6 中的 SC-SSIM(X,Y)， q(x) 为最终的图像质量评价指 标 SC-SSIM， 这个数值越大则预测图像质量越好， 值越小则预测图像质量越差。 0064 实施效果 0065 依据上述步骤， 对 Laboratory for Image and Video Engineering(LIVE) 数 据 库 的 所 有 779 张 图 像，。

31、 以 及 Tempere Image Database2008(TID2008) 数 据 库 中 包 含高斯白噪声、 高斯模糊、 JPEG 与 JPEG2000 压缩类型的 500 张图像进行图像质量评 价。利用视频质量专家组 (VQEG) 推荐的指标来与一些主流客观图像质量评价方法与 本发明的方法进行比较， 其中包括 ： Pearson Linear Correlation Coeffi cient(PLCC)、 SpearmanRank-order Correlation Coefficient(SRCC)、 Kendall s Rank-order Correlation Coeffi 。

32、cient(KRCC)、 Average Absolute Error(AAE)以及Root Mean-Squared Error(RMSE)。在 LIVE 数据库上的比较结果见表 1， 在 TID2008 数据库上的比较结果见表 2， 可以发现本发明中的 SC-SSIM 准确性优于大多主流评价方法。SC-SSIM 在 LIVE 图像质 量数据库上与主观评价值 DMOS 比较图见图 4， 在 TID2008 图像质量数据库上与主观评价值 MOS 比较图见图 5。 0066 表 1 0067 说 明 书 CN 104123723 A 8 6/7 页 9 方法PLCCSRCCKRCCAAERMSE。

33、 SSIM0.93830.94780.79617.52519.4508 MS-SSIM0.94020.95120.80437.43829.3121 IW-SSIM0.94250.95660.81747.44169.1344 VIF0.95940.96330.82736.23237.7102 VIFP0.95940.96180.82496.11867.7143 DIP0.96010.96420.82926.22067.6472 SC-SSIM0.96200.96550.83646.07277.4610 0068 表 2 0069 方法PLCCSRCCKRCCAAERMSE SSIM0.85760。

34、.88680.69390.59430.7563 MS-SSIM0.86690.88580.6930.59590.7332 IW-SSIM0.89770.9140.73450.52180.6481 VIF0.91780.90820.73730.46140.5838 VIFP0.90440.88720.70920.49950.6276 DIP0.92120.90510.72860.47920.6113 SC-SSIM0.92110.93690.77760.44090.5727 0070 表 1 与表 2 中所述的图像质量评价方法具体是指 ： 0071 SSIM ： Z.Wang 等人在 2004 。

35、年 IEEE Transaction on Image Processing 上发表 的 “Image quality assessment: From error visibility to structural similarity” ； 0072 MS-SSIM ： Z.Wang等人在2003年 IEEE Asilomar Conference on Signal,System and Computers上发表的 “Multi-scale structural similarity for image quality assessment” ； 0073 IW-SSIM ： Z.Wang。

36、等人在2011年 IEEE Transaction on Image Processing 上发 表的 “Information content weighting for perceptual image quality assessment” ； 0074 VIF ： H.R.Sheikh 等人在 2006 年 IEEE Transaction on Image Processing 发 表的 “Image information and visual quality” ； 0075 VIFP ： H.R.Sheikh 等人在 2006 年 IEEE Transaction on Imag。

37、e Processing 发 说 明 书 CN 104123723 A 9 7/7 页 10 表的 “Image information and visual quality” ； 0076 DIP ： K.Gu 等人在 2012 年期刊 Signal,Image and Video Processing 发表的 “A new psychovisual paradigm for image quality assessment:from differentiating distortion types to discriminating quality conditions” 。 0077 以上对本发明的具体实施例进行了描述。需要理解的是， 本发明并不局限于上述 特定实施方式， 本领域技术人员可以在权利要求的范围内做出各种变形或修改， 这并不影 响本发明的实质内容。 说 明 书 CN 104123723 A 10 1/3 页 11 图 1 图 2 说 明 书 附 图 CN 104123723 A 11 2/3 页 12 图 3 图 4 说 明 书 附 图 CN 104123723 A 12 3/3 页 13 图 5 说 明 书 附 图 CN 104123723 A 13 。

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置：首页 > 物理 > 计算；推算；计数


copyright@ 2017-2020 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1