图像质量评价方法综述（精选8篇）
图像质量评价方法综述 篇1
数字图像就是以数字形式的数据进行存储和处理的图像[1]。近年来,随着多媒体技术和因特网技术的快速发展,数字图像处理技术与理论已成为计算机应用的一个重要领域,广泛应用于众多的科学与工程应用,如遥感、医学、气象、通信等。在对图像进行数字化处理后,势必要涉及到图像质量评价。常用的图像质量评价的方法主要有客观评价方法和主观评价方法[2]。
1 图像质量评价方法
1.1 客观评价方法
图像质量的客观评价方法的共同点是用物理方法对图像的物理特性进行评价,将度量值与规定标准进行比较。利用客观的方法或数学模型来度量图像质量具有快速、稳定、易量化等优点。
在图像质量的客观评价方法中,最常用的是图像逼真度的度量,计算退化图像与原始图像之间的统计误差。若误差越小,从统计意义上来说退化图像与原图像的差异越小,图像的逼真度就越高,获得的图像质量评价也就越高。
设原始的二维灰阶图像A=f(i,j),其中i=1,2,…,N,j=1,2,…,M,经处理后的图像数据为A'=f'(i,j),其中i=1,2,…,N,j=1,2,…,M。可用下列几种客观评价方法进行评价:
1)均方误差[2,5]MSE(Mean Square Error):
其中M、N分别表示图像的长和宽。这种方法的优点在于简单易行,但主要缺点是对许多类型的图像质量计算结果与主观度量不符。
2)峰值信噪比[2,5](PSNR)(Peak Signal to Noise Ratio):
峰值信噪比反映的是整个图像的失真程度,一般情况下,峰值信噪比愈大的图像其质量愈高。
3)熵:对一个随机事件E,如果它的出现概率是P(E),那么它包含的信息为:
将一副静止图像看作一个具有随机输出的信源,信源符号集B定义为所有可能的符号的集合{bi},信源产生符号bi的概率是P(bi),那么一幅图像的平均信息率可用下式表示:
将H(u)称为信息的熵,它定义了观察到单个信源符号输出时所获得的平均信息量。
上述诸方法虽然看起来简单直观,数学表达式严格,但是其表示往往和人们的主观感受效果不一致。其中均方误差法和峰值信噪比法都是一种统计误差,是从总体上反映原始图像和失真图像差别的[6]。
1.2 主观评价方法
图像的主观评价是以人作为图像的最终视觉接收者,通过观察者对图像质量优劣和可判程度作出主观的判定。一般分为绝对评价和相对评价。
绝对评价是指在无标准的参考图像情况下,由观察者根据一些事先规定的评价尺度或自己的经验,对被评价图像提出质量判断。一般情况下,可以提供一组标准图像作参考,帮助观察者对图像质量做出合适的评价。绝对评价常用的评价尺度称为“全优度尺度”,即由观察者对图像质量的优劣用数字打分,如非常好的图像打10分或9分,非常差的图像打1分或0分。
相对评价是由观察者将一批图像由好到坏进行分类,也就是对图像进行相互比较得出质量好坏并给出分数。相对评价常用的尺度称为“群优度尺度”,如表1。
2 评价实验
2.1选择水印
图1是贺兰山岩画数字图像(待嵌入水印图像),大小为256×256,图2为水印图像,大小为32×32。实验中对待嵌入水印图像分别采用LSB算法、基于DCT的水印算法和基于DWT的水印算法嵌入相同的水印图像。
2.2 PSNR值评价
图3给出了图像在进行不同程度的裁剪情况下,各个算法提取出的水印图像PSNR值结果,此处裁剪指的是选取任意区域裁剪[7]。
由图3结果可以看出,图像经过低裁减率裁剪后三种算法的提取出图像质量差别不是很大,但是图像经过大部分裁剪后,三种算法的效果就有明显差别,基于DWT算法的优势也就体现出来。
3 结束语
本文主要介绍了数字图像质量评价的主要方法,并对贺兰山岩画数字水印图像在不同程度裁减情况下的图像质量进行实验比较,从而判断出不同水印算法的健壮性。但是,客观评价方法由于评价的内容是物理参量,评价的参数是统计误差,这种评价方法虽然精确严格,兼具客观性和科学性,但是没有考虑图像的观测者―人的视觉心理因素;主观评价方法比较全面,符合图像的实际观察质量,但受观察者、图像类型和观测环境等因素影响较大。为适应和满足图像技术飞速发展的需求,在图像评价方法中引入HVS特性,将客观评价方法和主观评价方法有机地结合起来是图像质量评价方法的发展方向。
摘要：论述了图像质量的客观和主观评价方法。针对贺兰山岩画文物数字图像的保护和安全问题,开展了图像数字水印及图像攻击后质量评价方法的研究,采用峰值信噪比评测了各水印算法。实验结果表明,DWT算法具有较强的健壮性。
关键词：质量评价,均方误差,峰值信噪比
参考文献
[1]孙家广.计算机图形学[M].北京:清华大学出版社,2004.
[2]Eskiciogln A M.Image Quality Measure and their performance[J].IEEE Transactions On Communications,1995,43(12):2959-2965.
[3]Yu P T,Tsai H H,Lin J S.Digital Watermarking Based on Neural Networks for Color Images[J].Signal Processing,2001,81(3):663-671.
[4]Wang Zhenfei,Zhai Guangqun,Wang Nengchao.Digital Watermarking Algorithm Based on Wavelet Transform and Neural Network[J].Wuhan University Journal of Natural Sciences,2006,(6):1668-1669.
[5]http://www.w3.org/TR/2004/REC-rdf-primer-20040210/[EB/OL].2008-03-28.
[6]汪孔桥.一种基于视觉兴趣性的图象质量评价方法[J].中国图象图形学报,2000,5(4):300-301.
[7]陈纯.计算机图像处理技术与算法[M].北京:清华大学出版社,2004.
图像质量评价研究 篇2
关键词：图像融合 图像质量评价 主观评价 客观评价
一、主观评价
通过人眼对图像的观察，我们可以检查出：融合图像是否配准，如果配准不好，那么融合图像就会出现重影和几何变形；融合图像整体色彩是否与天然色彩一致，如居民点影像是否明亮突出，水体影像是否呈现蓝色，植被影像是否呈现绿色；判断融合图像整体亮度、对比度是否合适，是否有蒙物或斑块；融合图像纹理及彩色信息是否丰富，空间信息是否丢失；融合图像的清晰度是否降低，地物影像边缘是否清楚。
图像融合的主观评价方法就是以人作为观察者，对图像的优劣做出主观定性。
评价。该方法受观察者、图像类型、应用场合和环境条件的影响较大，只在统计 上有意义，但是该方法比较容易实现，对最终的图像质量评测也是十分有用的。 选择主观评价的观察者可考虑两类人：一类是未经过训练的“外行”观察者，另 一类是对图像技术有经验、训练有素的“内行”观察者，他们能够凭借自己的观 察对图像的质量做出相对严格的判断。给出了国际上规定的图像评价的五级质量尺度和妨碍尺度（也称为图像主观评价5分制）。一般人多采用质量尺度，而专业人员则多采用妨碍尺度。为了保证图像主观评价在统计上有意义，参加评价的观察者应足够多。应该注意的是，如果图像是观察者很熟悉的内容，则观察者就容易挑出毛病，而给出较低的分数，而那些对图像内容不熟悉的观察者给出的较高分数并不能准确地反映图像的质量。图像的 MOS(Mean Opinion Score)值即图像的主观评价分值，一般情况下是选用一定数量的专业图像处理人员与非专业人员来为图像打分，再取平均值。用 A(i, k ) 表示，它表示第i 个人对第 k 幅图像的打分值，分值取在5分以内。因为人眼的分辨能力很有限，在五个级别的分值中有时候很难做出取舍，所以可以打半分。
图像融合的主观评价方法（或定性评价），是一种主观性较强的目测方法。
该方法对一些明显的图像信息进行评价显得直观、快捷和方便，对一些暂时还没有客观评价指标的现象也可以进行定性的说明。例如，在多源图像融合中，主观 评价可以较快的判断融合图像是否配准，图像的边缘信息是否损失，融合图像的 纹理和色彩是否丰富等等。尽管主观评价通过大量的统计可以获得比较准确的判 断结果，但是整个过程非常繁琐。若没有进行大量的统计，所获得的结论可能不 准确。而且目前对人的视觉特性还没有充分了解，对人的心理因素也还没有找出 定量描述的方法，因此不同的评价者其对图像评价的结论差异会很大。尤其是当 利用各种融合算法融合后的图像之间的差异较小时，考虑到主观定性评价方法带 有一定的个人主观性，所以往往不能给出一个准确的判定。
由于图像最后是被人眼接受，由人来对图像做出分析、识别、理解和评定，因此在这种情况下，图像不仅仅是物理量的分布，同时包含人的视觉心理因素。因此，主观评价结果虽然比较全面，符合图像的实际观察质量，但是这种评价方法受观察者、图像类型和观测环境等因素影响较大，评价过程繁琐，加之人的視觉心理因素很难用物理量度量，致使评价结果不够精确，而且加入主观评价后，难以实现自动化处理，不利于图像融合评价系统的设计。
二、客观评价
客观评价方法是针对融合图像所提出的一系列质量指标，以及对融合方法提出的量化评价公式，由计算机根据量化评价公式计算融合图像的质量指标，并根据质量指标的统计结果对融合方法进行评价。量化评价能够克服人的视觉特性、心理状态、知识背景等因素的影响，可以提高判断的准确性和速度。
目前，常用的客观评价方法包括以下几种：
1、基于信息量的评价
（1）熵图像的熵是衡量图像信息丰富程度的一个重要指标。如果融合图像的熵值越大，说明融合图像从源图像中保留的细节内容越多、信息量越大。
（2）交叉熵交叉熵直接反映了两幅图像对应像素的差异，是对两幅图像所含信息的相对衡量。
（3）相关熵（互信息）相关熵（互信息）是信息论中的一个重要基本概念，它可作为两个变量之间相关性的量度，或一个变量包含另一个变量的信息量的量度，因此，融合图像与原始图像的相关熵（互信息）越大越好。
（4）偏差熵偏差熵反映了两幅图像像素偏差的程度，同时也反映了两幅图像信息量的偏差度，分别有：单一偏差熵、总体平方平均偏差熵、总体算术平均偏差熵、总体几何平均偏差熵、总体调和平均偏差熵。
（5）联合熵联合熵也是信息论中的一个重要基本概念，它可作为三幅图像之间相关性的量度，同时也反映了三幅图像之间的联合信息，因此，融合图像与原始图像的联合熵越大越好。
2、基于统计特性的评价
（1）均值。
（2）标准差标准差反映了灰度相对于灰度均值的离散情况，标准差越大，则灰度级分布越分散，有标准差、对数标准差。
（3）偏差度偏差度用来反映融合图像与原始图像在光谱信息上的匹配程度，如果偏差指数较小，则说明融合后的图像 R 在提高空间分辨率的同时，较好地保留留F的光谱信息，偏差度通常分为绝对偏差度和相对偏差度。
（4）均方差。
（5）平均等效视数平均等效视数可以用来衡量噪声的抑制效果、边缘的清晰度和图像的保持性。
图像质量评价方法综述 篇3
中国移动多媒体广播(CMMB)的传输、复用等标准已颁布实施,随之而来的是各种移动多媒体终端的快速发展。在这种趋势下,对CMMB播出节目的用户体验质量(Quality of Experience,QoE)的评价越来越突显出其重要性。QoE可以理解为用户对所观看节目的直观体验或者感知效果,即终端用户对移动网络提供的业务性能的整体感受。它可以把用户对网络和业务的体验及感受进行近似量化,以此来反映网络质量和当前业务与用户期望之间的差距。众所周知,对于电视节目,用户最直观的是视听感受,而图像所赋予的视觉感受是影响用户最终体验的主要因素,因此,图像质量在QoE中尤为重要。对于CMMB图像质量的主观评价,不但需要基于CMMB特点设计评价体系[1],而且要求评价过程具有较好的操作性和可控性[2,3]。笔者将以图像质量为侧重点,参考国内外相关标准[4,5,6,7],对CMMB图像质量的主观评价进行深入讨论和分析。
1 主观评价方法设计中的考虑要素
1.1 国内外相关主观评价标准
对多媒体业务图像质量的主观评价主要参考的标准包括Rec.ITU-T P.910和Rec.ITU-R BT.1788[8]。Rec.ITU-T P.910规定了多媒体应用中的主观评价方法,这些应用包括视频会议、用于存储的视音频、检索应用中的视音频以及电信多媒体应用。Rec.ITU-R BT.1788规定了多媒体视频的质量主观评价方法,提出了多刺激视频主观评价方法,其应用范围与Rec.ITU-T P.910类似。
对比这2个标准,要求的视频格式都包括CIF(352×288)和QCIF(176×144),其中CIF格式与移动多媒体的小画面(320×240)比较接近,因此都可作为参考。此外,Rec.ITU-T P.910中提到的主观评价方法使用的是双刺激连续方法,适合评价图像的综合质量。而由于多媒体视频中可能包含不同的特征,例如编码率、图像大小、比特率、图像运动等,Rec.ITU-R BT.1788提出的多刺激主观评价方法既可以从总体上评价图像的质量,也可以只针对某一质量因素评价图像质量。同时,CMMB图像画面较小,不仅需要从总体上评价图像质量,也需要针对各质量因素进行主观评价,以观察各质量因素对图像总体质量的影响。综合考虑,Rec.ITU-R BT.1788更加适合CMMB图像质量主观评价,因此把它作为方法设计的主要参考。
1.2 影响图像质量的主要因素
对于移动多媒体广播电视来说,图像质量劣化的最主要影响因素包括块效应和无信号时的画面静止或无图像显示。
1)块效应
块效应源于信源压缩编码,从视觉的角度来说,就是视频中出现人眼可以察觉的边界,即马赛克。块效应的产生主要是由于分块整数DCT变换所造成的。当块效应严重时,再加上部分数据的丢失,则会产生拉丝现象。当拉丝现象严重时,画面内容会由于缺失过多而严重影响用户的观看效果。
2)无信号时的画面静止或无图像显示
当信道传输条件不好时,传输过程中出现大量丢包。当信道传输条件差到无法正确传输信号时,用户会看到静止画面或完全没有图像显示。一般情况下,信道的好坏反映在传输码流上就是误码的多少,可以由误码率表示。任何一款解码芯片对误码都有一个容限,当误码数量在这个范围内时,可以解出图像;当误码超过这个范围时,很可能出现黑屏、静止等无信号的现象。
2 CMMB主观评价方法的具体设计
2.1 CMMB系统仿真
在设计CMMB主观评价方法的时候,既要考虑信源的压缩编码可能造成的图像损伤,又要考虑信道传输对图像造成的损伤,因此,需要搭建CMMB系统仿真平台。
CMMB系统仿真平台如图1所示,视频服务器输出标清视频信号经CMMB编码器编码后,输入复用器进行复用,输出ASI流,激励器对ASI流进行调制并激励成为传输流,传输流输入信道仿真仪(模拟经过信道传输),然后由发射天线发出。实验室环境中经过距离极短的无线传输,由接收终端接收传输流并解码,显示接收到的图像。
在该系统中有两个环节会造成视频图像的损伤,即压缩编码和信道传输中的误码。其中,CMMB视频压缩编码采用AVS和H.264/AVC,规定解码端支持的最低码率为384 kbit/s。信道条件的好坏也决定了用户最终接收到的图像质量好坏。如果信道条件很差,接收到的图像很可能会出现很多误码块,影响用户观看。当信道条件差到一定程度时,会造成关键信息的丢失,接收端将无法解码,表现就是画面的静止甚至黑屏。
2.2 测试序列的选择
考虑CMMB的播放内容,原始序列选择了合适而不过于苛刻的序列。
受损序列分为两种,一种是经CMMB编码器压缩编码得到的受损序列;另一种是在CMMB编码器压缩编码的基础上,经信道传输后的受损序列。
2.3 主观评价方法
主观评价采用Rec.ITU-R BT.1788多刺激方式。根据Rec.ITU-R BT.1788,设计了主观评价界面,如图2所示。这个界面可以实现视频序列的选择、播放、暂停和打分。
这里提出3种评价方法:压缩编码损伤主观评价、信道损伤主观评价和综合主观质量评价。
1)压缩编码损伤主观评价
该方法主要评价在不同码率下,受损图像相对于原始图像质量下降的程度。选择原始视频经下变换的图像和不经过信道仿真的终端图像进行测试。
2)信道损伤主观评价
该方法主要评价在不同信道条件下,经过信道后的图像相对于经过信道前的图像质量下降的程度。选择经过信道仿真的终端图像和不经过信道仿真的终端图像进行测试。
3)综合主观质量评价
综合考虑了压缩编码和信道传输损伤两方面,评价受损图像相对于原始图像质量下降的程度。选择原始视频经下变换的图像和终端经前端发送与信道仿真后接收到的图像进行测试。
3 主观评价结果分析
在目前的主观评价实验中,将21个不同内容的视频序列分为3组。其中,每个序列提供7个视频文件:5种不同码率(200 kbit/s,250 kbit/s,300 kbit/s,340 kbit/s,400 kbit/s)的视频、原始视频和隐藏的原始视频。
一共有16位观看者参与了主观评价。每位观看者需要对7个序列的各个文件分别进行评价,每个序列的评价时间建议控制在5 min左右,允许重复打分,观看者可以反复对比同一序列的不同文件,也可以返回已经打过分的序列进行重新评价,最终得出较为准确的结果。在所有序列都被评价完后,观看者可以提交测试结果。笔者以“春节晚会”序列为代表,给出该序列主观评价结果的数据统计结果和分析,如表1所示。
表1中的统计结果可以体现该多刺激主观评价方法的正确性,即码率越高的视频,得到的主观评价分数越高,这是符合客观规律的,也与实际的观看效果一致。
4 小结
选择了移动多媒体图像质量主观评价为切入点,首先分析了引起CMMB图像质量下降的主要因素,之后搭建CMMB系统仿真平台,并在此基础上结合国内外的相关标准,深入分析了CMMB图像质量主观评价方法并设计了具体的评价方法和细则。通过对所获取主观评价结果的统计分析,验证了该评价系统的可靠性。
在今后的研究中,一方面会进一步提高该系统评价性能,另一方面也将增加对CMMB音频信号的主观评价研究,以保证所获得的评价结果能准确反映用户在观看CMMB节目时的QoE。
摘要：通过分析目前国内外视频图像质量评价的相关标准,并结合中国移动多媒体广播(CMMB)系统的应用特性,对图像质量主观评价方法进行深入分析,提出了在进行CMMB图像质量主观评价过程中需要考虑的主要问题。在此基础上,进一步设计并实现对CMMB图像质量的主观评价,并对评价结果进行了统计分析,以验证评价方法的可靠性。
关键词：CMMB,图像质量,主观评价
参考文献
[1]董文辉,邓向东,李若霜.CMMB图像质量主观评价研究[J].广播与电视技术,2008(8):15-23.
[2]莫非,王尊亮,董文辉,等.视频质量主观评价辅助系统[J].广播与电视技术,2008(10):78-80.
[3]苏银虹,姜秀华,王彩虹.基于MPEG-2视频流的图像质量评价方法研究[J].电视技术,2009,33(S2):235-237.
[4]ITU-T Recommendation BT.500-11,Methodology for the subjectiveassessment of the quality of television pictures[S].1997.
[5]ITU-T Recommendation BT.710-4,Subjective assessment methods forimage quality in HDTV[S].1992.
[6]GY-T 134-1998,数字电视图像质量主观评价方法[S].1998.
[7]ITU-T Recommendation P.910,Subjective video quality assessmentmethods for multimedia applications[S].1999.
图像质量评价方法综述 篇4
图像质量评价是图像处理邻域中的研究热点之一。图像质量评价分为两大类:人类主观评价和计算机客观评价。因为图像处理最终的宿主是人类,所以主观评价是图像质量评价的“标准”。然而主观评价需要人的参与,导致主观评价图像数据的效率并不高。此外,主观评价的结果与评价者有关,使得对相同目标不同评价人会得出不同的评价结果。与主观评价相比,客观评价最突出的特征是高效。借助现代信息处理技术,客观评价方法能高效处理大规模图像质量评价问题。客观评价的另一个优点是与实施者无关:实施者不对评价结果产生影响。然而客观评价的缺点也很明显,图像为人类提供信息,图像质量的好坏人类最有发言权,因此如何将客观评价的结果与主观评价结果保持一致是当前学者研究的重点。
根据有无参考图像,客观图像质量评价方法分为有参考评价、部分参考评价和无参考评价。本文关注的是有参考的质量评价方法。均方误差(MSE)和峰值信噪比(PSNR)是有参考图像质量评价方法中的经典方法。这两种方法因计算简单、物理意义明显而成为了这一领域中应用最广泛的方法。然而这两种方法在评价过程中并未考虑人眼感知的因素,评价结果会与人的评价结果产生出入。目前研究者致力于结合人眼感知特征的客观评价方法。
文献[1]提出了一种图像退化模型。在该模型中原始图像的退化被认为是来源于线性频率退化和噪声干扰两部分。从物理的角度来讲这两部分可看作是互相独立的,因此可以分别度量频率退化和噪声影响(NQM),然后总体评价图像质量的变化。基于对人眼特性的分析,文献[2]提出了一种视觉信噪比(VSNR)的评价方法。这个方法包括两个步骤。在第一个步骤中利用小波方法计算对比度阈值来判定图像中是否存在失真。如果失真度低于阈值,则不需要进一步处理;反之,则在第二步中处理和计算低级视觉特性和中级视觉特性。在小波域为这两个特性建立欧几里德距离模型,最后VSNR用欧几里德距离的和来表征图像质量。受视觉感知模型的启发,文献[3]提出了一种结构相似索引的图像质量评价方法。因为考虑到了人眼视觉特征,所以该方法提供了一个很好的图像质量评价结果。对该方法的改进也很多,如文献[4,5,6]等。
本文提出了一种利用局部二元模式(LBP)[7]评价图像质量的方法。LBP已经在纹理分析中得到了广泛的应用。然而LBP不能直接反映图像质量的变化。为此在图像质量评价问题中首先计算 LBP并统计LBP的直方图,然后计算这两个直方图的Chi-square距离(Chi-square distance)[8],最后用Chi-square距离来衡量参考图像和待分析图像质量之间的变化。实验表明该方法可以有效评价图像质量。
1 LBP方法简介
LBP是纹理分析的有效方法之一。LBP以邻域中心点的像素值为阈值对邻域中其他点进行二值化,将所得二进制序列转换为十进制并将该值重新赋到中心点。LBP定义如式(1)所示:
其中:
式(1)中,pc是邻域中心点像素值,pi是邻域中其他点的像素值,N是邻域点的总个数。LBP能够有效表征纹理,但是该方法对图像旋转比较敏感,随后提出的旋转不变LBP(RILBP)[9]很好地解决了这个问题并且将LBP从方形邻域扩展到圆形邻域。
Ojala等人随后发现在图像纹理中,某些类型的LBP模型出现的概率远远高于其他类型的LBP模型。他们定义这些LBP模型为均一模型,将其他模型定义为非均一模型,并提出了一种新的LBP方法,称之为均一局部二元模式(ULBP)[10]。ULBP定义如下。
其中:
ULBP是目前最常用的LBP方法,本文算法中所用到的LBP采用均一模型。ULBP模式代表了某种图像属性,如图1所示[10]。
2 基于LBP的图像质量评价方法
LBP方法无法直接应用于图像质量评价,因为分别统计斑点、端点、边界在变换前后的差异并不能完全反映图像质量的变化,只有总体考虑上述特征才能比较客观的反映图像质量的变化。因此,本文方法首先统计图像LBP编码的直方图,如图2所示。
然后使用Chi-square distance来衡量参考图像和待处理图像的差别,从而充分反映图像质量变化。Chi-square距离越大,则说明图像质量退化越严重;距离较小时,则说明图像质量下降并不明显。Chi-square距离定义如式(4)所示:
其中,mi是原始图像的第i个LBP模式的统计值, si是待处理图像的第i个LBP模式的统计值。B是LBP模式的总个数。
本文提出的图象质量评价方法步骤如下:
Step1 计算参考图像的LBP编码;
Step2 统计其LBP编码的直方图;
Step3 计算待分析图像的LBP编码;
Step4 统计LBP在该图像中的直方图;
Step5 计算这两个直方图的Chi-square距离。
其中图像的LBP编码计算方法如下:
1) 以某一点为中心画圆,在圆上均匀的取N个点;
2) 将圆上N个点处像素值与圆心处像素值比较,若圆上某点的像素值大于或等于圆心处像素值,则该点值设为1,否则设为0;
3) 计算这N个‘1’‘0’序列的跳变次数,即‘1’跳变到‘0’和‘0’跳变到‘1’的次数;
4) 若跳变次数小于等于2,则按照‘1’的个数对中心点编码,否则,中心点处的值设为‘N+1’,如式(3)所示。
3 实验结果
本文提出的方法与NQM、VIF[11]、UQI[12]、PSNR在a57_db[2]数据库上进行了比较。a57_db数据库是目前比较常用的图像质量评价数据库之一。在这个数据库中图像经过了均一退化、高斯模糊、JPEG压缩、JPEG2000压缩、动态量化的JPEG2000压缩、高斯白噪声干扰等变化。图像质量以下将顺序排列共有三个等级,分别为A、B、C。在本实验中,以a57_db2数据库中的baby图为测试对象。
LBP计算参数如下:N=8,R=2。因为a57_db数据库中给出的是感受到的干扰,所以在本次实验中speaman 等级相关系数反映的是算法结果与图像受到的干扰之间的线性关系。Speaman 等级相关系数利用http://www.maccery.com/maths/提供的工具计算得出。图3为baby测试图及其各种变换后得到的效果图。
表1列出了各类方法在不同退化模型上的评价结果。各种字符含义如下。FLT:均一退化;JPG:JPEG压缩;JPB:JPEG2000压缩;DCQ:JPEG2000压缩+动态对比量化DCQ(Dynamic Contrast-Based Quantization);BLR:高斯模糊;NOZ:高斯白噪声;A:图像质量较高;B:图像质量中等;C:图像质量较低。
如表1所示,本文提出的基于LBP的图像质量评价方法能够有效反映图像质量的变化。如JPGA,JPGB,JPGC所受到的干扰分别为0.150,0.418和0.630;LBP相应的评价结果分别为0.1469,0.2256和0.4367;LBP直方图距离越大,表明图像受到的干扰越大,其结果与实际结果保持一致。
表1中的评价结果并不能直接反映各种算法的性能。为了有效评价各种算法的性能,一般采用Speaman 等级相关系数来进行区分。在有参考图象质量评价问题中,主观评价是评价人对图象的等级评价,即将图象质量划分为若干等级。而客观评价的结果一般是连续的评价值,为了与主观评价相比较,先将客观评价结果排序然后采用Speaman等级相关系数来比较二者之间的联系。Speaman 等级相关系数计算如下:
其中di表示名次之差,即首先将两个评价结果分别在各自的评价结果中排序,然后计算这两个名次的差值。ρ的绝对值越大,说明两者之间的相关性越高。Speaman相关系数的应用很广泛,比如测试人的听觉与视觉是否具有一致性问题等[13]。
表1中不同算法与感知到的干扰之间的Speaman等级相关系数(绝对值)分别为:VIF,0.438;NQM,0.433;UQI,0.135;PSNR,0.438;LBP,0.545。绝对值越大,说明客观评价结果越接近实际评价结果。从以上数据可以看出,VIF与PSNR 评价效果比较明显,尤其是PSNR方法以其计算简单、评价有效而成为了目前这个领域的经典方法和常用方法。UQI在baby测试图中评价结果并不理想;NQM方法结果与PSNR 结果基本一致,但计算复杂度远高于PSNR。与其他方法相比,本文提出的方法在baby测试图中取得了较高的Speaman等级相关系数,但该方法的实现过程较VIF,PSNR 等经典方法复杂。
4 结 语
图像质量评价是图像处理领域中的一个热点问题,目前提出的算法还不能完全与主观评价结果相一致,不同的客观评价方法都有其优越性和局限性。本文提出了一种有参考图像的图像质量评价方法。该方法将纹理分析中常用到的LBP应用到图像质量评价问题中,在计算LBP直方图的基础上用Chi-square 距离来衡量图像退化程度。实验表明与现有其他方法相比,该方法是一种有效的图像质量评价方法。
图像质量评价方法综述 篇5
当前,图像质量的评价方法[1]大致分为三类:第一类是传统的客观评价方法,代表性的有均方误差(Mean Square Error,MSE)、峰值信噪比(Peak Signal Noise Ratio,PSNR)等;第二类是主观评价方法,如主观质量评分(Mean Opinion Score,MOS)和视频质量专家组(VQEG);第三类是基于人眼视觉特性的图像质量评价方法,也是近几年备受关注的研究热点。
实验应用中大都采用均方误差MSE和峰值信噪比PSNR来度量[3,4,5],它们是以评价对象和原始图像之间的差异作为主要参数来进行评价的。PSNR是一个表示信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值的工程术语,它作为信号的失真测度,常用作图像压缩等领域中信号重建质量的测量方法。
假设一幅M×N的L级灰度图像原始像素为xij,重构图像像素为yij,1≤i≤W,1≤j≤H,L为图像的灰度等级,一般取值为256,则均方误差MSE和峰值信噪比PSNR的计算如下[6]:
图像压缩中典型的峰值信噪比值在30到40分贝之间,愈高愈好,即PSNR值越大,表示失真越少;MSE则正好相反,MSE值越大表示失真越多
2 传统图像评价方法的不足
通常,对于给定图像,人眼对感兴趣区域的失真往往较背景区域敏感,但是,MSE和PSNR值的大小只是反映了两幅图像在像素值上的差异,而与人眼的视觉观察效果没有任何关系。因而传统的图像质量评价方法有一定的缺陷。
图1所示,其中(a)为原图,(b)和(c)为质量退化了的图像。在实际计算中,(b)和(c)的MSE分别为303.0405、341.7655,得出的结果是图(b)效果比图(c)好;但当人眼观察时,一般都会认为图(c)的效果比图(b)好,原因在于图像质量降低的区域的位置在很大程度上影响了人眼主观观察质量的判断。对于人眼不敏感的区域,即使图像质量有了比较大的降低,但只要人眼敏感区域的图像质量比较好,总体上还是会给人“可以接受”的感觉。基于这样的考虑,我们把人类视觉注意模型引入到图像质量的评价中[7],提出了一种基于显著度的峰值信噪比图像质量评价算法,该方法可以把图像的主客观评价结合起来,达到较好的图像质量评价效果。
3 视觉注意模型
在众多视觉注意模型思路中,Itti[2]提出的基于数据的隐式注意视觉模型引起了广泛的关注。这种方法充分利用了神经生理学中感受野、侧抑制等研究成果,模拟人类视觉注意机制,认为像素与背景的特征对比才是吸引人注意的重要因素,而非像素特征局部的绝对值,并把这种对比定义为该点的显著值。Itti模型的主要思想是采用一种自底向上的注意机制提取输入图像的颜色、方向和亮度特征作为初级视觉特征,采用中央-周边差操作并归一化得到对应的特征显著图[2],再将各特征显著图线性组合得到综合显著图,最后采用胜者占有(Winner Take All,WTA)和返回抑制机制进行注意转移。
该模型提取显著图的方法主要分成四步:视觉特征的提取、显著图的生成、注视点的提取和击中率的计算,其中,击中率是用于评价提取的显著图的效果。结合胜者占有[77]和返回抑制,按照图中显著值由强到弱的顺序选取图像中的点作为注视点,依次找到显著区域所在的位置。图2列出了一些图像的显著图。
4 基于视觉分割图的图像质量评价
4.1 算法介绍
算法描述如下:
输入:原始图像xij和待测图像yij,图像大小为M×N
输出:SMSE,SPSNR
步骤:
(1)利用上文提到的Itti方法[]生成图像xij的综合显著图S(i,j);
(2)利用1-D直方图最大熵法以及大津法(OTSU)生成分割图SSeg(i,j);
(3)取出位于金字塔中第一层的显著图作为权重因子,并进行归一化:
(4)根据xij和yij,计算基于显著度的均方误差SMSE:
(5)依据计算出来的SMSE,计算基于显著度的峰值信噪比SPSNR:
4.2 实验结果与分析
为了验证上述结论,本文在美国得克萨斯大学奥汀分校图像与视频工程实验室建立的LIVE图像库的release2版本[9]上进行了验证。
LIVE数据集由29幅高分辨率、高质量、大小不一的彩色图像组成,考虑了五种类型的失真:jp2k、jpeg、wn白噪声、gblur高斯模糊、fastfading(在fastfading通道传输jp2k码流的过程中发生错误而失真的图像),总共982张图像。并且还给出了平均主观得分差值(Difference Mean Opinion Score,DMOS)评分,便于研究者使用。其中,DMOS是在MOS的基础上计算得到的,即DMOS是满分100和主观评分均值MOS的差值,DMOS=100-MOS,取值范围从1到100,并且,DMOS值越大,表明对应图像的主观质量越差。图3列出了LIVE图像库中的部分图片。
实验中随机选取4幅参考图像,对于5种类型的失真操作全部选取,总共99幅图像,分别计算它们的MSE,PSNR,SMSE,SPSNR值。采用如下的方法进行实验验证:图像张数N;把N张图像按DMOS值从小到大排序,得到向量sortDMOS;把N张图像分别按PSNR、SPSNR值从大到小排序,得到向量sortPSNR和sortSPSNR;分别计算sortPSNR、sortSPSNR与sortDMOS的均方根误差RMSE1、RMSE2。其中,均方误差值越小,说明该评价方法描述DMOS值更好。表2-3给出了它们的计算结果。
为了便于算法性能的比较[8],定义改善率R:
本文实验中用了两种分割算法:文献[2]中的1-D直方图最大熵法MaxEntropy和大津法OTSU[10]。表1给出了这两种分割算法对测试图像的计算结果。
从表1可得,由1-D直方图最大熵法计算得到的平均改善率为14.77%,大津法为14.88%,由此给出了改进的基于显著度的峰值信噪比SSegPSNR图像质量评价方法
5 结束语
本文主要介绍了传统的MSE与PSNR图像质量评价方法,并通过实验指出了这两种方法的图像质量评价与人眼对图像的感知不符的缺陷,因此引进了Itti视觉注意模型,并通过实验验证了该模型在注意点击中率上与人眼大致相符,在此基础提到的基于视觉分割图的图像质量评价方法,该方法应用在LIVE982张图像库的实验结果表明,该算法对于图像的的质量评价计算更符合人眼视觉机制对于图像的认知过程。
参考文献
[1]蒋刚毅,黄大江,王旭,郁梅.图像质量评价方法研究进展[J].电子信息学报,2010(1).
[2]施振祥.基于视觉注意模型的图像检索[D].厦门大学硕士学位论文,2010.
[3]Russo F,De Angelis A,Carbone P.A vector approach to quality assessment of color images[C].Victoria,BC,Canada:IEEE International In strumentation and Measurement Technology Conference,2008:814-818.
[4]Avcibas I,Sankar B,Saygood K.Statistical evaluation of image quality measures[J].Journal of Electronic Imaging,2002,11(2):206-223.
[5]Xavier Boix,Josep M.Gonfaus,Joost van de Weijer,Andrew D.Bagdanov,Joan Serrat.Fusing Global and Local Scale for Semantic ImageSegmentation[C].International Journal of Computer Vision,Online First,23 April 2011.
[6]Wang X,Yu M,Yang Y,and Jiang G.Research on subjective stereoscopic image quality assessment[C].Proc.SPIE Vol.7255,no.725509,San Jose,California,USA,Jan.,2009.
[7]汪孔桥,沈兰荪,刑昕.一种基于视觉兴趣性的图像质量评价方法[J].中国图象图形学报,2000,5(4):300-303.
[8]Huang Da-jiang,Yu Mei,Yang You,Jiang Gang-yi.Right view image evaluation method for stereoscopic image pair based similarity mea sure[J].Acta Photonica Sinica,2008,37(8):1693-1697.
[9]Sheikh H R,Bovik A C,Cormack L,Wang Z.LIVE image quality asseddment database[EB/OL].2005,http://live.ece.utexas.edu/research/quality.
图像质量评价方法综述 篇6
关键词：关联成像,距离测量,峰值信噪比
关联成像,又称鬼成像( Ghost Imaging) ,是一种不同于传统激光成像方式[1]的新型成像技术,由于其特殊的物理特性引起越来越多的研究关注[2,3,4,5,6,7,8,9,10]。关联成像最初是利用自发参量下转换产生的纠缠光子对实现的[11],但之后人们利用赝热光、热光源同样可实现关联成像。目前已有一些关于成像光源和成像本质的研究工作[12,13,14],但基于关联成像的应用研究较少。本文基于关联成像基本原理,提出了一种新颖有效的距离测量方法,同时能获得目标物体的图像。
1 基于关联成像的测距方法
利用惠更斯- 菲涅耳理论和经典光学相关理论来研究关联成像原理并提出一种基于关联成像的测距方法。关联成像测距最主要的任务是获得参考光路光强和检测光路光强,将这两个光强进行相关运算成像。本文中检测光路光强通过实验测量,参考光路光强通过计算机模拟实现,并且目标物体的图像已知。
1. 1 检测光路光强
图1 是关联成像测距的实验方案图。图中激光发射器( LS) 产生波长为 λ 的连续激光,经过空间滤波器( SF) 和透镜( L1) 转换成平行光,设光源到空间光相位调制器的距离为S1,平行光透过空间光相位调制器( SLM) 后改变光场的空间相位[14],该光束传播距离D后,照射到目标物体( T) ,透过目标物体( T) 和透镜( L2) 后被桶形探测器( BD) 检测,得到检测光路光强Br[3]。迭代上述操作N次,且每次操作使用由不同相位生成的随机相位板,设每次操作空间光相位调制器所调制的相位用 ψr( x,y) 表示,则透过空间光相位调制器的光场分布Er( x,y,0) 可由式( 1) 计算,其中E0为照射到空间光相位调制器前的入射光光场分布,i是虚数单位。根据惠更斯- 菲涅耳理论可知,传播任意距离D处的光场分布Er( x,y,D) 可用式( 2) 计算得到
其中,HD( x,y) 表示光在传播距离D处的菲涅耳传播函数; 符号表示卷积运算,在检测光路上传播距离D后的光强Ir( x,y,D) 可由式( 3) 得到
设T( x,y) 表示目标物体,光透过目标物体被桶形探测器检测到的检测光路光强Br由式( 4) 得到
1. 2 参考光路光强
设参考光路的传播距离为Z,且D不一定等于Z。由计算机构造不同距离Z的菲涅耳传播函数HZ( x,y) ,根据式( 5) 和式( 6) ,可得到不同传播距离Z所对应的参考光路光场分布Er( x,y,Z) 和参考光强Ir( x,y,Z)
1. 3 关联成像和距离测量
根据关联成像原理,如式( 7) 所示。将上述得到的Br和Ir( x,y,Z) 进行相关运算可到目标物体图像O
假设光源完全非相干,则光强相关性可由式( 8)和式( 9) 表示
其中,h( x,y) 是此光学成像系统中照射到物体之前光强的点分布函数,决定了关联成像图像清晰度。h( x,y) 区间越小成像质量越好,且由式( 9 ) 可知h( x,y) 的值跟D和Z有关,当且仅当D = Z时,h( x,y) 最小,此时成像质量最优。基于关联成像的测距方法依据参考光路光强和检测光路光强的相关性来成像,成像质量最优时的参考光路距离Z等于检测距离D,用峰值信噪比( PSNR) 判断图像质量优劣。
在进行距离测量时,按图1 所示配置可得到检测光路光强,通过计算机仿真出不同传播距离的参考光路光强,将其分别与检测光路光强进行相关运算,得到一系列恢复图像。计算恢复图像的PSNR来判断其质量,根据式( 10) 可得一系列恢复图像的峰值信噪比
其中,MSE表示原图像和恢复图像之间的均方误差; K表示图像总像素数量; Pi表示目标物体原图像第i个像素值; P’i表示恢复图像第i个像素值,MSE值可由式( 11) 计算。PSNR值越大表明恢复图像的质量越好,当PSNR值最大时对应的参考距离Z即是待测距离D。
2 实验结果及分析
为验证本文所提出的测距方法正确性和有效性,本文设计了相应的模拟实验。实验方案如图1 所示,其中,激光发生器到空间光相位调制器的距离S1=400 mm,激光波长 λ = 0. 623 8 μm,空间光相位调制器像素间距19 μm,每次迭代操作中使用空间光调制器上256 × 256 个随机相位进行调制。目标物体尺寸为5. 12 cm × 5. 12 cm,其到空间光调制器的距离D =450 mm,是待测的量,设迭代次数N = 16 000,在200 ~650 mm区间,间隔50 mm取不同的Z值进行成像计算,用Matlab软件在配置为双核3. 4 GHz主频,内存4 GB的计算机上按上述参数进行模拟仿真。图2 为原目标物体图像及不同参考光路传播距离的恢复图像。
从图2 可知,检测光路光强Br的传播距离不等于参考光路光强分布Ir( x,y,Z) 的传播距离时,通过关联运算也能成像,但成像质量较差,且这两个距离偏差越大,成像质量越差,只有两者距离相等时,成像质量才最佳,通过图3 更容易得出上述结论。
图3 是不同Z值恢复图像对应的PSNR曲线图,PSNR最大值对应的参考距离即是测量距离。由图3 可知,恢复图像PSNR值随着Z的增加先逐渐增大再逐渐减小,在Z = 450 mm时最大,而目标物体的实际距离D = 450 mm,恰好等于待测量距离的真实值D,从而验证了本文方法的正确性和有效性。仅用没有空间分辨能力的桶形探测器实现了目标物体到空间光调相板之间的距离测量,同时也达到了获得目标物体图像的目标。
3 结束语
图像质量评价方法综述 篇7
近年来,立体图像处理技术在娱乐行业和科学领域的应用越来越广泛,与平面图像带给人的视觉感受不同,立体图像为人们提供更加真实的身临其境的感受。但是立体图像在采集、压缩、储存、传输和显示等过程中会产生各种失真,进而影响人们的立体视觉感受。因此,建立一种评价立体图像失真程度的立体图像质量评价方法是目前立体成像技术领域急需解决的关键问题之一。立体图像质量评价方法主要有主观评价和客观评价。虽然立体图像质量主观评价方法的准确性较高,但是具有费时费力且成本较高的缺陷,因此建立一个能够准确有效模拟人眼主观评价结果的立体图像质量客观评价算法具有重要的意义。
经过多年的研究,国内外研究者已提出了许多立体图像质量客观评价算法。最初,一些立体图像质量客观评价算法将均方误差(Mean Squared Error,MSE)、峰值信噪比(Peak Signal Noise R-Atio,PSNR)、结构相似度(Structural Similarity,SSIM)[1]等一些经典的平面图像质量评价算法直接应用于立体图像的左右视点,通过加权左右视点质量值得到立体图像质量客观评价值[2]。文献[3,4,5]考虑深度感知对立体图像质量评价的影响,将2D评价方法与立体图像的差异信息或深度信息融合进行立体图像质量评价。近年来各研究领域学者对人类视觉系统的研究表明,人眼在观看图像时会不自觉的关注某些区域,并优先处理该区域的信息[6],该区域称为显著性区域,此特性叫做视觉显著性。此外,文献[7]指出观看图像时人眼倾向于关注图像中央区域。这些因素均会影响立体图像质量的主观评价结果。因此,考虑视觉显著性和中央偏移的影响,建立与主观评价结果具有较高一致性的立体图像质量评价算法具有重要意义。
本文分别考虑了视觉显著性和中央偏移对立体图像质量评价的影响,提出了基于视觉显著性的立体图像质量客观评价算法(简称VS-SSIM);另外考虑中央偏移特性,提出了基于中央偏移的立体图像质量评价算法(简称CB-SSIM)。实验结果表明,两种算法的客观评价结果均能准确有效反映与主观评价结果,对比CB-SSIM算法,VS-SSIM更能反映人眼的主观感受。
1 本文算法
1.1 本文的显著模型
视觉显著性模型通过对人眼视觉感知过程中的显著性特征进行建模,以得到人眼的感兴趣区域,即图像的显著性区域。通常用显著值大小表示人眼对图像不同区域的关注程度。视觉显著性模型分为自底向上(bottom-up attention)的视觉显著性模型和自顶向下(top-down attention)的视觉显著性模型两类。本文采用自底向上型的GBVS模型和中央偏移因子确定单视点的显著图(以左视点为例)。
1.1.1 GBVS模型
本文采用的是基于图论的视觉显著(Graph Based Visual Saliency,GBVS)性算法[8],其在特征提取的过程中采用类似Itti算法[9]模拟视觉原理,在显著图的生成过程中引入了图论的知识把图像转换为有向完全图,并用马尔科夫链生成显著图。该算法提取的显著区域比Itti算法[9]更加准确。采用Itti的前四层高斯金字塔分解方法[9]提取单视点图像的颜色、亮度和方向特征,用GBVS算法提取失真立体图像对单视点的显著图的步骤如下(以失真左视点为例):
①M(i,j)与M(p,q)分别代表特征M在节点(i,j)与(p,q)的灰度值,M(i,j)与M(p,q)之间的差异定义如下:
②将图M中的所有像素点两两相连得到有向完全图G,按照式(2)定义点(i,j)到(p,q)方向的边的权重,进而得到图G的邻接矩阵。
其中,σ是一个自由参数且定义σ=1/10W,W为图像水平像素的数目。
③将步骤②构造出的权重归一化到区间[0,1],求图G的而平衡分布得到特征图。
④按照步骤①②③依次求颜色、亮度和方向特征的特征图,接着对特征图归一化、求和获取最终的显著图SM1。
1.1.2 中央偏移因子
中央偏移(Center Bias,CB)特性是指人眼在观看图像时总是倾向于从图像的中心开始寻找视觉注视点,然后其注意力由中央向四周递减[7]。也就是说,当像素的坐标位置越处于图像的中间位置,该像素越容易受到关注。本文采用图像中心点的各向异性高斯核函数[10]模拟中央偏移(CB)因子:
其中,CB(x,y)表示像素点(x,y)对中心点(x0,y0)的偏移信息。(x0,y0)表示图像的中心点坐标,(x,y)为像素点坐标,σh和σv分别表示图像水平方向和垂直方向的标准差,本文取σh=1/3W,σv=1/3H,其中W和H表示图像的水平像素和垂直像素个数。
考虑到显著图SM1中央偏移因子CB的重要性不同,本文采用公式(5)的方式对显著图SM1进行优化。
其中,α为控制参数,根据实验本文取α=0.7。SM1(x,y)表示显著图SM1在像素点(x,y)的显著值。
1.2 立体图像质量评价
人眼对图像的显著区域和非显著区域的敏感度不同。相比非显著性区域,人眼对图像显著性区域出现的失真比较敏感,其严重影响了人眼对图像质量的主观评价结果。为使客观评价与主观评价具有更好的一致性,本模型采用SSIM算法计算失真立体图像左视点的质量图QL(x,y),用左视点的显著图SML(x,y)来反映失真立体图像对左视点各区域的视觉重要性。采用公式(6)计算失真左视点的质量客观评价值QL。
采用上述方法得到失真右视点的质量客观评价值QR。则立体图像质量客观评价值为:
另外,本文探究了中央偏移因子对立体图像质量客观评价的影响。利用公式(4)得到中央偏移CB(x,y),CB(x,y)越大表明像素(x,y)距离图像中心点越近。采用公式(8)计算失真左视点质量的客观评价值,采用同样方法得到失真右视点质量的客观评价值。最后,采用公式(7)得到立体图像质量客观评价值。
2 实验结果与分析
本文主观实验使用的6幅标准立体图像对来自天津大学电子信息工程学院立体视觉实验室的立体图像库,分别为“Girl”、“River”、“Tree1”、“Ox”、“Tju”、“Woman”。如图1所示。
为了评价不同失真类型和失真强度的立体图像质量,对6幅标准立体图像对进行JPEG压缩失真和高斯加噪失真处理,共得到180幅失真立体图像对。在立体成像设备“3DWINDOWS-19A0”上对所有失真立体图像对进行主观测试,根据所有测试者的测试分数得到平均意见值(Mean Opinion Score,MOS)。本文使用Min-Max归一化方法分别对客观评价值与MOS值进行归一化处理,并扩展到范围为[0,5]的值。
采用4个常用的指标Spearman相关系数(SROCC)、Kendall相关系数(KROCC)、和均方根误差(Root Mean Square Error,RMSE)分析本文算法的性能。SROCC和KROCC的绝对值越接近1,RMSE的值越接近0,说明主观评价与客观评价的相关性越好;反之,则越差,具体如表1所示。
由表1的数据可以看出,VS-SSIM算法的SROCC值均在0.95以上,RMSE值均在0.45以下。与SSIM算法相比,引入中央偏移因子的CB-SSIM算法的各项性能指标均有不同程度的提高,说明中央偏移因子能够提高立体图像质量客观评价的性能;VS-SSIM算法的各项性能指标均优于CB-SSIM算法,说明考虑中央偏移的视觉显著性能够提高立体图像质量客观评价的性能,并且验证了视觉显著性对立体图像质量客观评价具有积极的影响。总体来说,针对不同的失真类型,VS-SSIM算法的SROCC、KROCC和RMSE指标均优于其余二种算法,VS-SSIM算法的客观评价值与主观评价结果具有更好的一致性。
3 结束语
本文将视觉显著性和中央偏移引入到立体图像质量客观评价算法中,提出了VS-SSIM和CB-SSIM两种算法。VS-SSIM算法利用GBVS模型和中央偏移特性提取视觉显著图,以模拟人类视觉系统提取显著区域的视觉过程。用视觉显著图来反映不同的区域对立体图像质量客观评价的影响,将视觉显著性与图像质量结合进行立体图像质量客观评价。同时考虑了中央偏移因子对立体图像质量评价的影响。实验结果表明,中央偏移因子能够提高立体图像质量客观评价的性能;相比CB-SSIM算法,考虑中央偏移的视觉显著性的立体图像质量客观评价算法更能准确反映主观评价结果。
参考文献
[1]Wang Z,Bovik A C,Sheikh A H r,et al.Image Quality Assessment:From Error Visibility to Structural Similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.
[2]Patrizio Campisi,Patrick Le Callet,Enrico Marini.STEREOSCOPIC IMAGES QUALITY ASSESSMENT[C].15th European Signal Processing Conference(EUSIPCO 2007),Poznan,Poland,Sept.3-7,2007:2110-2114.
[3]De Miranda Cardoso J V,Danilo Miranda Regis C,Sampaio de Alencar M.On the performance of disparity-based weighting technique applied to 3D image quality assessment[C].Broadband Multimedia Systems and Broadcasting(BMSB),2014 IEEE international Symposium on,Beijing,25-27 Jun.2014,1-4.
[4]Wang Shan-shan,Shao Feng,Li Fu-cui,et al.A Simple Quality Assessment Index for Stereoscopic Images Based on 3D Gradient Magnitude[J].The Scientific World Journal,Volume 2014,Article ID 890562,1-11.
[5]Alexandre Benoit,Patrick Le Callet,Patrizio Campisi,et al.Using disparity for quality assessment of stereoscopic images[C].15th IEEE International Conference on Image Processing(ICIP).San Diego,CA,2008:389-392.
[6]Tsotsos J K,Culhane S M,Wai W Y K,et al.Modelling Visual Attention via Selective Tuning.Artificial Intelligence,Oct.1995,78(1):507-545.
[7]Tseng P,Carmi R,Camerson I G M,et al.Quantifying center bias of observers in free viewing of dynamic natural scenes[J].Journal of Vision,2009,9(7):1-16.
[8]Harel J,Koch C,Perona P.Graph-based Visual Saliency[C].Proceedings of Advances in Neural Information Processing Systems.Washington D.C.,USA:IEEE Press,2006:545-552.
[9]Itti L,Koch C,Niebur E.A model of saliency-based visual attention for rapic scene analysis[J].IEEE Transactions on pattern Analysis and Machine Intelligence.1998,20(11):1254-1259.
图像质量评价方法综述 篇8
在图像信息技术被广泛应用的情况下,对图像质量的评价变成一个基本的问题,它在医学图像分析、智能监控和交通、远程会议和视频点播等民用领域,以及战场监视和毁伤效果评价等军用领域均具有广阔的应用前景。图像质量评价包括主观和客观两类方法,主观评价受客观条件、观察者自身条件等因素影响,其评价结果往往不稳定,而且不便于图像系统的集成和实现。
目前研究主要集中在图像的客观质量评价上,图像客观质量评价的基本目标是设计能精确和自动感知图像质量的计算模型,其最终目标是希望用计算机来代替人类视觉系统去观看和认知图像。根据是否具备原始参考图像,它可以分成全参考、弱参考和无参考(也称盲评价)三类方法[1],无疑无参考方法是其中研究的难点。图像质量评价领域中,全参考图像质量评价方法研究时间最长、发展较为成熟,目前人们经常采用的方法如峰值信噪比(PSNR)、均方误差(MSE)和信噪比(SNR)[2]等,在不同的退化降质条件下缺乏稳定性,不能正确反映人的主观感受[3]。此后,人们开始利用人类视觉系统HVS(Human Visual System)[4]的某些特性对客观评价尺度进行修改。上世纪90年代后期,人们对视觉系统功能的理解有了显著的进展,各种基于HVS模型的图像质量评价方法应运而生。但该方法需提供原始参考图像,因此限制了它的应用范围。随着应用越来越广泛,对无参考图像及其质量评价的要求日益迫切,该领域的发展及应用前景广阔。
本文研究的对象为偏振侦察图像,由于往往无法获得其参考图像,因此提出一种无参考的基于噪声污染度的图像质量评价方法,针对去雾操作后进行实验比对,并结合国际LIVE的标准图像数据库[5]进行测试验证。
1 偏振图像和噪声分析
光谱偏振成像探测提供了传统的光度学和辐射度学探测手段无法获得的目标反射辐射偏振信息,得到的多光谱偏振图像含有比强度图像和光谱图像更加丰富的场景信息。尽管光谱偏振成像探测技术已经开展了多年研究,然而已有的工作主要集中在成像探测机理研究、系统研制以及针对各类人工目标和地物的探测实验验证等方面,在光谱偏振信息处理等方面尚未系统、深入地展开研究。在偏振成像探测中,目标的偏振信息可以用Stokes参量I、Q、U以及线偏振度Dolp和偏振角Aop等图像来描述,这里统称为偏振参量图像。研究结果表明,利用光谱偏振成像可以有效抑制杂乱背景,突出目标细节特征,增强目标与背景的对比度,从而有利于伪装目标的检测,因此展开对偏振图像质量评价技术的研究具有重要意义。引起偏振图像降质的因素很多,通常有噪声、模糊、压缩失真三类[6],其中噪声产生于成像系统、传输过程和信息处理的各个环节,是一种最常见的失真现象。
图像噪声[7]可以理解为妨碍人的感觉器官或系统传感器对所接收图像的源信息进行理解或分析的各种因素。噪声一般是不可预知的随机干扰信号,无法建立精确的数学模型,只能用概率统计的方法描述和表达,通常分为加性噪声和乘性噪声。工程实践中认为噪声与图像信号是相互独立的,均考虑噪声为加性噪声。实际的图像处理过程中,遇到大多数噪声均为加性噪声。与其他的成像系统一样,高斯噪声是偏振图像的重要噪声源。这类噪声分布范围广、没有既定规律。对于含高斯噪声的偏振图像,大多数人会明显觉察到图像质量变差,同时图像的对比度、轮廓边缘、颜色均受到了不同程度的干扰影响。所以,高斯噪声对偏振图像质量的影响较大,但图像中目标的边缘轮廓还可看清。同时在偏振图像中还存在一种噪声使得图像的边缘细节模糊,虽然图像的对比度、颜色特征变化不明显,但其细节干扰严重,在主观评价中属于非常差的范畴(严重妨碍观看,会引起不舒服的感觉)。相应的高斯噪声对图像质量的影响还没达到引起观看者不适应的程度。针对噪声对图像质量的影响情况,就可设计出基于噪声检测的图像质量评价方法。虽然图像的边缘和噪声都属于高频成分,梯度值较高,但边缘具有明显的结构特征,因此可根据结构特征将噪声从边缘中分离出来。
2 噪声检测与污染度计算
2.1 噪声检测
设待评价图像为F(x,y),规模为M×N,其中M、N分别为图像的长宽。(x,y)点处的像素梯度为g(x,y),不失一般性设图像中任意像素f(x,y)的八邻域和四方向梯度如图1所示。
其中h(x,y)为水平方向梯度,v(x,y)为垂直分析梯度,d(x,y)为45度斜对角方向梯度,s(x,y)为135度斜对角方向梯度,考虑像素的八邻域即像素距离a=1,则水平方向梯度h(x,y)定义为:
h(x,y)=||f(x,y)-f(x,y+a)|+|f(x,y)-f(x,y-
a)|-|f(x,y+a)-f(x,y-a)|| (1)
相应的垂直方向的梯度和对角线梯度计算公式如下有:
v(x,y)=||f(x,y)-f(x+a,y)|+|f(x,y)-f(x-
a,y)|-|f(x+a,y)-f(x-a,y)|| (2)
d(x,y)=||f(x,y)-f(x-a,y+a)|+|f(x,y)-f(x+
a,y-a)|-|f(x-a,y+a)-f(x+a,y-a)|| (3)
s(x,y)=||f(x,y)-f(x+a,y+a)|+|f(x,y)-f(x-
a,y-a)|-|f(x+a,y+a)-f(x-a,y-a)|| (4)
然后,取四个方向梯度的最小者作为该像素的梯度值g(x,y):
g(x,y)=min(h(x,y),v(x,y),d(x,y),v(x,y)) (5)
图像的边缘像素所蕴含的结构特征,选择四方向梯度较小者,当某像素梯度值g(x,y)大于给定的阈值即可将该像素认定为噪声。由于从四个方向来判断像素的结构信息特征,使得在区分边缘和噪声时更具有鲁棒性和适应性。
2.2 噪声污染度
考虑到偏振图像本身特点,实验中选择噪声阈值threshold为10,则噪声污染度P定义为:
实验中选择的噪声阈值是工程选择(多次实验设定)的结果。如果选择过大,则滤除的噪声总数减少,对于质量近似图像的区分度下降;如果选择过小,则计算出的噪声总数增大,求出的污染度变大,这在某种程度上与人的主观判断不一致。
2.3 计算过程
在进行噪声检测和污染度计算时,可考虑在一个过程中完成,软件编程步骤如下:
(1) 获取待评价图像的规模;
(2) 对图像矩阵数据进行循环计算(除去两边和两列)每个像素的梯度值(四方向梯度最小者),并与设定的图像噪声阈值进行比较,如果大于则计数累加;
(3) 根据图像噪声点总数计算出图像噪声污染度。
以下为以VC语言编写的程序核心代码,假设a=1。
3 实验分析及结果
实验中可根据图像特点不同进行a的调整以使用不同类型噪声情况。a值的调整是针对某一像素计算梯度时的距离,a值越大,计算的范围越远离该像素,越小越靠近该像素。如果该像素受越远距离影响大,则a值设置大些,反之减小。
下面进行两组实验,第一组实验针对偏振侦察图像的去雾处理前后进行质量评价对比试验。
由图2可发现经过去雾处理后图像显得更加清晰,质量得到提高,按上述算法得到的实验结果如表1所示,可发现去雾处理后图像的噪声污染度降低了,与主观判断结果一致。
第二组实验使用LIVE的标准图像数据库,选择一组churchandcapitol图像,这些图像分别被加以不同程度的白噪声(如图3所示),采用本文方法(threshold=10,a=1)所得评价结果与PSNR以及LIVE给定的DMOS分值(原始图像主观分与加噪图像主观分的差值,值越小表明图像质量越好)相比较如表2所示,采用计算DMOS值和P值的相关系数[8]公式如下:
其中,m为样本个数,{xi}、{ yi }分别为DMOS值和P值,
4 结 语
文章对图像的质量评价进行了分析和讨论,在无法获得参考图像的情况下,通过对图像像素的四方向梯度计算得到整幅图像的噪声污染度。实验表明,该方法对偏振侦察图像的处理前后发现该评价方法结果与主观评判一致,在LIVE标准图像库中的检验验证也证明了该方法的有效性,优于传统的客观质量评价方法。由于本文方法在图像空域中即可完成,不需变换到频域,因此速度较快、易于硬件实现。
摘要：针对偏振图像的客观质量评估需求,研究图像噪声的检测方法,提出一种基于图像噪声污染程度的图像质量盲评价方法。通过对像素八邻域或扩张的邻域进行四方向梯度计算,求出其中最小值作为该像素的梯度,然后计算出整个图像的噪声污染程度。实验结果表明,该方法具有无参考、运算简单复杂度低、与主观评价结果高度一致的特点。
关键词：图像质量评价,噪声污染度,无参考
参考文献
[1]Wang Z,Sheikh H R,Bov Ikac.Objective video quality assessment,The Handbook of Video Databases:Design and Applications[M]//CRC Press,2003:1041-1078.
[2]魏崇奎,成礼智.一种基于掩盖效应的感知域图像质量评价方法[J].中国图象图形学报:A版,2004,9(2):195-200.
[3]王正友,肖文.基于掩盖效应的无参考数字图像质量评价[J].计算机应用,2006,26(12):2838-2840.
[4]Winkler S.Vision Models and Quality Metrics for Image Processing Ap-plications[D].Germany:Diplom-lngenieur der Elektro technik,Tech-nische Universitabt Wien de nationalitéautrich ienne,2000.
[5]Sheikh H R,Wang Z,Cormackl.LIVE image quality assessmen.data-base[DB/OL].2006.http://live.ece.utexas.edu/research/quality.
[6]Eskiciogln A M.Image quality measures and their performance[J].IEEE Trans Comm,1995,43(12):2959-2965.
[7]Richard Alan Peters II.A New Algorithm for Image Noise Reduction u-sing Mathematical Morphology[J].IEEE Transactions on Image Pro-cessing,1995,4(3):554-568.
【图像质量评价方法综述】推荐阅读：
盲图像质量评价09-01
超声图像的质量评价论文06-09
图像质量09-07
高清图像质量07-10
CTA图像质量10-21
放射科图像质量控制标准05-19
图像分割综述09-27
图像分割技术综述10-15
数字图像融合综述08-14
数字图像水印技术综述06-27