盲图像质量评价

盲图像质量评价（共9篇）

盲图像质量评价 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.

盲图像质量评价 篇2

为了不断提高放射科技术人员的摄片质量和责任感，保证影像诊断准确性和临床诊断可靠性，每月拍摄的照片采取民主评片制，以使本科技术人员在工作的实践中取长补短，以资达到共同提高。

（一）图像质量评价每月一次。核查摄片体位是否符合。

标准：胶片尺寸统一，影像放大比例统一。

（二）在日常诊断读片的同时，从诊断角度，对影像质 量进行评价，发现图像质量不能满足影像诊断，医师与技术人员沟通，提出改进建议。

（三）技师或医师日常工作中发现图像质量问题应上 报图像质量评价小组研究解决。

武汉市第二中西医结合医院

放射科

Riesz域内的图像质量评价 篇3

随着数字成像技术和通讯技术的发展,图像成为了存储、传播信息的重要载体,以其独特的直观性在各领域都发挥着重要的作用[1]。但在图像的形成、传输和存储等阶段,图像信息往往受到外部成像环境、成像设备、传输设备等的影响,从而导致图像质量参差不齐。那么客观的评价图像的质量则显得尤为重要。

图像质量评价(Image Quality Assement,IQA)一般情况下分为两类:主观法和客观法。主观法指的是通过肉眼观察,直接对图像的质量进行评估打分。这种方法的优势在于它完全符合人类视觉系统(Human Visual System,HVS)对图像的感知机制,评价结果也最为可靠;但其缺陷是耗时,易受环境的影响,并且无法将其整合到其它自动化图像处理系统中。客观法是所有通过运行程序自动实现图像质量评价的方法的统称,该类方法是我们研究的重点。

传统的客观方法包括均方差(mean-squared error,MSE),峰值信噪比(peak signal-to-noise ratio,PSNR)等,MSE和PSNR由于计算方便,有鲜明的物理意义,在以往使用较为广泛,但后来学者认为这两种指标的评价原理与HVS相去甚远,且实验结果表明MSE和PSNR较差[2]。互信息(Mutual Information,MI)也是图像质量评价的重要指标,它衡量的是图像间信息的相似程度。随着对HVS机理研究的逐步深入,图像质量评估研究领域的学者将HVS理论引入其中,并取得了较好的效果。其中,具有里程碑意义的是王舟等人提出的结构相似理论,该理论是根据HVS感知图像的机理实现的,他们认为图像的失真主要包括三个方面:亮度失真、对比度失真和结构失真[3]。随后,他们将多尺度图像表示加入到该理论中,将处理域从空域转向了频域。

考虑到Riesz域内的图像具有较好的性质,所以本文提出一种在Riesz域内的局部结构相似模型,该模型的另外一个特点是,充分考虑了每个局部区域在整幅图像中的重要程度,使得质量评价更加细腻。本文的后续部分安排如下:第2章介绍了Riesz域的图像表示,第三章为本文的主体部分,介绍了算法的整体框架,并详细给出了相似度计算方法和显著性检测方法;在第四章中,实验验证算法的有效性;在第五章中总结全文。

2 Riesz域的图像表示

1维度的Hilbert(希尔伯特)变换已经成功的应用到了信号处理领域,并取得了较好的应用效果。但考虑到图像为二维信号,若将Hilbert变换用于图像处理,则需将Hilbert变换从1维扩展到2维空间上去。在文献[4]中,作者总结了关于这一主题的各种尝试,包括局部Hilbert变换,整体希尔伯特变换,结合局部和整体的Hilbert变换等,但是,它们都存在一个相同的缺陷,它们都是各向同性的。Riesz变换可以将希尔伯特变换转化为维度大于1的欧氏空间。他们是一个奇异积分算子。在2-D的欧氏空间中的Riesz内核被定义为

那么信号f(x)的一阶里斯变换则可通过信号本身与Riesz内核做卷积操作得到,即

Riesz内核在傅里叶域内可以定义为

那么,公式和公式在傅里叶域内的形式分别为

对于更高阶的里斯变换,则可通过低阶里斯变换间接获得[5]。如二阶里斯变换可通过一阶里斯变换获得:若将公式中的f替换为Rx{f},则可得到二阶里斯变换Rx{Rx{f}};若将公式中的f替换为Rx{f},则可得到二阶里斯变换Ry{Rx{f}};若将公式中的f替换为Ry{f},则可得到二阶里斯变换Ry{Ry{f}}.其它高阶里斯变化以此类推。

3 算法描述

3.1 算法框架

考虑到里斯域可以很好的表示图像的信息,所以本图像质量评价算法首先将图像从空间域转化到里斯域内,然后再与参考图像做比较,本算法的框架可以表示为如图1所示。

具体的,模型流程可以归结为:

(1)将参考图像I1和待评价图像I2分别进行里斯变换,I1被分解为5个子图Rx{I1},Ry{I1},Rx{Rx{I1}},Rx{Ry{I1}},Ry{Ry{I1}};I2被分解为5个子图Rx{I2},Ry{I2},Rx{Rx{I2}},Rx{Ry{I2}},Ry{Ry{I2}}

(2)计算Rx{I1},Ry{I1},Rx{Rx{I1}},Rx{Ry{I1}},Ry{Ry{I1}}5个子图的显著性矩阵,分别标记为SA1,SA2,SA3,SA4,SA5.

(3)分别计算Rx{I1}与Rx{I1},Ry{I1}与Ry{I2},Rx{Rx{I1}}与Rx{Rx{I2}},Rx{Ry{I1}}与Rx{Ry{I2}},Ry{Ry{I1}}与Ry{Ry{I2}}的加权相似度,分别记为SIM1,SIM2,SIM3,SIM4,SIM5,

(4)将5者相加,求平均,即可得到待评估图像I2的最终质量评价结果S(I2).

S(I2)的取值范围为[-1,1],数值越大,表明I1与I2的相似度越高。当且仅当I1=I2时,S(I2)取得最大值。Step.3中的相似度计算公式和Step.2中的显著性矩阵的计算公式分别在下面两个部分中给出。

3.2 相似度计算

目前,存在多种衡量两幅图像相似性的度量,本文选择结构相似法[6]来度量两幅图像的相近程度,原因在于:x

(1)该方法能够充分考虑结构信息,而这一信息在人类视觉系统中是极为重要的;

(2)计算简单,时间开销较小;

(3)该方法在提出伊始,便产生广泛的关注,大量试验证明该方法具有较好的质量评价性能。

设x为待评估的图像(或者在非空域内的子图),y为其参考图像,则结构相似理论给出的评价结果为

为了有效刻画局部信息,本算法首先将所有子图进行区域划分,每个区域大小为|w|。则利用结构相似理论,我们设计的相似度指标如下

这里,ws为每幅图像中包含的窗口的数量,Q(x w,y w)为子图x和y在w处的结构相似度。SA(w)为当前窗口的显著性,这部分内容在3.3小节中给出。图1中的,SIMi(i=1,…,5)可通过公式计算,五者之间的差别在于带入x和y的子图不同。如。最后,I2的评价结果为

3.3 显著性检测

图像显著性指的是图像中某一区域对人类视觉系统的刺激程度。一般地,显著性越高,则对人类视觉系统的刺激越大,即越容易引起人类视觉系统的注意。所以,显著性高的区域是否清楚对于整个图像的质量来说起到决定性的作用。因此,在设计质量评价指标时,通过计算图像的显著性,从而区别对待不同的区域是科学的。

信息熵,作为反映系统丰富程度的指标,可以用于显著性检测。该指标用于显著性检测的合理性在于,包含信息越丰富的区域,越容易引起人类视觉系统的注意,反之亦然。参考图像I1在w窗口处的显著性可以表示为

4 实验与分析

为了检验本文提出的图像质量评估算法,设计了两组实验。在第一组实验中,我们使用图像处理领域内最为通用的测试图片(Lena),如图2所示:(a)为Lena原始图像,(b)为经过高斯模糊处理的图片,且模糊半径为2个像素;(c)为添加高斯白噪音后的图像,噪音均值为0,噪音方差为0.01.

为了检验本文提出的图像质量评估算法,设计了两组实验。在第一组实验中,我们使用图像处理领域内最为通用的测试图片(Lena),如图2所示:(a)为Lena原始图像,(b)为经过高斯模糊处理的图片,且模糊半径为2个像素;(c)为添加高斯白噪音后的图像,噪音均值为0,噪音方差为0.01。

从图2注意到,在子图(b)中,一些纹理信息,如头发、帽子的纹理等区域已经变得极为模糊,较为严重的影响了视觉感受,而在子图(c)中,这些细节信息虽然也受到噪音的影响,但是这并不影响视觉系统的判别。从这一对比来看,子图(c)的质量高于子图(b)的质量。

本文指标和其它三项指标(包括MSE,MI和SSIM)对图2中两幅子图的评价结果如表1所示。

从表1中可以看到,本文指标与主观评价结果一致。

第二组实验数据如图3所示,子图(a)为原始图像,(b)-(f)为在子图(a)的基础上添加高斯白噪音后形成的图像,这5幅图像中的高斯白噪音均值均为0,方差σ分别为0.01,0.02,0.03,0.04和0.10。从该图中,我们可以看到随着方差的增加,噪音对图像本身信息的干扰越大,相应的图像质量也越差。

这里,我们使用本文所提出的模型对图3中的5幅含有噪音的图像进行评估,评估结果如图4所示。

从图4,我们注意到,本算法的评估结果和主观评价结果是一致的,在图3中,从(b)到(f),其质量是逐次递减的。

5 结语

本文提出了一个里斯域内的基于结构相似理论的图像质量评价方法。该评价方法将参考图像和待评估图像均从空域变换到里斯域中,并且充分考虑了每个局部区域在整幅图像中的重要程度,这种评价方法符合人类视觉系统感知图像的机理。实验表明,该方法与主观评价结果一致,是一种可靠的图像质量评价指标。

参考文献

[1]H.R.Sheikh and A.C.Bovik,"Image information and visual quality,"IEEE Transactions on Image Processing,vol.15,no.2,pp.430-444,Feb 2006.

[2]Z.Wang and A.C.Bovik,"Mean Squared Error:Love It or Leave It A new look at signal fidelity measures,"Ieee Signal Processing Magazine,vol.26,no.1,pp.98-117,Jan 2009.

[3]Z.Wang,A.C.Bovik,H.R.Sheikh,and E.P.Simoncelli,"Image quality assessment:From error visibility to structural similarity,"Image Processing,IEEE Transactions on,vol.13,no.4,pp.600-612,2004.

[4]M.Felsberg and G.Sommer,"The monogenic signal,"IEEE Transactions on Signal Processing,vol.49,no.12,pp.3136-3144,2001.

[5]Lennart Wietzke,Oliver Fleischmaim,and Gerald Sommer,"2D Image Analysis by Generalized Hilbert Transforms in Conformal Space,"in Computer Vision-Eccv 2008,Pt Ii,Proceedings.vol.5303,D.Forsyth,P.Torr,and A.Zisserman,Eds.,2008,pp.638-649.

盲图像质量评价 篇4

一、放射科图像质量评价小组

组 长：施超凡 成 员：施超凡（CT）

杨建梅（DR及透视、造影）

二、图像质量评价小组职责:为进一步提高我院放射科拍片质量，我科特别成立拍片质量评价小组，每月随机抽取DR片40-50张评测，CT片50张评测。参照《放射科管理与技术规范》及《CT影像质量标准》为基础。实事求是，严格把关。力求放射科拍片质量逐步提高。

三、组长职责:负责放射科质量评价小组的管理，定期检查放射科质量评价小组的图像质量评价情况，监督图像评价质量小组的工作执行。

四、组员职责:在组长领导下负责放射科图像质量评价小组的具体工作，严防差错事故发生，出现问题及时向组长汇报并采取措施。

五、具体人员分工: 施超凡：负责对CT图像质量进行检查和考核。

杨建梅： 负责对DR及透视、造影图像质量进行检查和考核。

六、具体要求内容：（1）DR影像质量要求 一般要求

1、X线照片满足影像诊断要求。

2、X线照片标识，左右标志正确，检查号、检查日期、检查医院、被检者姓名、性别、年龄、图像放大比例或比例尺等信息完整。

3、用片统一，用片尺寸合理，分格规范，照射野大小控制适当。成人胸片不小于11×14英寸。

4、图像放大比例一致：正位片与侧位片或斜位片放大比例一致。同一部位不同时间摄片放大比例一致。成人胸片放大比例不小于65%。

5、整体画面布局美观，影像无失真变形。

优质图像标准

1、密度合适：（照片中诊断密度范围控制在0.25-2.0之间）。

2、层次分明：参照《放射科管理与技术规范》中放射科技术质量标准。

3、摄影体位标准：参照《放射科管理与技术规范》中放射科技术质量标准。组织影像应符合正常的解剖投影，无失真。

4、照射野大小合适: 被检部位影像全部在照片上显示,但不应过多包含非检查部位，尤其是内分泌腺；重点组织界限清楚；脊柱应含相邻椎体；四肢长骨应至少包括1个邻近关节；肋骨应包括第1或第12肋骨。

5、无体外伪影。

6、无运动伪影。

7、特殊检查体位应标注。

8、胶片无污片、划片、粘片、指纹。

（2）、CT影像质量要求

1、根据临床检查要求和疾病诊断需要，合理选择扫描部位、扫描参数、检查序列。

2、扫描范围必须包括整个被检查器官或部位。

3、选择合适窗宽窗位，因头部外伤的头颅CT扫描必须右骨窗。肺部 扫描必须有肺窗和纵膈窗。

4、对于CT检查，在满足诊断的前提下，尽量减少X线剂量。

5、定位标识明确，一般信息完整。

6、CT照片应有定位像。

7、CT照片排列顺序：横断位：躯干从上到下，四肢由近到远。冠状位：由前到后；矢状位：由右到左。

水下数字图像盲复原算法研究 篇5

随着计算机科学技术日新月异的发展, 数字图像处理技术已经应用到相当多的领域之中, 如交通、天文、医学、遥感等。海洋是人类生存和发展的重要领域, 不仅能为人类提供丰富的物质资源, 而且在现代战争中具有重要的战略地位。由于海洋的重要性, 水下图像也日渐成为人们研究的重要领域和方向。对水下图像的处理主要包括目标识别、图像复原、图像增强、图像压缩等。其中, 图像复原是水下图像处理中一个非常重要的环节, 近年来得到了越来越多的重视与研究。

所谓数字图像盲复原是指图像处理过程中, 由于不能预先知道确切的模糊过程降质模型, 而必须根据模糊图像确定降质模型, 并同时使模糊图像复原的一类算法[1]。图像盲复原技术的最大特点是不依赖于图像的先验知识或仅依靠很少量的部分知识, 对模糊图像进行最佳情况复原。即在降质过程中所有信息或部分信息都未知的情况下, 利用降质图像的特征来估计原始图像和降质点扩展函数 (Point Spread Function, PSF) 的过程。其中, 对点扩展函数PSF的准确估计尤为重要[2]。

水下图像处理以其特殊的成像背景, 需要对其做专门的图像复原算法研究, 并依靠模糊图像确定其降质模型。自然光在进入海水中之后, 受到海水的作用产生衰减。实验表明, 光的衰减是光波长的复函数, 它由两个互不相关的过程, 即吸收和散射引起, 因此光在水中传输时, 能量按指数规律迅速衰减。由于受海水中水分子及其浮游生物和大量悬浮颗粒的影响, 摄像机成像系统所拍摄到的图像是经过被海水层层散射和吸收后得到的, 成像质量大幅下降, 因此需要对模糊图像做复原处理, 以尽可能恢复原图像。

1 数字图像盲复原原理及相应算法研究

点扩展函数PSF的物理含义是在不考虑加性观测噪声影响的情况下, 一个点源通过该成像系统后所形成的扩散图像。对于每一个点源, 它通常是一个有限冲击响应滤波器。

数字图像复原处理的关键问题在于建立降质模型。如果降质过程为线形和空间不变的过程, 则降质图像g (x, y) 在空间域可表示为:

undefined

式中:f (x, y) 为原图像;h (x, y) 为点扩展函数PSF;n (x, y) 为噪声, 一般为加性噪声。图像复原就是对g (x, y) 寻找一个逆变换, 以估计出复原图像undefined (x, y) [3]。其中, 对PSF的估计方法可以分成两类进行:第一类是将点扩展函数的估计与图像复原分离开来进行, 通过对点扩展函数的先验辨识, 可以将图像盲复原问题转化成经典的图像复原问题;第二类是将点扩展函数的估计与图像复原结合起来进行。一般使用第一类处理方法对点扩展函数进行估计和恢复图像, 由此给出误差-参数估计法。

误差-参数估计法的前提条件是要知道退化图像中点扩展函数的参数化模型。首先, 分别用高斯模型和线性移动模型作用于标准Lnea灰度图像上, 加上方差不同的高斯白噪声, 得到不同退化程度的观测图像。根据图像退化过程, 给出频率域的误差形式:E=‖Y-XH‖2, 选定参数的变化范围。利用复原算法, 依据PSF和观测图像估计原始图像, 计算频率域误差, 做出误差参数曲线, 由此估计PSF的参数值, 从而获得PSF的具体形式。最后利用经典的复原算法维纳滤波法对退化图像进行了复原, 获得比较清楚的复原效果。

2 水下数字图像成像原理

影响水下图像成像质量的因素主要有光在水中的吸收与散射。由于海水对不同波长的光, 有不同的衰减率, 对于波长在400～600 nm之间的光不易吸收, 对其他颜色的光很容易吸收, 故一般进行近距离 (大约为1～2 m) 成像可获得彩色图像, 对远距离目标成像则多采用黑白图像的方式。光在水中的散射分为前向散射和后向散射, 前向散射指光在水中传播时遇到水中悬浮粒子, 发生光向前各方向散射;后向散射指光遇到水中悬浮粒子时发生光向后各方向散射[4]。海水的散射主要集中于前向散射, 占总散射的90%左右。散射光对水下影像衬度会产生极为有害的影响, 它会造成图像的对比度下降, 使影像衬度成为水下成像中最严重的问题。由于水的光学特点, 光学成像的作用距离是很有限的。图1为影响水下成像的各种因素。

针对水下图像复杂的成像特点, 由于成像过程中, 不能预先知道确切的模糊过程降质模型, 故采用图像盲复原的方法对降质图像进行恢复处理。成像过程中光的前向散射是影响成像质量的最主要因素, 可看成为高斯白噪声, 故对模糊图像的复原处理就转化为对PSF的参数估计和用维纳滤波复原图像的问题上来, 即误差-参数估计法。

3 误差-参数估计法原理

误差-参数分析法, 适合于利用参数来表征点扩展函数的辨识, 如线形移动、散焦和Guass模型。该方法允许观测图像的点扩散函数的尺寸较大。这里所研究的就是在知道退化图像的PSF为对称Guass模型的情况下, 用此方法估计PSF的参数。

对称Guass模型的参数表示式为:

undefined

式中:Dh是PSF的支持域; (x0, y0) 是Dh的中心点;K是归一化系数, 它使得undefined, 因此只用α就能表征这个Guass函数。所以, 可以将此退化模型与参数的关系都写成h (α) [5]。误差-参数分析法是用下面的方法产生一个误差-参数曲线, 由曲线来决定PSF的参数。具体计算步骤如下:

(1) 选定一个参数搜索范围, 用α0, Δα和搜索步数k来表示。

(2) 由参数α产生点扩散函数h (x, y) ;实施复原算法, 依据h (x, y) 和观测图像g (x, y) 决定图像undefined。计算复原误差undefined或频域误差undefined。

(3) 作出E-α曲线, 由此估计点扩展函数的参数α值, 并获得相应的PSF。

(4) 根据估计得到的PSF, 采用常规的复原算法对退化图像进行复原。

估计出点扩展函数PSF后, 再通过维纳滤波, 对图像进行复原处理, 即可得到undefined。

维纳滤波是一种抑制和减小噪声的方法。维纳滤波复原是寻找一个滤波器, 使得复原后的图像undefined与原图像的均方差undefined最小[7]。设f (x, y) 与n (x, y) 不相关, 且n (x, y) 有零均值, 则由上述条件可得出维纳滤波器的传递函数为:

undefined

式中:H* (u, v) 为H (u, v) 的复共轭;Pf (u, v) 和Pn (u, v) 分别表示原图像和噪声的功率谱, 即分别是f (x, y) 和n (x, y) 的自相关函数的傅里叶变换。根据上式可得:

undefined

对undefined取傅里叶逆变换, 即可得在维纳滤波意义下的最佳原图像估计undefined。

在实际图像处理过程中, Pf (u, v) 和Pn (u, v) 通常是未知的, 可用一个常数γ来近似Pn (u, v) /Pf (u, v) , 所以上式可变为:

undefined

4 实验结果分析

图2是在水下拍摄的模糊图像;图3是用误差-参数法进行处理后再用维纳滤波复原后的图像。

根据以上得到的结果可发现, 使用误差-参数估计法对高斯模型进行参数估计, 获得的参数值比较接近实际参数值的大小, 误差比较小。另外, 依据所估计的高斯模型的具体形式, 利用维纳滤波法复原退化图像后, 从视觉效果来看, 复原前后图像的模糊度较小, 轮廓比较清晰;从模糊信噪比的大小来看, 复原后图像的BSNR明显得到提高。所以, 得出在知道退化图像的PSF是高斯模型时, 利用误差-参数估计法对退化图像进行处理, 是可以取得比较有效的结果的。

5 结 语

在此对图像盲复原算法进行了研究, 并重点研究了误差-参数法在水下图像恢复中的应用, 获得了较为可行的结果。图像复原技术是一门涉及面广, 算法非常复杂的技术, 同时又是一门发展前景十分广阔的技术。本文仅讨论了其中一种复原算法, 在理论和实践中还有很多需要解决的问题有待深入研究。对今后图像复原算法的研究, 仍以提高复原的有效性和效率为主要研究方向, 不断提高复原图像的质量和速度, 并降低算法的复杂度, 提高抗噪性能, 提高复原算法的适用性。

摘要：图像复原的目的是从观测到的退化图像重建原始图像, 它是图像处理、模式识别、机器视觉等的基础。盲复原作为其中一个重要分支, 其主要思想是在点扩展函数未知的情况下, 力求获得最佳的清晰效果。由于水下图像退化模型中点扩展函数一般为高斯模型, 故针对此提出误差-参数估计法, 根据图像退化过程, 给出频率域的误差形式, 并选定参数的变化范围, 再利用复原算法做出误差参数曲线, 由此估计出点扩展函数的参数值, 最后利用经典的复原算法, 如维纳滤波对退化图像进行复原。实验证明该方法获得了比较清楚的复原效果。

关键词：盲复原,点扩展函数,高斯噪声,维纳滤波

参考文献

[1]张航, 罗大庸.图像盲复原算法研究现状及展望[J].中国图像图形学报, 2004, 10 (10) :1 145-1 152.

[2]Kenneth R Castleman.数字图像处理[M].北京:清华大学出版社, 1998.

[3]刘政凯, 瞿建雄.数字图像恢复与重建[M].合肥:中国科技大学出版社, 1989.

[4]孙传东, 陈良益, 高立民, 等.水的光学特性及其对水下成像的影响[J].应用光学, 2000, 21 (4) :39-46.

[5]Kundu D.Blind Image Deconvolution[J].IEEE Signal Pro-cessing Magazine, 1996, 13 (3) :43-64.

[6]邹谋炎.反卷积和信号复原[M].北京:国防工业出版社, 2001.

[7]徐飞, 施晓红.Matlab应用图像处理[M].西安:西安电子科技大学出版社, 2002.

[8]王家文, 曹宇.Matlab 6.5图形图像处理[M].北京:国防工业出版社, 2004.

[9]王爱玲, 叶明生, 邓秋香.Matlab R2007图像处理技术与应用[M].北京:电子工业出版社, 2008.

[10]丁玉美, 阔永红, 高新波.数字信号处理[M].西安:西安电子科技大学出版社, 2002.

数字图像盲取证技术研究综述 篇6

1 数字图像取证

数字图像取证技术是一个多学科综合的研究问题, 它涉及计算机视觉、信号处理、计算机图形学、机器学习、成像传感器、模式识别等领域的知识。数字图像取证技术要解决的问题主要包括以下几个方面:能否确认一幅图像是真实 (原始) 图像, 还是经过篡改操作处理后的伪造图像;能否确认伪造图像的篡改区域和篡改程度;能否确认图片是由成像设备拍摄的照片, 还是由计算机生成的图片;能否确认拍摄照片的成像设备的类型或品牌。

目前, 通常有两种取证技术一是数字图像主动取证技术 (数字签名、数字水印) , 另一种是数字图像被动取证技术, 也通常称为数字图像盲取证技术。

数字签名技术, 它提取原始图像的内容摘要作为签名, 在图像使用端通过比对接收图像的内容摘要和签名文件, 从而验证图像的真实性。数字水印技术它利用数字作品中普遍存在的冗余数据与随机性把版权信息或内容信息嵌入到数字作品本身, 从而起到保护数字产品版权或真实性的目的, 用于数字图像检测的数字水印一般可以分为两类:脆弱水印和半脆弱水印。脆弱水印是一种在图像发生任何形式的改变时都会被损坏掉的水印;半脆弱水印是指能够容忍图像进行诸如JPEG压缩、加少量噪声的偶然修改, 但会被图像内容的恶意篡改损坏的水印。在图像使用端通过检测水印信号的修改情况, 判断出图像被篡改的位置以及被篡改的严重程度。数字签名和数字水印检测技术的一个共同特点是内容提供方必须对图像进行预处理, 提取签名或嵌入水印。换句话说, 只有所有的数字图像在发布之前都实现了签名提取或水印嵌入, 相应的鉴别技术才能真正有效, 而在实际应用中, 绝大多数数字图像事先并没有预处理, 这就大大限制了这两种数字图像检测技术的使用范围。

数字图像盲取证技术是指在不依赖任何预签名提取或预嵌入信息的前提下, 根据待取证数字图像自身的一些特征判断其是否经过篡改、合成和润饰等伪造处理, 判断识别及其可能的来源。

2 国内外的研究现状

基于数字图像盲取证技术是近几年发展起来的, 其研究还处于初级阶段, 挑战性高, 创新空间大, 因此许多高校和科研机构都投入到该领域的研究中来。如美国著名的Dartmouth学院、Binghamton大学、Columbia大学和Polytechnic大学等分别成立了专门的数字媒体检测技术研究小组。相比国外, 国内在该领域的研究起步较晚, 但由于该项研究在法律、公安实务中有重要的应用性, 所有国内许多大学, 尤其是公安类院校也开展了大量的研究工作, 主要有中山大学、国防科技大学、同济大学和北京邮电大学等。吴启[1]详细阐述了各种利用Photoshop软件对数字图像进行篡改的技术, 然后分析了各种伪造方法的缺陷, 以及从细节上识别这些篡改图像的方法。王渝霞[2]从图像光照一致性、各种物体的比例关系、色彩反差一致性、局部分辨率、边缘特征等方面阐述了静态图像原始性检验技术。吴琼[3]提出了一个数字图像盲取证技术的基本框架, 它包括图像建模、特征提取与特征分析、算法设计、测试与验证、图像盲取证技术定位与图像分类、相关的图像源特性以及图像数据库等主要组成部分。这些研究从各个方面阐述数字图像盲取证技术的一般方法, 但是这些方法大都是经验性的, 检测结果与检验操作者的熟练程度和经验。对于这一研究领域, 国际上近几年研究有较大的进展, 发展了一系列检测图像篡改的技术。主要有利用图像块之间的相关性可以检测克隆性图像篡改、拼接性图像篡改;利用图像放大、缩小重采样时像素之间的相关性可以检测替换性图像篡改;利用图像中数码相机的色彩滤镜矩阵的不一致性可以用来检测拼接性、替换性图像篡改;利用图像中数码相机的传感器噪声模式的不一致性, 也可以检测拼接性、替换性图像篡改;利用图像中色彩的偏差可以用来检测拼接性、替换性图像篡改;利用透视几何技术可以用来检测篡改图像中不符合透视几何原理的现象;图像拼接时光照条件是最难处理的环节, 利用光照的不一致性或不均匀性可以检测篡改图像[4,5,6,7,8,9,10,11]。

3 数字图像篡改的主要方法

目前数字图像篡改主要有以下几种篡改方法:一是图像区域替换, 篡改者通常将图像中的某一部分用另外一副图像的相应部分替换, 替换后图像边缘部分经过拼合模糊, 使得看起来比较完整。二是图像拼接, 通常是将两副照片按照一定规律连接成一副完整的图像, 并经过色阶调整、色彩平衡、色相以及饱和度调整, 使两张图像看起来比较协调。三是图像克隆, 将数字图像中的某些部分进行复制, 并粘贴到同一张图像中的另一个位置, 以加强图像中的某些效果。四是图像删减, 就是将图像上的某一区域剪切掉或删除掉某些内容。五是图像修复, 对图像上信息缺损区域、移走目标物体留下的信息空白区域进行信息填充, 并且使观察者无法觉察到图像曾经缺损或已被修复。其典型方法是基于样本纹理合成的修复技术, 该技术可以用来去除图像中的大目标。六是图像增强, 包括改变图像特定区域的颜色和对比度等, 这种操作明显地改变图像内容, 但可以模糊或突出某些细节, 或者改变照片的明暗程度等。任何形式的篡改操作都会不可避免地引起数字图像数据内部特征的变化。

4 数字图像盲取证技术

根据数字图像取证中所使用的检测特征依据不同, 可将数字图像盲取证技术分为三类:基于图像篡改过程遗留痕迹特征的取证技术;基于图像内在统计特性的取证技术;基于成像设备一致性的来源取证技术, 下面分别介绍。

4.1 基于图像篡改过程遗留痕迹特征的取证技术

该类技术通过寻找并利用图像篡改操作在伪造图像中的遗留痕迹对图像进行原始性检测, 这种遗留痕迹单凭人眼通常很难发现。不同的篡改手段会产生不同的伪造遗留痕迹, 如JPEG双重压缩操作会导致图像DCT变换系数的直方图产生周期性模式, 重采样操作会导致图像像素之间的相关性发生变化, 复制-粘贴操作会导致图像不同区域之间产生异常的相似性等。目前研究的方法主要包括JPEG双重压缩检测、重采样检测、复制-粘贴检测、照明条件不一致性检测和模糊检测等。

4.2 基于图像内在统计特性的真实性检测

篡改图像的手段多种多样, 大多数情况下从视觉上难以察觉图像是否被伪造过。但是, 篡改和伪造必然在一定程度上影响和破坏图像的内在统计特性, 基于这一观点, 基于图像内在统计特性的盲取证方法首先提取对图像篡改敏感的统计特性, 以形成区分性的特征向量, 然后构建分类器对待检测图像进行分类。该类技术的核心是提取作为区分性特征向量的图像统计特性, 然后依靠分类器来做出决策。目前研究的方法中提取的特征包括双相干特征、边缘百分比特征、图像质量度量特征和二元相似性度量特征等。

4.3 基于成像设备一致性的真实性检测

自然图像通常是由数字采集设备获取的, 不同的采集设备具有不同的特性, 如镜头的光学畸变不同、相机使用的颜色滤波阵列CFA (Color Filter Array) 和相应的插值算法不同等。而由同一设备采集的图像通常具有特殊的一致性规律以反映该设备的特性, 这些一致性的规律可用来确定图像的来源和检测图像是否被篡改。

5 数字图像盲取证方面存在的问题

近几年, 数字图像盲取证研究已经成为一个热点问题, 但随着各种各样的数字图像处理软件的不断进步和发展, 数字图像篡改技术也越来越成熟, 被动式的数字图像取证也越来越难, 从总体上来说, 数字图像盲取证技术的发展还处于初级阶段, 需要进一步深入研究。具体体现在以下两个方面。

5.1 现有的检测方法适用性差, 检测结果认可度不高

数字图像盲取证技术取得了一些研究成果和检测方法, 但目前大多数字图像盲取证检测方法是在很多约束条件下成立的, 其应用对象还存在一定的局限性, 算法依赖性高, 通用性差, 适用性低, 检测结果不够理想, 不能像指纹一样, 定性的检测数字图片是否被篡改, 很多方法只能作为篡改伪造的辅助证明手段, 还没有成为一个具有公信力的技术手段。

5.2 数字图像盲取证技术的体系不完善、缺乏对检测标准的研究

现有的数字图像检测方法大多数还是强调人的主观作用, 不论是那类检测方法, 都没有统一的检测标准, 强调人在检测中的主观判断作用, 而忽略了对这些检测手段的量化, 没有建立标准图像数据库和相关检测评价指标。

由于数字图像本身的复杂性和多样性, 数字图像的盲取证技术是一项难度很大的创新工作, 虽然已经成为当前多媒体信息安全领域研究的一个热点问题, 但取证检测毕竟是随着数字图像发展而带来的一项新课题, 取证检测中的许多问题还需要我们进一步深入研究和探索。

摘要：数字图像盲取证作为一种不依赖任何预签名提取或预嵌入信息来鉴别图像真伪和来源的新课题, 正逐步成为多媒体安全领域新的研究热点, 本文首先介绍了这一领域当前的研究现状和进展, 接着从图像篡改遗留痕迹特征、图像内在统计特性、成像设备一致性三个方面阐述了当前图像盲取证技术的主要方法, 并分析了不足之处。

关键词：数字图像取证,篡改检测

参考文献

[1]吴启.浅谈计算机伪造照片的检验[J].中国人民公安大学学报:自然科学版, 2005, (4) :73-75.

[2]王渝霞, 论静态图像的原始性检验[J].刑事侦查, 2006, 18 (1) :68-67.

[3]Wang J, Bhat P, Colburn R A, et al.Interactive video cutout.ACM Transactions on Graphics (SIGGRAPH'05) , 2005, 24 (3) :585~594.

[4]http://w w w.cs.da rtm outh.edu/fa rid/resea rch/digitaltampering/.

[5]Zhu B B, Swanson M D, Tewfik A H.When seeing isn't believing.IEEE Signal Processing Magazine, 2004, 21 (2) :40~49.

[6]Lin C Y, Chang S F.Semi-fragile watermarking for authentication JPEG visual content.Proceedings of SPIE, San Jose, CA, USA, 2000, 3971:140-151.

[7]Ng T T, Chang S F, Sun Q B.Blind detection of photomontage using higher order statistics.Proceedings of IEEE International Symposium on Circuits and ystems (ISCAS04) , Vanco uver, Canada, 2004, 5:688~691.

[8]Menezes A J, Oorchot P V, Vanstone S.Handbook of applied cryptography.BocaRaton, FL:CRC Press, 1997.

[9]吴金海, 林福宗.基于数字水印的图像认证技术.计算机学报, 2004, 27 (9) :1153-1161.

[10]Lin C Y.Watermarking and digital signature techniques for multimedia authentication and copyright protection.Doctor Thesis, Columbia University, 2000.

图像处理中的质量评价简析 篇7

早在1986年,I.E.Abdou就从图像逼真度和图像可懂度两个主要方面评价图像质量[1]。图像的逼真度是描述被评价图像与标准图像的偏离程度,图像的可懂度则是表示图像给人或计算机提供信息的能力。人们希望能够找出图像逼真度和可懂度的定量测量方法,作为评价图像和设计图像系统的依据。

图像质量评价从方法上可分为主观评价方法和客观评价方法,前者凭借实验人员的主观感知来评价对象的质量;后者依据模型给出的量化指标,模拟人类视觉系统感知机制衡量图像质量。

1 主观评价方法

所谓主观评价方法,就是由观察者依据自己的感觉对图像质量进行评价。具体实施起来就是,在一定的光照、视距、分辨率大小等条件下,由一组专家和非专家观察者分别对所评价的同一图像进行打分,然后按照一定的规则得出一个总的评价结果。一般来说,主观质量评价方法有两种评价尺度:绝对尺度和相对尺度。主观质量评价方法虽然很好地考虑到了观察者对图像的理解效果,但由于图像的最终接受者是人,由人通过视觉对图像进行分析、识别、理解和评定,因此,这种评价方法的自由度大,它受观察者的知识背景、观测目的、观测环境和条件及人的视觉心理因素等影响。加上评价过程繁琐,人的视觉心理因素很难用准确的数学模型来表达,从而导致评价结果不够精确,且不便于图像系统的设计,在工程应用中也不便使用。

2 客观评价方法

所谓客观图像质量评价方法就是通过定义的一些数学公式,建立起与图像质量含义相关的数学模型,然后对评价图像进行有关运算,得到一个惟一的数字量作为评测结果,这种方法常用于图像的相似性评价。客观质量评价具有操作简单、成本低、易于解析和嵌入实现等优点,已经成为图像质量评价的研究重点;实际图像应用中也注重主观评价方法与客观评价方法的结合,即利用主观评价结果对客观质量评价模型中的参数进行校正。通常提到的图像质量评价算法是指客观评价算法,其目标是获得与主观评价结果相一致的客观评价值。

客观图像质量评价方法主要有:基于像素误差的评价方法;基于误差敏感性的评价方法;基于结构相似度的评价方法。

2.1 基于像素误差的评价方法

通过量化无失真的原始图像与有失真的待评价图像之间每个像素点的差异,并将差异联合,获得待评价图像客观质量的评价方法。均方差(MSE)和峰值信噪比(PSNR)是应用最为普遍的基于像素误差的图像质量评价方法。MSE反映了待评价图像与原始图像的差异性,而PSNR反映了待评价图像的逼真度。

MSE和PSNR被广泛采用的原因是因为它们计算简单,物理意义清晰并且算术上优化方便。可以直接面向依据“MSE最小”原则设计编解码系统,这些优点使得它们一直得到广泛的使用。但是由于这两种方法都是基于逐像素点比较图像差别,把图像中所有像素点同样对待,只能是对人眼主观视觉感觉的有限度的近似。峰值信噪比(PSNR)是常用的衡量信号失真的指标,但是PSNR不涉及信号自身内容的特征,对某些图像或视频序列进行质量评价时会与主观感知的质量产生较大的偏差。一般地说,MSE是图像差别的量度,而PSNR是图像忠实重建的量度或者说是重建图像在多大程度上与原图像相似。图像不同类型的失真所引起的视觉妨碍程度是不同的。例如在相同的MSE下,正交变换中的方块效应比子带编码中的振铃效应更加妨碍,而模糊效果比颗粒噪声更妨碍。图1给出了不同失真的原始图像的例子[2],虽然MSE相等,但视觉有明显差异。图2揭示了MSE、PSNR存在缺陷的原理。显然,MSE、PSNR方法只对重建图像和原始图像的纯误差作数学统计,不能很好地反映视觉上的差别。因此,学者们一直在努力寻找更接近主观视觉的图像质量评价方法,并把它标准化。

2.2 基于误差敏感性的评价方法

基于误差敏感性的图像质量评价方法是指模拟HVS对误差的视觉敏感性,分析原始图像与待评价图像的差异,并且仅对被人类视觉感知的那部分差异进行联合评价,获得待评价图像客观质量的评价方法。基本框架如图3所示,这种评价方法分为:预处理、对比度敏感函数(Contrast Sensitivity Function,CSF)滤波、通道分解、误差归一化与掩模以及误差综合五个主要模块。

预处理模块包括空间校准、色彩空间转换、逐点非线性处理、PSF(Point Spread Function)滤波和CSF滤波。空间校准的目的是建立参考图像与失真图像之间的点对点对应。不幸的是,图像像素即使一个很小的移动也可以引起图像间巨大的变化。全局或局部的错误校准可能包含空间平移、旋转尺度或缩减等等,这些通常可以用全局或局部的仿射变换建模再以变换的反变换指导校准过程。色彩空间与HVS的色彩视觉密切相关,而且容易将亮度和染色分离,有时可以先将彩色图像变换到色彩空间。在实际图像压缩和传输系统中通常染色数据与亮度数据相比可以在较低的分辨率处理,因此希望将两部分分离。逐点非线性可以将存储在计算机内存的数值像素转换成展示设备中像素的亮度值,可以将亮度值转换成对比度表示。

CSF滤波模块模拟人眼对不同空间频率信号的相对敏感程度,对空间频率低通滤波。该模块可存在于信道分解之前,也可被作为加权因子而置于误差归一化模块之后。在仿真人眼的点扩散函数做低通滤波之后,使用带通线性滤波低通实现CSF效应,对观察距离的变化更鲁棒。在某些实现中,亮度调整的逐点非线性是在PSF和CSF滤波之间进行。因为PSF和CSF滤波都是线性建模,可以合并成一个滤波实现。需要注意的是,许多自底向上的算法中CSF滤波并没有在预处理阶段实现,相反因为通道分解阶段本质上将输入图像分解成不同频率的通道,通常在通道分解后的误差标准化阶段作为通道中的不同权因子实现CSF滤波。

通道分解模块反映了人眼的多通道以及频率与方向的选择特性,通过对输入信号进行某种变换,将其分解为多个空间频率和方向的子带来实现这个过程。二维Gabor变换能较好地模拟人眼在该模块的功能,但是由于Gabor变换的不可逆性及计算复杂度较高等缺点,使其应用范围受到了限制。实际较常采用的变换[3,4,5,6]有:Wavelet变换、DCT变换、Contex变换以及Steerable塔型分解等。

误差归一与掩模模块的主要功能是根据视觉门限对各通道的误差信号进行归一化。视觉门限不仅与信号在同一通道内的误差值有关,而且会受到不同通道内的误差信号的影响。该模块的输出是以临界可见度 (Just Noticeable Difference)为单位的误差信号,当且仅当输出信号的值大于等于1时,该点的误差值才能被人眼感知。误差综合模块的主要功能就是通过某个准则,将多个通道的误差综合成单一值。通常采用的方法为Minkowski求和式:

$E=\left({\displaystyle \sum _l{\displaystyle \sum _k\left|e{}_{l,k}\right|}}{}^{\beta }\right){}^{1/\beta }$

式中:el,k是第k个子带内第l个系数的误差;β是常数,取值区间为[1,4]。

2.3 基于结构相似度的评价方法

2002年,Wang Zhou和Bovik等人在分析了基于误差敏感性的图像质量评价方法的局限性之后,首次提出了结构信息的概念[7],认为人眼视觉的主要功能是提取背景中的结构信息,而且人眼视觉系统能够高度自适应地实现这一目标。因此,对图像的结构失真的度量应是图像感知质量的最好近似,并在此基础上提出了一种符合HVS特性的图像质量客观评价方法——结构相似度[8],是图像质量评价方向里程碑式的工作。该方法通过比较原始图像与待评价图像之间的亮度、对比度和结构相似度,量化图像的失真程度。

基于结构相似度的图像质量评价方法是一种基于结构信息衡量原始信号与处理后信号之间相似程度的方法,计算简单、与主观质量评价关联性较强。杨春玲在小波域研究结构相似度(DWTMSSIM)[9],将SSIM直接用于各小波分解频带,得到小波域各频带的结构相似度( DWTSSIM ) ,然后对各频带的结构相似度求加权和得到整幅图像的结构相似度。Wang提出了小波域的结构相似度方法(CWDSSIM)[10],利用小波的多尺度特性分解图像后计算各子带图像的SSIM(MSSIM),最后联合作为最终图像质量。结合视觉感知特性,Wang等人直接将纹理和空间位置特征引入SSIM[11],提出了HSSIM方法。杨威等人根据亮度、纹理和空间位置特征获得视觉感知图[12],对SSIM的计算值进行加权提出了WMSSIM方法。Moothy等人的FSSIM和PSSIM分别利用视觉注意力转移机制和严重失真对整体质量的影响计算图像质量[13]。Brooks等人取临界可见度作为权[14],改进了多尺度SSIM方法。张桦针对已有方法对包含严重失真的图像评价准确性较低的问题,提出了一种基于视觉感知的结构相似度图像质量评价方法[15]。该方法利用视觉感知图以及视觉注意焦点转移后的视觉感知图对块结构相似度进行加权,有效模拟了由视觉特征显著或失真严重引起视觉注意焦点转移对图像质量评价的影响,提高了评价准确性。

3 结 语

图像质量评价在图像处理的各个领域都有着非常广泛的应用,主要应用有:

(1) 监控图像或视频获取系统,并自动调节,使其可以获取到最佳图片;

(2) 作为图像系统的一种基准指标;

(3) 作为一个反馈量来调节算法中的参数,使算法得以优化,从而获得最优性能。

目前国内外的一些高校和科研机构,对图像质量评价都有深入广泛的研究。

一种真彩色图像客观质量评价方法 篇8

上述的所有方法，评价过程中都将图像转化为灰度图像进行处理，这本身就存在一定的图像降质，并且人眼对于颜色失真相对敏感。本文提出了一种针对真彩色的颜色相似度度量方法。将颜色相似度度量与SSIM相结合，应用到图像质量评价中，提出了一种真彩色图像质量度量的新方法CS＿SSIM(color similarity&structure similarity image index)，该方法从对比两幅图像的结构相似度和颜色相似度出发，综合两种相似度因子得到失真图像与参考图像的相似程度。

1 理论基础

1.1 结构相似性

结构相似性理论[3]认为人眼从图像中主要提取的是结构信息。SSIM算法将图像失真建模为亮度(l)，对比度(c)，结构(s)的组合。其计算公式为:

SSIM算法可以较好地度量图像失真，且与人眼的主观视觉感知较为一致。

1.2 颜色相似性度量方法

颜色相似度衡量两种颜色的色差。在文献[5]中，在RGB空间中度量颜色相似度。由于RGB空间的不均匀特性，导致其不符合人眼主观视觉，因此，文中采用均匀的HSI颜色空间[6]。在HSI空间，色度和亮度相互独立，因此我们从这两个方面度量颜色相似度。设在HSI颜色空间有两个向量f1=(H1,S1,I1),f2=(H2,S2,I2)，则有λs～f(f1,f2)。由于独立性，可以认为是线性关系，其相似度度量按如下定义:

式(2)中，λcs表示颜色相似度，α1+α2=1。

1.2.1 色度相似度λs

使用指数函数[如公式(3)所示]来模拟人眼对于色度的非线性特性。在HSI空间中，两种颜色的色度距离(即公式(3)中的参数d)使用公式(4)计算，色调和饱和度差值计算见公式(5)。由于HSI空间的特性，色调差值的计算采用公式(6)修正。

1.2.2 亮度相似度λk

亮度相似度是一个标量，其计算按照公式(7)。随着亮度差值增大，λk减小。

1.2.3 度量实验

选取10种颜色作为颜色样本，在表1中是各种颜色的RGB值和感知颜色，将其映射到HSI空间进行相似度计算。参数取值为τ=1，α1=0.8，α2=0.2,e表示自然常数。

通过度量实验(选取1作为参照颜色)，从表1和表2中可以看出，深红色与红色最相似，其相似系数为0.93;随着颜色的视觉相差越大，颜色相似度系数变小。实验证明，该颜色相似性度量算法可以有效地度量颜色差异。

2 CS＿SSIM算法描述

对于真彩色图像来说，颜色信息至关重要。因此，文中考虑了颜色和结构的特性，提出了一种颜色结构的相似度度量公式:

其计算步骤如下:

第一步，使用SSIM方法计算待测图像的SSIM映射图SSIM＿Map;

第二步，将图像转换到HSI颜色空间，运用1.2节中的颜色相似性算法计算待测图像的颜色相似性映射图CS＿Map;

第三步，利用一、二步的计算结果，使用公式(8)进行信息融合，计算得到颜色结构相似性映射图CS＿SSIM＿Map;

第四步，按照文献[7]的图像划分算法，计算待测图像的区域划分映射图;

第五步，结合CS＿SSIM＿Map和图像区域划分映射图，进行空间信息融合，得到单一的图像质量描述符。

3 实验及分析

实验中，使用768×512的真彩色图像Bikes作为实验图像，如图1(a)所示。实验从三个方面验证算法是有效的:可行性，CS＿SSIM算法可以有效度量颜色失真;等同性，图像的颜色失真同结构失真一样，可以严重影响图像质量;单调性，CS＿SSIM算法可以准确地度量同种不同程度的失真情况。该算法与3-SSIM[8]做比较，实验结果数据见表3。

通过上述的实验及得到的数据结果(表3)，可以得到如下结论:

(1)通过对比第1、第2行数据，可得3-SSIM算法在计算中忽略了颜色信息，因此其评价值为1，而CS＿SSIM算法考虑了颜色失真的情况。因此可得3-SSIM算法未能度量颜色信息的损失，而CS＿SSIM算法可以度量图像颜色失真带来的视觉质量损失。

(2)对比第3、第8行数据，其3-SSIM计算值相差很小说明两种失真导致的图像结构变化差异不大。通过观察图像，图1(c)中的质量明显高于图1(d)。在CS＿SSIM度量值中，可以表现这种视觉差异。因此，颜色是彩色图像中与人眼视觉感知质量相关的重要因素。

(3)对比第4、第5、第6行数据，对于颜色差异的增大，CS＿SSIM算法可以很好地感知这一变化，随着颜色差异ΔR的增大，其算法质量度量值逐渐减小。这说明CS＿SSIM算法在度量图像质量时具有单调性。

(4)从人眼视觉感知出发，上述的所有测试图像的质量差异相对较大，基本覆盖了质量感知范围，CS＿SSIM算法的质量评价值，较3-SSIM算法的评价值更好地反映了这一事实。因此，在真彩色图像上，CS＿SSIM比3-SSIM取得了更好的效果，与人眼的主观感知更加一致。

4 结束语

真彩色图像质量评价与图像的结构和颜色都有关系，本文从颜色和结构两方面度量图像质量，避免了单一度量的固有缺陷。实验表明，该算法可以有效度量真彩色图像质量。可以发现，该方法简单地融合了结构相似度和颜色相似度，可能实际的人眼结构较为复杂，可以从这个方面继续研究。另外，基于该方法的彩色图像质量评价的空间融合也值得进一步研究。

参考文献

[1] ITU-R Rec.BT.500-11.Methodology for the Subjective Assessment of the Quality of Television Pictures.The International Telecommunication Union,Geneva,Switzerland,2002

[2] Daly S.The visible difference predictor:an algorithm for the assessment of image fidelity.In Digital Images and Human Vision,Watson A B,ed.Cambridge:The MIT Press,1993;179—206

[3] Wang Z,Bovik A C,Sheikh H R,et al.Image quality assessment:from error visibility to structural similarity.IEEE Trans Image Processing,2004;13(4):600—612

[4] 郑德品.基于结构相似度的图像质量评价方法研究.杭州:浙江大学,2007

[5] 范立南,张广渊,韩晓微.图像处理与模式识别.北京:科学出版社,2007

[6] 章毓晋.图像处理和分析.北京:清华大学出版社,2003

[7] Ran X,Farvardin N.A perceptually-motivated three-component image model-Part I-description of the model.IEEE Transactions on Image Processing 1995;4(4):401—415

一种改进的图像盲复原算法 篇9

本文联合使用LR算法、全变差正则化和奇异值分解[6], 提出了一种盲图像恢复的迭代算法。算法交替求解两个问题:模型辨识阶段使用全变差正则化;图像恢复阶段使用LR算法和基于SVD的图像去噪算法。仿真结果表明, 本文提出的算法具有较强的去噪复原能力。

1 本文算法

1.1 图像降质模型

设成像系统具有线性和空移不变性, 且噪声为加性噪声, 则成像系统降晰的数学模型可简单表示为:

其中u (x, y) 为原始图像, f (x, y) 降晰后的图像, h (x, y) 为系统的PSF, 反映了系统对图像的影响, 一般不能精确已知, n (x, y) 为噪声。式 (1) 也可写成矩阵形式即:

其中, f, u, n分别代表退化图像、原图像和观测噪声, 且均为一个行堆叠形成的MN×1列向量, H为PSF形成的MN×MN阶的块循环矩阵即模糊卷积矩阵。

1.2 图像恢复

LR算法是一种典型的迭代复原算法, 最终收敛于泊松统计模型的最大似然解[7]。根据贝叶斯理论, 它假定观测图像、PSF、和原始图像服从某个概率统计模型, 通过迭代获得u (x, y) 的最大似然估计, 即

因此根据不同的统计模型, 会产生不同的估计方法。假定和un (x, y) 分别代表第hn (x, y) 次迭代的图像估计和点扩散函数估计, 则第n次图像估计为

其中∑h (x, y) =1, h (-x, -y) =h (x, y) , 初始条件为u0 (x, y) =f (x, y) , 其中f (x, y) 为系统获取的降晰图像。

虽然, 通过多次迭代可获得复原图像和PSF的估计, 但LR算法的计算量大大增加, 同时它对噪声还相当敏感。当迭代次数变大时, 复原图像会变得比退化图像更加模糊, 且由于点扩散函数的不准确性, 整个图像会产生“振荡”波纹。因此, 要获得良好的恢复效果就必须进行模型辨识和抑制噪声。故在每次复原后, 本文算法对恢复结果进行SVD滤波, 并采用其他方法来对成像系统的PSF (或模糊卷积矩阵H) 进行辨识, 提高LR算法的复原质量。

对于图像矩阵而言, 较大的奇异值及其特征向量对应的是图像信号, 而较小的奇异值及其特征向量表征的是图像中的噪声。合理的选取截取准则, 将某些较小的奇异值置零, 可有效去除噪声的影响。本文采用文献[6]中的方法进行SVD去噪。

1.3 模型辨识

文献[3]在没有点扩散函数和图像先验知识的前提下, 利用全变差正则化方法对图像进行恢复, 其代价函数为

其中α1, α2为正则化参数。它们控制着图像迭代恢复过程中点扩散函数 (或模糊卷积矩阵H) 和过渡图像的置信度。▽u和▽H分别表示u和H的梯度。

综上所述, 本文算法的模型框图如图1所示:

2 实验结果及分析

仿真试验中, 全变差正则化的参数参照文献[3]中的方法来选择。实验中选用半径为9的圆盘状点扩散函数对标准图像进行模糊, 并添加均值为0, 方差为30的高斯白噪声。最后, 分别用本文算法与LR算法、交替去噪正则化盲复原算法对降质图像进行复原, 其结果如图2所示:

由图2 (c) 可知, 受噪声和PSF估计不准确的影响, LR算法对卫星轮廓恢复的能力有限, 同时将噪声的放大使得图像的分辨率进一步降低, 这与前面的论述相印证。由图2 (d) 可知, 交替去噪正则化盲复原算法的恢复效果明显优于LR算法。图像中仅存在少量的噪声且卫星的轮廓变的更加清晰, 但与图2 (e) 相比, 整个图像对比度较低。通过分析图2 (e) 可知, 本文给出的算法能有效抑制噪声、恢复图像中丢失的高频细节、增强图像的对比度, 并最终提升了图像的分辨率。以上结论亦可从PSNR看出。本文算法的PSNR比交替去噪正则化盲复原算法高出了0.34d B, 有了较大提高。

3 结语

图像盲复原问题一直是一个颇具挑战性的问题, 其目的是在恢复图像高频细节的同时平滑噪声。本文在LR算法的基础上进行改进, 给出了一种融合SVD和全变差正则化的盲图像恢复算法。在噪声及系统的PSF未知的情况下, 将图像盲复原问题分为两个相关子问题即图像恢复和模型辨识。在模型辨识阶段, 采用全变差正则化估计系统的PSF;在图像恢复阶段, 使用SVD滤波和LR算法相结合的恢复算法。实验结果表明, 本文算法能获得更好的恢复效果。

参考文献

[1]闰河, 闰卫军, 李唯唯.基于Lucy-Richardson算法的图像复原[J].计算机工程, 2010, 36 (15) :204-210.

[2]孔祥龙, 李玉同, 远晓辉, 等.Lucy-Richardson算法用于针孔图像的恢复[J].物理学报, 2006, (5) :2364-2370.

[3]Chan T F and Wong C K.Total variation blind deconvolution[J].IEEE Trans.on Image Processing, 1998, 7 (3) :370-375.

[4]厉丹, 钱建生, 芦楠楠, 田隽.高斯模糊噪声图像的图像复原算法的改进[J].计算机应用与软件, 2010, 27 (10) :14-16.

[5]周祚峰, 水鹏朗.交替使用小波去噪和全变差正则化的盲图像恢复算法[J].电子与信息学报, 2008, 30 (12) :2913-2915.

[6]季维勋, 李燕民, 李维国.一种新的基于SVD图像降噪方法的探究[J].科学技术与工程, 2010, 10 (20) :4950-4953.