超声图像的质量评价论文（精选7篇）
超声图像的质量评价论文 篇1
1 引言
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.
[6]Z.Wang and A.C.Bovik,"A universal image quality index,"Signal Processing Letters,IEEE,vol.9,no.3,pp.81-84,2002.
图像处理中的质量评价简析 篇2
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:
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。
超声图像的质量评价论文 篇3
关键词：图像质量评价,SSIM,颜色特征
1 图像质量评价方法简介
随着数字视频技术的不断发展,多媒体通信应用日益广泛,如移动电视、视频监控、视频会议等。在实际应用系统中,图像质量的好坏直接决定了用户的主观感受,从而也决定了用户对于此业务/系统的接纳程度。因此,图像质量是评价多媒体通信系统必不可少的指标之一。
图像质量评价方法包括主观评价和客观评价两大类。由于主观评价流程复杂、难以实时操作,故人们研究开发了各种图像质量客观测试算法,并且用客观评价结果与主观评价结果的拟合程度来判定该算法的准确度。在客观评价算法的研究中,由于亮度信息在图像中所占比重较大,且人眼对亮度细节的失真最为敏感,因此,目前很多客观评价算法,诸如PSNR、基于人眼视觉系统HVS(Human Visual System)的结构相似性SSIM模型等,都是基于图像亮度信息的算法,并且也得到了较好的评判结果。但随着研究的深入,研究人员注意到对于一些色彩较丰富的图像,若在图像质量评价中考虑颜色特征,往往可以得到更加准确的结果。这是由于颜色特征具有视觉上的直观性和位移、尺寸、旋转不变性,且颜色特征受图像分辨力和物体完整性的影响较小[1,2]。基于上述优点,本文提出了一种基于颜色特征的全参考图像质量评价算法,即将SSIM与颜色特征联合起来建立图像质量评价模型,并对测试序列进行实验分析。实验结果证明,考虑了图像颜色特征的客观评价结果能更好地反映人在观看图像时的主观感受。
2 SSIM模型与颜色特征提取
2.1 SSIM对亮度信息的处理
文献[3]提出的结构相似性理论认为,可以用对结构信息的度量作为图像感知质量的近似,即结构相似性模型SSIM。该模型在计算像素点质量损失时考虑了该像素点所处的整个局部区域,可以获得与主观感受较为一致的评价结果。
SSIM模型具体对亮度信息的处理是通过提取亮度、对比度、结构信息等进行相似性的比较[4],如图1所示。
信号X和Y的总体空间结构相似性度量指标定义为
式中:参数α>0,β>0,γ>0,用来调整3部分的相关性权重;l(x,y)表示亮度比较函数;c(x,y)表示对比度比较函数;s(x,y)表示结构比较函数。
2.2 基于颜色矩的特征提取方法
作为描述图像最简便有效的特征,常见的颜色特征有颜色直方图、颜色矩、颜色聚合向量、颜色集等。在本文的算法模型中,选择了基于颜色矩的特征提取方法。
由Stricker和Orengo提出的简单而有效的基于颜色矩的特征提取法[5],克服了局部直方图特征矢量维数较高,计算复杂不利于存储和匹配的缺点,且不需要对特征进行量化。颜色矩是一种描述图像颜色分布的矢量,由于颜色分布信息主要集中在低阶矩中,因此,一般采用颜色的一阶矩、二阶矩和三阶矩来表达图像的颜色分布。首先,将一幅图像分成M×M的小块,计算出每个分块子图像的3个低阶矩作为特征值,设Pij表示图像中第j个像素的第i个颜色分量,N为每个分块的像素个数,则颜色矩定义为
为了有效地突出颜色特征,本文在分析问题时,选择采用HSI色彩空间[6]。因为HSI空间不仅符合人眼视觉特性,且3个分量相互独立,非常适合基于人眼的颜色感知特性来处理和分析图像。
在对原始图像X和受损图像Y的色度信息进行分块处理后,求出每个分块的颜色矩,将其定义为1个6维的特征向量,公式为
由于γ中各分量的取值范围各不相同,因此还要对它们进行归一化处理[7]。
3 基于颜色特征的全参考视频质量评价模型分析
3.1 前期处理
根据上节提到的SSIM模型和颜色矩算法,在进入相似性度量算法之前,要先进行两步前期处理:首先,将输入图像转换到HSI颜色空间;然后,对图像作分块处理,将图像分成M×M的小块,对于原始序列X和受损序列Y的相似性度量均以M×M的块为单位进行,在本次实验中,令M=8。
3.2 基于颜色特征的图像质量评价算法
考虑到色度信息对人眼视觉特性的影响,本文将SSIM与颜色特征联合起来建立全参考视频质量评价模型,算法流程如图2所示。
整个算法流程可以分成亮度信息和色度信息两大模块:对于亮度通道I,采用上节提到的SSIM模型算法,见式(1),得到亮度通道的相似性度量值SSIM I;对于色调通道H,先分别提取原始序列X和受损序列Y的3阶颜色矩作为特征值,求出相似度度量结果,再按照一定的比例对它们进行加权,如式(6)所示。
式中:sim＿μh,sim＿σh,sim＿sh分别表示每个分块的3阶颜色矩相似度度量值;ω1,ω2,ω3是它们的权值,且满足ω1>ω2>ω3,ω1+ω2+ω3=1。
最后,将所有分块的相似值求平均,即得到该帧图像的相似值SSIM_H,定义为
式中:m表示分块总个数。同样地,可得到S通道的相似性度量值SSIM_S。用ωh,ωs,ωi分别表示H,S,I这3个颜色通道的权重,定义基于颜色特征的相似性度量结果CSSIM如式(8)所示
因为人眼对于亮度细节的分辨能力高于彩色细节的分辨能力,所以ωi值取最大。另外,虽然人眼对色调失真十分敏感,但是在做图像质量评价时,压缩对色调并没有太大的影响,反而是在一定程度上,会影响色饱和度,故ωh值取最小,且ωh+ωs+ωi=1。通过调整权重值,使得客观算法的结果更好地向主观评价结果拟合。
4 实验及数据分析
为了验证本算法模型,本节将结合测试结果,针对各个模块及最终与主观评价的拟合结果进行详细分析。
本次实验共对6个标清测试序列分别进行了3 Mbit/s,4 Mbit/s,5 Mbit/s,6 Mbit/s,8 Mbit/s,10 Mbit/s等6种码率的MPEG-2视频编码,图像大小为720×576,色度格式为4∶2∶0,GOP长度为12。鉴于本文是基于颜色特征提取的图像质量评价模型,故采用的测试序列有一个共同点,画面颜色非常丰富,具体序列情况如表1所示。
本次实验先分别利用PSNR和SSIM模型对上述序列进行测试,并将测得的客观评价值与对应的主观评价结果进行拟合,再将拟合结果与本文所提出的算法模型进行比较,如表2所示。
本文重点研究的是视频图像颜色特征对于其客观评价的影响,因此,对色调(H通道)、饱和度(S通道)的颜色矩相似性进行测量,并将测量结果与主观评价结果进行拟合,得到H通道的拟合结果为70.019 7%,S通道的拟合结果为73.538%,说明S通道(即饱和度信息)的测试结果更趋近于主观评价结果。
经过多次的实验分析,本文对于式(8)中的3个权重的取值分别为ωh=0.08,ωs=0.12,ωi=0.8,在此条件下,测试结果与主观评价结果的拟合值达到83.240 5%。从表2的结果分析可以看到,考虑了图像的颜色信息,其结果高于只有亮度通道参与计算的模型,说明本算法能够较有效地评价图像质量。
5 总结
本文提出了一种基于颜色特征的图像质量评价模型。与SSIM模型相比,该模型充分考虑了色度信息对人眼视觉感受的影响,将SSIM与颜色特征提取相结合来评价图像质量。实验及结果分析证明,该模型可以获得与视觉主观感受较为一致地客观评价结果。
目前,该模型在颜色特征提取方面采用颜色矩的方法,从算法分析和色度模块所获得的实验结果可以看出,如果结合颜色特征的其他表示方法,如颜色直方图、颜色集等,有可能进一步改善颜色特征提取算法,从而获得更为满意的客观评价结果,这也是下一步的主要工作。
参考文献
[1]黄文辉,陈仁雷,张家谋.数字视频图像质量客观测量方法的改进与实现[J].北京邮电大学学报,2005,28(4):87-90.
[2]程珺.基于相关颜色的图像检索[D].武汉:华中科技大学,2010.
[3]WANG Z,BOVIK A C,SHEIKH H R.Image quality assessment:from error visibility to structural similarity[J].IEEE Trans.Image Pro cessing,2004,13(4):600-612.
[4]佟雨兵,张其善,祈云平.基于PSNR与SSIM联合的图像质量评价模型[J].中国图象图形学报,2006,11(12):1758-1763.
[5]STRICKER M,ORENGO M.Similarity of color images[C]//Proc.SPIE 1995.[S.l.]:SPIE Press,1995,2420:381-392.
[6]刘俊霞.基于结构相似性的全参考高清视频图像质量评价模型[D].北京:中国传媒大学,2010.
超声图像的质量评价论文 篇4
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
超声图像的质量评价论文 篇5
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.
超声图像的质量评价论文 篇6
3D立体图像质量评价(Stereo Image Quality Assessment, SIQA)是立体视频技术的一个重要组成部分。立体图像/视频在采集、存储、处理以及传输中会不可避免地引入噪声或失真,造成立体图像/视频质量的下降。因此,对其质量的评价是一个需要研究和解决的重要问题[1,2]。立体图像质量评价方法一般分为主观和客观两类评价方法。主观方法因其费时、费力、成本高的缺点,不易实现和应用;而客观方法是集成化的算法、模型,能够快速方便的得到立体图像的质量,无需人工干预,但其评价方法尚未成熟,有待于深入研究,因此客观评价方法成为研究的重点。
近些年,立体图像客观质量评价的研究取得了一系列成果[3,4,5,6,7,8],总体上可以划分为两类: 1) 将平面图像的评价方法直接应用于立体图像的质量评价。You等人[3]将经典的平面图像质量评价方法,如PSNR、 MS-SSIM[9]、VIF[10]等直接用于左、右视点,取平均值作为立体图像的质量。然而,立体图像与平面图像的质量评价有很大的区别,深度感失真程度是影响立体图像感知质量的重要因素。2) 在平面评价方法的基础上加入视差信息改善立体图像的评价模型。Yang等人[4]通过左右视点加绝对差值图进行立体图像质量评价。文献[5]将深度信息与平面评价方法结合评价立体图像质量;Hachicha等人[6]提出了基于双目恰可察觉失真的立体图像质量评价方法,并用双目融合竞争衡量立体感的变化。
本文以视觉感知特征图的失真程度衡量立体图像的失真程度。首先,提取立体图像的视觉感知特征图, 包括显著图(Saliency Map, SM)、恰可感知失真图(Just-Noticeable-Distortion Map, JM)、梯度图(Gradient Map,GM)和视差图(Disparity Map, DM),以感知特征图失真程度构成感知特征集作为立体图像的特征参数;然后,通过随机森林分类算法表述HVS进行特征融合,建立特征参数与主观评价值的关系,预测得到立体图像质量的客观评价值。
1结合视觉感知特征集和随机森林的评价模型
人眼对立体图像的特征信息比较敏感,超过察觉阈值的失真会导致特征信息的改变,引起感知特征图的失真,因此本文通过融合4种感知特征图的失真程度来预测立体图像的客观质量。首先,提取参考和失真立体图像对的4种感知特征图;然后,分别计算参考和失真特征图的均方差(Mean Squared Error, MSE), 由左、右视点的参考和失真显著图、JND图、梯度图分别可以得到2个特征值,再由参考和失真视差图得到1个特征值,四种感知特征图总共得到7个特征参数,构成感知特征集;最后,用随机森林分类算法融合感知特征集预测立体图像质量。图1是本文提出的立体图像客观质量评价模型的系统框架。训练过程用已知主观评价值的立体图像对提取特征参数训练随机森林,建立输入与输出之间的映射关系,完成模型的建立,随后就可以用本文模型预测立体图像的质量。
1.1感知特征图和感知特征集
由于超过感知阈值的失真会引起立体图像的感知特征图的改变,因此本文提取立体图像对的感知特性图,包括显著图、JND图、梯度图和视差图,以感知特征图的失真情况构建感知特征集衡量立体图像的失真情况。感知特征集是原始特征图和失真特征图的均方差(MSE)的集合,其中每个元素表示一种感知特征图的失真程度,整个集合表示立体图像的失真程度。
1.1.1显著图
人眼对显著区域更感兴趣,同时,超过察觉阈值的失真会引起显著图的改变。对于人眼关注度较高的区域,如果有超过察觉阈值的失真,那么这个失真属于敏感失真,在计算显著图时会产生较大影响;而在关注度较低的区域,失真属于不易察觉失真,在计算显著图时变化较小。这个过程非常接近HVS特性, 可以模拟人眼在观看有失真的图像时的机制,因此本文用显著图作为一种感知特征图。考虑到计算效率和提取特征的精准,单视点图像的显著性主要采用了频率调谐方法[12]。首先,将RGB图像转换到Lab色彩空间;然后,利用高斯滤波器对图像进行模糊,并计算模糊图像的颜色均值;最后,计算原图像中每个像素和颜色均值之间的距离得到平面显著图S,计算公式如下:
其中:Iμ是Lab颜色空间所有通道像素矢量的平均值,Iω(x, y)是经高斯过滤后的原始图像对应的Lab颜色空间的像素值。
1.1.2 JND 图
恰可感知失真模型表示在人眼无法察觉的情况下,图像中每个像素点所能容忍的最大失真。JND图也是感知特征图中的一种,与显著图相似,超过察觉阈值的失真同样会引起JND阈值的改变。每个像素点的JND值是由当前像素点和附近像素点共同决定的,不易察觉的细微失真不会引起JND阈值的改变,而当该像素点和附近像素点同时失真时,这种失真属于敏感失真,此时JND值也会产生较大的改变,因此JND图的失真都是由敏感失真引起的,可以用JND图的失真情况作为特征来衡量图像的失真情况。本文采用空域JND模型[13],主要包括亮度掩蔽效应和纹理掩蔽效应两部分。
亮度掩蔽效应是指人类视觉特性对图像的感知不仅仅依赖图像本身的亮度变化,更重要的是背景对象的局部变化。亮度掩盖因子为
其中是(x, y)位置点的图像背景亮度值。
纹理掩蔽效应是指纹理区域主要体现图像的纹理和细节,人眼视觉对这部分的可视性较低,因此纹理区域中较光滑或边缘区域可以容忍较多的失真。纹理掩蔽效应可以由空间局部的活动性来确定,如周围像素的梯度等。为了能够更精确的描述纹理阈值,需要对边缘与非边缘的纹理掩蔽效应区分处理,纹理掩盖因子定义为
其中:η 是调节因子,We(x, y)为图像在点(x,y)上的边缘加权因子,G(x, y)为在像素点(x, y)周围不同方向处最大的梯度平均值,其计算公式为
其中:Ak(x ,y)为四个方向的高通滤波算子。图像中像素点(x, y)处的空域 Ω 计算公式为
其中:Tl(x, y)是该点的亮度掩蔽因子,Tt(x, y)是该点的纹理掩蔽因子,c是调节因子。
1.1.3梯度图
梯度反映图像局部亮度变化最显著的部分,梯度算法的实质是利用模板提取出图像中对象与背景之间的显著变化。梯度是图像的边缘信息,人眼对于边缘信息非常敏感,失真图像会产生或者丢失图像的边缘信息,比如JPEG压缩会产生伪边缘,而高斯模糊会丢失图像的细节边缘信息,因此梯度图的改变可以反映图像的失真情况。本文通过Sobel算子卷积掩模计算梯度图。
1.1.4视差图
人类在观看立体图像时会产生立体感,是因为左右视点同时看到的同一物体或场景的相同部分和不同部分,人眼会自动进行融合和抑制,立体感的失真情况也是进行立体图像的质量评价时应该考虑的。本文用视差图的相似程度作为衡量立体感失真程度的特征,而准确、完整的视差信息是衡量立体感失真情况的关键,因此本文采用中值滤波器改进的光流法[14]作为视差匹配方法,选择水平向的匹配矢量作为立体图像的视差图。
以NBU-3D库中的horse图像为例,取其左视点图像和相应的JPEG压缩失真的图像,分别提取以上4种感知特征图,结果如图2所示。
1.2基于随机森林分类算法的特征参数融合
由于目前对人类视觉系统的研究还很不全面,而HVS是提高客观模型预测准确性的关键,因此本文用机器学习方法模拟HVS进行感知特征的融合,进行高维样本的非线性回归,使特征参数以最佳的融合方式预测立体图像的质量。
随机森林(Random Forest, RF)是Breiman[15]在2001年提出的一种统计学习机器学习算法,首先从训练样本中利用bootsrap重抽样方法抽取一系列样本,用每个样本建立一棵决策树,然后所有决策树都对每个输入进行预测,通过投票表决算法得出最终预测结果。很多的理论和研究都证明RF的预测准确率很高, 而且对噪声和异常值的鲁棒性很好,不易出现过拟合。本文利用随机森林分类算法进行感知特征集的融合, 输入的训练集就是感知特征集,通过决策分类,得到最终的分类结果就是立体图像的预测质量。在本文模型中,随机森林由20 000棵决策树构成,训练集的特征数为7,构造决策树的特征数为2。
2实验结果
在宁波大学建立的对称失真立体图像测试库(NBU-3D[16])上进行评价实验,检验本文提出的结合感知特征失真和随机森林的立体图像质量评价模型的准确性和有效性。NBU-3D立体图像库包含12对原始图像和312对失真图像,包括5种失真类型,分别是:JPEG2000压缩失真(60对),JPEG压缩失真(60对),高斯白噪声WN(60对),高斯模糊Gblur(60对),H.264压缩失真(72对),并给出了每对失真立体图像的平均主观分数差值(Difference of Mean Opinion Score, DMOS)。本文使用VQEG对客观质量评价的4个检验标准, 即Pearson线性相关性系数(Pearson Linear Correlation Coefficients, PLCC)、Spearman秩相关系数(Spearman Rank Order Correlation Coefficients, SROCC)、Kendall秩相关系数(Kendall Rank Order Correlation Coefficients,KROCC)以及均方根误差(Root Mean Square Error, RMSE)。PLCC越大,RMSE越小,说明模型的准确性越好;SROCC和KROCC越大,说明模型的单调性越好。
首先将本文模型与其他评价方法的各项性能指标进行比较,包括4种平面评价方法(PSNR、MSVD[11]、 MS-SSIM[9]、VIF[10])的加权平均方法和2种立体评价方法(Benoit[5]、You[3]),结果如表1所示。可以看出, 本文方法在单一失真类型情况下的PLCC和SROCC都在0.90以上,尤其是在JPEG失真、JP2000失真和H.264压缩失真时评价效果很好,就总体性能,本文方法的PLCC值和SROCC都在0.94以上,KROCC在0.79以上,RMSE接近5.7,均优于其他评价方法的各项评价指标,说明本文提出的客观评价模型性能优良。
然后将本文基于随机森林的特征融合模型与另外两种机器学习算法进行对比,即支持向量基(Support Vector Machine, SVM)和自反馈神经网络(Back Propagation Neural Network, BPNN),结果如表2所示。从各项指标可以看出,基于RF和SVM的模型预测结果要比BPNN好很多,同时根据本文提取的特征,基于RF的融合模型的预测准确性和泛化能力都比SVM好。
3结论
本文从人类视觉系统观看图像时对图像的理解方式出发,分析了视觉感知特征图的失真程度和立体图像质量直接的联系,提取立体图像的四种感知特征图(显著图、JND图、梯度图和视差图)构成感知特征集衡量立体图像的失真程度,通过训练随机森林分类算法建立特征融合模型模拟人类视觉系统对感知特征集进行融合,预测得到立体图像的客观评价值。实验结果表明,本文模型与主观评价结果有较高的一致性, 能够较好地预测人眼对立体图像的主观感知。在本文的基础上,接下来将进一步改进感知特征图的提取方法,提高感知特性图和人眼感知的一致性,进一步完善本文的模型。
摘要：本文从感知特征图与立体图像质量的关系出发,提出了一种立体图像感知特征图失真程度预测立体图像质量的评价模型。首先,从人类视觉系统对图像的理解方式出发,提取立体图像的视觉感知特性相关的特征图像;然后,计算感知特征图的失真程度,构成感知特征集并作为立体图像的特征参数;最后,用随机森林分类算法进行特征融合,建立立体图像质量评价模型。实验结果表明,本文模型符合人眼视觉特性,能够较好地预测立体图像质量。
超声图像的质量评价论文 篇7
关键词：结构相似性,图像质量评价,均方误差,峰值信噪比
0 引言
图像质量评价是图像处理系统中算法优劣和参数优化的重要指标, 随着图像视频软硬件的广泛应用, 图像质量评价算法的研究具有广阔的应用前景。已有的算法分为主观评价和客观评价两类[1,2], 前一类方法通过人的主观感受试验进行, 存在费时费力、不便应用的缺点;后一类方法通过设计评价模型并给出的量化指标进行, 具有简单、方便、易于嵌入应用等优点, 是当前学术界的研究主流。客观评价方法又可以分为全参考评价算法、半参考评价算法和无参考评价算法三类[1,2], 其中全参考算法利用经过优化处理的高质量原始图像作为参考图像, 通过量化参考图像和实际失真图像的差异作为质量评定标准;部分参考图像质量评价算法通过一些实验手段获取原始图像的部分信息作为图像质量评价的参考;无参考图像质量评价是在没有任何原始图像参考下通过对实际失真图像的特征统计建模进行, 本文研究的是全参考客观评价算法。目前应用较多的是均方误差 (MSE) 、峰值信噪比 (PSNR) 等基于误差统计量的评价算法, 主要不足是仅注重衡量失真图像和参考图像之间的差异, 并没有考虑这些差异对人的视觉感知特性的影响, 评价值和主观评价值之间有较大的差异。基于以上不足, 本文利用文献[3]提出的融合人的视觉感知特性的结构相似算法 (SSIM) , 对图像滤波实验进行质量评价, 并与传统评价算法进行对比。
1 基于结构相似性的图像评价算法
为了获得实际图像, 选取高质量原始图像进行噪声添加来产生噪声图像, 通过滤波算法进行去噪进而得到实际图像。下面将简要叙述使用的噪声分布与滤波算法。
1.1 噪声分布与滤波算法
图像中包含的噪声主要有高斯白噪声和椒盐噪声两类。高斯噪声主要来自于电子电路噪声和低照明度 (或高温) 带来的传感器噪声, 概率密度函数服从高斯分布, 即
其中z代表灰度值, μ是灰度均值, 是灰度标准差。
椒盐噪声是由图像传感器, 传输信道, 解码处理等产生的黑白相间的亮暗点噪声, 其概率密度函数如下所示:
如果b>a, 灰度值b在图像中显示为一亮点, a值显示为一暗点。如果Pa和Pb均不为零, 在图像上的表现类似于随机分布图像上的胡椒和盐粉微粒。
采用邻域平均法[4]进行图像滤波处理。邻域平均法的思想是通过一点和邻域内的像素点求平均值来去除突变的像素点, 从而滤掉一定的噪声, 其公式如下
其中, f (i, j) 为原始有噪声的图像, g (x, y) 为处理后的图像为, M是邻域内的点数。
1.2 结构相似性评价算法
自然图像是高度结构化的, 图像中相邻的像素点之间表现出很强的结构依赖性, 人类视觉系统对于图像结构的变化具有高度敏感特性, 结构相似性评价算法通过模仿人眼提取视觉场景中结构信息的能力, 得到和人眼主观感知非常接近的图像评价结果。算法通过失真图像信号和原始参考图像信号的亮度项、对比度项、结构相似度项三个方面信息的比较, 全面评价失真图像信号的质量。
定义参考图像和失真图像间的亮度项的比较函数为:
对比度项的比较函数定义为:
结构项的比较函数定义为:
其中, C3=C2/2, xy表示灰度协方差。
将亮度项, 对比度项, 结构相似度项进行综合, 可以得到信号x和y的总体结构相似性度量指标:
其中, 参数用来调整三部分的相关性权重, 令得到
利用公式 (8) , 就可以对实际图像质量进行客观的质量评价。SSIM值越大, 表示图像的质量越好。
2 实验仿真与讨论
为了验证本文算法的性能, 在Matlab环境下进行仿真实验, 选用MSE和PSNR评价指标与本文算法进行对比。
其中, M, N分别是图像x方向和y方向像素个数, fij和fij'分别是原始图像和失真图像在点 (i, j) 上的灰度值, L是图像中灰度取值的范围。MSE值越大图像质量越差, PSNR值越大图像质量越好。
选用peppers图像作为实验参考图像, 分别给图像加入高斯噪声均值为0, 方差为0.02、0.05和0.08的高斯噪声, 得到MSE和PSNR的评价值分别为444.57, 475.27, 503.81。PSNR的评价值分别为21.65, 21.36, 21.10, 实验结果和人眼的主观感觉评价一致.同样给原始图像加入噪声密度为0.02、0.05和0.08的椒盐噪声, 同样可以得到和人眼的主观感觉评价一致的实验结果。
接着对peppers图像分别加入高斯噪声和椒盐噪声, 利用人眼的主观感觉, 可以看出高斯噪声失真peppers图像的质量主观感觉不如椒盐噪声失真peppers图像的质量, 然而MSE却给出了错误的判断, 对于高斯噪声图像的MSE值小于椒盐噪声图像的MSE值, 显然这个结果是不准确的。PSNR与MSE从本质上是一样的, 也会给出同样的错误判断。而使用SSIM评价指标, 图1 (a) 的值小于图 (b) 的值, 得到和人眼的主观感觉评价一致的结果。
最后对peppers图像分别加入高斯噪声和椒盐噪声, 利用邻域平均法进行滤波 (效果图如2) , 分别采用MSE, PSNR和SSIM指标进行评价。SSIM指标采用结构相似性信息可以提供与人眼主观感知图像失真非常接近的一种客观评价, 而MSE, PSNR有时候会出现评价结果的不准确, 因此SSIM指标优于MSE和PSNR。
3 结语
本文提出了基于结构相似性的全参考图像质量评价算法, 并通过大量仿真实验得出各个评价值, 实验结果表明结构相似度评价矩阵比均方差和峰值信噪比指标更有优势, 更适合图像质量评价。论文不足之处在于仅考虑了去噪任务下的图像质量评价, 没有更广泛地研究图像模糊、图像压缩等情况下的质量评价问题, 这将是作者下一步的努力方向。
参考文献
[1]蒋刚毅, 黄大江, 王旭等.图像质量评价方法研究进展[J].电子与信息学报, 2010, 32 (1) :219-226
[2]周景超, 戴汝为, 肖柏华.图像质量评价研究综述[J].计算机科学, 2008, 35 (7) :1-4
[3]Wang, Z., Bovik, A.C., Sheikh, H.R., et al.Image quality as-sessment:from error visibility to structural similarity[J].IEEE Trans.Image Process, 2004, 13 (4) :600–612
【超声图像的质量评价论文】推荐阅读：
超声图像的特性研究07-10
盲图像质量评价09-01
图像质量评价方法综述08-27
超声评价08-02
图像质量09-07
高清图像质量07-10
CTA图像质量10-21
放射科图像评价标准10-26
颅脑超声的显像及应用论文08-03
放射科图像质量控制标准05-19