基于中央凹視梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種基于中央凹視梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價方法及系統(tǒng)，定義梯度結(jié)構(gòu)為梯度幅度和梯度方向，對原圖的梯度圖進行中央凹視處理，最后聯(lián)合梯度結(jié)構(gòu)和中央凹視特性進行評價，得到基于中央凹視覺的梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價結(jié)果。本發(fā)明采用中央凹視的梯度結(jié)構(gòu)相似性對圖像質(zhì)量進行評價，與峰值信噪比和簡單的結(jié)構(gòu)相似性算法相比，評價效果更好，其評價結(jié)果與主觀評價結(jié)果的相關(guān)性更大、誤差更小，尤其在評價嚴重失真圖像時效果更優(yōu)。
【專利說明】
基于中央凹視梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種圖像質(zhì)量評價技術(shù)方案，尤其設(shè)及一種基于中央凹視的梯度結(jié)構(gòu) 相似性的圖像質(zhì)量評價技術(shù)方案，屬于圖像處理領(lǐng)域。
【背景技術(shù)】
[0002] 作為信息表達與交流的工具，數(shù)字圖像獲得了廣泛的運用。然而，數(shù)字圖像在采 集、壓縮、傳輸、處理、重建過程中難免引入噪聲，造成圖像的失真W。因此，如何準確評價圖 像質(zhì)量成為數(shù)字圖像處理領(lǐng)域的一個重要內(nèi)容。
[0003] 圖像質(zhì)量評價一般可分為主觀評價方法和客觀評價方法。主觀評價方法最終觀測 者為人，因而評價最為準確。但是該方法需要多次重復實驗，費事費力，且易受觀測者的個 人因素影響，很難用于實際的工程實踐。根據(jù)所提供原始圖像的有無，客觀評價方法可分 為:全參考方法、部分參考方法、無參考方法。
[0004] 早期的全參考圖像質(zhì)量評價方法有均方誤差(Mean Square化ror，MSE)和峰值信 噪比（Peak Si即al to Noise Ration,PSNR)。運些方法雖然有著計算簡單、易于實現(xiàn)等優(yōu) 點，但只計算了像素點之間的絕對誤差，沒有考慮像素點之間的相關(guān)性和人眼視覺系統(tǒng)的 感知特性，因而容易出現(xiàn)評價結(jié)果嚴重不符合實際的現(xiàn)象。近年來學者們提出了基于人眼 視覺系統(tǒng)化uman Visual System,HVS)感知特性的圖像質(zhì)量評價方法。Zhou Wang等人認為 HVS的主要功能是從視野中提取結(jié)構(gòu)信息，提出了基于結(jié)構(gòu)相似度（Structural Similarity Index Measurement System,SSIM)的圖像質(zhì)量評價方法口]口]。實驗結(jié)果證明 該方法優(yōu)于MSE和PSNR，但是同樣暴露出一個問題:它對嚴重失真的圖像質(zhì)量評價失準。通 過對SSIM算法的分析，作為其核屯、的結(jié)構(gòu)函數(shù)僅僅只是計算原圖和失真圖之間像素值的相 關(guān)系數(shù)，不能準確反應(yīng)圖像的邊緣和結(jié)構(gòu)信息。
[0005] 視覺屯、理學上認為人眼對圖像的邊緣結(jié)構(gòu)信息最為敏感W，運不僅包括圖像邊緣 中的幅度，而且還包括方向信息。在視覺科學的說法中，當一個人凝視環(huán)境中的某一點時， 空間采樣分辨率從凝聚點開始隨距離的增加迅速下降，稱運種現(xiàn)象為"中央凹視覺"。鑒于 人眼對圖像的邊緣結(jié)構(gòu)信息高度敏感，因此將結(jié)構(gòu)比較函數(shù)重定義為梯度幅度和梯度方向 的聯(lián)合，并利用中央凹視覺效應(yīng)提高評價的準確性，顯得十分有意義。
[0006] 相關(guān)參考文獻如下：
[0007] [ 1 ] Z . Wang,A.C. Bo vik,H.R. Sheikh, and E . P . Simoncel I i , ('Image quality 曰ssessment:from error visibility to structural simil曰rityIEEE Transactions on Image Processing,vol.13,no.4,pp.600-612,2004.
[0008] [2]Z.Wang and A.C.Bovik,Modern image quality assessment,San Rafael: Mo;rgan&Claypool, 2006.
[0009] [3]Z.Wang,A.C.Bovik, ('A universal image quality index," IEEE Signal Processing Letters,vol.9,no.化口.81-84,2002.
[0010] [4]G . H . Chen , C . L . Yang , and S . L . Xie , "Gradient-based structural similarity for image quality assessment,''IEE Conference on Image Processing, PP. 2929-2932,Atlanta,Georgia,2006.
[0011] [5]Z.Wan邑 and A .C.Bovik,Modern image quality assessment[M].San Rafael :Mo;rgan&Claypool ,2006.

【發(fā)明內(nèi)容】

[0012] 本發(fā)明的目的在于解決當前圖像質(zhì)量評價方法對嚴重失真圖像的評價不準確問 題，在充分考慮人眼視覺系統(tǒng)感知特性的情況下，提供一種基于中央凹視覺的梯度結(jié)構(gòu)相 似性的圖像質(zhì)量評價方法及系統(tǒng)。
[0013] 為實現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案為一種基于中央凹視梯度結(jié)構(gòu)相似性 的圖像質(zhì)量評價方法，包括定義梯度結(jié)構(gòu)為梯度幅度和梯度方向，對原圖的梯度圖進行中 央凹視處理，最后聯(lián)合梯度結(jié)構(gòu)和中央凹視特性進行評價，得到基于中央凹視覺的梯度結(jié) 構(gòu)相似性的圖像質(zhì)量評價結(jié)果，
[0014] 所述定義梯度結(jié)構(gòu)包括W下步驟，
[0015] Stepl. 1，針對原圖和失真圖，分別利用Sobel算子計算圖像的水平梯度如化乃和 垂直梯度化7)，得到圖像的梯度幅度G(i，j);根據(jù)原圖和失真圖的梯度幅度，獲得圖像的 梯度變化信息GM( i，j)，計算公式如下，
[0016] (一)
[0017] (二）
[0018] 其中，Gf(i，j)和GdQJ)分別表示原圖和失真圖的梯度幅度，Cl為預設(shè)的正常數(shù)； Stepl. 2,針對原圖和失真圖，分別利用水平梯度SyCi,./)和垂直梯度計算像素點梯度 方向0(i，j)和像素點梯度方向變化A 0(i，j);根據(jù)原圖的水平梯度和垂直梯度、失真圖的 水平梯度和垂直梯度，得到像素點梯度變化信息GDQ J)，計算公式分別如下，
[0019]
[0020]
[0021] ( Il)
[0022] 其中，0f(i，j)和0d(i，j)分別表示原圖和失真圖的像素點梯度方向；A0(i，j)表示 該像素點梯度方向變化;a/x(i，y)，3/y〇:J)，的^(/，片和3斯〇;，貧分別表示原圖的水平梯度 和垂直梯度、失真圖的水平梯度和垂直梯度;C2為預設(shè)的無窮小量；
[0023] 所述對原圖的梯度圖進行中央凹視處理包括W下步驟，
[0024] Step2.1，尋找凹視中屯、，包括根據(jù)預設(shè)的邊緣點口限TH,認定梯度幅度大于TH的 像素點為邊緣點；定義中央凝聚塊為圖像邊緣點最多的圖像子塊，根據(jù)預設(shè)的分塊大小，對 梯度圖進行分塊，統(tǒng)計所有子塊中邊緣點的數(shù)目，并把邊緣點數(shù)目最多子塊設(shè)置為中央凝 聚塊，記錄該中央凝聚塊的位置
[0025] Step2.2,構(gòu)造中央凹視矩陣，實現(xiàn)如下，
[0026] 利用正態(tài)分布密度函數(shù)構(gòu)造行矩陣RV和列矩陣CV，表達式分別如下，
[0027] (六）
[002引 （L)
[0029] 其中，（x，y)為各子塊的位置，O為標準差；中央凹視矩陣CM(x，y)由W下公式給出，
[0030] CM(x,y)=CVXRV (八）
[0031] 單位化公式如下，
[0032]
(九）
[0033] 其中，M，N分別為CM(x，y)矩陣水平和垂直的維數(shù)，CM'（x，y)為中央凹視矩陣CM(x, y)的單位化結(jié)果；
[0034] 所述聯(lián)合梯度結(jié)構(gòu)和中央凹視特性進行評價，實現(xiàn)方式如下，
[0035] 將中央凹視矩陣的單位化結(jié)果CM'（x，y)與SSIM算法中的亮度函數(shù)、對比度函數(shù)聯(lián) 合，形成W下函數(shù)，
[0036] FGSSIM(f，d) = L(f，d)C(f，d)GM(f，d)GD(f，d)CM' （十)其中，f，d分別表示原 圖和失真圖，F(xiàn)GSSIM(f，d)為原圖和失真圖對比所得圖像評價結(jié)果，GM(f，d)為原圖和失真 圖梯度幅值信息的對比，由式(二)得到，GD(f，d)為原圖和失真圖像素點梯度方向變化信息 的對比，由公式(五)得到，CM'代表由公式(九)得到的中央凹視矩陣的單位化結(jié)果;Uf，d) 為原圖和失真圖亮度的對比，C(f，d)為原圖和失真圖對比度的對比。
[0037] 而且，邊緣點口限TH = kXGmax，Gmax為原圖中像素點梯度幅度最大值，k為預設(shè)的取 值。
[0038] 本發(fā)明提供一種基于中央凹視梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價系統(tǒng)，包括W下模 塊，定義梯度結(jié)構(gòu)為梯度幅度和梯度方向，對原圖的梯度圖進行中央凹視處理，最后聯(lián)合梯 度結(jié)構(gòu)和中央凹視特性進行評價，得到基于中央凹視覺的梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價 結(jié)果，
[0039] 第一模塊，用于定義梯度結(jié)構(gòu)為梯度幅度和梯度方向，包括W下子模塊，
[0040] 第一子模塊，用于針對原圖和失真圖，分別利用Sobel算子計算圖像的水平梯度 ax(ij)和垂直梯度3y(i，j)，得到圖像的梯度幅度G(i，j);根據(jù)原圖和失真圖的梯度幅度，獲 得圖像的梯度變化信息GM(i，j)，計算公式如下，
[0041 ] (一)
[00創(chuàng) （-.)
[0043]其中，Gf(i，j)和GdQJ)分別表示原圖和失真圖的梯度幅度，Cl為預設(shè)的正常數(shù)； 第二子模塊，用于針對原圖和失真圖，分別利用水平梯度也化々和垂直梯度化_/)計算像
[0044] 素點梯度方向0(i，j)和像素點梯度方向變化A 0(i，j);根據(jù)原圖的水平梯度和垂直梯度、 失真圖的水平梯度和垂直梯度，得到像素點梯度變化信息GD( i，j )，計算公式分別如下，
[0045]
[0046] ( Ii)
[0047] 其中，0f (i，j)和0d(i，j)分別表示原圖和失真圖的像素點梯度方向；A 0 (i，j)表示 該像素點梯度方向變化;化化八％化./)，a化ay)和咕vOw)分別表示原圖的水平梯度 和垂直梯度、失真圖的水平梯度和垂直梯度;C2為預設(shè)的無窮小量；
[0048] 第二模塊，用于對原圖的梯度圖進行中央凹視處理，包括W下單元，第一單元，用 于尋找凹視中屯、，包括根據(jù)預設(shè)的邊緣點口限TH,認定梯度幅度大于TH的像素點為邊緣點； 定義中央凝聚塊為圖像邊緣點最多的圖像子塊，根據(jù)預設(shè)的分塊大小，對梯度圖進行分塊， 統(tǒng)計所有子塊中邊緣點的數(shù)目，并把邊緣點數(shù)目最多子塊設(shè)置為中央凝聚塊，記錄該中央 凝聚塊的位置(山，Wy);
[0049] 第二單元，用于構(gòu)造中央凹視矩陣，實現(xiàn)如下，
[0050] 利用正態(tài)分布密度函數(shù)構(gòu)造行矩陣RV和列矩陣CV，表達式分別如下，
[0051 ] (7、-）
[0化2] 陽
[0053] 其中，（x，y)為各子塊的位置，O為標準差；中央凹視矩陣CM(x，y)由W下公式給出，
[0054] CM(x,y)=CVXRV (八）
[0055] 單位化公式如下，
[0056]
(九)；
[0057] 其中，M，N分別為CM(x，y)矩陣水平和垂直的維數(shù)，CM'（x，y)為中央凹視矩陣CM(x, y)的單位化結(jié)果；
[005引第=模塊，用于聯(lián)合梯度結(jié)構(gòu)和中央凹視特性進行評價，得到基于中央凹視覺的 梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價結(jié)果，實現(xiàn)方式如下，
[0059] 將中央凹視矩陣的單位化結(jié)果CM'（x，y)與SSIM算法中的亮度函數(shù)、對比度函數(shù)聯(lián) 合，形成W下函數(shù)，
[0060] FGSSIM(f，d)=L(f，d)C(f，d)GM(f，d)GD(f，d)CM ' （十）
[0061] 其中，f，d分別表示原圖和失真圖，F(xiàn)GSSIM(f，d)為原圖和失真圖對比所得圖像評 價結(jié)果，GM(f，d)為原圖和失真圖梯度幅值信息的對比，由式(二)得到，GD(f，d)為原圖和失 真圖像素點梯度方向變化信息的對比，由公式(五)得到，CM'代表由公式(九)得到的中央凹 視矩陣的單位化結(jié)果;Uf，d)為原圖和失真圖亮度的對比，C(f，d)為原圖和失真圖對比度 的對比。
[00創(chuàng)而且，邊緣點口限TH = kXGmax，Gmax為原圖中像素點梯度幅度最大值，k為預設(shè)的取 值。
[0063] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：
[0064] 本發(fā)明在SSIM的基礎(chǔ)上，對梯度結(jié)構(gòu)做出新解釋，將其理解為梯度幅度和梯度方 向的聯(lián)合，同時應(yīng)用中央凹視覺效應(yīng)來提高模型的準確性;結(jié)合新的梯度結(jié)構(gòu)定義和中央 凹視，提出了一種基于中央凹視覺的梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價方法(FGSSIM)。本發(fā) 明采用中央凹視的梯度結(jié)構(gòu)相似性對圖像質(zhì)量進行評價，與峰值信噪比和簡單的結(jié)構(gòu)相似 性算法相比，該方法的評價效果更好，其評價結(jié)果與主觀評價結(jié)果的相關(guān)性更大、誤差更 小，尤其在評價嚴重失真圖像時效果更優(yōu)。
【附圖說明】
[0065] 圖1為本發(fā)明實施例的結(jié)構(gòu)圖；
[0066] 圖2為PSNR算法對所有失真類型圖像的擬合曲線；
[0067] 圖3為SSIM算法對所有失真類型圖像的擬合曲線；
[0068] 圖4為采用本發(fā)明實施例所提供FGSSIM算法對所有失真類型圖像的擬合曲線。
【具體實施方式】
[0069] 下面結(jié)合附圖和實施例對本發(fā)明作進一步說明：
[0070] 如圖1，實施例所提供基于中央凹視覺的梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價方法的 實現(xiàn)包含W下處理過程:首先，定義梯度結(jié)構(gòu)為梯度幅度和梯度方向；其次，對原圖的梯度 圖進行中央凹視處理;最后，聯(lián)合梯度結(jié)構(gòu)和中央凹視特性，得到一種基于中央凹視覺的梯 度結(jié)構(gòu)相似性的圖像質(zhì)量評價方法(FGSSIM)，獲得圖像質(zhì)量評價結(jié)果。
[0071] 所述定義梯度結(jié)構(gòu)包括W下步驟：
[0072] Stepl. 1，針對原圖和失真圖，分別利用Sobel算子計算圖像的水平梯度式：(i，y)和 垂直梯度化/)，得到圖像的梯度幅度G(i，j);根據(jù)原圖和失真圖的梯度幅度，進而獲得圖 像的梯度變化信息GM( i，j)，計算公式如（1) (2):
[0073] 姐
[0074] (2)
[0075] 其中，Gf(i，j)和GdQJ)分別表示原圖和失真圖的梯度幅度，（i，j)表示像素點在 圖像中的坐標。Cl為避免分母為零的正常數(shù)，具體實施時，本領(lǐng)域技術(shù)人員可自行設(shè)定取 值。實施例中采用優(yōu)選方案，預設(shè)正常數(shù)Ci =化止)2 = 26.01，其中參數(shù)Ki根據(jù)文獻W取為 0.02，L = 28-1 =化5。計算圖像梯度的水平Sobel和垂直Sobel算子如下：
[0076]
[0077] (a)水平Sobel算子 （b)垂直Sobel算子
[007引Stepl .2,針對原圖和失真圖，分別利用水平梯度和垂直梯度與托/)計算像 素點梯度方向0(i，j)和像素點梯度方向變化A 0(i，j);根據(jù)原圖的水平梯度和垂直梯度、 失真圖的水平梯度和垂直梯度，得到像素點梯度變化信息GDQ J)，計算公式分別如(3)(4) (5):
[0079]
[0080]
[0081] (5)
[0082] 其中，0f (i，j)和0d(i，j)分別表示原圖和失真圖的像素點梯度方向。A 0 (i，j)表示 該像素點梯度方向變化，當A0(i，j)=3i/2時，方向失真最為嚴重；A0(i，j)=〇,方向無失 真。a尼〇;，7)，3足化./)，S恥化/)和SfifyOJ)分別表示原圖的水平梯度和垂直梯度、失真圖 的水平梯度和垂直梯度。C2為防止分母為零的無窮小量，實施例中預先取為MA化AB中的最 小值2.2204X10-16。
[0083] 所述對原圖的梯度圖進行中央凹視處理包括W下步驟：
[0084] 在視覺科學的說法中，當一個人凝視環(huán)境中的某一點時，空間采樣分辨率從凝聚 點開始隨距離的增加迅速下降，稱運種現(xiàn)象為"中央凹視覺"。
[0085] 傳統(tǒng)認為"中央凹視覺"的中央在圖像的物理中屯、，但是人類對一張圖像最感興趣 的地方并不一定是它的物理中屯、，因此該方法的核屯、在于W原圖為參考圖像，尋找凹視中 屯、和構(gòu)造中央凹視矩陣。
[00化]Step2.1，尋找凹視中屯、。
[0087]預先確定邊緣點口限THW尋找中央凝聚塊，邊緣點口限TH-般服從W下公式：
[008引 TH=k XGmax (6)
[0089] 其中，Gmax為原圖中像素點梯度幅度最大值;k取值一般較小，根據(jù)文獻W實施例取 為0.18。如果原圖的梯度圖中，某像素點的梯度幅度大于TH,則認為該像素點為邊緣點。最 終將邊緣點最多的子塊定義為中央凝聚塊，即凹視中屯、。
[0090] 定義中央凝聚塊為圖像邊緣點最多的圖像子塊，具體實施時，本領(lǐng)域技術(shù)人員可 根據(jù)所選圖像的大小，預先選擇合適的分塊大小，實施例把梯度圖按8X8分塊，并統(tǒng)計所有 子塊中邊緣點的數(shù)目，并把邊緣點數(shù)目最多子塊設(shè)置為中央凝聚塊，記錄該中央凝聚塊的 位置(山，iiy；LStep2.2,構(gòu)造中央凹視矩陣。
[0091] 最后利用正態(tài)分布密度函數(shù)構(gòu)造行矩陣RV(RowVector)和列矩陣CV (ColumnVector)，表達式分別如（7)(8):
[0092] 口)
[0093] (8J
[0094] 其中，（x，y)為各子塊的位置，O為標準差，為使得算法的性能最優(yōu)，令0 = 1。因此， 中央凹視矩陣CM(x,y) (CentralMatrix)由W下公式給出：
[0095] CM(x,y)=CVXRV (9)
[0096] 實際計算過程中要將其單位化，單位化公式如下：
[0097]
(10)
[0098] 公式中的M，N分別為CM(x，y)矩陣水平和垂直的維數(shù)。得到的單位化結(jié)果CM'（x，y) 作為FGSSIM算法中相應(yīng)子塊(X，y)中每個像素點的權(quán)重。
[0099] 所述聯(lián)合梯度結(jié)構(gòu)和中央凹視特性進行評價，即FGSSIM方法構(gòu)造，具體實現(xiàn)如下：
[0100] 將中央凹視矩陣的單位化結(jié)果CM'（x，y)與SSIM算法中的亮度函數(shù)、對比度函數(shù)聯(lián) 合，形成W下函數(shù)：
[0101] FGSSIM(f，d)=L(f，d)C(f，d)GM(f，d)GD(f，d)CM ' (11)
[0102] 其中，f，d分別表示原圖和失真圖，F(xiàn)GSSIM(f，d)為原圖和失真圖對比所得圖像評 價結(jié)果，GM(f，d)為原圖和失真圖梯度幅值信息的對比，由公式(2)得到，GD(f，d)為原圖和 失真圖像素點梯度方向變化信息的對比，由公式(5)得到，CM'即為由公式（10)所得中央凹 視矩陣的單位化結(jié)果。Uf，d)為原圖和失真圖亮度的對比，C(f，d)為原圖和失真圖對比度 的對比，實施例根據(jù)參考文獻W計算采用11 X 11,1.5像素的不重疊高斯窗口，計算公式如 下：
[0103] (12)
[0104] (13)
[0105] 其中，具體實施時，本領(lǐng)域技術(shù)人員可自行設(shè)定參數(shù)C3、C4的取值。實施例中采用優(yōu) 選方案，參數(shù)C3=化江)2 = 6.5025，C4=化止)2 = 58.5225,其中根據(jù)文獻[5]K3、K4分別取為 0.0 l、0.03。Of為原圖的標準差，Od為失真圖的標準差，iif為原圖的像素灰度平均值，Wd為失 真圖的中央位置點。
[0106] 由于對原圖的梯度圖進行中央凹視處理時，按子塊獲取權(quán)重，實施例中應(yīng)用原圖 和失真圖的比較函數(shù)(11)同樣經(jīng)過8X8分塊處理，最終實現(xiàn)矩陣的點乘。
[0107] 具體實施時，本發(fā)明所提供方法可基于軟件技術(shù)實現(xiàn)自動運行流程，也可采用模 塊化方式實現(xiàn)相應(yīng)系統(tǒng)。
[0108] 本發(fā)明提供一種基于中央凹視梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價系統(tǒng)，包括W下模 塊，定義梯度結(jié)構(gòu)為梯度幅度和梯度方向，對原圖的梯度圖進行中央凹視處理，最后聯(lián)合梯 度結(jié)構(gòu)和中央凹視特性進行評價，得到基于中央凹視覺的梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價 結(jié)果，
[0109] 第一模塊，用于定義梯度結(jié)構(gòu)為梯度幅度和梯度方向，包括W下子模塊，第一子模 塊，用于針對原圖和失真圖，分別利用Sobei算子計算圖像的水平梯度啦ay)和垂直梯度 聲化於，得到圖像的梯度幅度G(i，j);根據(jù)原圖和失真圖的梯度幅度，獲得圖像的梯度變化 信息GMQ J)，計算公式如下，
[0110]
(一)
[0111] ()
[0112] 其中，Gf(i，j)和Gd(iJ)分別表示原圖和失真圖的梯度幅度，Cl為預設(shè)的正常數(shù)； 第二子模塊，用于針對原圖和失真圖，分別利用水平梯度如化乃和垂直梯度化/)計算像 素點梯度方向0(i，j)和像素點梯度方向變化A 0(i，j);根據(jù)原圖的水平梯度和垂直梯度、 失真圖的水平梯度和垂直梯度，得到像素點梯度變化信息GD( i，j )，計算公式分別如下，
[0113]
[0114]
[0115] (Ii)
[0116] 其中，0f(i，j)和0d(i，j)分別表示原圖和失真圖的像素點梯度方向；A0(i，j)表示 該像素點梯度方向變化;3怎ay)，3瓜ay)，a,知ay)和3斬〇'，/)分別表示原圖的水平梯度 和垂直梯度、失真圖的水平梯度和垂直梯度;C2為預設(shè)的無窮小量；
[0117] 第二模塊，用于對原圖的梯度圖進行中央凹視處理，包括W下單元，第一單元，用 于尋找凹視中屯、，包括根據(jù)預設(shè)的邊緣點口限TH,認定梯度幅度大于TH的像素點為邊緣點； 定義中央凝聚塊為圖像邊緣點最多的圖像子塊，根據(jù)預設(shè)的分塊大小，對梯度圖進行分塊， 統(tǒng)計所有子塊中邊緣點的數(shù)目，并把邊緣點數(shù)目最多子塊設(shè)置為中央凝聚塊，記錄該中央 凝聚塊的位置(山，Wy);
[0118] 第二單元，用于構(gòu)造中央凹視矩陣，實現(xiàn)如下，
[0119] 利用正態(tài)分布密度函數(shù)構(gòu)造行矩陣RV和列矩陣CV，表達式分別如下，
[0120] (六）
[0121] (L)
[0122] 其中，（x，y)為各子塊的位置，O為標準差；中央凹視矩陣CM(x，y)由W下公式給出，
[0123] CM(x,y)=CVXRV (八）
[0124] 單位化公式如下，
[0125]
(Jl)
[01%] 其中，M，N分別為CM(x，y)矩陣水平和垂直的維數(shù)，CM'（x，y)為中央凹視矩陣CM(x, y)的單位化結(jié)果；
[0127] 第=模塊，用于聯(lián)合梯度結(jié)構(gòu)和中央凹視特性進行評價，得到基于中央凹視覺的 梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價結(jié)果，實現(xiàn)方式如下，
[0128] 將中央凹視矩陣的單位化結(jié)果CM'（x，y)與SSIM算法中的亮度函數(shù)、對比度函數(shù)聯(lián) 合，形成W下函數(shù)，
[0129] FGSSIM(f，d)=L(f，d)C(f，d)GM(f，d)GD(f，d)CM ' （十）
[0130] 其中，f，d分別表示原圖和失真圖，F(xiàn)GSSIM(f，d)為原圖和失真圖對比所得圖像評 價結(jié)果，GM(f，d)為原圖和失真圖梯度幅值信息的對比，由式(二)得到，GD(f，d)為原圖和失 真圖像素點梯度方向變化信息的對比，由公式(五)得到，CM'代表由公式(九)得到的中央凹 視矩陣的單位化結(jié)果;Uf，d)為原圖和失真圖亮度的對比，C(f，d)為原圖和失真圖對比度 的對比。
[0131] 各模塊具體實現(xiàn)可參見相應(yīng)步驟，本發(fā)明不予寶述。
[0132] 本發(fā)明的優(yōu)點可W通過W下實驗具體說明：
[0133] 如圖2、圖3、圖4所示，分別是PSNR算法、SSIM算法、FGSSIM算法對所有失真類型圖 像的擬合曲線，具體如下：
[0134] 1.實驗數(shù)據(jù)庫
[0135] 為了驗證提出的"基于中央凹視的梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價方法"的有效 性，本發(fā)明采用美國TEXAS大學圖像視頻工程實驗室提供的LIVE圖像質(zhì)量評價數(shù)據(jù)庫(第二 版)進行仿真實驗。該數(shù)據(jù)庫包括29張高分辨率原圖和982張失真圖。其中失真類型包括： jpk2000壓縮，jpeg壓縮，白噪聲，高斯模糊，瑞利衰退。該數(shù)據(jù)庫還提供了每張圖片的差分 主觀評價分數(shù)DMOS，DMOS越小的圖像主觀質(zhì)量越好。
[0136] 2.評價方法的評估仿真結(jié)果與分析
[0137] 基于VQEG提出的客觀模型評價準則，選用四個參數(shù)比較算法的性能：非線性補償 后的模型評價質(zhì)量值和DMOS間的線性相關(guān)系數(shù)(CC)、Spearman秩相關(guān)系數(shù)(SROCC)、均方根 誤差(RMSE)、評價絕對誤差(MAE) dCC和SROCC可W作為評價模型評價質(zhì)量值和DMOS間相關(guān) 性與一致性的標準，其值越大說明預評價越精確。而RMSE和MAE表示評價值與DMOS誤差程 度，其值越小誤差越小。表一為測試FGSSIM與PSNR，MSE模型對LIVE庫中不同失真類型圖像 的評估仿真結(jié)果。
[0138] 表一測試FGSSIM與PSNR，MSE模型對不同失真類型圖像的評估仿真結(jié)果
[0139]
[0140] 從該表可W看出，F(xiàn)GSSIM算法對加 Iuer (高斯模糊)和FF(快速瑞利失真)類型的評 價結(jié)果相對PSNR和SSIM在各方面均有顯著的提高；由于WN(白噪聲）只是單個像素點的失 真，與圖像的結(jié)構(gòu)無關(guān)，而PSNR恰是對像素點誤差的數(shù)學統(tǒng)計，因此對該類型失真具有最好 的評價效果;對于肝EG和肝2K失真類型，F(xiàn)GSSIM的評價相關(guān)性更大、預測誤差更小，但是評 價的秩相關(guān)系數(shù)略有下降，總體上比PSNR和SSIM優(yōu)秀;從整體上看，"基于中央凹視的梯度 結(jié)構(gòu)相似性的圖像質(zhì)量評價方法"（FGSSIM)對于所有失真類型圖像(A化）的評價效果的評 價指標與DMOS相關(guān)性更好、誤差更小，顯著比SSIM與PSNR優(yōu)越。
【主權(quán)項】
1. 一種基于中央凹視梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價方法，其特征在于:包括定義梯 度結(jié)構(gòu)為梯度幅度和梯度方向，對原圖的梯度圖進行中央凹視處理，最后聯(lián)合梯度結(jié)構(gòu)和 中央凹視特性進行評價，得到基于中央凹視覺的梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價結(jié)果， 所述定義梯度結(jié)構(gòu)包括以下步驟， Stepl. 1，針對原圖和失真圖，分別利用Sobel算子計算圖像的水平梯度3,(/)和垂直梯 得到圖像的梯度幅度G(i，j);根據(jù)原圖和失真圖的梯度幅度，獲得圖像的梯度變 化信息GM(i，j)，計算公式如下，(一） () 其中，Gf(i，j)和Gd(i，j)分別表示原圖和失真圖的梯度幅度，&為預設(shè)的正常數(shù)； Stepl. 2,針對原圖和失真圖，分別利用水平梯度之(/,7)和垂直梯度3y(i,y)計算像素點 梯度方向Θ (i，j)和像素點梯度方向變化△ Θ (i，j);根據(jù)原圖的水平梯度和垂直梯度、失真 圖的水平梯度和垂直梯度，得到像素點梯度變化信息GD( i，j )，計算公式分別如下，其中，9^1，」)和0(1(1，」)分別表示原圖和失真圖的像素點梯度方向；4 0(1」)表示該像 素點梯度方向變化；和^^a_/)分別表示原圖的水平梯度和垂 直梯度、失真圖的水平梯度和垂直梯度;C2為預設(shè)的無窮小量； 所述對原圖的梯度圖進行中央凹視處理包括以下步驟， Step2.1，尋找凹視中心，包括根據(jù)預設(shè)的邊緣點門限TH，認定梯度幅度大于TH的像素 點為邊緣點；定義中央凝聚塊為圖像邊緣點最多的圖像子塊，根據(jù)預設(shè)的分塊大小，對梯度 圖進行分塊，統(tǒng)計所有子塊中邊緣點的數(shù)目，并把邊緣點數(shù)目最多子塊設(shè)置為中央凝聚塊， 記錄該中央凝聚塊的位置(μ χ，μΥ); Step2.2，構(gòu)造中央凹視矩陣，實現(xiàn)如下， 利用正態(tài)分布密度函數(shù)構(gòu)造行矩陣RV和列矩陣CV，表達式分別如下，(-、） (L) 其中，（x，y)為各子塊的位置，〇為標準差；中央凹視矩陣CM(x，y)由以下公式給出， CM(x,y)=CVXRV (A) 單位化公式如下，(九) 其中，M，N分別為CM(x，y)矩陣水平和垂直的維數(shù)，CM'（x，y)為中央凹視矩陣CM(x，y)的 單位化結(jié)果； 所述聯(lián)合梯度結(jié)構(gòu)和中央凹視特性進行評價，實現(xiàn)方式如下， 將中央凹視矩陣的單位化結(jié)果CM '（ X，y)與SSIM算法中的亮度函數(shù)、對比度函數(shù)聯(lián)合， 形成以下函數(shù)， FGSS 頂(f，d)=L(f，d)C(f，d)GM(f，d)ffl)(f，d)CM' （十） 其中，f，d分別表示原圖和失真圖，F(xiàn)GSSM(f，d)為原圖和失真圖對比所得圖像評價結(jié) 果，GM(f，d)為原圖和失真圖梯度幅值信息的對比，由式(二)得到，GD(f，d)為原圖和失真圖 像素點梯度方向變化信息的對比，由公式(五)得到，CM'代表由公式(九)得到的中央凹視矩 陣的單位化結(jié)果;L(f，d)為原圖和失真圖亮度的對比，C(f，d)為原圖和失真圖對比度的對 比。2. 根據(jù)權(quán)利要求1所述基于中央凹視梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價方法，其特征在 于:邊緣點門限TH=k XGmax，Gmax為原圖中像素點梯度幅度最大值，k為預設(shè)的取值。3. -種基于中央凹視梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價系統(tǒng)，其特征在于:包括以下模 塊，定義梯度結(jié)構(gòu)為梯度幅度和梯度方向，對原圖的梯度圖進行中央凹視處理，最后聯(lián)合梯 度結(jié)構(gòu)和中央凹視特性進行評價，得到基于中央凹視覺的梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價 結(jié)果， 第一模塊，用于定義梯度結(jié)構(gòu)為梯度幅度和梯度方向，包括以下子模塊， 第一子模塊，用于針對原圖和失真圖，分別利用Sobel算子計算圖像的水平梯度各漢/) 和垂直梯度％仏乃，得到圖像的梯度幅度G(i，j);根據(jù)原圖和失真圖的梯度幅度，獲得圖像 的梯度變化信息GM( i，j)，計算公式如下，(―) (二） 其中，Gf(i，j)和Gd(i，j)分別表示原圖和失真圖的梯度幅度，&為預設(shè)的正常數(shù)； 第二子模塊，用于針對原圖和失真圖，分別利用水平梯度心仏/)和垂直梯度Sy(W)計算 像素點梯度方向Θ (i，j)和像素點梯度方向變化△ Θ (i，j);根據(jù)原圖的水平梯度和垂直梯 度、失真圖的水平梯度和垂直梯度，得到像素點梯度變化信息GD(i，j)，計算公式分別如下，其中，9^1，」)和0(1(1，」)分別表示原圖和失真圖的像素點梯度方向；4 0(1」)表示該像 素點梯度方向變化；咕3/y(W)，辦分別表示原圖的水平梯度和垂 直梯度、失真圖的水平梯度和垂直梯度;C2為預設(shè)的無窮小量； 第二模塊，用于對原圖的梯度圖進行中央凹視處理，包括以下單元， 第一單元，用于尋找凹視中心，包括根據(jù)預設(shè)的邊緣點門限TH，認定梯度幅度大于TH的 像素點為邊緣點；定義中央凝聚塊為圖像邊緣點最多的圖像子塊，根據(jù)預設(shè)的分塊大小，對 梯度圖進行分塊，統(tǒng)計所有子塊中邊緣點的數(shù)目，并把邊緣點數(shù)目最多子塊設(shè)置為中央凝 聚塊，記錄該中央凝聚塊的位置(μ χ，&); 第二單元，用于構(gòu)造中央凹視矩陣，實現(xiàn)如下， 利用正態(tài)分布密度函數(shù)構(gòu)造行矩陣RV和列矩陣CV，表達式分別如下，㈧ (七） 其中，（x，y)為各子塊的位置，〇為標準差；中央凹視矩陣CM(x，y)由以下公式給出， CM(x,y)=CVXRV (A)(九） 其中，M，N分別為CM(x，y)矩陣水平和垂直的維數(shù)，CM'（x，y)為中央凹視矩陣CM(x，y)的 單位化結(jié)果； 第三模塊，用于聯(lián)合梯度結(jié)構(gòu)和中央凹視特性進行評價，得到基于中央凹視覺的梯度 結(jié)構(gòu)相似性的圖像質(zhì)量評價結(jié)果，實現(xiàn)方式如下， 將中央凹視矩陣的單位化結(jié)果CM '（ X，y)與SSIM算法中的亮度函數(shù)、對比度函數(shù)聯(lián)合， 形成以下函數(shù)， FGSS 頂(f，d)=L(f，d)C(f，d)GM(f，d)ffl)(f，d)CM' （十） 其中，f，d分別表示原圖和失真圖，F(xiàn)GSSM(f，d)為原圖和失真圖對比所得圖像評價結(jié) 果，GM(f，d)為原圖和失真圖梯度幅值信息的對比，由式(二)得到，GD(f，d)為原圖和失真圖 像素點梯度方向變化信息的對比，由公式(五)得到，CM'代表由公式(九)得到的中央凹視矩 陣的單位化結(jié)果;L(f，d)為原圖和失真圖亮度的對比，C(f，d)為原圖和失真圖對比度的對 比。4.根據(jù)權(quán)利要求3所述基于中央凹視梯度結(jié)構(gòu)相似性的圖像質(zhì)量評價系統(tǒng)，其特征在 于:邊緣點門限TH=k XGmax，Gmax為原圖中像素點梯度幅度最大值，k為預設(shè)的取值。
【文檔編號】G06T7/00GK106023214SQ201610349154
【公開日】2016年10月12日
【申請日】2016年5月24日
【發(fā)明人】金偉正, 黃奇華, 陶琴, 楊光義
【申請人】武漢大學