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