專利名稱:基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域:
本發(fā)明涉及圖像處理領(lǐng)域,尤其涉及一種基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方 法及系統(tǒng)。
背景技術(shù):
圖像質(zhì)量評(píng)價(jià)在圖像的采集、壓縮、增強(qiáng)等領(lǐng)域有著重要的應(yīng)用。對(duì)于絕大多數(shù) 應(yīng)用而言,圖像的最終觀察者是人,因此符合人類觀察者主觀感受的客觀評(píng)價(jià)方法(即感 知圖像質(zhì)量評(píng)價(jià))受到了工業(yè)界和學(xué)術(shù)界的廣泛關(guān)注。上述圖像質(zhì)量的客觀評(píng)價(jià)可分為 三種全參考型(FR,F(xiàn)ull Reference)、部分參考型(RR,Reduced Reference)和無(wú)參考型 (NR,No Reference)三種。在相當(dāng)多的應(yīng)用中(如圖像增強(qiáng))由于無(wú)法獲得原始圖像信 息,無(wú)參考質(zhì)量評(píng)價(jià)方法成為唯一的選擇,目前主流和實(shí)用的方法是針對(duì)圖像中可能的失 真類型進(jìn)行質(zhì)量評(píng)價(jià)。圖像壓縮和大部分處理方法會(huì)引入塊效應(yīng)、模糊效應(yīng)和振鈴效應(yīng)三 種缺陷。其中隨著圖像壓縮等技術(shù)的發(fā)展,決效應(yīng)已經(jīng)能夠被較為徹底的消除,但同時(shí)也有 更多的模糊效應(yīng)和振鈴效應(yīng)被引入。因此,模糊效應(yīng)和振鈴效應(yīng)的評(píng)價(jià)是當(dāng)前圖像質(zhì)量評(píng) 價(jià)領(lǐng)域中最為重要的技術(shù)。本發(fā)明所涉及的技術(shù)主要包括模糊效應(yīng)與振鈴效應(yīng)度量、面向 JPEG2000圖像質(zhì)量評(píng)價(jià),以及圖像模糊、振鈴區(qū)域檢測(cè)等相關(guān)領(lǐng)域?,F(xiàn)有主要的無(wú)參考質(zhì)量評(píng)價(jià)方法主要有基于邊界結(jié)構(gòu)信息的方法,基于自然 圖像統(tǒng)計(jì)特性的方法和基于人眼視覺(jué)系統(tǒng)(HVS)的方法等。基于邊結(jié)構(gòu)的方法主要是 基于人類的視覺(jué)感受對(duì)于局部的圖像結(jié)構(gòu)特別是邊界位置是非常敏感的這個(gè)假設(shè)。例 如,E. Ong 提出的(E. Ong, ff. Lin, Z. Lu, et al. "A no-reference quality metric ofmeasuring image blur".Seven International Symposium on SignalProcessing and Its Applications Proceedings,2003,1 :469_472)圖像質(zhì)量評(píng)價(jià)方法,首先檢測(cè)出 梯度和邊界,并計(jì)算邊界擴(kuò)散情況,然后通過(guò)平均邊界擴(kuò)散域的線性變換來(lái)計(jì)算最終的圖 像質(zhì)量。基于自然圖像統(tǒng)計(jì)特性的方法主要基于壓縮操作可能會(huì)擾亂非線性相關(guān)性這個(gè) 理論,同時(shí)量化這個(gè)干擾來(lái)預(yù)測(cè)人眼對(duì)圖像質(zhì)量的感知情況。H. R. Sheikh,和A. C. Bovik 等人提出自然場(chǎng)景統(tǒng)計(jì) NSS (Natural SceneStatistics)模型(H. R. Sheikh, A. C. Bovik, L. Cormack. " No-referencequality assessment using natural scene statistics JPEG2000",IEEETrans. on Image Processing, 14(11), pp. 1918-1927,2005)可以用來(lái)對(duì) 小波系數(shù)的幅值進(jìn)行建模,并用系數(shù)與線性預(yù)測(cè)的聯(lián)合分布直方圖的子帶部分來(lái)度量圖 像質(zhì)量情況。基于人眼視覺(jué)系統(tǒng)(HVS)的方法是應(yīng)用HVS的部分特性解決圖像質(zhì)量評(píng)價(jià) 問(wèn)題。R. Ferzli 和 L J. Karam (R. Ferzli and L J. Karam,‘‘A No-Reference Objective ImageSharpness Metric Based on the Notion of Just Noticeable Blur(JNB),,,Proc. IEEE International Conference on Image Processing,18 (4),pp. 717-728,2009) 考慮到人眼對(duì)圖像邊界附近一定門限內(nèi)的模糊效應(yīng)具有一定的忍耐力,提出JNB(Just Noticeable Blur)的方法來(lái)無(wú)參考的度量感知銳度情況。除以上提到的JPEG2000圖像質(zhì)量評(píng)價(jià)方法外,也有一些學(xué)者提出了獨(dú)立檢測(cè)振鈴效應(yīng)的評(píng)價(jià)準(zhǔn)則,例如,S. H. Oguz 等(S. H. Oguz, Y. H. Hu and T. Q. Nguyen, Image coding ringing artifact reductionusing morphological post-filtering, in :Proceedings of the IEEE Secondfforkshop on Multimedia Signal Processing,Dec.1998, pp. 628-633.) 提出了一種基于形態(tài)學(xué)濾波的方法檢測(cè)振鈴區(qū)域。X.Feng和J.P.Allebach (X.Feng and J. P. Allebach, Measurement of ringing artifactsin JPEG images, Digital Publishing, Proceedings of the SPIE, Volume6076, 2006pp. 74-83.)分別研究不同種類 振鈴效應(yīng)背景區(qū)域的特點(diǎn)以及對(duì)人眼的敏感度,并通過(guò)原始圖像振鈴區(qū)域的背景物體特征 來(lái)得到最終的振鈴效應(yīng)評(píng)價(jià)結(jié)果。Matthews和Kristine Elizabeth (Predicting ringing artifacts in digital images)發(fā)明了一種基于像素的閾值來(lái)檢測(cè)振鈴效應(yīng)發(fā)生的區(qū)域 方法,并應(yīng)用對(duì)比度來(lái)衡量振鈴效應(yīng)的大小。一些圖像本身由于離焦、運(yùn)動(dòng)等原因造成的固有模糊給無(wú)參考質(zhì)量評(píng)價(jià)帶來(lái)了許 多困難。在圖像質(zhì)量評(píng)價(jià)中,這類圖像由于不能很好的被處理而往往被作為奇異點(diǎn)。最 近,一些研究人員開(kāi)展了這類圖像的識(shí)別,評(píng)價(jià)工作。例如,Y.Luo和X.Tang(Y.Lu0 andX. Tang,Photo and video quality evaluation :focusing on the subject,in-Proceedings of the Europeon Conference on Computer Vision, 2008, pp. 386-399.)利用固有圖 像模糊的特性提出了一種鑒別專業(yè)圖像的方法,S.Wi^nW.Lin(S.Wu,ff. Lin, Z. Lu,et al.Blind blurassessment for vision-based applications, in-Proceedings of the IEEEICME,2007,pp. 1639-1642.)提出了一種鑒別由于離焦而造成模糊的方法。R.Liu 禾口 Z. Li(R. Liu, Z. Li and J. Jia, Image partial blurdetection and classification, in Proceedings of the IEEE ComputerSociety Conference on Computer Vision and Pattern Recognition, Jun. 2008,pp. 1-8.)提出了一種區(qū)分由于運(yùn)動(dòng)或者離焦而造成的模 糊方法。然而,如果以上這些方法應(yīng)用到圖像質(zhì)量評(píng)價(jià)上,則應(yīng)對(duì)不同原因所造成的圖像 的固有模糊分別處理,這樣會(huì)造成圖像質(zhì)量評(píng)價(jià)復(fù)雜度大大提升,因此上述方法明顯不適 用于圖像質(zhì)量評(píng)價(jià)領(lǐng)域。
發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法及系統(tǒng)?;?于本發(fā)明,可以對(duì)各種類型的自然圖像進(jìn)行質(zhì)量評(píng)價(jià),特別是針對(duì)由于離焦、運(yùn)動(dòng)等原因?qū)?致的部分模糊的圖像,具有很好的魯棒性。本發(fā)明一種基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法包括如下步驟對(duì)輸入圖像 邊緣點(diǎn)進(jìn)行檢測(cè),并依據(jù)所述邊緣點(diǎn)提取梯度剖面;依據(jù)所述梯度剖面,進(jìn)行圖像模糊效應(yīng) 的度量;依據(jù)所述梯度剖面,進(jìn)行圖像振鈴效應(yīng)的度量;將所述模糊效應(yīng)度量和所述振鈴 效應(yīng)度量進(jìn)行融合,獲取所述輸入圖像質(zhì)量評(píng)價(jià)參考值。在上述圖像無(wú)參考質(zhì)量評(píng)價(jià)方法中,優(yōu)選在所述梯度剖面提取步驟中,所述邊緣 點(diǎn)包括第一類邊緣點(diǎn)和第二類邊緣點(diǎn),所述第一類邊緣點(diǎn)的檢測(cè)通過(guò)計(jì)算水平方向和垂直 方向的梯度獲得,所述第二類邊緣點(diǎn)的檢測(cè)通過(guò)基于兩層金字塔圖像的檢測(cè)方法獲得,所 述兩層金字塔圖像的檢測(cè)方法包括采用高斯濾波平滑圖像,通過(guò)算子檢測(cè),獲取原始尺度圖像的梯度并確定過(guò)零點(diǎn),提取原始尺度圖像邊緣點(diǎn);對(duì)所述原始尺度圖像進(jìn)行下采樣,獲取1/2尺度的金字塔圖像; 采用高斯濾波平滑金字塔圖像,通過(guò)算子檢測(cè),獲取所述金字塔圖像的梯度并確定過(guò)零點(diǎn), 提取所述金字塔圖像的邊緣點(diǎn);合并所述原始尺度圖像邊緣點(diǎn)、所述金字塔圖像的邊緣點(diǎn), 并刪除其中的重合點(diǎn),確定所述輸入圖像的邊緣點(diǎn)。在上述圖像無(wú)參考質(zhì)量評(píng)價(jià)方法中,優(yōu)選所述確定過(guò)零點(diǎn)包括對(duì)于給定點(diǎn)水平 方向的梯度值gx(x),若滿足gxx(x-l) >0且gxx(x+l) < 0 J.gx(x)彡&,則確定該點(diǎn)為 過(guò)零點(diǎn);對(duì)于給定點(diǎn)垂直方向的梯度值gy(y),若滿足gyy(y-l) >0且gyy(y+l) <0且 gy(y)彡 <,則確定該點(diǎn)為過(guò)零點(diǎn);合并檢測(cè)到的過(guò)零點(diǎn),并刪除其中的重合點(diǎn),獲取梯度
剖面的過(guò)零點(diǎn);其中,為水平方向的二階梯度;&是圖像水平梯度的平均值;
OX
6g (y)_
(力二垂直方向的二階梯度是圖像垂直梯度的平均值。在上述圖像無(wú)參考質(zhì)量評(píng)價(jià)方法中,優(yōu)選所述模糊效應(yīng)評(píng)價(jià)步驟包括依據(jù)所述 梯度剖面,分別計(jì)算所述過(guò)零點(diǎn)在水平方向和垂直方向的梯度剖面銳度值,然后對(duì)所述過(guò) 零點(diǎn)水平方向梯度gx與垂直方向的梯度gy進(jìn)行比較;如果gx > gy,梯度剖面銳度值將在水 平方向運(yùn)算得到;如果gx<gy,梯度剖面銳度值將在豎直方向運(yùn)算得到;將所得的梯度剖面 銳度值,利用JND門限進(jìn)行視覺(jué)掩蔽,建立銳度直方圖;分析所述銳度直方圖分布中,最為 銳利的邊界點(diǎn),利用該點(diǎn)的銳度剖面值確定所述模糊效應(yīng)的評(píng)價(jià)值。在上述圖像無(wú)參考質(zhì)量評(píng)價(jià)方法中,優(yōu)選所述振鈴效應(yīng)評(píng)價(jià)步驟包括依據(jù)所述 梯度剖面的過(guò)零點(diǎn),提取所述梯度剖面的關(guān)聯(lián)區(qū)域,預(yù)測(cè)振鈴效應(yīng)潛在區(qū)域;依據(jù)預(yù)置標(biāo) 準(zhǔn),計(jì)算所述振鈴效應(yīng)潛在區(qū)域的度量值;采用JND門限計(jì)算值對(duì)所述度量值進(jìn)行視覺(jué)掩 蔽,以確定振鈴效應(yīng)的評(píng)價(jià)值。在上述圖像無(wú)參考質(zhì)量評(píng)價(jià)方法中,優(yōu)選所述評(píng)價(jià)步驟包括對(duì)獲取的所述模糊 效應(yīng)的評(píng)價(jià)值、所述振鈴效應(yīng)的評(píng)價(jià)值進(jìn)行線性歸一化處理,以將所述兩個(gè)評(píng)價(jià)值歸一化 到相同的區(qū)間W,l]中;采用加權(quán)Minkowski函數(shù),將模糊效應(yīng)、振鈴效應(yīng)進(jìn)行融合,以得到 綜合質(zhì)量評(píng)價(jià)值。另一方面,本發(fā)明還提供了一種基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)系統(tǒng)。其原 理與基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法相似,在下面的具體實(shí)施方式
部分還會(huì)進(jìn)一 步敘述,在此不再贅述。在本發(fā)明中,基于梯度剖面的進(jìn)行圖像模糊效應(yīng)的度量和振鈴效應(yīng)的度量,進(jìn)而 獲取圖像質(zhì)量評(píng)價(jià)結(jié)果。基于本發(fā)明,可以對(duì)各種類型的自然圖像進(jìn)行質(zhì)量評(píng)價(jià),特別是針 對(duì)由于離焦、運(yùn)動(dòng)等原因?qū)е碌牟糠帜:膱D像,具有很好的魯棒性。
圖1為根據(jù)本發(fā)明基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法實(shí)施例的步驟流程 圖;圖2為基于梯度剖面銳度直方圖的模糊效應(yīng)評(píng)價(jià)方法示意圖;圖3基于雙層金字塔圖像的邊緣點(diǎn)檢測(cè)算法示意圖3b為原始尺度的梯度圖像;圖3c為原始尺度圖像中提取的邊緣點(diǎn);圖3d為下采樣圖像;圖3e為下采樣圖像的梯度圖像;圖3f為下采樣圖像中提取的邊緣點(diǎn);圖3g為合成后的邊緣點(diǎn)圖像;圖4圖像邊緣的模糊效應(yīng)示意圖;圖4a為小景深為藝術(shù)照的輸入圖像示意圖;圖4b是圖4a經(jīng)過(guò)了模糊處理后的圖像示意圖;圖5水平方向梯度剖面銳度計(jì)算示意圖;圖6振鈴效應(yīng)區(qū)域提取方法示意圖;圖6a表示含有振鈴效應(yīng)的圖像;6b表示圖6a中方框區(qū)域的像素亮度值情況;圖7為部分JPEG2000壓縮的圖像及質(zhì)量評(píng)價(jià)結(jié)果示意圖;圖8為根據(jù)本發(fā)明基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)系統(tǒng)實(shí)施例的簡(jiǎn)單結(jié)構(gòu) 示意圖。
具體實(shí)施例方式為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂,下面結(jié)合附圖和具體實(shí) 施方式對(duì)本發(fā)明實(shí)施例作進(jìn)一步詳細(xì)的說(shuō)明。本發(fā)明所提出的方法的基本思想是通過(guò)圖像(視頻幀)中強(qiáng)邊緣的梯度剖面的 銳度的分析,以及與梯度剖面相關(guān)聯(lián)的區(qū)域統(tǒng)計(jì)特性的分析,得到模糊效應(yīng)與振鈴效應(yīng)的 度量,進(jìn)一步得到符合人類主觀感受的圖像評(píng)價(jià)。參照?qǐng)D1,圖1為根據(jù)本發(fā)明基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法實(shí)施例的 步驟流程圖,包括步驟110,用于對(duì)輸入圖像邊緣點(diǎn)進(jìn)行檢測(cè),并依據(jù)所述邊緣點(diǎn)提取梯度剖面。步驟120,依據(jù)所述梯度剖面,進(jìn)行圖像模糊效應(yīng)的度量。步驟130,依據(jù)所述梯度剖面,進(jìn)行圖像振鈴效應(yīng)的度量。步驟140,將所述模糊效應(yīng)度量和所述振鈴效應(yīng)度量進(jìn)行融合,獲取所述輸入圖像 質(zhì)量評(píng)價(jià)參考值。需要說(shuō)明的,步驟120、步驟130的執(zhí)行順序沒(méi)有明確的限定,可以先執(zhí)行步驟 120,再執(zhí)行步驟130,或者先執(zhí)行步驟130,再執(zhí)行步驟120都可以,他們之間沒(méi)有依賴關(guān)系。下面結(jié)合圖2、圖3詳細(xì)說(shuō)明提取梯度剖面的步驟。如圖2所示,圖2為基于梯度剖面銳度直方圖的模糊效應(yīng)評(píng)價(jià)方法示意圖。圖2a 為原始輸入圖像,圖2b為該圖像的梯度剖面,圖2c為梯度剖面銳度直方圖。其中,梯度剖 面是以圖像邊緣上一點(diǎn)為中心,沿該點(diǎn)梯度方向的圖像亮度分布。因此,給定圖像中一個(gè)邊 緣上的中心點(diǎn)和該點(diǎn)的梯度方向,即可唯一地確定一個(gè)梯度剖面。本發(fā)明中,圖像中任意點(diǎn) 的梯度方向通過(guò)水平和垂直方向的3X3Sobel算子獲得,這里的任意點(diǎn)即為普通點(diǎn),而不是強(qiáng)邊緣點(diǎn),在本專利申請(qǐng)中也被稱為第一類邊緣點(diǎn);而圖像中強(qiáng)邊緣點(diǎn)則由一種新的基 于兩層金字塔圖像的方法獲得,強(qiáng)邊緣點(diǎn)在本專利申請(qǐng)中被稱為第二類邊緣點(diǎn)。如圖3所示,圖3基于雙層金字塔圖像的邊緣點(diǎn)檢測(cè)算法示意圖。本發(fā)明提出的 強(qiáng)邊緣點(diǎn)獲取方法基于兩個(gè)尺度的金子塔圖像。圖3a為原始尺度的輸入圖像,圖3b為原 始尺度的梯度圖像,圖3c為原始尺度圖像中提取的邊緣點(diǎn)(局部),圖3d為下采樣圖像,圖 3e為下采樣圖像的梯度圖像,圖3f為下采樣圖像中提取的邊緣點(diǎn)(局部),圖3g為合成后 的邊緣點(diǎn)圖像(局部)。對(duì)于原始輸入圖像(圖3a所示),首先采用高斯濾波器進(jìn)行平滑,然后應(yīng)用3X3 的Sobel算子計(jì)算水平和垂直方向的梯度(如圖3b),最后選擇梯度過(guò)零點(diǎn)作為邊緣點(diǎn)(如 圖3c)。不失一般性,以水平方向?yàn)槔?,設(shè)gx(x)是點(diǎn)χ的水平方向的梯度值,則若滿足以下 條件,則χ為過(guò)零點(diǎn)(即邊緣點(diǎn))gxx (x-1) > O 且 gxx (x+1) < O 且 gx (χ)彡 mx(1)其中= 為水平方向的二階梯度,采用在水平方向梯度圖像中再應(yīng)用
OX
一次水平方向的3X3的Sobel算子的方法獲得;&是整個(gè)圖像水平梯度的平均值,作為一 個(gè)閾值篩選出梯度強(qiáng)度足夠大的邊緣點(diǎn)。豎直方向的邊緣采用同樣方法獲得。然后,將兩 個(gè)方向各自得到的邊緣點(diǎn)歸并在一起,并且去掉重合的點(diǎn),即得到原始尺度圖像的邊緣點(diǎn)。對(duì)于經(jīng)過(guò)較強(qiáng)的模糊操作的圖像(如碼率很低的圖像/視頻壓縮),Sobel算子往 往不能很好地檢測(cè)到邊緣點(diǎn)。因此,本發(fā)明提出將原始尺度圖像進(jìn)行下采樣,得到1/2尺度 的金字塔圖像,然后在該金字塔圖像上采用上述同樣的方法求取另一組邊緣點(diǎn),如圖3d、圖 3e和圖3f所示。最后,將上述原始尺度圖像中檢測(cè)到的邊緣點(diǎn)和下采樣圖像中檢測(cè)到的邊 緣點(diǎn)進(jìn)行合并,并去除重合的點(diǎn),及得到最終的邊緣點(diǎn)檢測(cè)結(jié)果,如圖3g所示。實(shí)驗(yàn)表明,本發(fā)明提出的基于雙層金字塔圖像的邊緣點(diǎn)提取方法可以滿足圖像質(zhì) 量評(píng)價(jià)的需要,可以用較小的計(jì)算代價(jià)改善嚴(yán)重模糊圖像中邊緣檢測(cè)的效果。下面結(jié)合圖4、圖5詳細(xì)圖像振鈴效應(yīng)的度量。本發(fā)明提出了一種通過(guò)梯度剖面銳度的統(tǒng)計(jì)分析來(lái)獲得圖像模糊效應(yīng)度量的方 法與裝置。方法基于如下兩個(gè)現(xiàn)象首先,人類觀察者對(duì)于圖像局部結(jié)構(gòu)(如邊緣)信息非 常敏感,也就是說(shuō)圖像/視頻壓縮等操作在圖像局部結(jié)構(gòu)上所產(chǎn)生的模糊效應(yīng)是影響觀察 者對(duì)圖像質(zhì)量主觀評(píng)價(jià)的主要因素。因此,可以以圖像局部結(jié)構(gòu)(如邊緣)為樣本,來(lái)度量 模糊效應(yīng)。其次,自然圖像中有時(shí)會(huì)由于采集時(shí)的離焦、運(yùn)動(dòng)等原因,部分區(qū)域本身就是模 糊的。但是,對(duì)于一副采集完好的自然圖像,總存在精確、邊緣銳利的區(qū)域。參照?qǐng)D4a、圖 4b。圖4a是小景深為藝術(shù)照的輸入圖像,其中圖像背景區(qū)域由于離焦而本身就是模糊的, 而前景部分(蝴蝶)則聚焦準(zhǔn)確,仍然存在著銳利的邊緣。進(jìn)一步,圖4b是圖4a經(jīng)過(guò)了后 期的模糊處理后的圖像。從圖4b可以看出,如果該圖像經(jīng)過(guò)了后期的模糊處理(如圖像有 損壓縮、高斯濾波去噪等操作)則前景和背景區(qū)域的高頻分量均有所衰減,從而均變得模 糊。但是,相對(duì)而言,前景區(qū)域中的邊緣仍然比背景區(qū)域中的更為銳利,如圖4中區(qū)域al、 a2、bl和b2所示。因此,對(duì)于一副經(jīng)過(guò)處理的圖像,相對(duì)銳利的邊緣反映了圖像處理所引 入的模糊效應(yīng)的程度。進(jìn)一步,這些邊緣在感知圖像質(zhì)量的評(píng)價(jià)上起主導(dǎo)作用。依據(jù)上述現(xiàn)象,本發(fā)明提出了一個(gè)基于圖像銳利邊界銳度直方圖 (以下簡(jiǎn)稱GRAPH,GRAdient Profile sharpness Histogram)的感知圖像質(zhì)量評(píng)價(jià)方法。本方法的基 本計(jì)算框架如圖2所示,首先,針對(duì)選擇出的銳利邊界過(guò)零點(diǎn),在水平、豎直方向分別計(jì)算 梯度剖面銳度值大小。然后,利用JND門限進(jìn)行視覺(jué)掩蔽作用,并建立銳度直方圖。最后, 分析出直方圖分布中對(duì)應(yīng)的最銳利邊界的部分,利用其梯度剖面值計(jì)算得到模糊效應(yīng)的評(píng) 價(jià)值。如圖5所示,Xtl為邊界像素,是其梯度方向上的局部最大值,p(x0)是邊界像素X。 在梯度方向上的梯度剖面,P(Xtl)的剖面銳度值可以通過(guò)均方差來(lái)進(jìn)行計(jì)算 其中嚴(yán) m(x)表示梯度幅值,d(x,x0)表示梯度剖面上的當(dāng)前處理像素χ與邊界點(diǎn)Xtl之間 的曲線距離。梯度剖面越銳利,σ (ρ(Χ(|))的計(jì)算值越小。顯然,公式(2)需要在梯度方向上計(jì)算梯度幅值和曲線距離,而梯度剖面上的像 素點(diǎn)并不一定都是在整像素位置上的,這就需要進(jìn)行分像素插值等附加計(jì)算。為了避免這 些復(fù)雜的計(jì)算,本發(fā)明提出一個(gè)可以在水平、豎直方向來(lái)計(jì)算梯度剖面銳度值的方法。這個(gè) 方法是基于下面的理論圖像邊界的梯度剖面銳度值在很小的分割片段內(nèi)具有相同的分布 形式。圖5說(shuō)明的是在水平方向計(jì)算梯度剖面銳度值的情況。假定梯度方向?yàn)镚 = (gx, gy)T,則公式(2)中的梯度剖面的曲線距離d(x,x0)可以通過(guò)下式進(jìn)行計(jì)算d(x, x0) = g · dx(x',X0)(3)其中,g= g,"g+W οdx(x',Xtl)是水平方向的曲線距離。基于上面的假定,如果忽略采樣及量化誤差 的存在,像素點(diǎn)X和X'的梯度幅值是相同的,即m(x) =m(x')。將公式(3)帶入公式(2) 中,并忽略采樣誤差,可以得到σ (ρ (χ0)) = g · σχ (ρχ (χ。))(4)其中,σχ (ρχ(χ0))表示水平方向的銳度計(jì)算值。顯然,同樣方法也可以得到豎直方向的梯度剖面銳度計(jì)算值。實(shí)際上,梯度G是通 過(guò)Sobel算子計(jì)算得到的。如果gx > gy,梯度剖面銳度值將在水平方向運(yùn)算得到;反之,如 果gx < gy,梯度剖面銳度值將在豎直方向運(yùn)算得到。對(duì)于圖4,通過(guò)本發(fā)明的計(jì)算,原始圖像al的梯度剖面銳度值為0. 768,a2的梯度 剖面銳度值為1.418,高斯模糊的圖像bl的梯度剖面銳度值為1. 180,b2的梯度剖面銳度 值為1.525??梢钥吹皆紙D像的銳利邊緣在模糊處理以后還是相對(duì)銳利的。將計(jì)算得到的梯度剖面銳度值,進(jìn)行直方圖分析,進(jìn)而來(lái)研究銳度的分布狀態(tài)。將 銳度值分布圖分為η個(gè)等大小的子區(qū)間,然后GRAPH直方圖中的每一個(gè)子區(qū)間的取值就是 每一個(gè)子集Xi中元素的數(shù)目。
(5)另外,(4)中計(jì)算得到的銳度值σ⑴,分布區(qū)間為[omin,omax],并被歸一化到
區(qū)間。為了使得模糊效應(yīng)計(jì)算模型更符合人眼視覺(jué)感受的真實(shí)情況,本發(fā)明采用 (X.K.Yang,W. S. Ling, Z. K. Lu, et al. “ Just noticeable distortion model and its applications in video coding",Signal Processing Image Communication,,20(7), pp. 662-680,2005.)的JND門限值作為視覺(jué)掩蔽模型,對(duì)GRAPH中的每一段進(jìn)行一次視覺(jué)掩 蔽 (6) 經(jīng)過(guò)JPEG2000壓縮的失真圖像中,只有最銳利邊界附近的情況可以反映模糊效 應(yīng)的程度。這就意味著梯度剖面銳度計(jì)算值o (p(x0))的最小值部分可以用來(lái)反映模糊效 應(yīng)的等級(jí)狀況,即GRAPH圖中的最左邊部分可以用來(lái)計(jì)算模糊效應(yīng)度量值。為了提高方法 的魯棒性,最左邊T個(gè)子集的一階距可以用下式計(jì)算 其中, 公式中T是由門限e決定的,其含義是在本發(fā)明提出的計(jì)算方法中,所使用的梯 度剖面的百分比。最后,模糊效應(yīng)的度量值可以由公式(7)得到的b值,通過(guò)反投影的方式得到 下面結(jié)合圖6說(shuō)明圖像振鈴效應(yīng)的評(píng)價(jià)。振鈴效應(yīng)分布在圖像的邊緣附近,并且人眼對(duì)平滑圖像強(qiáng)邊緣附近的振鈴效應(yīng)更 加敏感。振鈴效應(yīng)檢測(cè),評(píng)價(jià)的難點(diǎn)在于不能很好的識(shí)別出振鈴效應(yīng)對(duì)應(yīng)的圖像邊緣及方 向信息,且紋理區(qū)域的掩蓋效應(yīng)也會(huì)對(duì)振鈴效應(yīng)的敏感度有很大影響。本發(fā)明提出基于梯 度剖面關(guān)聯(lián)區(qū)域計(jì)算的振鈴效應(yīng)評(píng)價(jià)方法,以此來(lái)有效地預(yù)測(cè)效應(yīng)潛在區(qū)域,計(jì)算效應(yīng)度 量值,然后采用JND門限計(jì)算值進(jìn)行視覺(jué)掩蔽,得到最終的振鈴效應(yīng)評(píng)價(jià)值。如圖6所示, 圖6左邊圖像圖6a表示含有振鈴效應(yīng)的圖像,右邊圖像圖6b表示圖6a中方框區(qū)域的像素 亮度值情況。深色區(qū)域與淺色區(qū)域交界的L表示該局部區(qū)域的圖像邊界線,點(diǎn)A表示檢測(cè) 出的一個(gè)圖像邊界點(diǎn),垂直于邊界線的線P表示該點(diǎn)梯度剖面輪廓,其中兩方框Ro與隊(duì)之 間的加粗線部分表示模糊效應(yīng)發(fā)生區(qū)域,兩個(gè)方框區(qū)域禮和禮表示潛在振鈴效應(yīng)區(qū)域。為 避免由于窗口過(guò)大導(dǎo)致的臨近邊界過(guò)零點(diǎn)計(jì)算過(guò)程中的重復(fù)或者掩蔽,本發(fā)明中,窗口大 小設(shè)定為5X5,實(shí)驗(yàn)表明,這樣的窗口大小可以比較有效地覆蓋振鈴效應(yīng)潛在區(qū)域。本發(fā)明通過(guò)上面檢測(cè)出的潛在振鈴效應(yīng)區(qū)域Rx(x = 0或1)的局部活性度來(lái)計(jì) 算其振鈴效應(yīng)禾呈度(H. Liu, N. Klomp and I. Heynderickx, A no-reference metric for perceived ringing, in Proceedings of the Fourth International Workshop on Video Processingand Quality Metrics for Consumer Electronics VPQM-09, Jan. 2009)。對(duì)于 該區(qū)域內(nèi)的每一個(gè)像素I (x),其局部活性度可以通過(guò)計(jì)算與其周圍的像素點(diǎn)亮度值均值的 差異值來(lái)得到,如下式所示
其中Rn(X)表示像素點(diǎn)I (x)的3X3相鄰像素組成的鄰域。在得到的潛在振鈴效應(yīng)區(qū)域中,會(huì)存在一些邊界像素點(diǎn),這些像素點(diǎn)應(yīng)該被作為 噪聲像素來(lái)進(jìn)行處理,因?yàn)檎疋徯?yīng)是不會(huì)發(fā)生在這類區(qū)域。為解決這個(gè)問(wèn)題,可以通過(guò)一 個(gè)門限設(shè)置來(lái)排除噪聲像素點(diǎn),如下式所示 其中,在本發(fā)明中設(shè)置1\= 0,Th = 0. 65 -MAX(A(x)).
在得到像素點(diǎn)的活性度之后,當(dāng)前振鈴效應(yīng)區(qū)域的整體活性度可以通過(guò)計(jì)算區(qū)域 中所有像素活性度期望值來(lái)得到,如下式 其中,R(x0) I為該區(qū)域中有效像素的個(gè)數(shù)。考慮到人眼視覺(jué)系統(tǒng)是這些圖像信息的接收者,因此振鈴效應(yīng)評(píng)價(jià)中需要加入相 應(yīng)的人眼視覺(jué)特性。本發(fā)明考慮到了亮度掩蔽以及紋理掩蔽對(duì)效應(yīng)評(píng)價(jià)的影響。所以,類 似于模糊效應(yīng)評(píng)價(jià)中操作,本發(fā)明仍然采用JND模型計(jì)算值來(lái)對(duì)振鈴效應(yīng)評(píng)價(jià)值進(jìn)行視覺(jué) 掩蔽。則當(dāng)前區(qū)域的感知活性度可以用下式進(jìn)行計(jì)算
其中,JND(Rx)表示該區(qū)域中JND模型的期望值。 整個(gè)圖像的振鈴效應(yīng)評(píng)價(jià)值由下式定義
其中,X是選擇出來(lái)的邊界點(diǎn)集合,|x|是邊界點(diǎn)的數(shù)目, 下面對(duì)步驟140將所述模糊效應(yīng)度量和所述振鈴效應(yīng)度量進(jìn)行融合,獲取所述輸 入圖像質(zhì)量評(píng)價(jià)參考值進(jìn)行詳細(xì)說(shuō)明考慮到兩種效應(yīng)計(jì)算值的取值區(qū)間差異性,本發(fā)明首先對(duì)計(jì)算值進(jìn)行線性歸一 化,將兩個(gè)計(jì)算值歸一化到相同的區(qū)間W,l]中。歸一化操作后,可以分別得到模糊效應(yīng)、 振鈴效應(yīng)的歸一化值iQ。 ,和A;^, s。研究表明,Minkowski函數(shù)可以用來(lái)對(duì)數(shù)字圖像壓縮中 產(chǎn)生的人工效應(yīng)進(jìn)行融合,因此,本發(fā)明采用采用加權(quán)Minkowski方法,將模糊效應(yīng)、振鈴 效應(yīng)進(jìn)行融合,以得到最終的質(zhì)量評(píng)價(jià)值,如下式所示 其中,QA為最終質(zhì)量評(píng)價(jià)計(jì)算值p為Minkowski指數(shù),a和b分別為Minkowski系 數(shù),且a,b和p均為正實(shí)數(shù)。圖7展示的是設(shè)置不同的p,a,兩效應(yīng)聯(lián)合評(píng)價(jià)方法的計(jì)算值與主觀打分值之間 線性相關(guān)系數(shù)CC關(guān)系圖,橫坐標(biāo)表示不同的參數(shù)a,縱坐標(biāo)為線性相關(guān)系數(shù)CC。公式(15) 中有三個(gè)參數(shù)a,b和p,考慮到保持加權(quán)后的取值范圍,實(shí)驗(yàn)中設(shè)置a+b = 1,故可以得到此關(guān)系曲線。由性能曲線看出,當(dāng)p = 4,a = 0. 85,b = 0. 15時(shí),算法性能達(dá)到最優(yōu)。表1中給出了各方法的評(píng)價(jià)指標(biāo)值。本實(shí)驗(yàn)將已經(jīng)被廣泛應(yīng)用的全參考圖像質(zhì)量 評(píng)價(jià)方法SSIM的性能值列在第一行,以其作為一個(gè)參照。從表中可以看出,本發(fā)明提出的 圖像質(zhì)量評(píng)價(jià)方法,可以達(dá)到與經(jīng)典全參考質(zhì)量評(píng)價(jià)方法相近的性能,遠(yuǎn)超過(guò)現(xiàn)有的針對(duì) JPEG2000圖像質(zhì)量評(píng)價(jià)的算法。表1針對(duì)JPEG2000圖像質(zhì)量評(píng)價(jià)方法性能比較 表2給出了 LIVE數(shù)據(jù)庫(kù)JPEG2000圖像集中15幅專業(yè)圖像和212幅普通圖像的 性能評(píng)價(jià)值。從表中可以看出,專業(yè)圖像和普通圖像的性能評(píng)價(jià)值比較接近,所以,本發(fā)明 能夠很好的減少固有模糊區(qū)域所帶來(lái)的偏移誤差。表2專業(yè)圖像與普通圖像質(zhì)量評(píng)價(jià)性能比較 本發(fā)明提出的這四個(gè)裝置可以構(gòu)成一個(gè)質(zhì)量評(píng)價(jià)系統(tǒng),適用于圖像(包括但不限 于JPEG2000壓縮的圖像)視頻幀(包括但不限于H. 264/AVC、AVS、VC-1等)的質(zhì)量評(píng)價(jià)。上述方法實(shí)現(xiàn)是以PC機(jī)為平臺(tái)的一種實(shí)例。本發(fā)明可以有多種具體的實(shí)現(xiàn)方法, 包括但不限于PC機(jī)、服務(wù)器、SoC、FPGA等等。參照?qǐng)D8,圖8為根據(jù)本發(fā)明基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)系統(tǒng)實(shí)施例的 簡(jiǎn)單結(jié)構(gòu)示意圖,包括梯度剖面提取裝置80,用于對(duì)輸入圖像邊緣點(diǎn)進(jìn)行檢測(cè),并依據(jù)所述邊緣點(diǎn)提取 梯度剖面。
模糊效應(yīng)評(píng)價(jià)裝置82,用于依據(jù)所述梯度剖面,進(jìn)行圖像模糊效應(yīng)的度量。振鈴效應(yīng)評(píng)價(jià)裝置84,用于依據(jù)所述梯度剖面,進(jìn)行圖像振鈴效應(yīng)的度量。綜合評(píng)價(jià)裝置86,用于將所述模糊效應(yīng)度量和所述振鈴效應(yīng)度量進(jìn)行融合,獲取所述輸入圖像質(zhì)量評(píng)價(jià)參考值。下面對(duì)上述各個(gè)裝置進(jìn)行詳細(xì)說(shuō)明。梯度剖面提取裝置80包括第一類邊緣點(diǎn)檢測(cè)模塊、第二類邊緣點(diǎn)檢測(cè)模塊,第一 類邊緣點(diǎn)的檢測(cè)模塊用于通過(guò)計(jì)算水平方向和垂直方向的梯度檢測(cè)邊緣點(diǎn),第二類邊緣點(diǎn) 檢測(cè)模塊用于通過(guò)基于兩層金字塔圖像的檢測(cè)第二類邊緣點(diǎn);其中,第二類邊緣點(diǎn)檢測(cè)模 塊進(jìn)一步包括原始尺度圖像邊緣點(diǎn)檢測(cè)單元、金字塔圖像的邊緣點(diǎn)檢測(cè)單元、合并單元。其 中,原始尺度圖像邊緣點(diǎn)檢測(cè)單元用于采用高斯濾波平滑圖像,通過(guò)算子檢測(cè),獲取原始尺 度圖像的梯度并確定過(guò)零點(diǎn),提取原始尺度圖像邊緣點(diǎn);金字塔圖像的邊緣點(diǎn)檢測(cè)單元,用 于對(duì)原始尺度圖像進(jìn)行下采樣,獲取1/2尺度的金字塔圖像;采用高斯濾波平滑金字塔圖 像,通過(guò)算子檢測(cè),獲取金字塔圖像的梯度并確定過(guò)零點(diǎn),提取金字塔圖像的邊緣點(diǎn);合并 單元用于合并原始尺度圖像邊緣點(diǎn)、金字塔圖像的邊緣點(diǎn),并刪除其中的重合點(diǎn),確定輸入 圖像的邊緣點(diǎn)。其中,確定過(guò)零點(diǎn)的進(jìn)一步為;對(duì)于給定點(diǎn)水平方向的梯度值gx(x),若滿足 gxx (x-1) > 0且gxx(x+l) < 0且gx(x)≥m&,則確定該點(diǎn)為過(guò)零點(diǎn);對(duì)于給定點(diǎn)垂直方向的 梯度值gy(y),若滿足gyy(y_l) > 0且gyy(y+l) < 0且gy(y≥m、,則確定該點(diǎn)為過(guò)零點(diǎn);
合并檢測(cè)到的過(guò)零點(diǎn),并刪除其中的重合點(diǎn),獲取梯度剖面的過(guò)零點(diǎn);
為水
平方向的二階梯度;mx是圖像水平梯度的平均值
為垂直方向的二階梯度;
my是圖像垂直梯度的平均值。下面詳細(xì)介紹模糊效應(yīng)評(píng)價(jià)裝置82。模糊效應(yīng)評(píng)價(jià)裝置82進(jìn)一步包括梯度剖面銳度值確定模塊821,用于依據(jù)梯度剖面,分別計(jì)算過(guò)零點(diǎn)在水平方向和 垂直方向的梯度剖面銳度值,然后對(duì)過(guò)零點(diǎn)水平方向梯度gx與垂直方向的梯度gy進(jìn)行比 較;如果gx > gy,梯度剖面銳度值將在水平方向運(yùn)算得到;如果gx < gy,梯度剖面銳度值將 在豎直方向運(yùn)算得到。銳度直方圖建立模塊822,用于將所得的梯度剖面銳度值,利用JND門限進(jìn)行視覺(jué) 掩蔽,建立銳度直方圖。模糊效應(yīng)的評(píng)價(jià)值獲取模塊823,用于分析銳度直方圖分布中,最為銳利的邊界 點(diǎn),利用該點(diǎn)的銳度剖面值確定模糊效應(yīng)的評(píng)價(jià)值。在該裝置中,采用一種沿水平或豎直方向計(jì)算梯度剖面銳度值的快速方法;然后, 建立經(jīng)過(guò)JND掩蔽修正的剖面銳度直方圖;最后,通過(guò)對(duì)直方圖的分析得到模糊效應(yīng)的度 量。從而可以提高模糊效應(yīng)評(píng)價(jià)的準(zhǔn)確度,而且可以明顯減少自然圖像固有模糊區(qū)域?qū)δ?糊效應(yīng)度量造成的偏差。下面詳細(xì)介紹振鈴效應(yīng)評(píng)價(jià)裝置84。振鈴效應(yīng)評(píng)價(jià)裝置84進(jìn)一步包括振鈴效應(yīng)潛在區(qū)域預(yù)測(cè)模塊841,用于依據(jù)所述梯度剖面的過(guò)零點(diǎn),提取所述梯度 剖面的關(guān)聯(lián)區(qū)域,預(yù)測(cè)振鈴效應(yīng)潛在區(qū)域;
潛在區(qū)域的度量模塊842,用于依據(jù)預(yù)置標(biāo)準(zhǔn),計(jì)算所述振鈴效應(yīng)潛在區(qū)域的度量值。視覺(jué)屏蔽模塊843,用于采用JND門限計(jì)算值對(duì)所述度量值進(jìn)行視覺(jué)掩蔽,以確定 振鈴效應(yīng)的評(píng)價(jià)值。在該裝置中,首先在梯度剖面方向選取相關(guān)聯(lián)的振鈴效應(yīng)候選區(qū)域,然后計(jì)算這 些候選區(qū)域活動(dòng)度,通過(guò)JND掩蔽效應(yīng)的修正得到振鈴效應(yīng)的度量。評(píng)價(jià)裝置86進(jìn)一步包括線性歸一化處理模塊和Minkowski函數(shù)綜合評(píng)價(jià)模塊。 其中,線性歸一化處理模塊用于對(duì)獲取的所述模糊效應(yīng)的評(píng)價(jià)值、所述振鈴效應(yīng)的評(píng)價(jià)值 進(jìn)行線性歸一化處理,以將所述兩個(gè)評(píng)價(jià)值歸一化到相同的區(qū)間W,l]中;Minkowski函數(shù) 綜合評(píng)價(jià)模塊,用于采用加權(quán)Minkowski函數(shù),將模糊效應(yīng)、振鈴效應(yīng)進(jìn)行融合,以得到綜 合質(zhì)量評(píng)價(jià)值。該裝置基于Minkowsk函數(shù),最終得到符合觀察者主觀感受的圖像質(zhì)量評(píng) 價(jià)。圖8基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)系統(tǒng)適用于圖像(包括但不限于 JPEG2000壓縮的圖像)視頻幀(包括但不限於H. 264/AVC、AVS、VC-1等)的質(zhì)量評(píng)價(jià),同 時(shí)上述模糊效應(yīng)評(píng)價(jià)方法也可單獨(dú)用于圖像模糊程度的評(píng)價(jià)。以上對(duì)本發(fā)明基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)系統(tǒng)做了簡(jiǎn)單的說(shuō)明,其原理 與基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法相似,相關(guān)之處可以參考質(zhì)量評(píng)價(jià)方法的說(shuō) 明,在此不再贅述。以上對(duì)本發(fā)明所提供的一種基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法及系統(tǒng)進(jìn) 行了詳細(xì)介紹,本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述,以上實(shí)施 例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想;同時(shí),對(duì)于本領(lǐng)域的一般技術(shù)人 員,依據(jù)本發(fā)明的思想,在具體實(shí)施方式
及應(yīng)用范圍上均會(huì)有改變之處,綜上所述,本說(shuō)明 書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。
權(quán)利要求
一種基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法,包括梯度剖面提取步驟,對(duì)輸入圖像邊緣點(diǎn)進(jìn)行檢測(cè),并依據(jù)所述邊緣點(diǎn)提取梯度剖面;模糊效應(yīng)評(píng)價(jià)步驟,依據(jù)所述梯度剖面,進(jìn)行圖像模糊效應(yīng)的度量;振鈴效應(yīng)評(píng)價(jià)步驟,依據(jù)所述梯度剖面,進(jìn)行圖像振鈴效應(yīng)的度量;以及綜合評(píng)價(jià)步驟,將所述模糊效應(yīng)度量和所述振鈴效應(yīng)度量進(jìn)行融合,獲取所述輸入圖像質(zhì)量評(píng)價(jià)參考值。
2.根據(jù)權(quán)利要求1所述的基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法,其特征在于,在所述梯度剖面提取步驟中,所述邊緣點(diǎn)包括第一類邊緣點(diǎn)和第二類邊緣點(diǎn),所述第 一類邊緣點(diǎn)的檢測(cè)通過(guò)計(jì)算水平方向和垂直方向的梯度獲得,所述第二類邊緣點(diǎn)的檢測(cè)通 過(guò)基于兩層金字塔圖像的檢測(cè)方法獲得,所述兩層金字塔圖像的檢測(cè)方法包括原始尺度圖像邊緣點(diǎn)檢測(cè)步驟,采用高斯濾波平滑圖像,通過(guò)算子檢測(cè),獲取原始尺度 圖像的梯度并確定過(guò)零點(diǎn),提取原始尺度圖像邊緣點(diǎn);金字塔圖像的邊緣點(diǎn)檢測(cè)步驟,對(duì)所述原始尺度圖像進(jìn)行下采樣,獲取1/2尺度的金 字塔圖像;采用高斯濾波平滑金字塔圖像,通過(guò)算子檢測(cè),獲取所述金字塔圖像的梯度并確 定過(guò)零點(diǎn),提取所述金字塔圖像的邊緣點(diǎn);合并步驟,合并所述原始尺度圖像邊緣點(diǎn)、所述金字塔圖像的邊緣點(diǎn),并刪除其中的重 合點(diǎn),確定所述輸入圖像的邊緣點(diǎn)。
3.根據(jù)權(quán)利要求2所述的基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法,其特征在于,所 述確定過(guò)零點(diǎn)包括對(duì)于給定點(diǎn)水平方向的梯度值&(》,若滿足gxx(x-l) >0且gxx(X+l) <0且 gx(x)彡&,則確定該點(diǎn)為過(guò)零點(diǎn);對(duì)于給定點(diǎn)垂直方向的梯度值gy(y),若滿足gyy(y-l) > 0且gyy(y+l) <0且 gy(y)彡‘,則確定該點(diǎn)為過(guò)零點(diǎn);合并檢測(cè)到的過(guò)零點(diǎn),并刪除其中的重合點(diǎn),獲取梯度剖面的過(guò)零點(diǎn);其中,^⑶二^^為水平方向的二階梯度、是圖像水平梯度的平均值;OX(v)_(力垂直方向的二階梯度是圖像垂直梯度的平均值。
4.根據(jù)權(quán)利要求3所述的基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法,其特征在于,所 述模糊效應(yīng)評(píng)價(jià)步驟包括梯度剖面銳度值確定步驟,依據(jù)所述梯度剖面,分別計(jì)算所述過(guò)零點(diǎn)在水平方向和垂 直方向的梯度剖面銳度值,然后對(duì)所述過(guò)零點(diǎn)水平方向梯度gx與垂直方向的梯度gy進(jìn)行比 較;如果gx > gy,梯度剖面銳度值將在水平方向運(yùn)算得到;如果gx < gy,梯度剖面銳度值將 在豎直方向運(yùn)算得到;銳度直方圖建立步驟,將所得的梯度剖面銳度值,利用JND門限進(jìn)行視覺(jué)掩蔽,建立銳 度直方圖;模糊效應(yīng)的評(píng)價(jià)值獲取步驟,分析所述銳度直方圖分布中,最為銳利的邊界點(diǎn),利用該 點(diǎn)的銳度剖面值確定所述模糊效應(yīng)的評(píng)價(jià)值。
5.根據(jù)權(quán)利要求4所述的基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法,其特征在于,所述振鈴效應(yīng)評(píng)價(jià)步驟包括振鈴效應(yīng)潛在區(qū)域預(yù)測(cè)步驟,依據(jù)所述梯度剖面的過(guò)零點(diǎn),提取所述梯度剖面的關(guān)聯(lián)區(qū)域,預(yù)測(cè)振鈴效應(yīng)潛在區(qū)域;潛在區(qū)域的度量步驟,依據(jù)預(yù)置標(biāo)準(zhǔn),計(jì)算所述振鈴效應(yīng)潛在區(qū)域的度量值; 視覺(jué)屏蔽步驟,采用JND門限計(jì)算值對(duì)所述度量值進(jìn)行視覺(jué)掩蔽,以確定振鈴效應(yīng)的 評(píng)價(jià)值。
6.根據(jù)權(quán)利要求5所述的基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法,其特征在于,所 述評(píng)價(jià)步驟包括線性歸一化處理步驟,對(duì)獲取的所述模糊效應(yīng)的評(píng)價(jià)值、所述振鈴效應(yīng)的評(píng)價(jià)值進(jìn)行 線性歸一化處理,以將所述兩個(gè)評(píng)價(jià)值歸一化到相同的區(qū)間W,l]中;Minkowski函數(shù)綜合評(píng)價(jià)步驟,采用加權(quán)Minkowski函數(shù),將模糊效應(yīng)、振鈴效應(yīng)進(jìn)行 融合,以得到綜合質(zhì)量評(píng)價(jià)值。
7.一種基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)系統(tǒng),包括梯度剖面提取裝置,用于對(duì)輸入圖像邊緣點(diǎn)進(jìn)行檢測(cè),并依據(jù)所述邊緣點(diǎn)提取梯度剖面;模糊效應(yīng)評(píng)價(jià)裝置,用于依據(jù)所述梯度剖面,進(jìn)行圖像模糊效應(yīng)的度量; 振鈴效應(yīng)評(píng)價(jià)裝置,用于依據(jù)所述梯度剖面,進(jìn)行圖像振鈴效應(yīng)的度量; 綜合評(píng)價(jià)裝置,用于將所述模糊效應(yīng)度量和所述振鈴效應(yīng)度量進(jìn)行融合,獲取所述輸 入圖像質(zhì)量評(píng)價(jià)參考值。
8.根據(jù)權(quán)利要求7所述的基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)系統(tǒng),其特征在于所述梯度剖面提取裝置包括第一類邊緣點(diǎn)檢測(cè)模塊、第二類邊緣點(diǎn)檢測(cè)模塊,所述第 一類邊緣點(diǎn)的檢測(cè)模塊用于通過(guò)計(jì)算水平方向和垂直方向的梯度檢測(cè)邊緣點(diǎn),第二類邊緣 點(diǎn)檢測(cè)模塊用于通過(guò)基于兩層金字塔圖像的檢測(cè)第二類邊緣點(diǎn); 其中,所述第二類邊緣點(diǎn)檢測(cè)模塊包括原始尺度圖像邊緣點(diǎn)檢測(cè)單元,采用高斯濾波平滑圖像,通過(guò)算子檢測(cè),獲取原始尺度 圖像的梯度并確定過(guò)零點(diǎn),提取原始尺度圖像邊緣點(diǎn);金字塔圖像的邊緣點(diǎn)檢測(cè)單元,對(duì)所述原始尺度圖像進(jìn)行下采樣,獲取1/2尺度的金 字塔圖像;采用高斯濾波平滑金字塔圖像,通過(guò)算子檢測(cè),獲取所述金字塔圖像的梯度并確 定過(guò)零點(diǎn),提取所述金字塔圖像的邊緣點(diǎn);合并單元,合并所述原始尺度圖像邊緣點(diǎn)、所述金字塔圖像的邊緣點(diǎn),并刪除其中的重 合點(diǎn),確定所述輸入圖像的邊緣點(diǎn)。
9.根據(jù)權(quán)利要求8所述的基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)系統(tǒng),其特征在于,所 述第二類邊緣點(diǎn)檢測(cè)模塊中包括過(guò)零點(diǎn)確定單元,用于依據(jù)如下規(guī)則確定過(guò)零點(diǎn)對(duì)于給定點(diǎn)水平方向的梯度值&(》,若滿足gxx(x_l) >0且gxx(x+l) <0且 gx(x)≥&,則確定該點(diǎn)為過(guò)零點(diǎn);對(duì)于給定點(diǎn)垂直方向的梯度值&(7),若滿足gyy(y_l) > 0且gyy(y+l) <0且 gy(y)≥‘,則確定該點(diǎn)為過(guò)零點(diǎn);合并檢測(cè)到的過(guò)零點(diǎn),并刪除其中的重合點(diǎn),獲取梯度剖面的過(guò)零點(diǎn);其中,= 為水平方向的二階梯度k是圖像水平梯度的平均值;OXdg (y)_垂直方向的二階梯度是圖像垂直梯度的平均值。
10.根據(jù)權(quán)利要求9所述的基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)系統(tǒng),其特征在于, 所述模糊效應(yīng)評(píng)價(jià)裝置包括梯度剖面銳度值確定模塊,用于依據(jù)所述梯度剖面,分別計(jì)算所述過(guò)零點(diǎn)在水平方向 和垂直方向的梯度剖面銳度值,然后對(duì)所述過(guò)零點(diǎn)水平方向梯度gx與垂直方向的梯度gy進(jìn) 行比較;如果gx > gy,梯度剖面銳度值將在水平方向運(yùn)算得到;如果gx < gy,梯度剖面銳度 值將在豎直方向運(yùn)算得到;銳度直方圖建立模塊,用于將所得的梯度剖面銳度值,利用JND門限進(jìn)行視覺(jué)掩蔽,建 立銳度直方圖;以及模糊效應(yīng)的評(píng)價(jià)值獲取模塊,用于分析所述銳度直方圖分布中,最為銳利的邊界點(diǎn),利 用該點(diǎn)的銳度剖面值確定所述模糊效應(yīng)的評(píng)價(jià)值; 所述振鈴效應(yīng)評(píng)價(jià)裝置包括振鈴效應(yīng)潛在區(qū)域預(yù)測(cè)模塊,用于依據(jù)所述梯度剖面的過(guò)零點(diǎn),提取所述梯度剖面的 關(guān)聯(lián)區(qū)域,預(yù)測(cè)振鈴效應(yīng)潛在區(qū)域;潛在區(qū)域的度量模塊,用于依據(jù)預(yù)置標(biāo)準(zhǔn),計(jì)算所述振鈴效應(yīng)潛在區(qū)域的度量值; 視覺(jué)屏蔽模塊,用于采用JND門限計(jì)算值對(duì)所述度量值進(jìn)行視覺(jué)掩蔽,以確定振鈴效 應(yīng)的評(píng)價(jià)值;以及,所述評(píng)價(jià)裝置進(jìn)一步包括線性歸一化處理模塊,用于對(duì)獲取的所述模糊效應(yīng)的評(píng)價(jià)值、所述振鈴效應(yīng)的評(píng)價(jià)值 進(jìn)行線性歸一化處理,以將所述兩個(gè)評(píng)價(jià)值歸一化到相同的區(qū)間W,l]中;以及Minkowski函數(shù)綜合評(píng)價(jià)模塊,用于采用加權(quán)Minkowski函數(shù),將模糊效應(yīng)、振鈴效應(yīng) 進(jìn)行融合,以得到綜合質(zhì)量評(píng)價(jià)值。
全文摘要
本發(fā)明公開(kāi)了一種基于梯度剖面的圖像無(wú)參考質(zhì)量評(píng)價(jià)方法及系統(tǒng)。該圖像無(wú)參考質(zhì)量評(píng)價(jià)系統(tǒng)包括用于對(duì)輸入圖像邊緣點(diǎn)進(jìn)行檢測(cè),并依據(jù)邊緣點(diǎn)提取梯度剖面的梯度剖面提取裝置、用于依據(jù)梯度剖面,進(jìn)行圖像模糊效應(yīng)的度量的模糊效應(yīng)評(píng)價(jià)裝置、用于依據(jù)梯度剖面,進(jìn)行圖像振鈴效應(yīng)的度量的振鈴效應(yīng)評(píng)價(jià)裝置,以及用于將模糊效應(yīng)度量和振鈴效應(yīng)度量進(jìn)行融合,獲取輸入圖像質(zhì)量評(píng)價(jià)參考值的綜合評(píng)價(jià)裝置?;诒景l(fā)明,可以對(duì)各種類型的自然圖像進(jìn)行質(zhì)量評(píng)價(jià),特別是針對(duì)由于離焦、運(yùn)動(dòng)等原因?qū)е碌牟糠帜:膱D像,具有很好的魯棒性。
文檔編號(hào)G06T7/00GK101877127SQ20091023786
公開(kāi)日2010年11月3日 申請(qǐng)日期2009年11月12日 優(yōu)先權(quán)日2009年11月12日
發(fā)明者王詩(shī)淇, 趙德斌, 陳建華, 馬思偉, 高文 申請(qǐng)人:北京大學(xué)