專利名稱：一種基于奇異值分解的圖像質(zhì)量評(píng)價(jià)方法
技術(shù)領(lǐng)域：
本發(fā)明提出一種基于奇異值分解的圖像質(zhì)量評(píng)價(jià)方法，屬于圖像質(zhì)量評(píng)價(jià)領(lǐng)域。 具體涉及一種基于圖像奇異值分解，獲得含有圖像結(jié)構(gòu)信息和亮度信息的奇異特征向量的 客觀圖像質(zhì)量評(píng)價(jià)方法。
背景技術(shù)：
圖像質(zhì)量評(píng)價(jià)是圖像處理系統(tǒng)的關(guān)鍵技術(shù)之一，有很多因素影響到對(duì)圖像質(zhì)量好 壞的判斷。圖像質(zhì)量評(píng)價(jià)的方法和指標(biāo)，可在視頻編碼、圖像處理系統(tǒng)等應(yīng)用領(lǐng)域中對(duì)如何 改進(jìn)圖像質(zhì)量、選擇相應(yīng)的圖像處理方法提供有益的指導(dǎo)。圖像質(zhì)量評(píng)價(jià)方法主要分為主觀質(zhì)量評(píng)價(jià)方法和客觀質(zhì)量評(píng)價(jià)方法兩類。主觀評(píng) 價(jià)方法是指把多個(gè)觀察者對(duì)待評(píng)價(jià)圖像的質(zhì)量進(jìn)行主觀打分來進(jìn)行加權(quán)平均的綜合評(píng)價(jià)， 最常用的主觀質(zhì)量評(píng)價(jià)方法有主觀平均分法(Mean Opinion Score，M0S)，差分主觀平均分 法(Difference Mean Opinion Score,DM0S)等。因其在實(shí)際應(yīng)用中需要眾多評(píng)估者參與， 步驟復(fù)雜、耗時(shí)長(zhǎng)、費(fèi)用高，且結(jié)果易受觀察者、測(cè)試條件和環(huán)境的影響，穩(wěn)定性差等受到很 大限制。目前的研究以客觀評(píng)價(jià)方法為主，研究目標(biāo)是使得質(zhì)量評(píng)價(jià)模型準(zhǔn)確地反映人眼 視覺感知的主觀質(zhì)量?？陀^質(zhì)量評(píng)價(jià)的主要目的是用客觀、定量的數(shù)學(xué)模型給出的量化指 標(biāo)或參數(shù)來表達(dá)人們對(duì)圖像的主觀感受。數(shù)學(xué)模型的應(yīng)用使得圖像的客觀質(zhì)量評(píng)價(jià)具有快 速、穩(wěn)定、易于被量化的特點(diǎn)。目前最常用的客觀圖像質(zhì)量評(píng)價(jià)指標(biāo)是均方誤差(Mean Square Error，MSE)和峰 值信噪比(Peak Signal Noise Ratio，PSNR)，它們都是基于統(tǒng)計(jì)特性的客觀圖像質(zhì)量評(píng)價(jià) 方法。MSE和PSNR的計(jì)算比較直觀、簡(jiǎn)單，這使得它們一直得到廣泛使用。但僅是對(duì)像素 點(diǎn)之間誤差的純數(shù)學(xué)統(tǒng)計(jì)，沒有考慮到像素點(diǎn)間的相關(guān)性和人眼視覺系統(tǒng)(Human Visual System, HVS)的感知特性，在很多情況下不符合人的主觀感受?；贖VS模型，在分析人眼主要視覺特性的基礎(chǔ)上提出一種圖像質(zhì)量評(píng)價(jià)新方 法，這些方法的處理步驟包括預(yù)處理、對(duì)比敏感度濾波、通道分解、誤差量化和誤差合并 等。但是，一些固有的困難阻礙了此類方法的發(fā)展。首先，由于人眼視覺特性非常復(fù)雜，目 前的研究?jī)H考慮了已知的幾個(gè)人眼視覺特性，人們對(duì)HVS的認(rèn)識(shí)還不透徹，無法建立精確、 統(tǒng)一的模型，這直接影響到質(zhì)量估計(jì)的準(zhǔn)確性。其次，HVS是一個(gè)極為復(fù)雜的系統(tǒng)，對(duì)HVS組 成結(jié)構(gòu)的模擬通常會(huì)導(dǎo)致算法復(fù)雜、運(yùn)算量大。因此，基于HVS模型的方法目前還不能取代 被廣泛采用的PSNR和MSE等簡(jiǎn)單誤差標(biāo)準(zhǔn)。Zhou Wang等學(xué)者提出了一種基于結(jié)構(gòu)失真的圖像質(zhì)量評(píng)價(jià)方法，結(jié)構(gòu)相似性理 論和結(jié)構(gòu)相似度(Structural Similarity, SSIM)指數(shù)。結(jié)構(gòu)相似性理論從高層次上模擬 HVS的整體功能，認(rèn)為HVS的主要功能是從視野中提取結(jié)構(gòu)信息，因此用對(duì)結(jié)構(gòu)信息的度量 作為圖像感知質(zhì)量的近似。該圖像質(zhì)量評(píng)價(jià)方法從圖像組成的角度將結(jié)構(gòu)信息定義為獨(dú)立 于亮度、對(duì)比度的，反映場(chǎng)景中物體結(jié)構(gòu)的屬性，并將失真建模為亮度、對(duì)比度和結(jié)構(gòu)三個(gè)不同因素的組合進(jìn)行了分析研究，基于結(jié)構(gòu)失真模型取得了較好的圖像質(zhì)量評(píng)價(jià)效果。同 樣，該方法也存在一定的缺陷。例如，對(duì)于模糊失真類型的圖像質(zhì)量評(píng)價(jià)的準(zhǔn)確性較低；對(duì) 不同失真類型、不同失真強(qiáng)度圖像的評(píng)價(jià)缺乏一致性。也有學(xué)者嘗試?yán)闷娈愔捣纸獾挠?jì)算方法，總結(jié)出用于圖像質(zhì)量評(píng)價(jià)的方法。例 如，騫森等人提出基于奇異值分解的質(zhì)量評(píng)價(jià)方法，利用不同奇異值特征向量之間的夾角 的性質(zhì)對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)，這種方法對(duì)不同失真類型、不同失真強(qiáng)度圖像的評(píng)價(jià)缺乏一 致性。張飛燕等人提出的一種基于視覺加權(quán)的奇異值分解壓縮圖像質(zhì)量評(píng)價(jià)測(cè)度方法，主 要針對(duì)壓縮重建圖像進(jìn)行質(zhì)量評(píng)價(jià)。

發(fā)明內(nèi)容
1、目的本發(fā)明的目的是提供一種基于奇異值分解的圖像質(zhì)量評(píng)價(jià)方法，該方法 在圖像分塊的基礎(chǔ)上，基于奇異值分解，提出結(jié)合分解后獲得的左奇異向量U，右奇異向量 V和奇異值特征向量S，這些奇異特征向量中含有圖像結(jié)構(gòu)信息和亮度信息，按照特定的方 法計(jì)算，總結(jié)出一種基于奇異值分解的圖像質(zhì)量評(píng)價(jià)方法。2、技術(shù)方案本發(fā)明一種基于奇異值分解的圖像質(zhì)量評(píng)價(jià)方法，該方法具體步驟 如下步驟一將原始圖像與失真圖像，大小均為mXn，分成規(guī)則的圖像塊，例如，kXk 分塊。圖像塊個(gè)數(shù)為(mXn/kXk)個(gè)。(k小于m，n)步驟二 按步驟一進(jìn)行分塊后，對(duì)原始圖像和失真圖像分成的圖像塊，按照數(shù)值計(jì) 算的奇異值分解原理編程實(shí)現(xiàn)奇異值分解，獲得分解向量，U, V，S和u(p)，v(p), s(p)。其中， U，V，S分別代表原始圖像單個(gè)圖像塊奇異值分解獲得的左奇異向量，右奇異向量及奇異值 特征向量；u(p)，v(p)，s(p)分別代表失真圖像對(duì)應(yīng)圖像塊奇異值分解的左奇異向量，右奇異向 量及奇異值特征向量。步驟三根據(jù)步驟二中獲得的分解向量，計(jì)算原始圖像單個(gè)圖像塊與失真圖像對(duì) 應(yīng)圖像塊的左、右奇異向量u，v和u(p)，v(p)中所含圖像結(jié)構(gòu)信息具有結(jié)構(gòu)失真，因此考慮構(gòu) 造圖像結(jié)構(gòu)失真Cuv，具體如下左奇異向量大小為kXk，按列向量方式表示U，U = [U1, U2，... UJixk ；右奇異值向 量大小為kXk，按列向量方式表示V，V = [V1, Y2,... ViJixk構(gòu)造
權(quán)利要求
一種基于奇異值分解的圖像質(zhì)量評(píng)價(jià)方法，其特征在于該方法具體步驟如下步驟一將原始圖像與失真圖像，大小均為m×n，分成規(guī)則的圖像塊k×k分塊，圖像塊個(gè)數(shù)為m×n/k×k個(gè)，k小于m，n；步驟二按步驟一進(jìn)行分塊后，對(duì)原始圖像和失真圖像分成的圖像塊，按照數(shù)值計(jì)算的奇異值分解原理編程實(shí)現(xiàn)奇異值分解，獲得分解向量，U，V，S和U(p)，V(p)，S(p)；其中，U，V，S分別代表原始圖像單個(gè)圖像塊奇異值分解獲得的左奇異向量，右奇異向量及奇異值特征向量；U(p)，V(p)，S(p)分別代表失真圖像對(duì)應(yīng)圖像塊奇異值分解的左奇異向量，右奇異向量及奇異值特征向量；步驟三根據(jù)步驟二中獲得的分解向量，計(jì)算原始圖像單個(gè)圖像塊與失真圖像對(duì)應(yīng)圖像塊的左、右奇異向量U，V和U(p)，V(p)中所含圖像結(jié)構(gòu)信息具有結(jié)構(gòu)失真，因此考慮構(gòu)造圖像結(jié)構(gòu)失真CUV，具體實(shí)現(xiàn)如下左奇異向量大小為k×k，按列向量方式表示U，U＝[U1，U2，...Ui]1×k；右奇異值向量大小為k×k，按列向量方式表示V，V＝[V1，V2，...Vi]1×k構(gòu)造并令γi＝(αi+βi)，代表了原始圖像單個(gè)圖像塊與失真圖像對(duì)應(yīng)圖像塊分解向量U，V和U(p)，V(p)中含有的全部信息；構(gòu)造代表了原始圖像與不失真圖像的圖像塊分解向量U，V和U，V中含有的全部信息；由奇異值分解特征知，認(rèn)為γ0i和γi的差值表示圖像信息損失，構(gòu)造計(jì)算方法完成對(duì)原始圖像單個(gè)圖像塊和失真圖像對(duì)應(yīng)圖像塊的圖像結(jié)構(gòu)失真衡量；同時(shí)，計(jì)算原始圖像單個(gè)圖像塊與失真圖像對(duì)應(yīng)圖像塊的奇異值特征向量S和S(p)中所含圖像亮度信息具有亮度失真，因此構(gòu)造圖像亮度失真CS，具體實(shí)現(xiàn)如下原始圖像單個(gè)圖像塊奇異值分解得到奇異值特征向量S＝[σ1，σ2，...，σi]，對(duì)應(yīng)失真圖像對(duì)應(yīng)圖像塊奇異值分解得到奇異值特征向量構(gòu)造計(jì)算方法完成對(duì)原始圖像單個(gè)圖像塊和失真圖像對(duì)應(yīng)圖像塊的圖像亮度失真衡量；步驟四聯(lián)合計(jì)算原始圖像單個(gè)圖像塊和失真圖像對(duì)應(yīng)圖像塊的圖像結(jié)構(gòu)失真和圖像亮度失真，得到計(jì)算公式Dl，其中Dl＝CUV·CS；Dl表示原始圖像單個(gè)圖像塊和失真圖像對(duì)應(yīng)圖像塊中的信息損失；對(duì)于m×n/k×k個(gè)圖像塊，循環(huán)計(jì)算，獲得m×n/k×k個(gè)Dl值，并求取全部圖像塊的均值步驟五綜合上述圖像質(zhì)量評(píng)價(jià)參數(shù)，定義基于奇異值分解的圖像質(zhì)量評(píng)價(jià)指標(biāo)當(dāng)QSVD值為0時(shí)，則圖像質(zhì)量最好，隨著QSVD變化，QSVD值越大，則圖像質(zhì)量越差。FSA00000289394900011.tif,FSA00000289394900012.tif,FSA00000289394900013.tif,FSA00000289394900014.tif,FSA00000289394900015.tif,FSA00000289394900016.tif,FSA00000289394900017.tif,FSA00000289394900018.tif,FSA00000289394900019.tif,FSA00000289394900021.tif,FSA00000289394900022.tif
全文摘要
一種基于奇異值分解的圖像質(zhì)量評(píng)價(jià)方法，它有五大步驟一、將原始圖像與失真圖像，大小均為m×n，各分成m×n/k×k個(gè)圖像塊；二、對(duì)全部圖像塊，按照奇異值分解原理編程實(shí)現(xiàn)奇異值分解；三、計(jì)算原始圖像與失真圖像的圖像塊左、右奇異向量U，V和U(p)，V(p)中的結(jié)構(gòu)失真，同時(shí)，計(jì)算原始圖像與失真圖像的圖像塊奇異值特征向量S和S(p)中的亮度失真；四、綜合原始圖像和失真圖像的圖像塊亮度和結(jié)構(gòu)失真，得到公式Dl，循環(huán)計(jì)算，獲得全部m×n/k×k個(gè)圖像塊Dl值，并求均值五、綜合上述圖像質(zhì)量評(píng)價(jià)參數(shù)，定義基于奇異值分解的圖像質(zhì)量評(píng)價(jià)指標(biāo)當(dāng)QSVD值為0時(shí)，則圖像質(zhì)量最好，隨著QSVD變化，QSVD值越大，則圖像質(zhì)量越差。它在圖像質(zhì)量評(píng)價(jià)領(lǐng)域具有實(shí)用價(jià)值和廣闊的應(yīng)用前景。
文檔編號(hào)G06T7/00GK101950422SQ201010296639
公開日2011年1月19日 申請(qǐng)日期2010年9月29日 優(yōu)先權(quán)日2010年9月29日
發(fā)明者崔玉柱, 王睿 申請(qǐng)人:北京航空航天大學(xué)