基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法
【專利摘要】本發(fā)明公開一種基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法,該方法通過定義的模糊度來分辨出不同種類的圖像失真類型,來補償結(jié)構(gòu)相似性模型無法根據(jù)不同種類失真圖像的情況做出相應(yīng)反饋的不足。根據(jù)在現(xiàn)有的LIVE數(shù)據(jù)庫以及TID2008數(shù)據(jù)庫上的測試結(jié)果來看,本發(fā)明大幅度提升了結(jié)構(gòu)相似性模型的準(zhǔn)確性,并且優(yōu)于大部分主流全參考圖像質(zhì)量評價方法。此外,本發(fā)明中的結(jié)構(gòu)補償方法同時可以作為快速高效的圖像失真類型分辨來單獨使用,并且兼具了計算復(fù)雜度低,執(zhí)行效率高的特點。
【專利說明】基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是一種圖像質(zhì)量評價領(lǐng)域,具體是一種基于結(jié)構(gòu)補償(Structure Compensation)的結(jié)構(gòu)相似性模型(SSM)的全參考圖像質(zhì)量評價方法(SC-SSM)。
【背景技術(shù)】
[0002] 隨著諸如圖像視頻壓縮、存儲以及傳輸技術(shù)在多媒體領(lǐng)域的廣泛應(yīng)用,對于高效 的圖像質(zhì)量評價技術(shù)的需求也在高速增長。現(xiàn)有的圖像質(zhì)量評價方法主要分為主觀與客觀 兩種。其中主觀評價方法應(yīng)當(dāng)是最為貼近真實的,但是代價非常昂貴,同時十分浪費時間, 并且這種主觀評價方式在實時圖像處理系統(tǒng)中是無法應(yīng)用的。而對于客觀質(zhì)量評價,均方 差(Mean-Squared Error)以及峰值信噪比(Peak Signal-to-Noise Ratio)這兩種評價方 法在當(dāng)前有著非常廣泛的應(yīng)用,然而這兩種方法并不能非常準(zhǔn)確的與人們的主觀評價結(jié)果 相匹配。
[0003] 考慮到這種狀況,Z. Wang 等人在 2004 年《IEEE Transaction on Image Processing))上發(fā)表了"Image quality assessment:From error visibility to structural similarity",充分考慮到人類視覺認知系統(tǒng),提出了一種全新的基于圖像結(jié) 構(gòu)信息的客觀圖像質(zhì)量評價方法,即結(jié)構(gòu)相似指數(shù)(SSIM)。Z. Wang因此論文獲得IEEE Signal Processing Society Best Paper Award。隨后,大量的基于結(jié)構(gòu)相似指數(shù)的改進方 法紛紛涌現(xiàn)。例如,Z. Wang 等人又在 2011 年《IEEE Transaction on Image Processing》 發(fā)表的論文"Information content weighting for perceptual image quality assessment",提出基于信息內(nèi)容加權(quán)的結(jié)構(gòu)相似指數(shù)(IW-SSIM)等。此外,還有一些基于 人類視覺認知系統(tǒng)的模型陸續(xù)提出,比如H. R. Sheikh等人在2006年《IEEE Transaction on Image Processing》發(fā)表的論文"Image information and visual quality ",提出視覺 信息保真度模型(VIF)等。然而,這些質(zhì)量評價方式并沒有考慮到對不同失真類型來進行 相對的反饋。這促使我們?nèi)ピO(shè)計一種新的客觀質(zhì)量評價方法,將不同失真類型的不同反饋 融入其中,從而提高客觀圖像質(zhì)量評價的準(zhǔn)確度。
【發(fā)明內(nèi)容】
[0004] 針對現(xiàn)有技術(shù)的不足,本發(fā)明提供一種基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法,在本 發(fā)明之中,通過定義的模糊度分辨出不同種類的圖像失真類型,來補償結(jié)構(gòu)相似性模型無 法根據(jù)不同種類失真圖像的情況做出相應(yīng)反饋的不足。
[0005] 本發(fā)明是通過以下技術(shù)方案實現(xiàn)的,本發(fā)明包括以下步驟:
[0006] 第一步、確定參考圖X與失真圖Y的結(jié)構(gòu)相似指數(shù)SSM(X,Y);
[0007] 第二步、確定參考圖X與參考圖X經(jīng)過高斯低通濾波后的圖像μ x的結(jié)構(gòu)相似指 數(shù),將結(jié)果定義為參考圖X的模糊度AMB (X);
[0008] 第三步、確定失真圖Y與失真圖Y經(jīng)過高斯低通濾波后的圖像μ γ的結(jié)構(gòu)相似指 數(shù),結(jié)果為失真圖Υ的模糊度AMB (Υ);
[0009] 第四步、確定參考圖X的模糊度AMB⑴與失真圖Y的模糊度AMB⑴之差,將結(jié)果 定義為參考圖X與失真圖Y的結(jié)構(gòu)補償SC(X,Y);
[0010] 第五步、將參考圖X與失真圖Y的結(jié)構(gòu)相似指數(shù)SSIM(X,Y)與參考圖X與失真 圖Y的結(jié)構(gòu)補償sc(x,Y)進行非線性組合,結(jié)果即為基于結(jié)構(gòu)補償?shù)慕Y(jié)構(gòu)相似性指數(shù) SC-SSIM(X, Y);
[0011] 第六步、根據(jù)視頻質(zhì)量專家組VQEG的推薦,對SC-SSIM(X,Y)進行邏輯回歸,得到 新的質(zhì)量指數(shù)SC-SSIM,該值越大則預(yù)測圖像質(zhì)量越好,值越小則預(yù)測圖像質(zhì)量越差。
[0012] 本發(fā)明的原理是,不同種類失真的圖像與其高斯低通濾波后圖像的結(jié)構(gòu)相似指數(shù) (SSIM)有著相應(yīng)的不同種類的反饋,根據(jù)這種對應(yīng)關(guān)系可以確定失真圖像的失真類型可以 來定義結(jié)構(gòu)補償(Structure Compensation),并與現(xiàn)有的結(jié)構(gòu)顯示指數(shù)(SSIM)進行非線 性組合,從而得到新的指數(shù)SC-SSIM。
[0013] 與現(xiàn)有技術(shù)相比,本發(fā)明具有如下的有益效果:
[0014] 根據(jù)在現(xiàn)有的LIVE數(shù)據(jù)庫以及TID2008數(shù)據(jù)庫上的測試結(jié)果來看,本發(fā)明大幅度 提升了結(jié)構(gòu)相似性模型的準(zhǔn)確性,并且優(yōu)于大部分主流全參考圖像質(zhì)量評價方法。此外,本 發(fā)明第四步中獲得的結(jié)構(gòu)補償同時可以作為快速高效的圖像失真類型分辨來單獨使用。值 得注意的是,本發(fā)明方法僅依賴于結(jié)構(gòu)相似性指數(shù)的計算函數(shù),而無需引入其他復(fù)雜處理, 這意味著本發(fā)明不僅顯著提升了結(jié)構(gòu)相似性模型評價方法的準(zhǔn)確度,并且兼具了計算復(fù)雜 度低,執(zhí)行效率高的特點。
【專利附圖】
【附圖說明】
[0015] 通過閱讀參照以下附圖對非限制性實施例所作的詳細描述,本發(fā)明的其它特征、 目的和優(yōu)點將會變得更明顯:
[0016] 圖1是本發(fā)明一實施例總體流程圖;
[0017] 圖2是本發(fā)明一實施例參考圖模糊度確定方式演示圖;
[0018] 圖3是本發(fā)明一實施例失真圖模糊度確定方式演示圖;
[0019] 圖4是本發(fā)明一實施例SC-SS頂在LIVE圖像質(zhì)量數(shù)據(jù)庫上與主觀評價值DM0S比 較圖;
[0020] 圖5是本發(fā)明一實施例SC-SS頂在TID2008圖像質(zhì)量數(shù)據(jù)庫上與主觀評價值M0S 比較圖。
【具體實施方式】
[0021] 下面結(jié)合具體實施例對本發(fā)明進行詳細說明。以下實施例將有助于本領(lǐng)域的技術(shù) 人員進一步理解本發(fā)明,但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是,對本領(lǐng)域的普通技術(shù) 人員來說,在不脫離本發(fā)明構(gòu)思的前提下,還可以做出若干變形和改進。這些都屬于本發(fā)明 的保護范圍。
[0022] 實施例:
[0023] 本實施例提供一種圖像質(zhì)量評價方法,具體綜合流程圖見圖1。
[0024] 第一步、確定參考圖X與失真圖Y的結(jié)構(gòu)相似指數(shù)SSM(X,Y)。具體如下:
[0025] i)分別利用下述公式計算圖像X,Y的局部統(tǒng)計平均μ χ、μ y,標(biāo)準(zhǔn)差σ χ、〇 y以及 相關(guān)系數(shù)σxy :
【權(quán)利要求】
1. 一種基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法,其特征在于包括以下步驟: 第一步、確定參考圖X與失真圖Y的結(jié)構(gòu)相似指數(shù)SSIM(X,Y); 第二步、確定參考圖X與參考圖X經(jīng)過高斯低通濾波后的圖像μ x的結(jié)構(gòu)相似指數(shù),將 結(jié)果定義為參考圖X的模糊度AMB(X); 第三步、確定失真圖Y與失真圖Y經(jīng)過高斯低通濾波后的圖像μ γ的結(jié)構(gòu)相似指數(shù),結(jié) 果為失真圖Υ的模糊度ΑΜΒ (Υ); 第四步、確定參考圖X的模糊度ΑΜΒ(Χ)與失真圖Υ的模糊度ΑΜΒ(Υ)之差,將結(jié)果定義 為參考圖X與失真圖Υ的結(jié)構(gòu)補償SC(X,Υ); 第五步、將參考圖X與失真圖Y的結(jié)構(gòu)相似指數(shù)SSIM(X,Y)與參考圖X與失真圖Y的 結(jié)構(gòu)補償SC(X,Y)進行非線性組合,結(jié)果即為基于結(jié)構(gòu)補償?shù)慕Y(jié)構(gòu)相似性指數(shù)SC-SSIM(X, Y); 第六步、根據(jù)視頻質(zhì)量專家組VQEG的推薦,對SC-SSIM(X,Y)進行邏輯回歸,得到新的 質(zhì)量指數(shù)SC-SSIM,該值越大則預(yù)測圖像質(zhì)量越好,值越小則預(yù)測圖像質(zhì)量越差。
2. 根據(jù)權(quán)利要求1所述的基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法,其特征是,所述第一步, 具體實現(xiàn)如下: i) 分別利用下述公式計算圖像X,γ的局部統(tǒng)計平均μ χ、μ y,標(biāo)準(zhǔn)差σ x、〇 y以及相關(guān) 系數(shù)σ xy :
其中N為圖像被窗口切分的數(shù)量,高斯權(quán)重窗口 ω = = 1,2, 3,…,N},每個窗 口大小11*11,標(biāo)準(zhǔn)差為1. 5并且進行了歸一化處理; ii) 分別計算圖像X,Y的亮度1 (X,y)、對比度c (X,y)以及結(jié)構(gòu)相似度s (X,y):
其中 Q = 〇(山)2, C2 = (K2L)2, C3 = Q/2, & = 0· 01,K2 = 0· 03, L 為灰階深度; iii)計算出圖像X、Y的結(jié)構(gòu)相似指數(shù):
其中Xi,yi分別為參考圖X、失真圖Υ在第i個窗口的圖像內(nèi)容。
3. 根據(jù)權(quán)利要求2所述的基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法,其特征是,所述第二步 中,參考圖X模糊度AMB(X): AMB(X) = SSIM(X, μ χ) 其中SSIM( ·)的計算方式與權(quán)利要求2中的相同。
4. 根據(jù)權(quán)利要求2所述的基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法,其特征是,所述第三步 中,失真圖Y模糊度AMB⑴: AMB(Y) = SSIM(Y, μγ) 其中SSIM( ·)的計算方式與權(quán)利要求2中的相同。
5. 根據(jù)權(quán)利要求1-4任一項所述的基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法,其特征是,所 述第四步中,參考圖X與失真圖Y的結(jié)構(gòu)補償SC(X,Y) : SC(X, Y) = AMB(X) - AMB(Y) 〇
6. 根據(jù)權(quán)利要求1-4任一項所述的基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法,其特征是,所 述第五步,具體實現(xiàn)如下: 所述的結(jié)構(gòu)相似指數(shù)SSIM(X,Y)與結(jié)構(gòu)補償SC(X,Y)的非線性組合:
其中α、β、Yl、¥2和Y3是模型的參數(shù),在圖像數(shù)據(jù)庫上訓(xùn)練得到:其中α =-2. 8386, β = 1. 5043, γ i = 4. 8668, γ 2 = 1. 4292, γ 3 = 2. 1988。
7. 根據(jù)權(quán)利要求1-4任一項所述的基于結(jié)構(gòu)補償?shù)膱D像質(zhì)量評價方法,其特征是,所 述第六步,具體實現(xiàn)如下: 所沭的圖像質(zhì)量專家纟目VQEG椎薦的邏輯回歸方法:
其中 β 丨至 β 4 由擬合時確定,β 丨=-25876, β 2 = 105. 2060, β 3 = 3. 0684,β 4 = 0. 3676 ; χ即為SC_SSIM(X,Υ),q(x)為最終的圖像質(zhì)量評價指標(biāo)SC-SSIM。
【文檔編號】G06T7/00GK104123723SQ201410323907
【公開日】2014年10月29日 申請日期:2014年7月8日 優(yōu)先權(quán)日:2014年7月8日
【發(fā)明者】顧錁, 翟廣濤, 許祺, 楊小康 申請人:上海交通大學(xué)