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)