本發(fā)明涉及圖像質(zhì)量處理技術(shù)領(lǐng)域，尤其涉及一種圖像質(zhì)量評(píng)價(jià)方法及系統(tǒng)。

背景技術(shù)：

數(shù)字圖像作為信息表達(dá)與交流的元素，獲得了廣泛的運(yùn)用。然而，數(shù)字圖像在采集、壓縮、傳輸、處理、重建過(guò)程中伴隨著降低質(zhì)量和失真[1]。因此，圖像質(zhì)量評(píng)價(jià)(imagequalityassessment，iqa)的研究成為數(shù)字圖像處理領(lǐng)域的一個(gè)重要內(nèi)容。

根據(jù)參考圖像是否存在，圖像質(zhì)量評(píng)價(jià)可以分為全參考(fr)評(píng)價(jià)、半?yún)⒖?rr)評(píng)價(jià)和無(wú)參考(nr)評(píng)價(jià)[2]。mse和psnr是迄今為止運(yùn)用最為廣泛的全參考圖像質(zhì)量評(píng)估方法。這兩類方法雖然有著計(jì)算簡(jiǎn)單、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，但只計(jì)算了像素點(diǎn)之間的絕對(duì)誤差，沒(méi)有考慮像素點(diǎn)之間的相關(guān)性和人眼視覺(jué)系統(tǒng)的感知特性，容易造成在評(píng)價(jià)圖像質(zhì)量時(shí)出現(xiàn)嚴(yán)重不符實(shí)際的情況[3][4]。

近年來(lái)學(xué)者們提出了更加適應(yīng)人眼視覺(jué)特性的評(píng)價(jià)算法。zhouwang等人[2]在通用圖像質(zhì)量指數(shù)(universalimagequalityindex，uqi)[5]的基礎(chǔ)上，發(fā)展和產(chǎn)生了structuralsimilarityindex(ssim指數(shù))。之后大批學(xué)者在ssim的基礎(chǔ)上提出了許多改進(jìn)的方法。后來(lái)，linzhang等人[6]基于自然場(chǎng)景分析(nss)的方法，提出引入相位一致性(pc)和梯度相似度(gm)作為評(píng)價(jià)特征的fsim模型。實(shí)驗(yàn)證明這些方法優(yōu)于mse和psnr，但是ssim評(píng)價(jià)模型對(duì)圖像的結(jié)構(gòu)特征還只停留在標(biāo)量的層面上，導(dǎo)致ssim在圖片高度模糊時(shí)失去有效性。

自然圖像作為二維信號(hào)，具有高度結(jié)構(gòu)化的特征，必然具有矢量特性。圖像各像素點(diǎn)之間表現(xiàn)出強(qiáng)烈的依賴關(guān)系，這種相關(guān)性構(gòu)成了二維圖像的結(jié)構(gòu)，而hvs(人類視覺(jué)系統(tǒng),humanvisualsystem)的主要功能就是從視野中獲取結(jié)構(gòu)信息。鑒于riesz變換在多維信號(hào)處理上的良好表現(xiàn)，linzhang等人[7]構(gòu)建了rfsim模型，xue-gangluo等人[8]提出了rmfsim模型。但是這些方法只是簡(jiǎn)單的應(yīng)用riesz變換構(gòu)造局部特征，沒(méi)有充分挖掘單演信號(hào)理論的物理含義，因此還有很大的改進(jìn)空間。

[1]guk,zhaig,yangx,etal.subjectiveandobjectivequalityassessmentforimageswithcontrastchange[c]//imageprocessing(icip),201320thieeeinternationalconferenceon.ieee,2013:383-387.

[2]wangz,bovikac,sheikhhr,etal.imagequalityassessment:fromerrorvisibilitytostructuralsimilarity[j].ieeetransactionsonimageprocessing,2004,13(4):600-612.

[3]wangz,bovikac.meansquarederror:loveitorleaveit？anewlookatsignalfidelitymeasures[j].ieeesignalprocessingmagazine,2009,26(1):98-117.

[4]wangz.applicationsofobjectiveimagequalityassessmentmethods[applicationscorner][j].ieeesignalprocessingmagazine,2011,28(6):137-142.

[5]z.wang，a.c.bovik，h.r.sheik.“auniversalimagequalityindex”,ieeesignalprocessingletters,vol.9,no.3,pp.81-84,2002.

[6]zhangl,zhangl,moux,etal.fsim:afeaturesimilarityindexforimagequalityassessment[j].ieeetransactionsonimageprocessing,2011,20(8):2378-2386.

[7]zhangl,zhangl,moux.rfsim:afeaturebasedimagequalityassessmentmetricusingriesztransforms[c]//imageprocessing(icip),201017thieeeinternationalconferenceon.ieee,2010:321-324.

[8]luoxg,wanghj,wangs.monogenicsignaltheorybasedfeaturesimilarityindexforimagequalityassessment[j].aeu-internationaljournalofelectronicsandcommunications,2015,69(1):75-81.

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于解決當(dāng)前圖像質(zhì)量評(píng)價(jià)方法對(duì)嚴(yán)重失真圖像的評(píng)價(jià)不準(zhǔn)確問(wèn)題，提出了一種結(jié)合risez變換和人眼視覺(jué)系統(tǒng)特性的圖像質(zhì)量評(píng)價(jià)方法。該方法充分利用單演信號(hào)理論和log-gabor濾波器，同時(shí)結(jié)合csf(視覺(jué)對(duì)比度敏感函數(shù)，contrastsensitivityfunction)特性曲線來(lái)分配不同頻段的權(quán)重，得到相似度矩陣，然后利用mpc(單演信號(hào)相位一致性，monogenicphasecongruency)圖來(lái)構(gòu)造池化函數(shù)，得到最終的圖像質(zhì)量評(píng)價(jià)指數(shù)，本發(fā)明通過(guò)在多個(gè)數(shù)據(jù)庫(kù)上進(jìn)行測(cè)試，結(jié)果表明，本發(fā)明整體性能優(yōu)異。

本發(fā)明的上述技術(shù)問(wèn)題主要是通過(guò)下述技術(shù)方案得以解決的：

一種圖像質(zhì)量評(píng)價(jià)方法，具體步驟如下：

步驟s1：利用log-gabor濾波器分別對(duì)參考圖像r和失真圖像d進(jìn)行5尺度分解，

步驟s2：基于單演信號(hào)理論對(duì)分解后的圖像進(jìn)行riesz變換，得到5對(duì)單演信號(hào)；

步驟s3：對(duì)5對(duì)單演信號(hào)進(jìn)行局部特征的相似度計(jì)算，得到5組單演相似度函數(shù)，進(jìn)而得到5幅單演相似度圖；

步驟s4：利用csf曲線設(shè)置5幅單演相似度圖的權(quán)重，然后進(jìn)行加權(quán)求和，得到1幅單演相似度圖sm；

步驟s5：計(jì)算參考圖像r和失真圖像d的梯度幅度相似度圖sg；

步驟s6：利用步驟s2得到的參考圖像r的單演信號(hào)進(jìn)行單演相位一致性計(jì)算，得到池化函數(shù)；

步驟s7：最后利用池化函數(shù)對(duì)單演相似度圖sm和梯度幅度相似度圖sg的乘積進(jìn)行卷積，得到最終的圖像質(zhì)量評(píng)價(jià)指數(shù)。

其中，所述步驟s1中二維形式的log-gabor濾波器的頻域表達(dá)式為：

其中，ω0為濾波器的中心頻率，σ0決定了濾波器的帶寬，θ0為濾波器的方向角，σθ決定了濾波器的角頻寬。

其中，由于單個(gè)log-gabor濾波器的帶寬限制，需要由多個(gè)log-gabor濾波器在半徑方向和角度方向拼接成一個(gè)完整的濾波器組，采用的log-gabor濾波器組的拼接參數(shù)為：半徑方向拼接數(shù)量nr＝5，角度方向拼接數(shù)量nθ＝1。

其中，利用log-gabor濾波器組分別對(duì)參考圖像r和失真圖像d進(jìn)行5尺度分解，得到分解后的圖像r^bi(i＝1，2，3，4，5)和d^bi(i＝1，2，3，4，5)log-gabor濾波器組的中心頻率ω0分別為和

其中，所述步驟s2中riesz變換核的空域表達(dá)形式為：

其頻域響應(yīng)為：

(h1(u，v)，h2(u，v))＝(-ju/||(u，v)||，-jv/||(u，v)||)(3)

以參考圖像r為例，對(duì)其進(jìn)行一階riesz變換，得到：

參考圖像r的單演信號(hào)rm被定義為：

rm＝[r，r1，r2]＝[r，h1(x，y)*r，h2(x，y)*r]

＝r-(i，j)fr(x，y)(5)

其中，i和j為虛數(shù)單位；

riesz變換空間是一個(gè)球形坐標(biāo)系，r、r1、r2分別是空間中的點(diǎn)在球形坐標(biāo)系三個(gè)軸上的投影；在此空間域上，局部幅值a、局部方向θ和局部相位可以表示為：

其中，

其中，所述步驟s2中對(duì)分解后的圖像進(jìn)行riesz變換，得到5對(duì)單演信號(hào)，實(shí)現(xiàn)步驟如下：

第一步，對(duì)分解后的圖像r^bi(i＝1，2，3，4，5)進(jìn)行riesz變換，得到5

個(gè)單演信號(hào)于是，公式(6)變?yōu)椋?/p>

其中，分別為分解后的圖像r^bi的局部幅值、局部方向和局部相位，i＝1，2，3，4，5；

第二步，對(duì)分解后的圖像d^bi(i＝1，2，3，4，5)進(jìn)行riesz變換，得到5個(gè)單演信號(hào)于是，公式(6)變?yōu)椋?/p>

其中，分別為分解后的圖像d^bi的局部幅值、局部方向和局部相位，i＝1，2，3，4，5。

其中，步驟s3中對(duì)5對(duì)單演信號(hào)進(jìn)行局部特征的相似度計(jì)算，得到5組單演相似度函數(shù)，進(jìn)而得到5幅單演相似度圖，具體為：

第一步，計(jì)算riesz變換空間下各點(diǎn)的特征量，包括幅值、相位角、方向角，構(gòu)造參考圖像和失真圖像在像素點(diǎn)(x,y)的單演信號(hào)相似度：

其中，分別為圖像r^bi和圖像d^bi的局部幅值相似度、局部方向相似度和局部相位相似度，i＝1，2，3，4，5，c1是一個(gè)小的正常數(shù)，c1＝77256.2025；

第二步，構(gòu)造參數(shù)smi，作為單演信號(hào)相似度圖：

其中，i＝1，2，3，4，5。

其中，步驟s4中利用csf曲線設(shè)置5幅單演相似度圖的權(quán)重，然后進(jìn)行加權(quán)求和，得到1幅單演相似度圖sm，具體為：

利用csf曲線設(shè)置5幅單演相似度圖的權(quán)重ki(i＝1，2，3，4，5)，然后進(jìn)行加權(quán)求和，得到1幅單演相似度圖sm：

sm＝k1sm1+k2sm2+k3sm3+k4sm4+k5sm5(11)

其中k1＝0.3370，k2＝0.8962，k3＝0.9809，k4＝0.9753，k5＝0.7411。

其中，所采用的視覺(jué)對(duì)比敏感度函數(shù)(contrastsensitivityfunction，csf)模型：

a(fr)≈2.6[0.0192+0.114fr]exp[-(0.114fr)^1.1]

其中，fr為空間頻率，單位為周期/度，fu、fv分別為水平、豎直方向的空間頻率分量。

其中，所述步驟s5計(jì)算參考圖像r和失真圖像d的梯度幅度相似度圖sg，實(shí)現(xiàn)步驟如下：

第一步，計(jì)算參考圖像r和失真圖像d的各像素點(diǎn)的梯度幅度g；

利用scharr算子來(lái)獲得像素點(diǎn)的水平梯度gh和垂直梯度gv，然后計(jì)算參考圖像和失真圖像各像素點(diǎn)的梯度幅度g；以參考圖像r為例，梯度幅度g計(jì)算公式如(13)、(14)所示：

第二步，計(jì)算參考圖像r梯度幅度圖gr和失真圖像梯度幅度圖gd的梯度幅度相似度圖sg：

其中，gr(x，y)和gd(x，y)分別為參考圖像和失真圖像在像素點(diǎn)(x,y)的梯度幅值，c2和c3為小的正常數(shù)，c2＝87497.64，c3＝65025。

其中，所述步驟s6中利用參考圖像r得到的單演信號(hào)進(jìn)行單演相位一致性計(jì)算，得到池化函數(shù)mpc，實(shí)現(xiàn)步驟如下：

根據(jù)公式(7)，可算出局部能量信息的總和為：

其中，

局部幅度的總和為：

則單演相位一致性模型(也就是池化函數(shù))表示為：

其中，符號(hào)表示：符號(hào)內(nèi)的兩個(gè)函數(shù)之差若大于等于零，則值為其本身，若小于零，則值等于零；ξ為增益系數(shù)，t是噪聲補(bǔ)償因子，w(x)是將濾波響應(yīng)擴(kuò)展值應(yīng)用于s型生長(zhǎng)曲線的權(quán)重函數(shù)，表示為：

其中，c是過(guò)濾響應(yīng)濾波器的截止值，在此之下相位一致性將會(huì)受到抑制；g是一個(gè)控制截止明銳度的增益因子；

擴(kuò)展函數(shù)s(x)為：

其中，amax(x，y)是濾波器在(x,y)處的最大響應(yīng)的振幅，ε是一個(gè)小的正常數(shù)，其中，g＝1.8182，ε＝0.0001。

其中，所述步驟s7中利用池化函數(shù)mpc對(duì)單演相似度圖sm和梯度幅度相似度圖sg的乘積進(jìn)行卷積，得到最終的圖像質(zhì)量評(píng)價(jià)指數(shù)，實(shí)現(xiàn)步驟如下：

聯(lián)合公式(11)(15)，同時(shí)利用單演相位一致性評(píng)價(jià)模型作為池化函數(shù)mpc，得到最終的質(zhì)量評(píng)價(jià)分?jǐn)?shù)：

rvsim＝sm·sg*mpc(21)

公式(21)即為提出的圖像質(zhì)量評(píng)價(jià)指數(shù)。

一種采用上述所述的圖像質(zhì)量評(píng)價(jià)方法的系統(tǒng)，包括：

分解單元，用于利用log-gabor濾波器分別對(duì)參考圖像r和失真圖像d進(jìn)行5尺度分解，

riesz變換單元，用于基于單演信號(hào)理論對(duì)分解后的圖像進(jìn)行riesz變換，得到5對(duì)單演信號(hào)；

第一計(jì)算單元，用于對(duì)5對(duì)單演信號(hào)進(jìn)行局部特征的相似度計(jì)算，得到5組單演相似度函數(shù)，進(jìn)而得到5幅單演相似度圖；

第二計(jì)算單元，用于利用csf曲線設(shè)置5幅單演相似度圖的權(quán)重，然后進(jìn)行加權(quán)求和，得到1幅單演相似度圖sm；

第三計(jì)算單元，用于計(jì)算參考圖像r和失真圖像d的梯度幅度相似度圖sg；

第四計(jì)算單元，用于利用riesz變換單元得到的參考圖像r的單演信號(hào)進(jìn)行單演相位一致性計(jì)算，得到池化函數(shù)；

圖像質(zhì)量評(píng)價(jià)指數(shù)獲取單元，用于最后利用池化函數(shù)對(duì)單演相似度圖sm和梯度幅度相似度圖sg的乘積進(jìn)行卷積，得到最終的圖像質(zhì)量評(píng)價(jià)指數(shù)。

有益效果：

本發(fā)明提出了一種結(jié)合risez變換和人眼視覺(jué)系統(tǒng)特性的圖像質(zhì)量評(píng)價(jià)方法。該方法充分利用單演信號(hào)理論和log-gabor濾波器，同時(shí)結(jié)合csf(視覺(jué)對(duì)比度敏感函數(shù)，contrastsensitivityfunction)特性曲線來(lái)分配不同頻段的權(quán)重，得到相似度矩陣，然后利用mpc(單演信號(hào)相位一致性，monogenicphasecongruency)圖來(lái)構(gòu)造池化函數(shù)，得到最終的圖像質(zhì)量評(píng)價(jià)指數(shù)，本發(fā)明通過(guò)在多個(gè)數(shù)據(jù)庫(kù)上進(jìn)行測(cè)試，結(jié)果表明，本發(fā)明整體性能優(yōu)異。

附圖說(shuō)明

圖1是riesz變換空間圖。

圖2是csf特性曲線圖。

圖3是圖像質(zhì)量評(píng)價(jià)方法流程框圖。

圖4是本發(fā)明設(shè)計(jì)的log-gabor濾波器組和濾波示例。

圖5是monarch圖、w(x,y)三維曲面圖和w(x,y)三維曲旋轉(zhuǎn)圖。

圖6是c1/c2/c3最優(yōu)值的確定圖。

圖7是live數(shù)據(jù)庫(kù)中不同iqa算法的評(píng)估散點(diǎn)圖。

圖8是17個(gè)iqa模型的gmad競(jìng)爭(zhēng)圖。

圖9是圖像質(zhì)量評(píng)價(jià)系統(tǒng)結(jié)構(gòu)框圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明：

實(shí)施例1

如圖3所示，本發(fā)明提出的結(jié)合risez變換和人眼視覺(jué)系統(tǒng)特性的圖像質(zhì)量評(píng)價(jià)方法，(簡(jiǎn)稱rvsim)包含以下步驟：

第一步，將參考圖像r和失真圖像d分別經(jīng)過(guò)5尺度log-gabor帶通濾波，得到圖像在5個(gè)不同頻段的分量r^b1/r^b2/r^b3/r^b4/r^b5和d^b1/d^b2/d^b3/d^b4/d^b5。

第二步，基于單演信號(hào)理論對(duì)分解后的圖像進(jìn)行riesz變換得到5對(duì)單演信號(hào)和

第三步，利用5對(duì)單演信號(hào)進(jìn)行局部特征(包括局部幅度a、局部相位和局部方向θ)的相似度計(jì)算，得到5組單演相似度函數(shù)

，進(jìn)而得到5幅單演相似度圖sm1/sm2/sm3/sm4/sm5。

第四步，利用csf曲線設(shè)置5幅單演相似度圖的權(quán)重k1/k2/k3/k4/k5，然后進(jìn)行加權(quán)求和，得到1幅單演相似度圖sm。

第五步，計(jì)算參考圖像r和失真圖像d的梯度幅度相似度圖sg。

第六步，利用參考圖像r得到的單演信號(hào)進(jìn)行單演相位一致性(mpc)計(jì)算，得到池化(pooling)函數(shù)mpc。

第七步，最后利用池化函數(shù)mpc對(duì)單演相似度圖sm和梯度幅度相似度圖sg的乘積進(jìn)行卷積，得到提出的圖像質(zhì)量評(píng)價(jià)指數(shù)。

本發(fā)明提出的結(jié)合risez變換和人眼視覺(jué)系統(tǒng)特性的圖像質(zhì)量評(píng)價(jià)方法，第一步中采用的二維形式的loggabor濾波器的頻域表達(dá)式為：

其中，ω0為濾波器的中心頻率，σ0決定了濾波器的帶寬，θ0為濾波器的方向角,σθ決定了濾波器的角頻寬。

在實(shí)際應(yīng)用中，由于單個(gè)log-gabor濾波器的帶寬限制，需要由多個(gè)log-gabor濾波器在半徑方向和角度方向拼接成一個(gè)完整的濾波器組。

本發(fā)明最終確定的log-gabor濾波器組的拼接參數(shù)為：半徑方向拼接數(shù)量nr＝5，角度方向拼接數(shù)量nθ＝1。為了說(shuō)明這兩個(gè)參數(shù)選取的合理性，表1列出了取不同拼接參數(shù)時(shí)，將rvsim算法應(yīng)用于live數(shù)據(jù)庫(kù)得到的srocc/krocc/plcc/rmse性能指標(biāo)，最高性能用黑體字突出。從表1可以看出，徑向拼接數(shù)量nr＝5、橫向拼接數(shù)量nθ＝1時(shí)，rvsim算法取得最佳性能。

表一srocc值與live數(shù)據(jù)庫(kù)每個(gè)失真類型的比較

利用log-gabor濾波器組分別對(duì)參考圖像r和失真圖像d進(jìn)行5尺度分解，得到分解后的圖像r^bi(i＝1，2，3，4，5)和d^bi(i＝1，2，3，4，5)log-gabor濾波器組的中心頻率ω0分別為和5個(gè)頻段分別為：[0.4786，0.2026]/[0.2611，0.0965]/[0.1243，0.0460]/[0.0591，0.0221/[0.0282，0.0105]。

所述步驟s2中riesz變換核的空域表達(dá)形式為：

其頻域響應(yīng)為：

(h1(u，v)，h2(u，v))＝(-ju/||(u，v)||，-jv/||(u，v)||)(3)

以參考圖像r為例，對(duì)其進(jìn)行一階riesz變換，得到：

參考圖像r的單演信號(hào)rm被定義為：

rm＝[r，r1，r2]＝[r，h1(x，y)*r，h2(x，y)*r]

＝r-(i，j)fr(x，y)(5)

其中，i和j為虛數(shù)單位；

如圖1所示，riesz變換空間是一個(gè)球形坐標(biāo)系，r、r1、r2分別是空間中的點(diǎn)在球形坐標(biāo)系三個(gè)軸上的投影；在riesz變換空間域上，局部幅值a、局部方向θ和局部相位可以表示為：

其中，

所述步驟s2中對(duì)分解后的圖像進(jìn)行riesz變換，得到5對(duì)單演信號(hào)，實(shí)現(xiàn)步驟如下：

第一步，對(duì)分解后的圖像r^bi(i＝1，2，3，4，5)進(jìn)行riesz變換，得到5個(gè)單演信號(hào)于是，公式(6)變?yōu)椋?/p>

其中，分別為分解后的圖像r^bi的局部幅值、局部方向和局部相位，i＝1，2，3，4，5；

第二步，對(duì)分解后的圖像d^bi(i＝1，2，3，4，5)進(jìn)行riesz變換，得到5個(gè)單演信號(hào)于是，公式(6)變?yōu)椋?/p>

其中，分別為分解后的圖像d^bi的局部幅值、局部方向和局部相位，i＝1，2，3，4，5。

本發(fā)明設(shè)計(jì)的log-gabor濾波器組如圖4所示，從左到右的中心頻率ω0依次為和利用這個(gè)log-gabor濾波器組對(duì)live庫(kù)中的兩幅樣本圖像濾波，分別得到圖像在對(duì)應(yīng)5個(gè)頻段的不同分量。需要說(shuō)明的是，樣本圖像在進(jìn)行濾波之前首先經(jīng)過(guò)了灰度化處理。

從圖4中可以看出，的log-gabor濾波器取出了圖像中的高頻分量，主要體現(xiàn)原始圖像最精細(xì)尺度的細(xì)節(jié)信息，的log-gabor濾波器取出了圖像中的次高頻分量，以此類推，的log-gabor濾波器包含了大量低頻分量，主要體現(xiàn)原始圖像的輪廓信息。細(xì)節(jié)信息描述了圖像紋理等小尺度部分，剩余大尺度信息表達(dá)了圖像的基本結(jié)構(gòu)和變化趨勢(shì)部分。

步驟s3中對(duì)5對(duì)單演信號(hào)進(jìn)行局部特征的相似度計(jì)算，得到5組單演相似度函數(shù)，進(jìn)而得到5幅單演相似度圖，具體為：

第一步，計(jì)算riesz變換空間下各點(diǎn)的特征量，包括幅值、相位角、方向角，構(gòu)造參考圖像和失真圖像在像素點(diǎn)(x,y)的單演信號(hào)相似度：

其中，分別為圖像r^bi和圖像d^bi的局部幅值相似度、局部方向相似度和局部相位相似度，i＝1，2，3，4，5，c1是一個(gè)小的正常數(shù)，c1＝77256.2025；

第二步，構(gòu)造參數(shù)smi，作為單演信號(hào)相似度圖：

其中，i＝1，2，3，4，5。

步驟s4中利用csf曲線設(shè)置5幅單演相似度圖的權(quán)重，然后進(jìn)行加權(quán)求和，得到1幅單演相似度圖sm，具體為：

利用csf曲線設(shè)置5幅單演相似度圖的權(quán)重ki(i＝1，2，3，4，5)，然后進(jìn)行加權(quán)求和，得到1幅單演相似度圖sm：

sm＝k1sm1+k2sm2+k3sm3+k4sm4+k5sm5(11)

其中k1＝0.3370，k2＝0.8962，k3＝0.9809，k4＝0.9753，k5＝0.7411。

本發(fā)明設(shè)計(jì)的log-gabor濾波器組將對(duì)應(yīng)csf曲線分為5段，以濾波器的半功率點(diǎn)作為帶寬界限，得到log-gabor濾波器組的5個(gè)頻段，取每個(gè)頻段的最大值作為該段單演相似度圖的權(quán)重，得到k1＝0.3370，k2＝0.8962，k3＝0.9809，k4＝0.9753，k5＝0.7411。

本發(fā)明采用mannos等人提出的csf模型，所采用的視覺(jué)對(duì)比敏感度函數(shù)(contrastsensitivityfunction，csf)模型為：

a(fr)≈2.6[0.0192+0.114fr]exp[-(0.114fr)^1.1](12)

其中，fr為空間頻率，單位為周期/度，fu、fv分別為水平、豎直方向的空間頻率分量。為了使表示更加直觀，將空間頻率fr歸一化為周期/像素后，得到歸一化的csf特性曲線如圖2所示。

所述步驟s5計(jì)算參考圖像r和失真圖像d的梯度幅度相似度圖sg，實(shí)現(xiàn)步驟如下：

第一步，計(jì)算參考圖像r和失真圖像d的各像素點(diǎn)的梯度幅度g；

利用scharr算子來(lái)獲得像素點(diǎn)的水平梯度gh和垂直梯度gv，然后計(jì)算參考圖像和失真圖像各像素點(diǎn)的梯度幅度g；以參考圖像r為例，梯度幅度g計(jì)算公式如(13)、(14)所示：

第二步，計(jì)算參考圖像r梯度幅度圖gr和失真圖像梯度幅度圖gd的梯度幅度相似度圖sg：

其中，gr(x，y)和gd(x，y)分別為參考圖像和失真圖像在像素點(diǎn)(x,y)的梯度幅值，c2和c3為小的正常數(shù)，c2＝87497.64，c3＝65025。sg(x，y)的數(shù)值范圍為(0，1]，數(shù)值越小，表明梯度幅度失真越嚴(yán)重。當(dāng)sg(x，y)＝1時(shí)，說(shuō)明參考圖像和失真圖像在該像素點(diǎn)的梯度幅度無(wú)失真。常數(shù)c3可以防止公式(11)出現(xiàn)奇異現(xiàn)象，c2和c3在調(diào)節(jié)低梯度區(qū)域的對(duì)比響應(yīng)中起到重要作用。

所述步驟s6中利用參考圖像r得到的單演信號(hào)進(jìn)行單演相位一致性計(jì)算，得到池化函數(shù)mpc，實(shí)現(xiàn)步驟如下：

根據(jù)公式(7)，可算出局部能量信息的總和為：

其中，

局部幅度的總和為：

則單演相位一致性模型(也就是池化函數(shù))表示為：

其中，符號(hào)表示：符號(hào)內(nèi)的兩個(gè)函數(shù)之差若大于等于零，則值為其本身，若小于零，則值等于零；ξ為增益系數(shù)，t是噪聲補(bǔ)償因子，w(x)是將濾波響應(yīng)擴(kuò)展值應(yīng)用于s型生長(zhǎng)曲線的權(quán)重函數(shù)，表示為：

其中，c是過(guò)濾響應(yīng)濾波器的截止值，在此之下相位一致性將會(huì)受到抑制；g是一個(gè)控制截止明銳度的增益因子；

擴(kuò)展函數(shù)s(x)為：

其中，amax(x，y)是濾波器在(x,y)處的最大響應(yīng)的振幅，ε是一個(gè)小的正常數(shù)，其中，g＝1.8182，ε＝0.0001。

為了更直觀的展示權(quán)重函數(shù)，圖5以live庫(kù)中的monarch為例，繪制了w(x，y)和s(x，y)的三維曲面圖。圖5中，從左到右依次為monarch圖、w(x，y)三維曲面圖和w(x，y)三維曲面旋轉(zhuǎn)圖。

所述步驟s7中利用池化函數(shù)mpc對(duì)單演相似度圖sm和梯度幅度相似度圖sg的乘積進(jìn)行卷積，得到最終的圖像質(zhì)量評(píng)價(jià)指數(shù)，實(shí)現(xiàn)步驟如下：

聯(lián)合公式(11)(15)，同時(shí)利用單演相位一致性評(píng)價(jià)模型作為池化函數(shù)mpc，得到最終的質(zhì)量評(píng)價(jià)分?jǐn)?shù)：

rvsim＝sm·sg*mpc(21)

公式(21)即為提出的圖像質(zhì)量評(píng)價(jià)指數(shù)。

常數(shù)c1/c2/c3的確定如下：

常數(shù)c1、c2和c3除了可以規(guī)避sa^bi(i＝1,2,3,4,5)和sg的定義式出現(xiàn)奇異現(xiàn)象外，還起到了微調(diào)rvsim指數(shù)的作用。為了確定常數(shù)c1、c2和c3的最優(yōu)取值，本發(fā)明利用評(píng)價(jià)指標(biāo)srocc在live數(shù)據(jù)庫(kù)上進(jìn)行正交實(shí)驗(yàn)。為了在實(shí)驗(yàn)的復(fù)雜度和參數(shù)確定之間取得平衡，我們進(jìn)行了兩輪正交實(shí)驗(yàn)。類似于ssim模型，首先令[c1，c2，c3]＝[(k1*l)²，(k2*l)²，(k3*l)²]，l＝255。

第一輪：第一步固定k2＝k2＝1.0，當(dāng)k1取不同值時(shí)將rvsim算法應(yīng)用于live數(shù)據(jù)庫(kù)，得到k1-srocc曲線，如圖6a所示，可見(jiàn)k1＝1.0時(shí)srocc取得最大值。第二步固定k1＝1.0，k3＝1.0，當(dāng)k2取不同值時(shí)將rvsim算法應(yīng)用于live數(shù)據(jù)庫(kù)，得到k2-srocc曲線，如圖6b所示，可見(jiàn)k2＝1.2時(shí)srocc取得最大值。第三步固定k1＝1.0，k2＝1.2，當(dāng)k3取不同值時(shí)將rvsim算法應(yīng)用于live數(shù)據(jù)庫(kù)，得到k3-srocc曲線，如圖6c所示，可見(jiàn)k3＝1.0時(shí)srocc取得最大值。至此，第一輪實(shí)驗(yàn)結(jié)束，得到的參數(shù)為：k1＝1.0,k2＝1.2,k3＝1.0。

第二輪：在第一輪實(shí)驗(yàn)得到參數(shù)的基礎(chǔ)上，重復(fù)第一輪的實(shí)驗(yàn)，得到如圖7d/e/f所示的結(jié)果。至此，第兩輪實(shí)驗(yàn)結(jié)束，最終確定的參數(shù)為：k1＝1.09,k2＝1.16,k3＝1.00。

本發(fā)明的優(yōu)點(diǎn)可以通過(guò)以下實(shí)驗(yàn)具體說(shuō)明：

為了驗(yàn)證rvsim算法的性能，本發(fā)明首先通過(guò)四個(gè)圖像數(shù)據(jù)庫(kù)live、csiq、tid2008和tid2013進(jìn)行指標(biāo)測(cè)試。live數(shù)據(jù)庫(kù)包含29張參考圖像和779張失真圖像，失真類型包括jpeg2000、jpeg壓縮、白噪聲、高斯模糊和瑞利衰落，數(shù)據(jù)庫(kù)中提供了每個(gè)圖像的差分平均意見(jiàn)分?jǐn)?shù)(differentialmeanopinionscores，dmos)，較小的dmos值表示較高的圖像質(zhì)量。csiq數(shù)據(jù)庫(kù)包含30張參考圖像，每張參考圖像具有6種失真類型，每種失真有4-5種程度。tid2008數(shù)據(jù)庫(kù)包括25幅彩色參考圖像,失真圖像包括17種不同的失真,每個(gè)失真含4個(gè)不同的等級(jí),共計(jì)1700幅圖像。庫(kù)中的17種失真分別為：加性高斯噪聲、顏色分量強(qiáng)于照明分量的加性噪聲、空間位置相關(guān)噪聲、掩模噪聲、高頻噪聲、脈沖噪聲、量化噪聲、高斯模糊、圖像噪聲、jpeg壓縮、jpeg2000壓縮、jpeg傳輸錯(cuò)誤、jpeg2000傳輸錯(cuò)誤、非偏心式噪聲、不同強(qiáng)度的局部塊失真、強(qiáng)度均值偏移和對(duì)比度變化。tid2013包括25幅參考圖像和3000幅失真圖像，圖像的分辨率為384×512。所有圖像均為彩色bmp格式。該數(shù)據(jù)庫(kù)中共有24種類型的失真，每幅圖像的每種失真有5個(gè)不同的強(qiáng)度。除tid2008中的17種失真外，增加了7種新的失真類型：色彩飽和度改變、乘性高斯噪聲、舒適噪聲、含噪聲的有損壓縮、帶抖動(dòng)的圖像顏色量差、色差和稀疏采樣與重構(gòu)。

本發(fā)明使用5參數(shù)非線性邏輯回歸函數(shù)擬合數(shù)據(jù)，使用四個(gè)相應(yīng)的指數(shù)來(lái)客觀地比較算法的性能：pearson線性相關(guān)系數(shù)plcc，均方根誤差rmse，kendall秩序相關(guān)系數(shù)krocc和spearman秩相關(guān)系數(shù)srocc。

其中，x是客觀iqa分?jǐn)?shù)，f(x)是iqa回歸擬合分?jǐn)?shù)，β1、β2、β3、β4和β5是回歸函數(shù)參數(shù)。

自然界中的圖像是豐富多彩的，僅對(duì)這四個(gè)數(shù)據(jù)庫(kù)的實(shí)驗(yàn)還不足以說(shuō)明問(wèn)題，為了以更客觀公平的方式測(cè)試算法性能，本發(fā)明還在waterlooexploration數(shù)據(jù)庫(kù)中開(kāi)展了競(jìng)爭(zhēng)排名(groupmaximumdifferentiationcompetition，gmad)。waterlooexploration數(shù)據(jù)庫(kù)包含4744張?jiān)甲匀粓D像和94880張失真圖像。并且gmad競(jìng)爭(zhēng)可以自動(dòng)地從數(shù)據(jù)庫(kù)中選擇圖像對(duì)的子集，其提供最強(qiáng)的測(cè)試以使iqa模型彼此競(jìng)爭(zhēng)。對(duì)所選子集的主觀測(cè)試揭示了iqa模型的相對(duì)性能。

性能比較如下：

表2列出了rvsim算法在live、csiq、tid2008、tid2013四個(gè)數(shù)據(jù)庫(kù)上的表現(xiàn)。從表2可以看到，rvsim算法的iqa指標(biāo)在所有4個(gè)數(shù)據(jù)庫(kù)上都有非常好的表現(xiàn)，體現(xiàn)了rvsim的優(yōu)異性能。

表2不同數(shù)據(jù)庫(kù)中不同算法的srocc/krocc/plcc/rmse性能比較

圖7示出了live數(shù)據(jù)庫(kù)上的psnr、ssim、ms-ssim、iw-ssim、fsim和rvsim指數(shù)相對(duì)于dmos的預(yù)測(cè)質(zhì)量得分散點(diǎn)圖。從圖7可以發(fā)現(xiàn)，rvsim的散點(diǎn)圖在整個(gè)坐標(biāo)系統(tǒng)中均勻分布，并且與dmos具有很強(qiáng)的線性關(guān)系，這表明rvsim模型與人眼具有很強(qiáng)的一致性。

圖8給出了17個(gè)算法的gmad競(jìng)爭(zhēng)排名情況，除rvsim外，其余16個(gè)iqa模型數(shù)據(jù)是官方對(duì)已有的知名模型測(cè)試得到的結(jié)果。從圖8可見(jiàn)，rvsim的綜合性能排名第一，而且遠(yuǎn)超第二名ms-ssim和第三名cornia。

本發(fā)明針對(duì)全參考圖像質(zhì)量評(píng)價(jià)問(wèn)題，提出了一種結(jié)合riesz變換和視覺(jué)對(duì)比敏感度的圖像質(zhì)量評(píng)價(jià)方法(rvsim)。rvsim充分利用單演信號(hào)理論和log-gabor濾波器，結(jié)合csf特性曲線來(lái)分配不同頻段的權(quán)重，同時(shí)引入梯度幅度相似度，得到相似度矩陣，然后利用mpc圖來(lái)構(gòu)造池化函數(shù)，得到最終的質(zhì)量評(píng)價(jià)指數(shù)。rgsim算法首次將riesz解析空間中的局部特征，包括幅度值，局部相位和局部方向，應(yīng)用于圖像質(zhì)量評(píng)價(jià)，取得了良好的效果。5個(gè)流行數(shù)據(jù)庫(kù)上的測(cè)試結(jié)果表明，rgsim算法整體性能優(yōu)異。

實(shí)施例2

本實(shí)施例2是系統(tǒng)實(shí)施例，上述實(shí)施例1是方法實(shí)施例，需要說(shuō)明的是，本實(shí)施例2與上述實(shí)施例1屬于同一技術(shù)構(gòu)思，在本實(shí)施例中未詳盡描述的內(nèi)容，請(qǐng)參見(jiàn)方法實(shí)施例1.

如圖9所示，一種采用所述的圖像質(zhì)量評(píng)價(jià)方法的系統(tǒng)，包括：

分解單元，用于利用log-gabor濾波器分別對(duì)參考圖像r和失真圖像d進(jìn)行5尺度分解，

riesz變換單元，用于基于單演信號(hào)理論對(duì)分解后的圖像進(jìn)行riesz變換，得到5對(duì)單演信號(hào)；

第一計(jì)算單元，用于對(duì)5對(duì)單演信號(hào)進(jìn)行局部特征的相似度計(jì)算，得到5組單演相似度函數(shù)，進(jìn)而得到5幅單演相似度圖；

第二計(jì)算單元，用于利用csf曲線設(shè)置5幅單演相似度圖的權(quán)重，然后進(jìn)行加權(quán)求和，得到1幅單演相似度圖sm；

第三計(jì)算單元，用于計(jì)算參考圖像r和失真圖像d的梯度幅度相似度圖sg；

第四計(jì)算單元，用于利用riesz變換單元得到的參考圖像r的單演信號(hào)進(jìn)行單演相位一致性計(jì)算，得到池化函數(shù)；

圖像質(zhì)量評(píng)價(jià)指數(shù)獲取單元，用于最后利用池化函數(shù)對(duì)單演相似度圖sm和梯度幅度相似度圖sg的乘積進(jìn)行卷積，得到最終的圖像質(zhì)量評(píng)價(jià)指數(shù)。

本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所做的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。