CN101562675B - 基于Contourlet变换的无参考型图像质量评测方法 - Google Patents

Abstract

本发明公开了一种基于Contourlet变换的无参考型自然图像质量评价方法，主要解决在原始图像未知的情况下，客观与主观质量评价值的差异问题。该方法包括：利用Contourlet变换方法对失真图像进行多尺度和多方向的子带分解；在分解后的每个子带中，利用Contourlet系数与领域系数的相关性，构建Contourlet系数与预测系数的联合直方图；根据图像在Contourlet域随尺度增加Contourlet系数递减的特性，设定阈值对联合直方图进行划分；选取划分后的直方图中能够代表图像质量的特征区域，将其进行非线性变换以表示子带质量；对每个子带得到的质量值进行加权求和，最终得到图像质量的评价值。本发明具有适用于各种失真类型图像且与主观评价一致性好的优点，可用于对图像处理方法进行有效性评测。

Description

基于Contourlet变换的无参考型图像质量评测方法

技术领域

本发明属于图像处理技术领域，特别是一种涉及对图像质量的评测方法，可用于图像压缩、图像存储、图像通信，图像检测等领域中对图像质量的评测处理。

背景技术

图像是用各种观测***以不同形式和手段观测客观世界而获得的，可以直接或间接作用于人眼并进而产生视觉的实体。人类从外界获得的信息约有75％是从图像中获得的。随着信号处理和计算机科学技术的发展，图像工程也成为一门内容丰富且发展迅速的学科。一个图像***包括图像的采集、显示、存储、通信、处理和分析。它广泛地应用于国民经济中的各个领域，如：科学研究、工业生产、医疗卫生、教育、娱乐、管理和通信等领域，对推动社会发展，改善人们生活水平都起到重要的作用。虽然图像技术取得了迅速的发展，但在目前的技术水平下仍需要在图像处理算法和设备的设计中做出某些折衷，如时间分辨率与噪声敏感度之间的折衷、空间分辨率与图像尺寸的折衷、亮度的范围与阶数之间的折衷。当在其中做出某种选择后，将会影响到重建图像的感观。为了取得最优的选择，有必要知道这些选择的结果怎样，会给重建图像的感观造成怎样的影响。通过图像质量客观评价方法，可以对一些图像处理方法进行有效的评估，最终取得一个较好的图像视觉效果。

目前的数字图像质量评价IQA的研究可以分为两种完全不同的方法：主观评价和客观评价。

第一种主要是通过主观实验来评价图像质量。一个典型方法是国际电信联盟ITU提出的电视图像的主观评价方法。主观评价实验是指，在一定的图像源、显示设备和观看环境等条件下，给观看者同时提供两幅图片，其中一幅是原始图像，另一幅是失真图像。原始的图像是没有任何损伤的，失真图像可能有失真也可能没有，即失真为零。对于观看者应包括普通人和图像专业人员和非专业人员。最后还要对大量的评分数据进行统计，包括均值、标准偏差、95％置信度区间等。主观评价的结果有两种表示方法：一种是绝对评分表达MOS，即表示失真图像的绝对质量；另一种是差值表达DMOS，即表示失真图像与原始图像评价成绩的绝对差。

图像最终是为人所观看的，因而主观实验评价方法是评价图像质量最准确和最有效的方法，但也存在严重的缺点，即主观评价实验十分耗时。实际中，需要实验的数据量非常大，并且每次做出新的设计选择时都要重新进行实验，而主观评价实验只能测试有限数量的图像样本。因此，该方法很难在实际中应用。人们迫切需要设计客观的图像质量评价方法来近似反映主观感受，这就是第二种数字图像质量的评价方法——数字图像质量客观评价方法。

数字图像质量的客观评价已经越来越为人们所重视，并已形成了许多完整有效的算法体系。从现有文献看，根据对原始图像的参考程度，图像质量的客观评价可分为三种：全参考型FR、部分参考型RR和无参考型NR。

1)全参考型

所谓全参考型就是指原始的图像信息是完全已知的，并且认为是没有任何失真的，被用来作为评价失真图像质量的参照。目前的大多数图像质量评价算法都属于全参考型。

2)部分参考型

由于参考图像数据量往往比较大，在一些情况下不便于传输和存储，特别是在通信领域，对带宽的要求很高。所谓部分参考型也就是说该算法仅利用原始图像的部分信息来估计失真图像的视觉感知质量。一个成功的部分参考型图像质量评价方法必须在特征数据率和图像质量的预测精度上取得很好的平衡。

3)无参考型

全参考型和部分参考型方法的共同点是，它们都全部或部分地依赖一个原始的且无失真的图像作为参考。在大多数实际应用中，参考图像的全部甚至部分信息是很难获得的，或者获取的成本很高，而且由于人类进行图像的主观质量评价时，即使不知道参考图像也能很轻松地判断一幅图像质量的优劣。因此，NR型质量评价方法才是真正意义上理想的图像质量评价方法。无参考型方法是一种不需要原始图像的任何信息，直接对失真图像进行评价的方法。近些年来，随着图像质量评价领域的进一步发展，NR型图像质量评价被越来越多的学者所关注。鉴于目前尚未存在一种被业界普遍承认的NR IQA方案，因而这是一个非常有意义的研究方向。

全参考型方法最大的优点就是对失真图像质量预测准确，然而，全参考型方法要求有无任何失真的原始图像，这在很多实际应用中都难以实现。部分参考型方法在进行质量评价的前提条件和最终效果上取了折衷，仅利用原始图像的部分特征信息而得到了较为符合图像主观质量分数的结果，但是由于其仍要求得知原始图像信息，因而该类方法的实用性大大降低了。无参考型方法不需要参考图像的信息而可以直接获得评价结果。随着IQA领域学者们的进一步研究，这一极具挑战性的工作也有了相应的解决方案，在对质量评价的条件放宽的同时，评价效果也得到了逐步提高。

传统的图像质量评价方法峰值信噪比PSNR等是从纯数学的角度对图像的像素之间的误差的统计，性能有很大的局限性。近年来，随着人类视觉***HVS被引入来研究图像质量评价的新方法，人眼的主要作用是为了提取视场中的结构信息。主要的IQA方法有：(1)Z Wang等提出了基于结构相似度SSIM的全参考型图像质量评价方法“Z Wang，A CBovik，H R Sheikh，and E P Simoncelli.Image quality assessment：from error visibility tostructural similarity[J].IEEE Trans.on Image Processing.2004，13(4)：600-612.”实验结果表明该方法与主观评价具有很好的相关性。但是该方法是针对图像中局部像素的相关性进行的，因此提取的图像特征信息就不够完整。(2)Hamid等针对JPEG2000失真图像提出了基于自然场景统计NSS模型的无参考型图像质量方法“H R Sheikh，A C Bovik，and LCormack.No-reference quality assessment using natural scene statistics：JPEG2000[J].IEEETrans.on Image Processing.2005，14(11)：1918-1927.”该方法根据JPEG2000图像的失***要是小波变换引入的振铃效应和模糊的原理，利用自然图像小波域的统计特性来评测图像质量，并取得了较好的评价结果。但是该方法最大的限制在于仅适用于JPEG2000失真图像，对其他的失真类型，例如JPEG图像的块效应、高斯模糊、白噪声和椒盐噪声等等，均达不到较为理想的效果。另外，由于小波变换仅能捕获图像中的奇异点信息，且只有三个方向，其在表示轮廓、曲线等视觉敏感特征方面，因缺乏方向信息而无法对图像特征进行准确建模。无参考性图像质量评价方法的核心问题是准确地构建图像模型，从而为质量评价提供一定的先验信息。所以，如何利用统计方法有效且高效地建模图像的特征信息成为对图像质量评价的关键。

发明内容

本发明的目的在于克服传统无参考型图像质量评价方法中仅对某种特定失真类型图像的质量评价，造成评价结果不准确的问题，提供一种基于Contourlet变换的无参考型图像质量评测方法，以实现对更多失真类型图像质量的有效评测。

实现本发明目的的技术方案是：根据无参考型图像质量评价体系，利用人眼视觉特性，采用Contourlet变换的方法将图像分解为多通道多方向的信息，通过对变换得到的子带系数统计子带内、子带间以及尺度间系数之间的互信息建模图像的结构信息，定义相应的视觉感知阈值以抵消图像内容对模型的影响，最终统计大于视觉感知阈值的系数的变化情况，得到对图像质量的评价测度。具体过程如下：

(1)利用Contourlet变换对失真图像进行多尺度和多方向的子带分解，得到图像的Contourlet系数C；

(2)在分解得到的子带内，选择最大尺度的两层子带，利用所得到的Contourlet系数C与其邻域系数之间的关系，得到Contourlet系数的预测系数P，即

C＝MP+N

$P=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{l}_i{C}_i$

式中，M为零均值乘性随机变量，N为零均值加性随机变量，

C_i是C在不同尺度、方向和空间上的邻域系数，

l_i是利用C_i计算P时的线性预测系数；

(3)利用Contourlet系数C与预测系数P之间的关系，构建其二者之间的联合直方图；

(4)根据Contourlet系数尺度间及方向间的统计特性，设定阈值计算公式并计算出各尺度阈值T_scale，i及各方向子带阈值T_subband，j；

(5)利用各方向子带阈值T_subband，j将步骤(3)得到的联合直方图划分为四个子区域，选择能够反映图像失真的第二子区域Sig_C，P或者第三子区域Insig_C，P表示质量特征；

(6)在所选择的各子带内，根据得到的图像质量特征Sig_C，P或者Insig_C，P，利用非线性拟合得到无参考型图像质量分数Q，即

$q_i=K_i(1-\exp (-\frac{\left({\mathrm{Sig}}_{C,P,i}|{\mathrm{Insig}}_{C,P,i}\right)-u_i}{T_i}))$

q＝[q₁，q₂，q₃，…，q_n]

Q＝qω

式中，K_i，u_i和T_i是第i个子带的拟合参数，

ω为各子带加权系数。

本发明由于采用了Contourlet变换的方法对图像结构信息在尺度和方向上进行分解，利用子带系数之间的互信息的变化对图像质量进行评价，与现有技术相比较，具有以下优点：

a)针对NR-IQA方法而言，评测适用范围有较大扩展。现有的无参考型图像质量评价方法大多仅针对于某种特定的失真类型或者失真现象，而本发明从图像建模的角度出发普遍适用于JPEG2000、Gaussian Blurring、Fast Fading和White Noisy失真图像的质量评价。

b)与人类视觉感知的一致性较好。实验表明本发明与主观质量评价实验结果的一致性较好，相对于基于Wavelet的NR-IQA方法而言，在对JPEG压缩、高斯模糊、白噪声和快速衰落失真类型的实验中，本发明的精确性分别高出了0.1973、0.1306、0.0078和0.1315。

c)无需任何原始图像信息，可以在接收端直接利用算法进行图像质量评价。相对于SSIM全参考型以及RR-WISM部分参考型比较而言，具有明显的先天优势。

附图说明

图1是本发明评测过程示意图；

图2是Contourlet变换的原理框图；

图3是本发明的图像分解示意图；

图4为本发明与现有的方法在JPEG2000图像库上的效果比较图；

图5为本发明与现有的方法在JPEG图像库上的效果比较图；

图6为本发明与现有的方法在高斯模糊图像库上的效果比较图；

图7为本发明与现有的方法在快速衰落图像库上的效果比较图；

图8为本发明与现有的方法在白噪声图像库上的效果比较图。

具体实施方式

本发明的核心思想是利用Contourlet变换多分辨率多方向的特性，有效地表示图像结构特征和方向信息。通过统计Contourlet系数与预测系数的联合直方图，利用图像在Contourlet域的统计特性设定阈值T，并计算联合直方图中，大于或者小于阈值T的系数所占的全部直方图空间的比重，将各子带所计算得到的比重进行非线性加权求和来得到图像的客观质量分数。

参照图1，本发明具体步骤如下：

一、图像分解步骤

利用Contourlet变换的方法对待评价的图像进行尺度和方向的子带分解，得到图像的光滑轮廓和闭曲线以及边缘等结构特征。

Contourlet变换对图像应用双重滤波结构，将多尺度分析和方向分析分拆进行。分解原理如图2所示，首先，由拉普拉斯金字塔LP变换对图像进行多尺度分解以捕获奇异点；接着，由方向滤波器组DFB将分布在同方向上的奇异点合成为一个系数，即将不连续的点连接成线性结构；然后，交替使用该双重滤波结构，可得到分解后图像的多尺度和多方向子带，即图像的Contourlet系数C。

本发明采用双正交9/7滤波器的三层拉普拉斯金字塔分解和“pkva”梯形滤波器的方向滤波器组分解。如图3所示，图像“Lena”经过Contourlet变换后，分解为三个尺度和“8-8-16”个方向的不同子带。

二、预测Contourlet系数步骤

图像经过Contourlet变换分解后，其系数间的相关性表现在尺度、方向和邻域间的互信息上。图像的Contourlet域统计模型就是通过捕获这些相关性来精确地描述图像视觉信息的三个基本要素：尺度、方向和空间位置信息。对每一个特定的Contourlet系数C而言，都有在同一子带内的八个邻居NC、对应较粗糙子带内的一个父亲PC和一个祖父GC以及在同尺度同位置但不同方向上的几个表兄妹CC，这些都可以被称为Contourlet系数C的邻域系数。

因此，在分解得到的多尺度和多方向子带中，选择最大两层尺度内的所有方向子带，可根据由式(1)表示的Contourlet子带系数C与其邻域系数之间的关系，利用式(2)求得每个Contourlet系数C的预测系数P：

C＝MP+N                      (1)

$P=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{l}_i{C}_i---\left(2\right)$

式中，M为零均值乘性随机变量，N为零均值加性随机变量，系数C_i是C在不同尺度、方向和空间上的邻域系数，l_i是利用C_i计算P时的线性预测系数。

三、构建联合直方图步骤

得到了Contourlet系数C的预测系数P之后，该二者之间的相互关系即可以通过构造二者之间的联合直方图来表示。联合直方图的横纵坐标就分别代表Contourlet系数C和对应的预测系数P的幅度值，整个联合直方图空间代表二者的幅度值分布情况。

通过统计在相同位置上Contourlet系数C和对应的预测系数P的幅度值对的分布，即可使得到的联合直方图空间能够表示Contourlet系数C与预测系数P之间的关系，即Contourlet系数与其邻域系数之间的关系。

四、设定阈值步骤

由于Contourlet系数受图像内容影响较大，尚不能直接用来作为图像质量的评价测度，因此利用图像Contourlet系数随尺度增加而减小的规律，通过计算随图像内容而变化阈值来划分上一步骤中的联合直方图空间，从而减小模型受图像内容的影响。

本发明对每个精细子带利用图像Contourlet系数尺度间和尺度内的统计特性，根据图像最粗糙子带Contourlet系数近似不受失真影响的原理，通过计算尺度间Contourlet系数对数域均值之差diff_i，l以及偏移量T_{offset，i，j}，根据式(3)和式(4)得到各尺度阈值T_scale，i及各方向子带阈值T_subband，j。

T_scale，i＝C_l+diff_i，l               (3)

T_subband，j＝T_scale，i+T_{offset，i，j}    (4)

其中，C_l为最低频子带系数C的对数域均值，即C_l＝Mean(log₂(|C|))，下标i和j分别表示第i个尺度与第j个子带，diff_i，l与T_{offset，i，j}通过使训练集的预测质量误差最小化得到。通过选取这样的阈值，本发明所述的图像模型将受图像内容的变化影响甚微。

五、确定质量特征步骤

利用步骤四得到的阈值将Contourlet系数C与预测系数P的联合直方图划分为四个子区域，其中第一个子区域包括Contourlet系数C重要和预测系数P不重要的部分；第二子区域包括Contourlet系数C与预测系数P同时重要的部分；第三子区域包括Contourlet系数C与预测系数P同时不重要的部分；第四子区域包括Contourlet系数C不重要，预测系数P重要的部分。图像视觉质量的损失主要体现在这些Contourlet系数C与预测系数P的重要性变化上。

由于不同类型的失真对图像的影响不同，本发明选择能够反映图像失真的第二子区域Sig_C，P或者第三子区域Insig_C，P表示质量特征，包括重要时的质量特征Sig_C，P及不重要时的质量特征Insig_C，P，如式(5)和式(6)所示：

${\mathrm{Sig}}_{C,P}=\frac{n_{C>T,P>T}}{n_{C,P}}---\left(5\right)$

${\mathrm{Insig}}_{C,P}=\frac{n_{C<T,P<T}}{n_{C,P}}---\left(6\right)$

其中，n_C>T，P>T表示子带内某系数的C和P同时重要的个数，n_C<T，P<T表示子带内某系数的C和P同时不重要的个数，n_C，P表示子带内系数的总数，T表示视觉感知阈值。

六、计算图像质量步骤

由于图像的失真体现在不同尺度上，而精细子带的系数受失真影响较大，粗糙子带则较小，故需要对不同子带内得到的质量特征进行非线性加权求和来得到图像的整体质量。因此，每个子带的特征应首先经过下述(7)式的非线性变换：

$q_i=K_i(1-\exp (-\frac{\left({\mathrm{Sig}}_{C,P,i}|{\mathrm{Insig}}_{C,P,i}\right)-u_i}{T_i}))---\left(7\right)$

其中，q_i为预测的子带图像质量，Sig_C，P，i和Insig_C，P，i为第i个子带内质量特征，K_i，u_i和T_i是第i个子带的进行非线性变换时的拟合参数，利用训练数据库中的无失真图像集的训练得出。

最终的图像质量由每个子带图像质量的加权和得到，如下式所示：

q＝[q₁，q₂，q₃，…，q_n]        (8)

Q＝qω                         (9)

其中ω为各子带加权系数，权值与拟合参数利用使得训练集中的图像质量预测误差最小化求得。

本发明的优点可通过以下实验进一步说明：

1.实验条件与评分标准

本实验是在美国TEXAS大学第二代LIVE图像质量评估数据库上进行的，该数据库包含29幅高分辨率的无失真RGB彩色图像和对应的五种类型失真图像，包括175幅JPEG图像、169幅JPEG2000图像、145幅白噪声WN图像、145幅高斯模糊Gblur图像和145幅经过快速衰落FF信道后失真的图像。数据库给出了失真图像的DMOS值来描述失真图像的质量。为了测试本发明提出的图像质量客观评价结果与主观感知的一致性，本实验选择了以下三种度量准则：(1)相关系数CC，反映了客观评价方法预测的精确性；(2)均方根误差RMSE，反映了客观评价方法的误差；(3)Spearman等级次序相关系数ROCC，反映了客观评价成绩预测的单调性。实验中，图像数据库被分为训练图像集和测试图像集。训练图像集由15组原始图像和对应的失真图像组成，另外14组图像则组成测试图像集，且二者没有重叠的部分。每次实验的自然图像都是随机选取的，结果也是以统计方式给出。

2.实验结果

表1给出了本发明与基于小波域的无参考型方法的对比实验结果。其中，“C”表示本发明，“W”表示对比方法，“Mean”表示统计数据的均值，“Std”表示统计数据的方差。

表1 基于小波域的方法和本发明的主客观一致性评价对比

由表1可以看出，本发明相对现有方法有很好的优越性：1)适用于评价更多的失真类型，即对数据库提供的无种失真类型都有可以接受的效果，比现有方法适用性好；2)有更高的预测精确性，即除了JPEG2000图像外，其他图像失真类型的相关系数为0.574、0.853、0.892和0.958，比现有方法相关系数大；3)有更低的误差，即全部图像失真类型的均方根误差为8.621、24.45、14.67、8.274和9.6，比现有方法均方根误差小；4)有更严格的预测单调性，即除了JPEG2000图像外，其他图像失真类型的等级次序相关系数0.556、0.823、0.856和0.601，比现有方法等级次序相关系数大。

图4至图8显示本发明比现有方法与主观MOS值具有更好地的非线性拟合曲线逼近效果，并从统计的角度给出实验结果的对比。其中的图4(a)、图5(a)、图6(a)、图7(a)和图8(a)中的曲线为主观观测值MOS与客观分数值的最佳匹配曲线，横坐标表示图像的客观评测值，纵坐标为图像的主观评测值。“+”代表现有方法的结果，“o”代表本发明的结果，该符号的分布越接近图中的曲线，表明方法越有效。

图4是现有方法和本发明在JPEG2000图像库上的运行结果比较。其中图4(a)是两种方法运行一次的客观值对主观评价值MOS的预测曲线图及其对应的结果，图4(b)、图4(c)和图4(d)依次给出了多次运行后CC、RMSE和ROCC的归一化直方图，其中的虚线表示横坐标轴所示数据的均值。从图4(a)中可以看出“o”的分布范围比较大，偏离曲线比较远。从图4(b)、图4(c)和图4(d)中可以看出本发明在JPEG2000图像库上的统计结果比现有方法稍差。

图5是现有方法和本发明在JPEG图像库上的运行结果比较。其中图5(a)、图5(b)、图5(c)和图5(d)表示的意义与图4相同。从图5(a)可以看出“+”的分布偏离曲线比较远，而“o”的分布相对较为集中且动态范围较大。从图5(b)、图5(c)和图5(d)中可以看出本发明在JPEG图像库上的统计结果比现有方法较好。

图6是现有方法和本发明在Gblur图像库上的运行结果比较。其中图6(a)、图6(b)、图6(c)和图6(d)表示的意义与图4相同。从图6(a)可以看出“+”的分布较为分散且偏离曲线比较远，而“o”的分布相对均匀，且集中。从图6(b)、图6(c)和图6(d)的统计数据中可以看出本发明在Gblur图像库上相对于现有方法有较大的提高。

图7是现有方法和本发明在FF图像库上的运行结果比较。其中图7(a)、图7(b)、图7(c)和图7(d)表示的意义与图4相同。从图7(a)可以看出“+”的分布出现无法收敛的现象，且整体的趋势偏离拟合曲线比较远，而“o”的分布相对较好。从图7(b)、图7(c)和图7(d)中的统计数据中也可以看出本发明在FF图像库上相对于现有方法有所提高。

图8是现有方法和本发明在WN图像库上的运行结果比较。其中图8(a)、图8(b)、图8(c)和图8(d)表示的意义与图4相同。从图8(a)可以看出“o”的分布较“+”更为集中，且在头部的时候比较逼近曲线。图8(b)、图8(c)和图8(d)中的统计数据也表明本发明在WN图像库上相对于现有方法较好。

从以上图5至图8的对比可以看出，本发明较已有的方法有很大的改进，且与主观评价值具有较好的一致性。

Claims (3)

1.一种基于Contourlet变换的无参考型图像质量评价方法，包括如下步骤：

(1)利用Contourlet变换对失真图像进行多尺度和多方向的子带分解，得到图像的Contourlet系数C；

(2)在分解得到的子带内，选择最大尺度的两层子带，利用所得到的Contourlet系数C与其邻域系数之间的关系，得到Contourlet系数的预测系数P，即

C＝MP+N

$P=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_i{C}_i$

式中，M为零均值乘性随机变量，N为零均值加性随机变量，

C_i是C在不同尺度、方向和空间上的邻域系数，

l_i是利用C_i计算P时的线性预测系数；

(3)利用Contourlet系数C与预测系数P之间的关系，构建其二者之间的联合直方图；

(4)根据Contourlet系数尺度间及方向间的统计特性，设定阈值计算公式并计算出各尺度阈值T_scale，i及各方向子带阈值T_subband，j；

(5)利用各方向子带阈值T_subband，j将步骤(3)得到的联合直方图划分为四个子区域，选择能够反映图像失真的第二子区域Sig_C，P和第三子区域Insig_C，P表示质量特征；

(6)在所选择的各子带内，根据得到的图像质量特征Sig_C，P和Insig_C，P，利用非线性拟合得到无参考型图像质量分数Q，即

$q_i=K_i(1-\exp (-\frac{{(\mathrm{Sig}}_{C,P,i}\left|{\mathrm{Insig}}_{C,P,i}\right)-u_i}{T_i}))$

q＝[q₁，q₂，q₃，…，q_n]

Q＝qω

式中，K_i，u_i和T_i是第i个子带的拟合参数，

ω为各子带加权系数。

2.根据权利要求1所述的方法，其中步骤(4)所述的设定阈值计算公式为：

T_scale，i＝C_l+diff_i，l

T_subband，j＝T_scale，i+T_{offset，i，j}

式中，T_scale，i为各尺度阈值，

T_subband，j为各方向子带阈值，

C_l为最低频子带系数C的对数域均值，即C_l＝Mean(log₂(|C|))，

diff_i，l为尺度i与最低频子带内系数C的对数域均值之差，

T_{offset，i，j}为尺度i内第j个子带的偏移量。

3.根据权利要求1所述的方法，其特征在于步骤(5)所述的质量特征，包括Contourlet系数C与预测系数P同时重要时的质量特征Sig_C，P及Contourlet系数C与预测系数P同时不重要时的质量特征Insig_C，P，即：

${\mathrm{Sig}}_{C,P}=\frac{n_{C>T,P>T}}{n_{C,P}}$

${\mathrm{Insig}}_{C,P}=\frac{n_{C<T,P<T}}{n_{C,P}}$

其中，n_{C＞T，P＞T}表示子带内Contourlet系数C与预测系数P同时重要的个数，

n_{C＜T，P＜T}表示子带内Contourlet系数C与预测系数P同时不重要的个数，

n_C，P表示子带内Contourlet系数的总数，

T表示视觉感知阈值。

Images