CN101950422A - 一种基于奇异值分解的图像质量评价方法 - Google Patents
一种基于奇异值分解的图像质量评价方法 Download PDFInfo
- Publication number
- CN101950422A CN101950422A CN2010102966390A CN201010296639A CN101950422A CN 101950422 A CN101950422 A CN 101950422A CN 2010102966390 A CN2010102966390 A CN 2010102966390A CN 201010296639 A CN201010296639 A CN 201010296639A CN 101950422 A CN101950422 A CN 101950422A
- Authority
- CN
- China
- Prior art keywords
- image
- svd
- piece
- vector
- distorted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
一种基于奇异值分解的图像质量评价方法,它有五大步骤:一、将原始图像与失真图像,大小均为m×n,各分成m×n/k×k个图像块;二、对全部图像块,按照奇异值分解原理编程实现奇异值分解;三、计算原始图像与失真图像的图像块左、右奇异向量U,V和U(p),V(p)中的结构失真,同时,计算原始图像与失真图像的图像块奇异值特征向量S和S(p)中的亮度失真;四、综合原始图像和失真图像的图像块亮度和结构失真,得到公式Dl,循环计算,获得全部m×n/k×k个图像块Dl值,并求均值;五、综合上述图像质量评价参数,定义基于奇异值分解的图像质量评价指标,当QSVD值为0时,则图像质量最好,随着QSVD变化,QSVD值越大,则图像质量越差。它在图像质量评价领域具有实用价值和广阔的应用前景。
Description
技术领域
本发明提出一种基于奇异值分解的图像质量评价方法,属于图像质量评价领域。具体涉及一种基于图像奇异值分解,获得含有图像结构信息和亮度信息的奇异特征向量的客观图像质量评价方法。
背景技术
图像质量评价是图像处理***的关键技术之一,有很多因素影响到对图像质量好坏的判断。图像质量评价的方法和指标,可在视频编码、图像处理***等应用领域中对如何改进图像质量、选择相应的图像处理方法提供有益的指导。
图像质量评价方法主要分为主观质量评价方法和客观质量评价方法两类。主观评价方法是指把多个观察者对待评价图像的质量进行主观打分来进行加权平均的综合评价,最常用的主观质量评价方法有主观平均分法(Mean Opinion Score,MOS),差分主观平均分法(Difference Mean Opinion Score,DMOS)等。因其在实际应用中需要众多评估者参与,步骤复杂、耗时长、费用高,且结果易受观察者、测试条件和环境的影响,稳定性差等受到很大限制。
目前的研究以客观评价方法为主,研究目标是使得质量评价模型准确地反映人眼视觉感知的主观质量。客观质量评价的主要目的是用客观、定量的数学模型给出的量化指标或参数来表达人们对图像的主观感受。数学模型的应用使得图像的客观质量评价具有快速、稳定、易于被量化的特点。
目前最常用的客观图像质量评价指标是均方误差(Mean Square Error,MSE)和峰值信噪比(Peak Signal Noise Ratio,PSNR),它们都是基于统计特性的客观图像质量评价方法。MSE和PSNR的计算比较直观、简单,这使得它们一直得到广泛使用。但仅是对像素点之间误差的纯数学统计,没有考虑到像素点间的相关性和人眼视觉***(Human Visual System,HVS)的感知特性,在很多情况下不符合人的主观感受。
基于HVS模型,在分析人眼主要视觉特性的基础上提出一种图像质量评价新方法,这些方法的处理步骤包括:预处理、对比敏感度滤波、通道分解、误差量化和误差合并等。但是,一些固有的困难阻碍了此类方法的发展。首先,由于人眼视觉特性非常复杂,目前的研究仅考虑了已知的几个人眼视觉特性,人们对HVS的认识还不透彻,无法建立精确、统一的模型,这直接影响到质量估计的准确性。其次,HVS是一个极为复杂的***,对HVS组成结构的模拟通常会导致算法复杂、运算量大。因此,基于HVS模型的方法目前还不能取代被广泛采用的PSNR和MSE等简单误差标准。
Zhou Wang等学者提出了一种基于结构失真的图像质量评价方法,结构相似性理论和结构相似度(Structural Similarity,SSIM)指数。结构相似性理论从高层次上模拟HVS的整体功能,认为HVS的主要功能是从视野中提取结构信息,因此用对结构信息的度量作为图像感知质量的近似。该图像质量评价方法从图像组成的角度将结构信息定义为独立于亮度、对比度的,反映场景中物体结构的属性,并将失真建模为亮度、对比度和结构三个不同因素的组合进行了分析研究,基于结构失真模型取得了较好的图像质量评价效果。同样,该方法也存在一定的缺陷。例如,对于模糊失真类型的图像质量评价的准确性较低;对不同失真类型、不同失真强度图像的评价缺乏一致性。
也有学者尝试利用奇异值分解的计算方法,总结出用于图像质量评价的方法。例如,骞森等人提出基于奇异值分解的质量评价方法,利用不同奇异值特征向量之间的夹角的性质对图像质量进行评价,这种方法对不同失真类型、不同失真强度图像的评价缺乏一致性。张飞燕等人提出的一种基于视觉加权的奇异值分解压缩图像质量评价测度方法,主要针对压缩重建图像进行质量评价。
发明内容
1、目的:本发明的目的是提供一种基于奇异值分解的图像质量评价方法,该方法在图像分块的基础上,基于奇异值分解,提出结合分解后获得的左奇异向量U,右奇异向量V和奇异值特征向量S,这些奇异特征向量中含有图像结构信息和亮度信息,按照特定的方法计算,总结出一种基于奇异值分解的图像质量评价方法。
2、技术方案:本发明一种基于奇异值分解的图像质量评价方法,该方法具体步骤如下:
步骤一:将原始图像与失真图像,大小均为m×n,分成规则的图像块,例如,k×k分块。图像块个数为(m×n/k×k)个。(k小于m,n)
步骤二:按步骤一进行分块后,对原始图像和失真图像分成的图像块,按照数值计算的奇异值分解原理编程实现奇异值分解,获得分解向量,U,V,S和U(p),V(p),S(p)。其中,U,V,S分别代表原始图像单个图像块奇异值分解获得的左奇异向量,右奇异向量及奇异值特征向量;U(p),V(p),S(p)分别代表失真图像对应图像块奇异值分解的左奇异向量,右奇异向量及奇异值特征向量。
步骤三:根据步骤二中获得的分解向量,计算原始图像单个图像块与失真图像对应图像块的左、右奇异向量U,V和U(p),V(p)中所含图像结构信息具有结构失真,因此考虑构造图像结构失真CUV,具体如下:
左奇异向量大小为k×k,按列向量方式表示U,U=[U1,U2,...Ui]1×k;右奇异值向量大小为k×k,按列向量方式表示V,V=[V1,V2,...Vi]1×k
同时,根据步骤二中获得的分解向量,计算原始图像单个图像块与失真图像对应图像块的奇异值特征向量S和S(p)中所含图像亮度信息具有亮度失真,因此构造图像亮度失真CS,具体如下:
原始图像单个图像块奇异值分解得到奇异值特征向量S=[σ1,σ1,...,σi],对应失真图像对应图像块奇异值分解得到奇异值特征向量
步骤四:联合计算原始图像单个图像块和失真图像对应图像块的图像结构失真和图像亮度失真,得到计算公式Dl,其中Dl=CUV·CS。Dl表示原始图像单个图像块和失真图像对应图像块中的信息损失。对于m×n/k×k个图像块,循环计算,获得m×n/k×k个Dl值。并求取全部图像块的均值
3、优点及功效:
基于奇异值分解的图像质量评价方法将图像分块,并对规则分块后的原始图像的图像块与失真图像对应图像块进行奇异值分解。在此基础上,结合奇异值分解后产生的U,V,S包含图像结构信息和图像亮度信息,实现了考虑影响图像质量的主要因素即亮度和结构失真来进行图像质量评价的方法。实验结果表明,基于奇异值分解的图像质量评价方法在客观评价图像时更能与人眼主观感觉相一致,具有较好的效果。并且由于所选的计算关系式较为简单,只涉及到原始图像与失真图像的部分统计特征量计算,无需原始的像素级别信息,数据量相对较小,因此,该方法能够快速有效的对图像质量进行评价。
附图说明
图1为本发明一种基于奇异值分解的图像质量评价方法流程方框示意图
图中符号说明如下:
步骤三中,CUV表示原始图像单个图像块和失真图像对应图像块的图像结构失真。CS代表原始图像单个图像块和失真图像对应图像块的图像亮度失真。
步骤四中,Dl=CUV·CS表示原始图像单个图像块和失真图像对应图像块的图像结构失真和图像亮度失真。
具体实施方式
本发明是一种基于奇异值分解的图像质量评价方法,它包括以下步骤:
软件读入原始图像与失真图像,转换得到灰度图,利用本发明方法处理图像,如图1所示,即可获取图像质量评价值。选用LIVE IMAGE DATABASE数据库中JPEG压缩格式处理的图像。选取的图像为lighthouse2.bmp。
步骤一:首先编程将原始图像与失真图像分成规则的图像块。图像大小为768×512,本实验中选取分块的大小为8×8,图像块个数为96×64个,如图1所示,i=96,j=64。
步骤二:按步骤一进行分块后,对原始图像和失真图像分成的所有图像块,利用软件编程实现奇异值分解数学计算,获得奇异值分解向量,U,V,S和U(p),V(p),S(p)。其中,U,V,S代表原始图像单个图像块奇异值分解获得的左奇异向量,右奇异向量及奇异值特征向量;U(p),V(p),S(p)代表失真图像对应图像块奇异值分解的左奇异向量,右奇异向量及奇异值特征向量。
步骤三:根据步骤二中获得的奇异值分解向量,计算原始图像单个图像块与失真图像对应图像块的左、右奇异向量U,V和U(p),V(p)中所含图像结构信息具有结构失真,因此构造图像结构失真CUV,计算方法为同时,计算原始图像单个图像块与失真图像对应图像块的奇异值特征向量S和S(p)中所含图像亮度信息具有亮度失真,构造图像亮度失真CS,计算方法为
步骤四:联合计算原始图像单个图像块和失真图像对应图像块的图像结构失真和图像亮度失真,得到计算公式Dl,其中Dl=CUV·CS。Dl表示原始图像单个图像块和失真图像对应图像块中的信息损失。对于96×64个原始图像的图像块与失真图像对应图像块,,按照上述方法循环计算,获得96×64个Dl值。并求取k×k分块后,全部图像块的均值
最终,本方法计算出JPEG压缩失真格式图像质量评价值。
Claims (1)
1.一种基于奇异值分解的图像质量评价方法,其特征在于:该方法具体步骤如下:
步骤一:将原始图像与失真图像,大小均为m×n,分成规则的图像块k×k分块,图像块个数为m×n/k×k个,k小于m,n;
步骤二:按步骤一进行分块后,对原始图像和失真图像分成的图像块,按照数值计算的奇异值分解原理编程实现奇异值分解,获得分解向量,U,V,S和U(p),V(p),S(p);其中,U,V,S分别代表原始图像单个图像块奇异值分解获得的左奇异向量,右奇异向量及奇异值特征向量;U(p),V(p),S(p)分别代表失真图像对应图像块奇异值分解的左奇异向量,右奇异向量及奇异值特征向量;
步骤三:根据步骤二中获得的分解向量,计算原始图像单个图像块与失真图像对应图像块的左、右奇异向量U,V和U(p),V(p)中所含图像结构信息具有结构失真,因此考虑构造图像结构失真CUV,具体实现如下:
左奇异向量大小为k×k,按列向量方式表示U,U=[U1,U2,...Ui]1×k;右奇异值向量大小为k×k,按列向量方式表示V,V=[V1,V2,...Vi]1×k
同时,计算原始图像单个图像块与失真图像对应图像块的奇异值特征向量S和S(p)中所含图像亮度信息具有亮度失真,因此构造图像亮度失真CS,具体实现如下:
原始图像单个图像块奇异值分解得到奇异值特征向量S=[σ1,σ2,...,σi],对应失真图像对应图像块奇异值分解得到奇异值特征向量
步骤四:联合计算原始图像单个图像块和失真图像对应图像块的图像结构失真和图像亮度失真,得到计算公式Dl,其中Dl=CUV·CS;Dl表示原始图像单个图像块和失真图像对应图像块中的信息损失;对于m×n/k×k个图像块,循环计算,获得m×n/k×k个Dl值,并求取全部图像块的均值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010296639.0A CN101950422B (zh) | 2010-09-29 | 2010-09-29 | 一种基于奇异值分解的图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010296639.0A CN101950422B (zh) | 2010-09-29 | 2010-09-29 | 一种基于奇异值分解的图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101950422A true CN101950422A (zh) | 2011-01-19 |
CN101950422B CN101950422B (zh) | 2014-08-20 |
Family
ID=43453909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010296639.0A Expired - Fee Related CN101950422B (zh) | 2010-09-29 | 2010-09-29 | 一种基于奇异值分解的图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101950422B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102209257A (zh) * | 2011-06-17 | 2011-10-05 | 宁波大学 | 一种立体图像质量客观评价方法 |
CN102271279A (zh) * | 2011-07-22 | 2011-12-07 | 宁波大学 | 一种立体图像的最小可察觉变化步长的客观分析方法 |
CN102436655A (zh) * | 2011-09-02 | 2012-05-02 | 清华大学 | 一种基于svd的超分辨率重建图像质量评价方法 |
CN102595185A (zh) * | 2012-02-27 | 2012-07-18 | 宁波大学 | 一种立体图像质量客观评价方法 |
CN104103065A (zh) * | 2013-04-10 | 2014-10-15 | 无锡金帆钻凿设备股份有限公司 | 一种基于奇异值分解无参考模糊图像质量评价方法 |
CN104182962A (zh) * | 2013-05-28 | 2014-12-03 | 腾讯科技(深圳)有限公司 | 评价图片清晰度的方法及装置 |
CN106600597A (zh) * | 2016-12-22 | 2017-04-26 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN106650696A (zh) * | 2016-12-30 | 2017-05-10 | 山东大学 | 一种基于奇异值分解的手写电气元件符号识别方法 |
CN107085834A (zh) * | 2017-04-25 | 2017-08-22 | 西安工程大学 | 一种基于图像旋转和分块奇异值分解的图像去噪方法 |
CN108510496A (zh) * | 2018-04-09 | 2018-09-07 | 杭州电子科技大学 | 基于图像dct域的svd分解的模糊检测方法 |
CN109544491A (zh) * | 2018-10-17 | 2019-03-29 | 天津大学 | 基于梯度奇异值分解的屏幕图像质量评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897634A (zh) * | 2006-06-08 | 2007-01-17 | 复旦大学 | 一种基于超复数奇异值分解的图像质量评估方法 |
JP2007280273A (ja) * | 2006-04-11 | 2007-10-25 | Fuji Xerox Co Ltd | 画像評価装置、画像評価方法およびプログラム |
CN101441768A (zh) * | 2008-11-28 | 2009-05-27 | 武汉大学 | 基于结构失真和图像清晰度的图像质量评价方法 |
-
2010
- 2010-09-29 CN CN201010296639.0A patent/CN101950422B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007280273A (ja) * | 2006-04-11 | 2007-10-25 | Fuji Xerox Co Ltd | 画像評価装置、画像評価方法およびプログラム |
CN1897634A (zh) * | 2006-06-08 | 2007-01-17 | 复旦大学 | 一种基于超复数奇异值分解的图像质量评估方法 |
CN101441768A (zh) * | 2008-11-28 | 2009-05-27 | 武汉大学 | 基于结构失真和图像清晰度的图像质量评价方法 |
Non-Patent Citations (1)
Title |
---|
张飞艳: "基于视觉加权的奇异值分解压缩图像质量评价测度", 《电子与信息学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102209257A (zh) * | 2011-06-17 | 2011-10-05 | 宁波大学 | 一种立体图像质量客观评价方法 |
CN102209257B (zh) * | 2011-06-17 | 2013-11-20 | 宁波大学 | 一种立体图像质量客观评价方法 |
CN102271279A (zh) * | 2011-07-22 | 2011-12-07 | 宁波大学 | 一种立体图像的最小可察觉变化步长的客观分析方法 |
CN102271279B (zh) * | 2011-07-22 | 2013-09-11 | 宁波大学 | 一种立体图像的最小可察觉变化步长的客观分析方法 |
CN102436655A (zh) * | 2011-09-02 | 2012-05-02 | 清华大学 | 一种基于svd的超分辨率重建图像质量评价方法 |
CN102436655B (zh) * | 2011-09-02 | 2014-01-15 | 清华大学 | 一种基于svd的超分辨率重建图像质量评价方法 |
CN102595185A (zh) * | 2012-02-27 | 2012-07-18 | 宁波大学 | 一种立体图像质量客观评价方法 |
CN102595185B (zh) * | 2012-02-27 | 2014-06-25 | 宁波大学 | 一种立体图像质量客观评价方法 |
CN104103065A (zh) * | 2013-04-10 | 2014-10-15 | 无锡金帆钻凿设备股份有限公司 | 一种基于奇异值分解无参考模糊图像质量评价方法 |
CN104182962A (zh) * | 2013-05-28 | 2014-12-03 | 腾讯科技(深圳)有限公司 | 评价图片清晰度的方法及装置 |
CN106600597A (zh) * | 2016-12-22 | 2017-04-26 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN106600597B (zh) * | 2016-12-22 | 2019-04-12 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN106650696A (zh) * | 2016-12-30 | 2017-05-10 | 山东大学 | 一种基于奇异值分解的手写电气元件符号识别方法 |
CN106650696B (zh) * | 2016-12-30 | 2019-12-10 | 山东大学 | 一种基于奇异值分解的手写电气元件符号识别方法 |
CN107085834A (zh) * | 2017-04-25 | 2017-08-22 | 西安工程大学 | 一种基于图像旋转和分块奇异值分解的图像去噪方法 |
CN108510496A (zh) * | 2018-04-09 | 2018-09-07 | 杭州电子科技大学 | 基于图像dct域的svd分解的模糊检测方法 |
CN108510496B (zh) * | 2018-04-09 | 2020-09-22 | 杭州电子科技大学 | 基于图像dct域的svd分解的模糊检测方法 |
CN109544491A (zh) * | 2018-10-17 | 2019-03-29 | 天津大学 | 基于梯度奇异值分解的屏幕图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101950422B (zh) | 2014-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101950422B (zh) | 一种基于奇异值分解的图像质量评价方法 | |
He et al. | Sparse representation for blind image quality assessment | |
CN102209257B (zh) | 一种立体图像质量客观评价方法 | |
CN102333233B (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN105338343B (zh) | 一种基于双目感知的无参考立体图像质量评价方法 | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
Yue et al. | Blind stereoscopic 3D image quality assessment via analysis of naturalness, structure, and binocular asymmetry | |
CN105744256A (zh) | 基于图谱视觉显著的立体图像质量客观评价方法 | |
CN105049838B (zh) | 一种用于压缩立体视频质量的客观评价方法 | |
CN103313047B (zh) | 一种视频编码方法及装置 | |
CN105118053B (zh) | 一种基于压缩感知的全参考图像质量客观评价方法 | |
CN104036501A (zh) | 一种基于稀疏表示的立体图像质量客观评价方法 | |
CN102547368A (zh) | 一种立体图像质量客观评价方法 | |
CN107635136A (zh) | 基于视觉感知和双目竞争的无参考立体图像质量评价方法 | |
Ma et al. | Reduced-reference stereoscopic image quality assessment using natural scene statistics and structural degradation | |
CN109429051B (zh) | 基于多视图特征学习的无参考立体视频质量客观评价方法 | |
CN103745466A (zh) | 一种基于独立成分分析的图像质量评价方法 | |
CN105635743A (zh) | 基于显著性检测和全变分的最小可察觉失真方法及*** | |
Geng et al. | A stereoscopic image quality assessment model based on independent component analysis and binocular fusion property | |
CN104202594A (zh) | 一种基于三维小波变换的视频质量评价方法 | |
CN104036493A (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
CN104036502A (zh) | 一种无参考模糊失真立体图像质量评价方法 | |
CN103400378A (zh) | 基于人眼视特性的立体图像质量客观评价方法 | |
CN109816646A (zh) | 一种基于退化决策逻辑的无参考图像质量评价方法 | |
Zhou et al. | Utilizing binocular vision to facilitate completely blind 3D image quality measurement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140820 Termination date: 20150929 |
|
EXPY | Termination of patent right or utility model |