CN103475897A - 一种基于失真类型判断的自适应图像质量评价方法 - Google Patents

Abstract

本发明公开了一种基于失真类型判断的自适应图像质量客观评价方法，该方法首先对图像的失真类型进行判断，将失真类型分为高斯白噪声失真、JPEG失真和类模糊失真三类，其中类模糊失真包含高斯模糊失真、JPEG2000失真和快衰落失真；利用失真判别结果，对受到高斯白噪声失真的图像采用基于像素域的结构相似度模型评价，对受到JPEG失真的图像采用基于DCT域的结构相似度模型评价，对受到类模糊失真的图像采用基于小波域的结构相似度模型评价。实施结果表明本发明提出的客观评价方法，通过失真判别方法，在对各不同失真类型的失真图像的评价很好的结合了各结构相似度评价模型的优点，评价结果与人眼主观感知一致较高。

Description

一种基于失真类型判断的自适应图像质量评价方法

技术领域

本发明涉及一种图像质量评价技术，尤其是涉及一种基于失真类型判断的自适应图像客观质量评价方法。

背景技术

随着现代通信技术的迅速发展，人类进入信息社会，图像作为重要的信息载体，其质量的好坏将直接影响接受者对信息获取的准确度和完整度。然而，无论在图像的采集、处理、储存和传输过程，都不可避免由于处理方法的不完善或者外部设备不规范等原因产生失真或降质，不同的失真或降质程度将会对图像信息造成不同程度的损失。在图像信息技术被广泛应用的情况下，如何度量由图像不同的失真程度而导致的所载信息的损失大小显得尤为重要。图像质量评价课题的出现，正是为了解决这一重要的现实问题。从方法上可以将图像质量评价分为主观质量评价和客观质量评价，前者凭借实验人员的主观感知来评价图像的质量，因此非常繁琐和耗时，同时不适合集成到实际应用；后者依据模型给出量化指标，模拟人类视觉***(HVS,human visual system)感知机制来衡量图像质量，该方法具有操作简单、易于实现和实时算法优化等特点，成为图像质量评价中的研究重点。而根据对HVS描述的侧重点不同，可以将图像质量评价分为基于误差灵敏度和基于结构相似度评价方法两类。基于误差灵敏度方法考虑视觉非线性、多通道、对比敏感度带通、掩盖效应、多通道间不同激励的相互作用以及视觉心理特征，但是由于人类尚且没有完全掌握HVS，因此该类方法存在着明显的准确建模障碍。基于结构相似度方法认为自然图像具有特定的结构，人眼对图像的感知，主要从这些结构信息中提取，直接评价图像信号的结构相似性，方法实现复杂度较低，应用性较强，但是现有技术的结构相似度方法种类较多，而且这些方法并不能保证不同失真类型的图像的质量评价结果都较准确。

发明内容

本发明所要解决的技术问题是提供一种自适应图像质量客观评价方法，其能够有效地提高不同失真类型的图像的质量评价结果的准确性。

本发明解决上述技术问题所采用的技术方案为：一种基于失真类型判断的自适应图像质量评价方法，它的处理过程为：

首先，确定待评价的失真图像的失真类型；

其次，结合待评价的失真图像的失真类型进行相应的处理：

如果失真图像为高斯白噪声失真，则将原始的无失真图像和待评价的失真图像在像素域分割成多个相重叠的尺寸大小为8×8的图像块，通过计算原始的无失真图像和待评价的失真图像中的每个图像块中的所有像素点在像素域亮度均值和标准差，以及原始无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块中的所有像素点亮度值之间的协方差，获取原始的无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块之间的基于像素域的结构相似度；

如果失真图像为JPEG失真，则将原始的无失真图像和待评价的失真图像在DCT（Discrete Cosine Transform）域分割成多个相重叠的尺寸大小为8×8的图像块，通过计算原始的无失真图像块和待评价的失真图像块在DCT域中所有系数的均值和标准差，以及原始无失真图像和待评价的失真图像在DCT域所中有的坐标位置相同的两个图像块中的所有系数之间的协方差，获取原始的无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块之间的基于DCT域的结构相似度；

如果失真图像为类模糊失真，则将原始的无失真图像和待评价的失真图像在小波域分割成多个相重叠的尺寸大小为8×8的图像块，通过计算原始的无失真图像块和待评价的失真图像块在小波域中所有系数的均值和标准差，以及原始无失真图像和待评价的失真图像在小波域中所有的坐标位置相同的两个图像块中的所有系数之间的协方差，获取原始的无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块之间的基于小波域的结构相似度；

最后，根据原始的无失真图像和待评价的失真图像中所有坐标位置相同的两个图像块之间的结构相似度，获取待评价的失真图像的客观质量分值。

本发明的一种基于失真类型判断的自适应图像质量评价方法，它具体包括以下步骤：

①令X表示原始的无失真图像，令Y表示待评价的失真图像，通过失真类型判别方法确定Y的失真类型，Y的失真类型为高斯白噪声失真、JPEG失真、类模糊失真中的其中一种，其中类模糊失真包含高斯模糊失真、JPEG2000失真和快衰落失真；

②如果失真图像Y的失真类型为高斯白噪声失真，则采用尺寸大小为8×8的滑动窗口在X中逐像素点移动，将X分割成M×N个相重叠的且尺寸大小为8×8的图像块，将X中坐标位置为(i,j)的图像块记为x_i,j；同样，采用尺寸大小为8×8的滑动窗口在Y中逐像素点移动，将Y分割成M×N个相重叠的且尺寸大小为8×8的图像块，将Y中坐标位置为(i,j)的图像块记为y_i,j；其中，

H表示X和Y的高度，W表示X和Y的宽度，符号

为向下取整符号，1≤i≤M,1≤j≤N；

如果失真图像Y的失真类型为JPEG失真，则采用尺寸大小为8×8的滑动窗口在X中逐像素点移动，将X分割成M×N个相重叠的且尺寸大小为8×8的图像块，将X中坐标位置为(i,j)的图像块记为x_i,j，对所有的图像块x_i,j进行二维DCT变换，得到对应变换后的图像块为

同样，采用尺寸大小为8×8的滑动窗口在Y中逐像素带你移动，将Y分割成M×N个相重叠的且尺寸大小为8×8的图像块，将Y中坐标位置为(i,j)的图像块记为y_i,j，对所有的图像块y_i,j进行二维DCT变换，得到对应变换后的图像块为

其中，

H表示X和Y的高度，W表示X和Y的宽度，1≤i≤M,1≤j≤N；

如果失真图像Y的失真类型为类模糊失真，则对X进行一级小波变换，提取近似分量并记为X_A，采用尺寸大小为8×8的滑动窗口在X_A中逐点移动，将X_A分割成M′×N′个相重叠的且尺寸大小为8×8的图像块，将X_A中坐标位置为(i′,j′)的图像块记为

同样，对Y进行一级小波变换，提取近似分量并记为Y_A，采用尺寸大小为8×8的滑动窗口在Y_A中逐点移动，将Y_A分割成M′×N′个相重叠的且尺寸大小为8×8的图像块，将Y_A中坐标位置为(i′,j′)的图像块记为

其中，

H′表示X_A和Y_A的高度，W′表示X_A和Y_A的宽度，1≤i′≤M′,1≤j′≤N′；

③如果失真图像Y的失真类型为高斯白噪声失真，则计算X中的每个图像块中的所有像素点的亮度均值和标准差，并计算Y中的每个图像块中的所有像素点的亮度均值和标准差，然后计算X和Y中所有的坐标位置相同的两个图像块中的所有像素点之间的协方差，将X中坐标位置为(i,j)的图像块x_i,j中的所有像素点的亮度均值和标准差对应记为

和

将Y中坐标位置为(i,j)的图像块y_i,j中的所有像素点的亮度均值和标准差对应记为和

将X中坐标位置为(i,j)的图像块x_i,j中的所有像素点与Y中坐标位置为(i,j)的图像块y_i,j中的所有像素点之间的协方差记为 ${\mathrm{\μ}}_{x_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i,j}(u,v),$ ${\mathrm{\σ}}_{x_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i,j}(u,v)-{\mathrm{\μ}}_{x_{i,j}})}^2},$ ${\mathrm{\μ}}_{y_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i,j}(u,v),$ ${\mathrm{\σ}}_{y_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i,j}(u,v)-{\mathrm{\μ}}_{y_{i,j}})}^2},$ ${\mathrm{\σ}}_{x_{i,j}{y}_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}\left[(x_{i,j}(u,v)-{\mathrm{\μ}}_{x_{i,j}})(y_{i,j}(u,v)-{\mathrm{\μ}}_{y_{i,j}})\right],$ 其中，x_i,j(u,v)表示x_i,j中坐标位置为(u,v)的像素点的亮度值，y_i,j(u,v)表示y_i,j中坐标位置为(u,v)的像素点的亮度值，1≤u≤8,1≤v≤8；

如果失真图像Y的失真类型为JPEG失真，则计算X中的每个图像块中的所有像素点的亮度均值和标准差，并计算Y中的每个图像块中的所有像素点的亮度均值和标准差，然后计算X中的每个图像块的DCT交流系数的均值和标准差，并计算Y中的每个图像块的DCT交流系数的均值和标准差，最后计算X和Y中所有的坐标位置相同的两个图像块的所有DCT交流系数之间的协方差，将X中坐标位置为(i,j)的图像块x_i,j中的所有像素点的亮度均值和标准差对应记为

和

将Y中坐标位置为(i,j)的图像块y_i,j中的所有像素点的亮度均值和标准差对应记为

和将X中坐标位置为(i,j)的图像块x_i,j进行DCT变换后得到的新图像块

的所有交流系数的均值和标准差分别对应记为和

将Y中坐标位置为(i,j)的图像块y_i,j进行DCT变换后得到的新图像块的所有交流系数的均值和标准差分别对应记为

和

将X中坐标位置为(i,j)的DCT域图像块

和Y中坐标位置为(i,j)的DCT域图像块

中的所有交流系数之间的协方差记为

${\mathrm{\μ}}_{x_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i,j}(u,v),$ ${\mathrm{\σ}}_{x_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i,j}(u,v)-{\mathrm{\μ}}_{x_{i,j}})}^2},$ ${\mathrm{\μ}}_{y_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i,j}(u,v),$ ${\mathrm{\σ}}_{y_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i,j}(u,v)-{\mathrm{\μ}}_{y_{i,j}})}^2},$ ${\mathrm{\μ}}_{x_{i,j}^D}=\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i,j}^D(u^D,v^D),$ ${\mathrm{\σ}}_{x_{i,j}^D}=\sqrt{\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{x_{i,j}^D})}^2},$ ${\mathrm{\μ}}_{y_{i,j}^D}=\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i,j}^D(u^D,v^D),$ ${\mathrm{\σ}}_{y_{i,j}^D}=\sqrt{\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{y_{i,j}^D})}^2},$ ${\mathrm{\σ}}_{x_{i,j}^D,y_{i,j}^D}=\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}\left[(x_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{x_{i,j}^D})(y_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{y_{i,j}^D})\right],$ 其中，x_i,j(u,v)表示x_i,j中坐标位置为(u,v)的像素点的亮度值，y_i,j(u,v)表示y_i,j中坐标位置为(u,v)的像素点的亮度值，1≤u≤8,1≤v≤8，

表示

中坐标位置为(u^D,v^D)的DCT系数值，

表示

中坐标位置为(u^D,v^D)的DCT系数值，1≤u^D≤8,1≤v^D≤8且u^D和v^D不同时为1；

如果失真图像Y的失真类型为类模糊失真，则计算X经一级小波变换后的近似分量X_A中所有系数值的均值和标准差，并计算Y经一级小波变换后的近似分量Y_A中所有系数值的均值和标准差，然后计算X_A和Y_A中所有的坐标位置相同的两个图像块中的所有系数之间的协方差，将X_A中坐标位置为(i^W,j^W)的图像块

中所有系数的均值和标准差分别对应记为

和

将Y_A中坐标位置为(i^W,j^W)的图像块

中所有系数的均值和标准差分别记为

和

将X_A中坐标位置为(i^W,j^W)的图像块

中的所有像素点与Y_A中坐标位置为(i^W,j^W)的图像块

中的所有系数之间的协方差记为

${\mathrm{\μ}}_{x_{i^W,j^W}^W}=\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i^W,j^W}^W(u^W,v^W),$ ${\mathrm{\σ}}_{x_{i^W,j^W}^W}=\sqrt{\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{x_{i^W,j^W}^W})}^2},$ ${\mathrm{\μ}}_{y_{i^W,j^W}^W}=\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i^W,j^W}^W(u^W,v^W),$ ${\mathrm{\σ}}_{y_{i^W,j^W}^W}=\sqrt{\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{y_{i^W,j^W}^W})}^2},$ ${\mathrm{\σ}}_{x_{i^W,j^W}^W,y_{i^W,j^W}^W}=\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}\left[(x_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{x_{i^W,j^W}^W})(y_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{y_{i^W,j^W}^W})\right],$ 其中，

表示

中坐标位置为(u^W,v^W)的系数值，

表示

中坐标位置为(u^W,v^W)的系数值，1≤u^W≤8,1≤v^W≤8；

④如果失真图像Y的失真类型为高斯白噪声失真，则计算X和Y中所有的坐标位置相同的两个图像块之间的亮度函数、对比度函数和结构度函数，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的亮度函数、对比度函数和结构度函数对应分别记为l(x_i,j,y_i,j)、c(x_i,j,y_i,j)和s(x_i,j,y_i,j)， $l(x_{i,j},y_{i,j})=\frac{2{\mathrm{\μ}}_{x_{i,j}}{\mathrm{\μ}}_{y_{i,j}}+C_1}{{\mathrm{\μ}}_{x_{i,j}}^2+{\mathrm{\μ}}_{y_{i,j}}^2+C_1},$ $c(x_{i,j},y_{i,j})=\frac{2{\mathrm{\σ}}_{x_{i,j}}{\mathrm{\σ}}_{y_{i,j}}+C_2}{{\mathrm{\σ}}_{x_{i,j}}^2+{\mathrm{\σ}}_{y_{i,j}}^2+C_2},$

其中，C₁、C₂、C₃为避免分母出现零而设置的小值常数；

如果失真图像Y的失真类型为JPEG失真，则计算X和Y中所有的坐标位置相同的两个图像块之间的亮度函数和对比度函数，并计算X和Y中所有的坐标位置相同的两个图像块在DCT域的结构度函数，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的亮度函数和对比度函数和结构度函数对应分别记为l(x_i,j,y_i,j)和c(x_i,j,y_i,j)，将X中坐标位置为(i,j)的图像块x_i,j在DCT变换后的新图像块与Y中坐标位置为(i,j)的图像块y_i,j在DCT变换后的新图像块之间结构度函数记为f(x_i,j,y_i,j)，

$c(x_{i,j},y_{i,j})=\frac{2{\mathrm{\σ}}_{x_{i,j}}{\mathrm{\σ}}_{y_{i,j}}+C_2}{{\mathrm{\σ}}_{x_{i,j}}^2+{\mathrm{\σ}}_{y_{i,j}}^2+C_2},$ $f(x_{i,j},y_{i,j})=\frac{{\mathrm{\σ}}_{x_{i,j}^D,y_{i,j}^D}+C_3}{{\mathrm{\σ}}_{x_{i,j}^D}{\mathrm{\σ}}_{y_{i,j}^D}+C_3},$ 其中，C₁、C₂、C₃为避免分母出现零而设置的小值常数；

如果失真图像Y的失真类型为类模糊失真，则计算X和Y中所有的坐标位置相同的两个图像块之间的小波系数函数、小波系数对比度函数和小波系数结构度函数，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的小波系数函数、小波系数对比度函数和小波系数结构度函数对应分别记为l^W(x_i,j,y_i,j)、c^W(x_i,j,y_i,j)和s^W(x_i,j,y_i,j)， $l^W(x_{i,j},y_{i,j})=\frac{2{\mathrm{\μ}}_{x_{i^W,j^W}^W}{\mathrm{\μ}}_{y_{i^W,j^W}^W}+C_1}{{\mathrm{\μ}}_{x_{i^W,j^W}^W}^2+{\mathrm{\μ}}_{y_{i^W,j^W}^W}^2+C_1},$ $c^W(x_{i,j},y_{i,j})=\frac{2{\mathrm{\σ}}_{x_{i^W,j^W}^W}{\mathrm{\σ}}_{y_{i^W,j^W}^W}+C_2}{{\mathrm{\σ}}_{x_{i^W,j^W}^W}^2+{\mathrm{\σ}}_{y_{i^W,j^W}^W}^2+C_2},$ $s^W(x_{i,j},y_{i,j})=\frac{{\mathrm{\σ}}_{x_{i^W,j^W}^W,y_{i^W,j^W}^W}+C_3}{{\mathrm{\σ}}_{x_{i^W,j^W}^W}{\mathrm{\σ}}_{y_{i^W,j^W}^W}+C_3},$ 其中，C₁、C₂、C₃为避免分母出现零而设置的小值常数；

⑤如果失真图像Y的失真类型为高斯白噪声失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的亮度函数、对比度函数和结构度函数，计算X和Y中所有的坐标位置相同的两个图像块之间的结构相似度，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的结构相似度记为SSIM(x_i,j,y_i,j)，SSIM(x_i,j,y_i,j)=[l(x_i,j,y_i,j)]^α[c(x_i,j,y_i,j)]^β[s(x_i,j,y_i,j)]^γ，其中α、β和γ为调节因子；

如果失真图像Y的失真类型为JPEG失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的亮度函数和对比度函数，以及X和Y中所有的坐标位置相同的两个图像块在DCT域的结构度函数，计算X和Y中所有坐标位置相同的两个图像块之间的基于DCT域的结构相似度，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的基于DCT域的结构相似度记为FSSIM(x_i,j,y_i,j)，FSSIM(x_i,j,y_i,j)=[l(x_i,j,y_i,j)]^α[c(x_i,j,y_i,j)]^β[f(x_i,j,y_i,j)]^γ，其中α、β和γ为调节因子；

如果失真图像Y的失真类型为类模糊失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的小波系数函数、小波系数对比度函数和小波系数结构度函数，计算X和Y中所有的坐标位置相同的两个图像块之间的基于小波域的结构相似度，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的基于小波域的结构相似度记为记为WSSIM(x_i,j,y_i,j)，WSSIM(x_i,j,y_i,j)=[l^W(x_i,j,y_i,j)]^α[c^W(x_i,j,y_i,j)]^β[s^W(x_i,j,y_i,j)]^γ，其中α、β和γ为调节因子；

⑥如果失真图像Y的失真类型为高斯白噪声失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的基于像素域的结构相似度，计算Y的客观质量分值，记为Q_wn， $Q_{\mathrm{wn}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{SSIM}(x_{i,j},y_{i,j});$

如果失真图像Y的失真类型为JPEG失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的基于DCT域的结构相似度，计算Y的客观质量分值，记为Q_jpeg， $Q_{\mathrm{jpeg}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{FSSIM}(x_{i,j},y_{i,j});$

如果失真图像Y的失真类型为类模糊失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的基于小波域的结构相似度，计算Y的客观质量分值，记为Q_blur， $Q_{\mathrm{blur}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{WSSIM}(x_{i,j},y_{i,j}).$

所述的步骤①中通过失真类型判别方法确定Y的失真类型的具体过程为：

①-a、对X进行大小为64×64的无重叠块分割，得到M′×N′个大小为64×64的图像块，将X中坐标在(i′,j′)处的图像块记为x′_i′,j′，对每个图像块x′进行一级小波分解，提取对角分量，找出每个图像块的对角分量中系数幅度的中值，并计算每个图像块的噪声标准差，将x′_i′,j′的小波对角分量中系数幅度的中值记为

其噪声标准差为

其中，

1≤i′≤M′,1≤j′≤N′；

同样，对Y进行大小为64×64的无重叠块分割，得到M′×N′个大小为64×64的图像块，将Y中坐标在(i′,j′)处的图像块记为y′_i′,j′，对每个图像块y′进行一级小波分解，提取对角分量，找出每个图像块的对角分量中系数幅度的中值，并计算每个图像块的噪声标准差，将y′_i′,j′的小波对角分量中系数幅度的中值记为

其噪声标准差为

①-b、计算X和Y中所有坐标位置相同的图像块之间的噪声标准差的差值，将X和Y中坐标位置(i′,j′)处的图像块x′_i′,j′和y′_i′,j′的噪声标准差的差值记为

然后计算X和Y中所有坐标位置相同的图像块之间的噪声标准差的差值的均值，记为

①-c、判断是否成立，如果成立，则确定Y的失真类型为高斯白噪声失真，然后结束；否则，执行步骤①-d；其中，Th_WN为高斯白噪声失真判别阈值；

①-d、计算X的亮度差值图，记为X^h，将X^h中坐标位置为(i′′,j′′)点的系数值记为X^h(i′′,j′′)，X^h(i′′,j′′)=|X(i′′,j′′)-X(i′′,j′′+1)|，其中，1≤i′′≤H,1≤j′′≤W-1，X(i′′,j′′)表示X中坐标位置为(i′′,j′′)的像素点的亮度值，X(i′′,j′′+1)表示X中坐标位置为(i′′,j′′+1)的像素点的亮度值，符号“‖”为取绝对值符号；

同样，计算Y的亮度差值图，记为Y^h，将Y^h中坐标位置为(i′′,j′′)点的系数值记为Y^h(i′′,j′′)，Y^h(i′′,j′′)=|Y(i′′,j′′)-Y(i′′,j′′+1)|，其中，1≤i′′≤H,1≤j′′≤W-1，Y(i′′,j′′)表示Y中坐标位置为(i′′,j′′)的像素点的亮度值，Y(i′′,j′′+1)表示Y中坐标位置为(i′′,j′′+1)的像素点的亮度值；

①-e、对X的亮度差值图X^h进行8×8大小的无重叠的块分割，得到M′′×N′′个无重叠的大小为8×8图像块，将X^h中坐标位置在(i′′′,j′′′)处的图像块记为

定义图像块

的块内能量和块边缘能量分别为

和 ${\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}=\frac{1}{56}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}\underset{q=1}{\overset{7}{\mathrm{\Σ}}}{x}_{i^{\′\′\′},j^{\′\′\′}}^h(p,q),$ ${\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}=\frac{1}{8}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i^{\′\′\′},j^{\′\′\′}}^h(p,8),$ 其中，

为

中坐标位置为(p,q)的系数值，

为中坐标位置为(p,8)的系数值，

1≤i′′′≤M′′,1≤j′′′≤N′′，1≤p≤8,1≤q≤7；

同样，对Y的亮度差值图Y^h进行8×8大小的无重叠的块分割，得到M′′×N′′个无重叠的大小为8×8图像块，将Y^h中坐标位置在(i′′′,j′′′)处的图像块记为

定义图像块的块内能量和块边缘能量分别为

和

${\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}=\frac{1}{56}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}\underset{q=1}{\overset{7}{\mathrm{\Σ}}}{y}_{i^{\′\′\′},j^{\′\′\′}}^h(p,q),$ ${\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}=\frac{1}{8}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i^{\′\′\′},j^{\′\′\′}}^h(p,8),$ 其中，

为

中坐标位置为(p,q)的系数值，

为

中坐标位置为(p,8)的系数值；

①-f、计算X^h中所有图像块的边缘能量和块内能量之间的比值，将X^h中坐标位置在(i′′′,j′′′)处的图像块

的块边缘能量和块能量的比值记为 $R_{i^{\′\′\′},j^{\′\′\′}}^x=\frac{{\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}}{{\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}};$

同样，计算Y^h中所有图像块的边缘能量和块内能量之间的比值，将Y^h中坐标位置在(i′′′,j′′′)处的图像块

的块边缘能量和块能量的比值记为

$R_{i^{\′\′\′},j^{\′\′\′}}^y=\frac{{\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}}{{\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}};$

统计满足不等式

的图像块的个数，并记为N₀；定义判别指标J， $J=\frac{N_0}{M^{\′\′}\×N^{\′\′}};$

①-g、判断J＞Th_JPEG是否成立，如果成立，则确定Y的失真类型为JPEG失真，然后结束；否则，执行步骤①-h；其中，Th_JPEG为JPEG失真判别阈值；

①-h、确定Y的失真类型为类模糊失真，即Y的失真类型为高斯模糊失真，或JPEG2000失真，或快衰落失真。

所述的步骤④中取C₁=0.01、C₂=0.02、C₃=0.01、α=β=γ=1。

与现有技术相比，本发明的优点在于：

1）本发明方法在获取原始的无失真图像和待评价的失真图像中坐标位置相同的两个图像块之间的结构相似度时，结合了待评价的失真图像的失真类型，使得本发明方法能够从自适应评价的角度出发，自适应地选择计算基于像素域的结构相似度，或基于DCT域的结构相似度，或基于小波域的结构相似度，从而提高了不同失真类型的图像的质量评价结果的准确性。

2）本发明方法在判别失真图像的失真类型的过程中通过结合图像受到高斯白噪声失真时表现出来的失真特点和受到JPEG失真时表现出来的失真特点，在有原始参考图像的情况下，实现了失真图像的失真类型的判断，该失真类型的判别过程可移植性高。

附图说明

图1为本发明方法的总体实现框图；

图2为本发明方法中涉及到的训练集中的12幅原始无失真图像；

图3为本发明方法中确定图像是高斯白噪声失真时涉及的阈值大小与判断正确率大小关系图；

图4为发明方法中确定图像是JPEG失真时涉及的阈值大小与判断正确率大小关系图；

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明提出一种基于失真类型判断的自适应图像质量评价方法，其处理过程为：

首先，确定待评价的失真图像的失真类型；

其次，结合待评价的失真图像的失真类型进行相应的处理，

如果失真图像为高斯白噪声失真，则将原始的无失真图像和待评价的失真图像在像素域分割成多个相重叠的尺寸大小为8×8的图像块，通过计算原始的无失真图像和待评价的失真图像中的每个图像块中的所有像素点在像素域亮度均值和标准差，以及原始无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块中的所有像素点亮度值之间的协方差，获取原始的无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块之间的基于像素域的结构相似度；

如果失真图像为JPEG失真，则将原始的无失真图像和待评价的失真图像在DCT（Discrete Cosine Transform）变换域分割成多个相重叠的尺寸大小为8×8的图像块，通过计算原始的无失真图像块和待评价的失真图像块在DCT域中所有系数的均值和标准差，以及原始无失真图像和待评价的失真图像在DCT域所中有的坐标位置相同的两个图像块中的所有系数之间的协方差，获取原始的无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块之间的基于DCT域的结构相似度；

如果失真图像为类模糊失真，则将原始的无失真图像和待评价的失真图像在小波域分割成多个相重叠的尺寸大小为8×8的图像块，通过计算原始的无失真图像块和待评价的失真图像块在小波域中所有系数的均值和标准差，以及原始无失真图像和待评价的失真图像在小波域中所有的坐标位置相同的两个图像块中的所有系数之间的协方差，获取原始的无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块之间的基于小波域的结构相似度；

最后，根据原始的无失真图像和待评价的失真图像中所有坐标位置相同的两个图像块之间的结构相似度，获取待评价的失真图像的客观质量分值。

本发明的自适应图像质量客观评价方法，其总体实现框图如图1所示，其具体包括以下步骤：

①令X表示原始的无失真图像，令Y表示待评价的失真图像，然后通过失真类型判别方法确定Y的失真类型，Y的失真类型为高斯白噪声失真、JPEG失真、高斯模糊失真、类JPEG2000失真中的其中一种。

目前，图像的失真类型一般有高斯白噪声失真（WN，white noise）、JPEG失真（JPEG）和类模糊失真三类，其中，类模糊失真包含高斯模糊失真（Gblur，Gaussian blur）、JPEG2000失真和快衰落失真（FF，fast fading）三种。在此，通过失真类型判别方法，确定Y为哪种失真类型。

步骤①中通过失真类型判别方法确定Y的失真类型的具体过程为：

①-a、对X进行大小为64×64的无重叠块分割，得到M′×N′个大小为64×64的图像块，将X中坐标在(i′,j′)处的图像块记为x′_i′,j′，对每个图像块x′进行一级小波分解（haar小波），提取对角分量，找出每个图像块的对角分量中系数幅度的中值，并计算每个图像块的噪声标准差，将x′_i′,j′的小波对角分量中系数幅度的中值记为

其噪声标准差为

其中，

1≤i′≤M′,1≤j′≤N′，H、W分别表示X的高度和宽度；

同样，对Y进行大小为64×64的无重叠块分割，得到M′×N′个大小为64×64的图像块，将Y中坐标在(i′,j′)处的图像块记为y′_i′,j′，对每个图像块y′进行一级小波分解（haar小波），提取对角分量，找出每个图像块的对角分量中系数幅度的中值，并计算每个图像块的噪声标准差，将y′_i′,j′的小波对角分量中系数幅度的中值记为

其噪声标准差为

其中，

1≤i′≤M′,1≤j′≤N′，H、W分别表示Y的高度和宽度，即X和Y有相同的尺寸；

①-b、计算X和Y中所有坐标位置相同的图像块之间的噪声标准差的差值，将X和Y中坐标位置(i′,j′)处的图像块x′_i′,j′和y′_i′,j′的噪声标准差的差值记为Δσ_i′,j′，

然后计算X和Y中所有坐标位置相同的图像块之间的噪声标准差的差值的均值，记为

①-c、判断

是否成立，如果成立，则确定Y的失真类型为高斯白噪声失真，然后结束；否则，执行步骤①-d；其中，Th_WN为高斯白噪声失真判别阈值，在本实施例中，高斯白噪声判别阈值Th_WN的取值为0.8；

①-d、计算X的亮度差值图，记为X^h，将X^h中坐标位置为(i′′,j′′)点的系数值记为X^h(i′′,j′′)，X^h(i′′,j′′)=|X(i′′,j′′)-X(i′′,j′′+1)|，其中，1≤i′′≤H,1≤j′′≤W-1，X(i′′,j′′)表示X中坐标位置为(i′′,j′′)的像素点的亮度值，X(i′′,j′′+1)表示X中坐标位置为(i′′,j′′+1)的像素点的亮度值，符号“‖”为取绝对值符号；

同样，计算Y的亮度差值图，记为Y^h，将Y^h中坐标位置为(i′′,j′′)点的系数值记为Y^h(i′′,j′′)，Y^h(i′′,j′′)=|Y(i′′,j′′)-Y(i′′,j′′+1)|，其中，1≤i′′≤H,1≤j′′≤W-1，Y(i′′,j′′)表示Y中坐标位置为(i′′,j′′)的像素点的亮度值，Y(i′′,j′′+1)表示Y中坐标位置为(i′′,j′′+1)的像素点的亮度值；

①-e、对X的亮度差值图X^h进行8×8大小的无重叠的块分割，得到M′′×N′′个无重叠的大小为8×8图像块，将X^h中坐标位置在(i′′′,j′′′)处的图像块记为

定义图像块

的块内能量和块边缘能量分别为

和

${\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}=\frac{1}{56}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}\underset{q=1}{\overset{7}{\mathrm{\Σ}}}{x}_{i^{\′\′\′},j^{\′\′\′}}^h(p,q),$ ${\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}=\frac{1}{8}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i^{\′\′\′},j^{\′\′\′}}^h(p,8),$ 其中，

为中坐标位置为(p,q)的系数值，

为

中坐标位置为(p,8)的系数值，

1≤i′′′≤M′′,1≤j′′′≤N′′，1≤p≤8,1≤q≤7；

同样，对Y的亮度差值图Y^h进行8×8大小的无重叠的块分割，得到M′′×N′′个无重叠的大小为8×8图像块，将Y^h中坐标位置在(i′′′,j′′′)处的图像块记为定义图像块的块内能量和块边缘能量分别为

和

${\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}=\frac{1}{56}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}\underset{q=1}{\overset{7}{\mathrm{\Σ}}}{y}_{i^{\′\′\′},j^{\′\′\′}}^h(p,q),$ ${\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}=\frac{1}{8}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i^{\′\′\′},j^{\′\′\′}}^h(p,8),$ 其中，

为

中坐标位置为(p,q)的系数值，为

中坐标位置为(p,8)的系数值

1≤i′′′≤M′′,1≤j′′′≤N′′，1≤p≤8,1≤q≤7；

①-f、计算X^h中所有图像块的边缘能量和块内能量之间的比值，将X^h中坐标位置在(i′′′,j′′′)处的图像块

的块边缘能量和块能量的比值记为 $R_{i^{\′\′\′},j^{\′\′\′}}^x=\frac{{\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}}{{\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}};$

同样，计算Y^h中所有图像块的边缘能量和块内能量之间的比值，将Y^h中坐标位置在(i′′′,j′′′)处的图像块的块边缘能量和块能量的比值记为

$R_{i^{\′\′\′},j^{\′\′\′}}^y=\frac{{\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}}{{\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}};$

统计满足不等式的图像块的个数，并记为N₀；定义判别指标J， $J=\frac{N_0}{M^{\′\′}\×N^{\′\′}};$

①-g、判断J＞Th_JPEG是否成立，如果成立，则确定Y的失真类型为JPEG失真，然后结束；否则，执行步骤①-h；其中，Th_JPEG为JPEG失真判别阈值；本实施例中，JPEG失真判别阈值Th_JPEG的取值为0.57；

①-h、确定Y的失真类型为类模糊失真，即Y的失真类型为高斯模糊失真，或JPEG2000失真，或快衰落失真。

在本实施例中，使用的图像数据为美国Texas大学图像和视频工程实验室公开的图像质量估计数据库（LIVE）所提供的808幅图像，其中包括无失真的参考图像29幅，失真图像779幅，其中高斯白噪声失真图像145幅、高斯模糊失真图像145幅、JPEG失真图像175、JPEG2000失真图像包含169幅以及快衰落失真图像145幅。另外，图2给出了从29幅无失真的参考图像中挑选纹理简单、纹理复杂和纹理中等的12幅无失真图像，将这12幅无失真图像及其对应的5种失真类型的图像作为训练集图像，其中高斯白噪声失真图像、高斯模糊失真图像和快衰落失真图像各60幅，JPEG失真图像和JPEG2000失真图像各70幅；将剩余的17幅无失真图像及其对应的5种失真类型的图像作为测试集图像，其中高斯白噪声失真图像、高斯模糊失真图像和快衰落失真图像各85幅，JPEG失真图像105幅，JPEG2000失真图像99幅。

第一步从训练数据库所有失真图像中分离出高斯白噪声失真的失真图像。在确定失真图像Y的失真类型是否为高斯白噪声失真的过程中涉及到的高斯白噪声失真判别阈值Th_WN时，在区间[-0.5,1.5]中，每隔0.05取一个值作为Th_WN探测值，对每个探测值，进行判别步骤①-a、①-b和①-c的数据训练，并分别求取判断的准确率，Th_WN大小与判别正确率的关系曲线如图3所示，从图3中可以看出，当Th_WN=0.8时，可以以正确率为100%地分离出高斯白噪声失真图像。

第二步从训练集中非高斯白噪声失真的图像中分离出JPEG失真图像。在区间[0.4,0.7]中每隔0.01取一个点作为Th_JPEG的探测值，对每个探测值做判别步骤①-d至①-g的数据训练，并分别求取判断的准确率，Th_JPEG大小与判别正确率的关系曲线如图4所示，从图4中可以看出，当Th_JPEG=0.57时，可以以正确率为100%地从非高斯白噪声失真的图像中分离出JPEG失真图像。

②如果失真图像Y的失真类型为高斯白噪声失真，则采用尺寸大小为8×8的滑动窗口在X中按先行后列的顺序逐像素点移动，将X分割成M×N个相重叠的且尺寸大小为8×8的图像块，将X中坐标位置为(i,j)的图像块记为x_i,j；同样，采用尺寸大小为8×8的滑动窗口在Y中按先行后列的顺序逐像素点移动，将Y分割成M×N个相重叠的且尺寸大小为8×8的图像块，将Y中坐标位置为(i,j)的图像块记为y_i,j；其中，

H表示X和Y的高度，W表示X和Y的宽度，符号为向下取整符号，1≤i≤M,1≤j≤N；

如果失真图像Y的失真类型为JPEG失真，则采用尺寸大小为8×8的滑动窗口在X中按先行后列的顺序逐像素点移动，将X分割成M×N个相重叠的且尺寸大小为8×8的图像块，将X中坐标位置为(i,j)的图像块记为x_i,j，对所有的图像块x_i,j进行二维DCT变换，得到对应变换后的图像块为同样，采用尺寸大小为8×8的滑动窗口在Y中按先行后列的顺序逐像素带你移动，将Y分割成M×N个相重叠的且尺寸大小为8×8的图像块，将Y中坐标位置为(i,j)的图像块记为y_i,j，对所有的图像块y_i,j进行二维DCT变换，得到对应变换后的图像块为

其中，

H表示X和Y的高度，W表示X和Y的宽度，1≤i≤M,1≤j≤N；

如果失真图像Y的失真类型为类模糊失真，则对X进行一级小波变换，提取近似分量并记为X_A，采用尺寸大小为8×8的滑动窗口在X_A中按先行后列的顺序逐点移动，将X_A分割成M′×N′个相重叠的且尺寸大小为8×8的图像块，将X_A中坐标位置为(i′,j′)的图像块记为

同样，对Y进行一级小波变换，提取近似分量并记为Y_A，采用尺寸大小为8×8的滑动窗口在Y_A中按先行后列的顺序逐点移动，将Y_A分割成M′×N′个相重叠的且尺寸大小为8×8的图像块，将Y_A中坐标位置为(i′,j′)的图像块记为

其中，

H′表示X_A和Y_A的高度，W′表示X_A和Y_A的宽度，1≤i′≤M′,1≤j′≤N′；

③如果失真图像Y的失真类型为高斯白噪声失真，则计算X中的每个图像块中的所有像素点的亮度均值和标准差，并计算Y中的每个图像块中的所有像素点的亮度均值和标准差，然后计算X和Y中所有的坐标位置相同的两个图像块中的所有像素点之间的协方差，将X中坐标位置为(i,j)的图像块x_i,j中的所有像素点的亮度均值和标准差对应记为

和

将Y中坐标位置为(i,j)的图像块y_i,j中的所有像素点的亮度均值和标准差对应记为

和

将X中坐标位置为(i,j)的图像块x_i,j中的所有像素点与Y中坐标位置为(i,j)的图像块y_i,j中的所有像素点之间的协方差记为

${\mathrm{\μ}}_{x_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i,j}(u,v),$ ${\mathrm{\σ}}_{x_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i,j}(u,v)-{\mathrm{\μ}}_{x_{i,j}})}^2},$ ${\mathrm{\μ}}_{y_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i,j}(u,v),$ ${\mathrm{\σ}}_{y_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i,j}(u,v)-{\mathrm{\μ}}_{y_{i,j}})}^2},$ ${\mathrm{\σ}}_{x_{i,j}{y}_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}\left[(x_{i,j}(u,v)-{\mathrm{\μ}}_{x_{i,j}})(y_{i,j}(u,v)-{\mathrm{\μ}}_{y_{i,j}})\right],$ 其中，x_i,j(u,v)表示x_i,j中坐标位置为(u,v)的像素点的亮度值，y_i,j(u,v)表示y_i,j中坐标位置为(u,v)的像素点的亮度值，1≤u≤8,1≤v≤8；

如果失真图像Y的失真类型为JPEG失真，则计算X中的每个图像块中的所有像素点的亮度均值和标准差，并计算Y中的每个图像块中的所有像素点的亮度均值和标准差，然后计算X中的每个图像块的DCT交流系数的均值和标准差，并计算Y中的每个图像块的DCT交流系数的均值和标准差，最后计算X和Y中所有的坐标位置相同的两个图像块的所有DCT交流系数之间的协方差，将X中坐标位置为(i,j)的图像块x_i,j中的所有像素点的亮度均值和标准差对应记为

和

将Y中坐标位置为(i,j)的图像块y_i,j中的所有像素点的亮度均值和标准差对应记为

和

将X中坐标位置为(i,j)的图像块x_i,j进行DCT变换后得到的新图像块

的所有交流系数的均值和标准差分别对应记为

和

将Y中坐标位置为(i,j)的图像块y_i,j进行DCT变换后得到的新图像块的所有交流系数的均值和标准差分别对应记为

和

将X中坐标位置为(i,j)的DCT域图像块

和Y中坐标位置为(i,j)的DCT域图像块

中的所有交流系数之间的协方差记为

${\mathrm{\μ}}_{x_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i,j}(u,v),$ ${\mathrm{\σ}}_{x_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i,j}(u,v)-{\mathrm{\μ}}_{x_{i,j}})}^2},$ ${\mathrm{\μ}}_{y_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i,j}(u,v),$ ${\mathrm{\σ}}_{y_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i,j}(u,v)-{\mathrm{\μ}}_{y_{i,j}})}^2},$ ${\mathrm{\μ}}_{x_{i,j}^D}=\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i,j}^D(u^D,v^D),$ ${\mathrm{\σ}}_{x_{i,j}^D}=\sqrt{\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{x_{i,j}^D})}^2},$ ${\mathrm{\μ}}_{y_{i,j}^D}=\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i,j}^D(u^D,v^D),$ ${\mathrm{\σ}}_{y_{i,j}^D}=\sqrt{\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{y_{i,j}^D})}^2},$ ${\mathrm{\σ}}_{x_{i,j}^D,y_{i,j}^D}=\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}\left[(x_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{x_{i,j}^D})(y_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{y_{i,j}^D})\right],$ 其中，x_i,j(u,v)表示x_i,j中坐标位置为(u,v)的像素点的亮度值，y_i,j(u,v)表示y_i,j中坐标位置为(u,v)的像素点的亮度值，1≤u≤8,1≤v≤8，

表示

中坐标位置为(u^D,v^D)的DCT系数值，

表示中坐标位置为(u^D,v^D)的DCT系数值，1≤u^D≤8,1≤v^D≤8且u^D和v^D不同时为1；

如果失真图像Y的失真类型为类模糊失真，则计算X经一级小波变换后的近似分量X_A中所有系数值的均值和标准差，并计算Y经一级小波变换后的近似分量Y_A中所有系数值的均值和标准差，然后计算X_A和Y_A中所有的坐标位置相同的两个图像块中的所有系数之间的协方差，将X_A中坐标位置为(i^W,j^W)的图像块

中所有系数的均值和标准差分别对应记为

和

将Y_A中坐标位置为(i^W,j^W)的图像块

中所有系数的均值和标准差分别记为和

将X_A中坐标位置为(i^W,j^W)的图像块中的所有像素点与Y_A中坐标位置为(i^W,j^W)的图像块

中的所有系数之间的协方差记为

${\mathrm{\μ}}_{x_{i^W,j^W}^W}=\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i^W,j^W}^W(u^W,v^W),$ ${\mathrm{\σ}}_{x_{i^W,j^W}^W}=\sqrt{\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{x_{i^W,j^W}^W})}^2},$ ${\mathrm{\μ}}_{y_{i^W,j^W}^W}=\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i^W,j^W}^W(u^W,v^W),$ ${\mathrm{\σ}}_{y_{i^W,j^W}^W}=\sqrt{\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{y_{i^W,j^W}^W})}^2},$ ${\mathrm{\σ}}_{x_{i^W,j^W}^W,y_{i^W,j^W}^W}=\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}\left[(x_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{x_{i^W,j^W}^W})(y_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{y_{i^W,j^W}^W})\right],$ 其中，

表示

中坐标位置为(u^W,v^W)的系数值，

表示

中坐标位置为(u^W,v^W)的系数值，1≤u^W≤8,1≤v^W≤8；

④如果失真图像Y的失真类型为高斯白噪声失真，则计算X和Y中所有的坐标位置相同的两个图像块之间的亮度函数、对比度函数和结构度函数，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的亮度函数、对比度函数和结构度函数对应分别记为l(x_i,j,y_i,j)、c(x_i,j,y_i,j)和s(x_i,j,y_i,j)， $l(x_{i,j},y_{i,j})=\frac{2{\mathrm{\μ}}_{x_{i,j}}{\mathrm{\μ}}_{y_{i,j}}+C_1}{{\mathrm{\μ}}_{x_{i,j}}^2+{\mathrm{\μ}}_{y_{i,j}}^2+C_1},$ $c(x_{i,j},y_{i,j})=\frac{2{\mathrm{\σ}}_{x_{i,j}}{\mathrm{\σ}}_{y_{i,j}}+C_2}{{\mathrm{\σ}}_{x_{i,j}}^2+{\mathrm{\σ}}_{y_{i,j}}^2+C_2},$

其中，C₁、C₂、C₃为避免分母出现零而设置的小值常数，在本实施例中取C₁=0.01、C₂=0.02、C₃=0.01；

如果失真图像Y的失真类型为JPEG失真，则计算X和Y中所有的坐标位置相同的两个图像块之间的亮度函数和对比度函数，并计算X和Y中所有的坐标位置相同的两个图像块在DCT域的结构度函数，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的亮度函数和对比度函数和结构度函数对应分别记为l(x_i,j,y_i,j)和c(x_i,j,y_i,j)，将X中坐标位置为(i,j)的图像块x_i,j在DCT变换后的新图像块

与Y中坐标位置为(i,j)的图像块y_i,j在DCT变换后的新图像块

之间结构度函数记为f(x_i,j,y_i,j)，

$c(x_{i,j},y_{i,j})=\frac{2{\mathrm{\σ}}_{x_{i,j}}{\mathrm{\σ}}_{y_{i,j}}+C_2}{{\mathrm{\σ}}_{x_{i,j}}^2+{\mathrm{\σ}}_{y_{i,j}}^2+C_2},$ $f(x_{i,j},y_{i,j})=\frac{{\mathrm{\σ}}_{x_{i,j}^D,y_{i,j}^D}+C_3}{{\mathrm{\σ}}_{x_{i,j}^D}{\mathrm{\σ}}_{y_{i,j}^D}+C_3},$ 其中，C₁、C₂、C₃为避免分母出现零而设置的小值常数，在本实施例中取C₁=0.01、C₂=0.02、C₃=0.01；

如果失真图像Y的失真类型为类模糊失真，则计算X和Y中所有的坐标位置相同的两个图像块之间的小波系数函数、小波系数对比度函数和小波系数结构度函数，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的小波系数函数、小波系数对比度函数和小波系数结构度函数对应分别记为l^W(x_i,j,y_i,j)、c^W(x_i,j,y_i,j)和s^W(x_i,j,y_i,j)， $l^W(x_{i,j},y_{i,j})=\frac{2{\mathrm{\μ}}_{x_{i^W,j^W}^W}{\mathrm{\μ}}_{y_{i^W,j^W}^W}+C_1}{{\mathrm{\μ}}_{x_{i^W,j^W}^W}^2+{\mathrm{\μ}}_{y_{i^W,j^W}^W}^2+C_1},$ $c^W(x_{i,j},y_{i,j})=\frac{2{\mathrm{\σ}}_{x_{i^W,j^W}^W}{\mathrm{\σ}}_{y_{i^W,j^W}^W}+C_2}{{\mathrm{\σ}}_{x_{i^W,j^W}^W}^2+{\mathrm{\σ}}_{y_{i^W,j^W}^W}^2+C_2},$ $s^W(x_{i,j},y_{i,j})=\frac{{\mathrm{\σ}}_{x_{i^W,j^W}^W,y_{i^W,j^W}^W}+C_3}{{\mathrm{\σ}}_{x_{i^W,j^W}^W}{\mathrm{\σ}}_{y_{i^W,j^W}^W}+C_3},$ 其中，C₁、C₂、C₃为避免分母出现零而设置的小值常数，在本实施例中取C₁=0.01、C₂=0.02、C₃=0.01；

⑤如果失真图像Y的失真类型为高斯白噪声失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的亮度函数、对比度函数和结构度函数，计算X和Y中所有的坐标位置相同的两个图像块之间的结构相似度，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的结构相似度记为SSIM(x_i,j,y_i,j)，SSIM(x_i,j,y_i,j)=[l(x_i,j,y_i,j)]^α[c(x_i,j,y_i,j)]^β[s(x_i,j,y_i,j)]^γ，其中α、β和γ为调节因子，在本实施例中取α=β=γ=1；

如果失真图像Y的失真类型为JPEG失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的亮度函数和对比度函数，以及X和Y中所有的坐标位置相同的两个图像块在DCT域的结构度函数，计算X和Y中所有坐标位置相同的两个图像块之间的基于DCT域的结构相似度，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的基于DCT域的结构相似度记为FSSIM(x_i,j,y_i,j)，FSSIM(x_i,j,y_i,j)=[l(x_i,j,y_i,j)]^α[c(x_i,j,y_i,j)]^β[f(x_i,j,y_i,j)]^γ，其中α、β和γ为调节因子，在本实施例中取α=β=γ=1；

如果失真图像Y的失真类型为类模糊失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的小波系数函数、小波系数对比度函数和小波系数结构度函数，计算X和Y中所有的坐标位置相同的两个图像块之间的基于小波域的结构相似度，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的基于小波域的结构相似度记为记为WSSIM(x_i,j,y_i,j)，WSSIM(x_i,j,y_i,j)=[l^W(x_i,j,y_i,j)]^α[c^W(x_i,j,y_i,j)]^β[s^W(x_i,j,y_i,j)]^γ，其中α、β和γ为调节因子，在本实施例中取α=β=γ=1；

⑥如果失真图像Y的失真类型为高斯白噪声失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的基于像素域的结构相似度，计算Y的客观质量分值，记为Q_wn， $Q_{\mathrm{wn}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{SSIM}(x_{i,j},y_{i,j});$

如果失真图像Y的失真类型为JPEG失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的基于DCT域的结构相似度，计算Y的客观质量分值，记为Q_jpeg， $Q_{\mathrm{jpeg}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{FSSIM}(x_{i,j},y_{i,j});$

如果失真图像Y的失真类型为类模糊失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的基于小波域的结构相似度，计算Y的客观质量分值，记为Q_blur， $Q_{\mathrm{blur}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{WSSIM}(x_{i,j},y_{i,j}).$

本实施例中，利用LIVE中提供的29幅无失真图像和779幅单一失真图像和各幅失真图像所对应的DMOS（differential mean opinion scores）值，根据步骤①至步骤⑥计算出各幅失真图像的质量评价分值Q，对779幅失真图像的客观质量评价分值Q和DMOS值进行四参数Logistic函数非线性拟合；利用评估图像质量评价方法的4个常用客观参量作为评价指标，这4个评价指标分别为线性相关系数CC（correlation coefficient）、Spearman相关系数SROCC（Spearman rank-order correlation coefficient）、离散率OR（out ratio）及均方误差系数RMSE（rooted mean squared error）。其中CC值和SROCC值越高、OR值和RMSE值越低说明图像客观评价方法与DMOS相关性越好。

表1列出了各种失真类型下评价性能的CC、SROCC、OR和RMSE系数的值，从表1所列的数据可见，本实施例得到的失真图像的客观质量分值Q与主观分数DMOS之间的相关性很高，CC值都超过0.94，SROCC值都超过0.91，OR值都低于0.41，RMSE值都低于5.4，这表明了本发明方法的客观评价结果与人眼主观感知的结果一致性很高，充分说明了本发明方法的有效性。

表1 本实施得到的失真图像的客观评价分与主观评价分之间的相关性

Claims (5)

1.一种基于失真类型判断的自适应图像质量评价方法，其特征在于它的处理过程为：

首先，确定待评价的失真图像的失真类型；

其次，结合待评价的失真图像的失真类型进行相应的处理；

如果失真图像为高斯白噪声失真，则将原始的无失真图像和待评价的失真图像在像素域分割成多个相重叠的尺寸大小为8×8的图像块，通过计算原始的无失真图像和待评价的失真图像中的每个图像块中的所有像素点在像素域亮度均值和标准差，以及原始无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块中的所有像素点亮度值之间的协方差，获取原始的无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块之间的基于像素域的结构相似度；

如果失真图像为JPEG失真，则将原始的无失真图像和待评价的失真图像在DCT域分割成多个相重叠的尺寸大小为8×8的图像块，通过计算原始的无失真图像块和待评价的失真图像块在DCT域中所有系数的均值和标准差，以及原始无失真图像和待评价的失真图像在DCT域有的坐标位置相同的两个图像块中的所有系数之间的协方差，获取原始的无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块之间的基于DCT域的结构相似度；

如果失真图像为类模糊失真，则将原始的无失真图像和待评价的失真图像在小波域分割成多个相重叠的尺寸大小为8×8的图像块，通过计算原始的无失真图像块和待评价的失真图像块在小波域中所有系数的均值和标准差，以及原始无失真图像和待评价的失真图像在小波域中所有的坐标位置相同的两个图像块中的所有系数之间的协方差，获取原始的无失真图像和待评价的失真图像中所有的坐标位置相同的两个图像块之间的基于小波域的结构相似度；

最后，根据原始的无失真图像和待评价的失真图像中所有坐标位置相同的两个图像块之间的结构相似度，获取待评价的失真图像的客观质量分值。

2.根据权利要求1所述的一种基于失真类型判断的自适应图像质量评价方法，其特征在于：它具体包括以下步骤：

①令X表示原始的无失真图像，令Y表示待评价的失真图像，通过失真类型判别方法确定Y的失真类型，Y的失真类型为高斯白噪声失真、JPEG失真、类模糊失真中的其中一种，其中类模糊失真包含高斯模糊失真、JPEG2000失真和快衰落失真；

②如果失真图像Y的失真类型为高斯白噪声失真，则采用尺寸大小为8×8的滑动窗口在X中逐像素点移动，将X分割成M×N个相重叠的且尺寸大小为8×8的图像块，将X中坐标位置为(i,j)的图像块记为x_i,j；同样，采用尺寸大小为8×8的滑动窗口在Y中逐像素点移动，将Y分割成M×N个相重叠的且尺寸大小为8×8的图像块，将Y中坐标位置为(i,j)的图像块记为y_i,j；其中，

H表示X和Y的高度，W表示X和Y的宽度，符号

为向下取整符号，1≤i≤M,1≤j≤N；

如果失真图像Y的失真类型为JPEG失真，则采用尺寸大小为8×8的滑动窗口在X中逐像素点移动，将X分割成M×N个相重叠的且尺寸大小为8×8的图像块，将X中坐标位置为(i,j)的图像块记为x_i,j，对所有的图像块x_i,j进行二维DCT变换，得到对应变换后的图像块为

同样，采用尺寸大小为8×8的滑动窗口在Y中逐像素带你移动，将Y分割成M×N个相重叠的且尺寸大小为8×8的图像块，将Y中坐标位置为(i,j)的图像块记为y_i,j，对所有的图像块y_i,j进行二维DCT变换，得到对应变换后的图像块为

其中，

H表示X和Y的高度，W表示X和Y的宽度，1≤i≤M,1≤j≤N；

如果失真图像Y的失真类型为类模糊失真，则对X进行一级小波变换，提取近似分量并记为X_A，采用尺寸大小为8×8的滑动窗口在X_A中逐点移动，将X_A分割成M′×N′个相重叠的且尺寸大小为8×8的图像块，将X_A中坐标位置为(i′,j′)的图像块记为

同样，对Y进行一级小波变换，提取近似分量并记为Y_A，采用尺寸大小为8×8的滑动窗口在Y_A中逐点移动，将Y_A分割成M′×N′个相重叠的且尺寸大小为8×8的图像块，将Y_A中坐标位置为(i′,j′)的图像块记为

其中，

H′表示X_A和Y_A的高度，W′表示X_A和Y_A的宽度，1≤i′≤M′,1≤j′≤N′；

③如果失真图像Y的失真类型为高斯白噪声失真，则计算X中的每个图像块中的所有像素点的亮度均值和标准差，并计算Y中的每个图像块中的所有像素点的亮度均值和标准差，然后计算X和Y中所有的坐标位置相同的两个图像块中的所有像素点之间的协方差，将X中坐标位置为(i,j)的图像块x_i,j中的所有像素点的亮度均值和标准差对应记为

和

将Y中坐标位置为(i,j)的图像块y_i,j中的所有像素点的亮度均值和标准差对应记为

和

将X中坐标位置为(i,j)的图像块x_i,j中的所有像素点与Y中坐标位置为(i,j)的图像块y_i,j中的所有像素点之间的协方差记为

${\mathrm{\μ}}_{x_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i,j}(u,v),$ ${\mathrm{\σ}}_{x_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i,j}(u,v)-{\mathrm{\μ}}_{x_{i,j}})}^2},$ ${\mathrm{\μ}}_{y_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i,j}(u,v),$ ${\mathrm{\σ}}_{y_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i,j}(u,v)-{\mathrm{\μ}}_{y_{i,j}})}^2},$ ${\mathrm{\σ}}_{x_{i,j}{y}_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}\left[(x_{i,j}(u,v)-{\mathrm{\μ}}_{x_{i,j}})(y_{i,j}(u,v)-{\mathrm{\μ}}_{y_{i,j}})\right],$ 其中，x_i,j(u,v)表示x_i,j中坐标位置为(u,v)的像素点的亮度值，y_i,j(u,v)表示y_i,j中坐标位置为(u,v)的像素点的亮度值，1≤u≤8,1≤v≤8；

如果失真图像Y的失真类型为JPEG失真，则计算X中的每个图像块中的所有像素点的亮度均值和标准差，并计算Y中的每个图像块中的所有像素点的亮度均值和标准差，然后计算X中的每个图像块的DCT交流系数的均值和标准差，并计算Y中的每个图像块的DCT交流系数的均值和标准差，最后计算X和Y中所有的坐标位置相同的两个图像块的所有DCT交流系数之间的协方差，将X中坐标位置为(i,j)的图像块x_i,j中的所有像素点的亮度均值和标准差对应记为

和将Y中坐标位置为(i,j)的图像块y_i,j中的所有像素点的亮度均值和标准差对应记为

和

将X中坐标位置为(i,j)的图像块x_i,j进行DCT变换后得到的新图像块

的所有交流系数的均值和标准差分别对应记为和

将Y中坐标位置为(i,j)的图像块y_i,j进行DCT变换后得到的新图像块

的所有交流系数的均值和标准差分别对应记为

和

将X中坐标位置为(i,j)的DCT域图像块

和Y中坐标位置为(i,j)的DCT域图像块

中的所有交流系数之间的协方差记为

${\mathrm{\μ}}_{x_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i,j}(u,v),$ ${\mathrm{\σ}}_{x_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i,j}(u,v)-{\mathrm{\μ}}_{x_{i,j}})}^2},$ ${\mathrm{\μ}}_{y_{i,j}}=\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i,j}(u,v),$ ${\mathrm{\σ}}_{y_{i,j}}=\sqrt{\frac{1}{64}\underset{u=1}{\overset{8}{\mathrm{\Σ}}}\underset{v=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i,j}(u,v)-{\mathrm{\μ}}_{y_{i,j}})}^2},$ ${\mathrm{\μ}}_{x_{i,j}^D}=\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i,j}^D(u^D,v^D),$ ${\mathrm{\σ}}_{x_{i,j}^D}=\sqrt{\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{x_{i,j}^D})}^2},$ ${\mathrm{\μ}}_{y_{i,j}^D}=\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i,j}^D(u^D,v^D),$ ${\mathrm{\σ}}_{y_{i,j}^D}=\sqrt{\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{y_{i,j}^D})}^2},$ ${\mathrm{\σ}}_{x_{i,j}^D,y_{i,j}^D}=\frac{1}{64}\underset{u^D=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^D=1}{\overset{8}{\mathrm{\Σ}}}\left[(x_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{x_{i,j}^D})(y_{i,j}^D(u^D,v^D)-{\mathrm{\μ}}_{y_{i,j}^D})\right],$ 其中，x_i,j(u,v)表示x_i,j中坐标位置为(u,v)的像素点的亮度值，y_i,j(u,v)表示y_i,j中坐标位置为(u,v)的像素点的亮度值，1≤u≤8,1≤v≤8，

表示

中坐标位置为(u^D,v^D)的DCT系数值，

表示

中坐标位置为(u^D,v^D)的DCT系数值，1≤u^D≤8,1≤v^D≤8且u^D和v^D不同时为1；

如果失真图像Y的失真类型为类模糊失真，则计算X经一级小波变换后的近似分量X_A中所有系数值的均值和标准差，并计算Y经一级小波变换后的近似分量Y_A中所有系数值的均值和标准差，然后计算X_A和Y_A中所有的坐标位置相同的两个图像块中的所有系数之间的协方差，将X_A中坐标位置为(i^W,j^W)的图像块

中所有系数的均值和标准差分别对应记为

和将Y_A中坐标位置为(i^W,j^W)的图像块

中所有系数的均值和标准差分别记为

和

将X_A中坐标位置为(i^W,j^W)的图像块

中的所有像素点与Y_A中坐标位置为(i^W,j^W)的图像块中的所有系数之间的协方差记为

${\mathrm{\μ}}_{x_{i^W,j^W}^W}=\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i^W,j^W}^W(u^W,v^W),$ ${\mathrm{\σ}}_{x_{i^W,j^W}^W}=\sqrt{\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{(x_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{x_{i^W,j^W}^W})}^2},$

${\mathrm{\μ}}_{y_{i^W,j^W}^W}=\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i^W,j^W}^W(u^W,v^W),$ ${\mathrm{\σ}}_{y_{i^W,j^W}^W}=\sqrt{\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}{(y_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{y_{i^W,j^W}^W})}^2},$ ${\mathrm{\σ}}_{x_{i^W,j^W}^W,y_{i^W,j^W}^W}=\frac{1}{64}\underset{u^W=1}{\overset{8}{\mathrm{\Σ}}}\underset{v^W=1}{\overset{8}{\mathrm{\Σ}}}\left[(x_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{x_{i^W,j^W}^W})(y_{i^W,j^W}^W(u^W,v^W)-{\mathrm{\μ}}_{y_{i^W,j^W}^W})\right],$ 其中，

表示

中坐标位置为(u^W,v^W)的系数值，

表示中坐标位置为(u^W,v^W)的系数值，1≤u^W≤8,1≤v^W≤8；

④如果失真图像Y的失真类型为高斯白噪声失真，则计算X和Y中所有的坐标位置相同的两个图像块之间的亮度函数、对比度函数和结构度函数，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的亮度函数、对比度函数和结构度函数对应分别记为l(x_i,j,y_i,j)、c(x_i,j,y_i,j)和s(x_i,j,y_i,j)，

$l(x_{i,j},y_{i,j})=\frac{2{\mathrm{\μ}}_{x_{i,j}}{\mathrm{\μ}}_{y_{i,j}}+C_1}{{\mathrm{\μ}}_{x_{i,j}}^2+{\mathrm{\μ}}_{y_{i,j}}^2+C_1},$ $c(x_{i,j},y_{i,j})=\frac{2{\mathrm{\σ}}_{x_{i,j}}{\mathrm{\σ}}_{y_{i,j}}+C_2}{{\mathrm{\σ}}_{x_{i,j}}^2+{\mathrm{\σ}}_{y_{i,j}}^2+C_2},$

其中，C₁、C₂、C₃为避免分母出现零而设置的小值常数；

如果失真图像Y的失真类型为JPEG失真，则计算X和Y中所有的坐标位置相同的两个图像块之间的亮度函数和对比度函数，并计算X和Y中所有的坐标位置相同的两个图像块在DCT域的结构度函数，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的亮度函数和对比度函数和结构度函数对应分别记为l(x_i,j,y_i,j)和c(x_i,j,y_i,j)，将X中坐标位置为(i,j)的图像块x_i,j在DCT变换后的新图像块

与Y中坐标位置为(i,j)的图像块y_i,j在DCT变换后的新图像块

之间结构度函数记为f(x_i,j,y_i,j)，

$c(x_{i,j},y_{i,j})=\frac{2{\mathrm{\σ}}_{x_{i,j}}{\mathrm{\σ}}_{y_{i,j}}+C_2}{{\mathrm{\σ}}_{x_{i,j}}^2+{\mathrm{\σ}}_{y_{i,j}}^2+C_2},$ $f(x_{i,j},y_{i,j})=\frac{{\mathrm{\σ}}_{x_{i,j}^D,y_{i,j}^D}+C_3}{{\mathrm{\σ}}_{x_{i,j}^D}{\mathrm{\σ}}_{y_{i,j}^D}+C_3},$ 其中，C₁、C₂、C₃为避免分母出现零而设置的小值常数；

如果失真图像Y的失真类型为类模糊失真，则计算X和Y中所有的坐标位置相同的两个图像块之间的小波系数函数、小波系数对比度函数和小波系数结构度函数，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的小波系数函数、小波系数对比度函数和小波系数结构度函数对应分别记为l^W(x_i,j,y_i,j)、c^W(x_i,j,y_i,j)和s^W(x_i,j,y_i,j)， $l^W(x_{i,j},y_{i,j})=\frac{2{\mathrm{\μ}}_{x_{i^W,j^W}^W}{\mathrm{\μ}}_{y_{i^W,j^W}^W}+C_1}{{\mathrm{\μ}}_{x_{i^W,j^W}^W}^2+{\mathrm{\μ}}_{y_{i^W,j^W}^W}^2+C_1},$ $c^W(x_{i,j},y_{i,j})=\frac{2{\mathrm{\σ}}_{x_{i^W,j^W}^W}{\mathrm{\σ}}_{y_{i^W,j^W}^W}+C_2}{{\mathrm{\σ}}_{x_{i^W,j^W}^W}^2+{\mathrm{\σ}}_{y_{i^W,j^W}^W}^2+C_2},$ $s^W(x_{i,j},y_{i,j})=\frac{{\mathrm{\σ}}_{x_{i^W,j^W}^W,y_{i^W,j^W}^W}+C_3}{{\mathrm{\σ}}_{x_{i^W,j^W}^W}{\mathrm{\σ}}_{y_{i^W,j^W}^W}+C_3},$ 其中，C₁、C₂、C₃为避免分母出现零而设置的小值常数；

⑤如果失真图像Y的失真类型为高斯白噪声失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的亮度函数、对比度函数和结构度函数，计算X和Y中所有的坐标位置相同的两个图像块之间的结构相似度，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的结构相似度记为SSIM(x_i,j,y_i,j)，SSIM(x_i,j,y_i,j)=[l(x_i,j,y_i,j)]^α[c(x_i,j,y_i,j)]^β[s(x_i,j,y_i,j)]^γ，其中α、β和γ为调节因子；

如果失真图像Y的失真类型为JPEG失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的亮度函数和对比度函数，以及X和Y中所有的坐标位置相同的两个图像块在DCT域的结构度函数，计算X和Y中所有坐标位置相同的两个图像块之间的基于DCT域的结构相似度，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的基于DCT域的结构相似度记为FSSIM(x_i,j,y_i,j)，FSSIM(x_i,j,y_i,j)=[l(x_i,j,y_i,j)]^α[c(x_i,j,y_i,j)]^β[f(x_i,j,y_i,j)]^γ，其中α、β和γ为调节因子；

如果失真图像Y的失真类型为类模糊失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的小波系数函数、小波系数对比度函数和小波系数结构度函数，计算X和Y中所有的坐标位置相同的两个图像块之间的基于小波域的结构相似度，将X中坐标位置为(i,j)的图像块x_i,j与Y中坐标位置为(i,j)的图像块y_i,j之间的基于小波域的结构相似度记为记为WSSIM(x_i,j,y_i,j)，WSSIM(x_i,j,y_i,j)=[l^W(x_i,j,y_i,j)]^α[c^W(x_i,j,y_i,j)]^β[s^W(x_i,j,y_i,j)]^γ，其中α、β和γ为调节因子；

⑥如果失真图像Y的失真类型为高斯白噪声失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的基于像素域的结构相似度，计算Y的客观质量分值，记为Q_wn， $Q_{\mathrm{wn}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{SSIM}(x_{i,j},y_{i,j});$

如果失真图像Y的失真类型为JPEG失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的基于DCT域的结构相似度，计算Y的客观质量分值，记为Q_jpeg， $Q_{\mathrm{jpeg}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{FSSIM}(x_{i,j},y_{i,j});$

如果失真图像Y的失真类型为类模糊失真，则根据X和Y中所有的坐标位置相同的两个图像块之间的基于小波域的结构相似度，计算Y的客观质量分值，记为Q_blur， $Q_{\mathrm{blur}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{WSSIM}(x_{i,j},y_{i,j}).$

3.根据权利要求2所述的一种基于失真类型判断的自适应图像质量评价方法，其特征在于：所述的步骤①中通过失真类型判别方法确定Y的失真类型的具体过程为：

①-a、对X进行大小为64×64的无重叠块分割，得到M′×N′个大小为64×64的图像块，将X中坐标在(i′,j′)处的图像块记为x′_i′,j′，对每个图像块x′进行一级小波分解，提取对角分量，找出每个图像块的对角分量中系数幅度的中值，并计算每个图像块的噪声标准差，将x′_i′,j′的小波对角分量中系数幅度的中值记为

其噪声标准差为

其中，

1≤i′≤M′,1≤j′≤N′；

同样，对Y进行大小为64×64的无重叠块分割，得到M′×N′个大小为64×64的图像块，将Y中坐标在(i′,j′)处的图像块记为y′_i′,j′，对每个图像块y′进行一级小波分解，提取对角分量，找出每个图像块的对角分量中系数幅度的中值，并计算每个图像块的噪声标准差，将y′_i′,j′的小波对角分量中系数幅度的中值记为

其噪声标准差为

①-b、计算X和Y中所有坐标位置相同的图像块之间的噪声标准差的差值，将X和Y中坐标位置(i′,j′)处的图像块x′_i′,j′和y′_i′,j′的噪声标准差的差值记为

然后计算X和Y中所有坐标位置相同的图像块之间的噪声标准差的差值的均值，记为

①-c、判断

是否成立，如果成立，则确定Y的失真类型为高斯白噪声失真，然后结束；否则，执行步骤①-d；其中，Th_WN为高斯白噪声失真判别阈值；

①-d、计算X的亮度差值图，记为X^h，将X^h中坐标位置为(i′′,j′′)点的系数值记为X^h(i′′,j′′)，X^h(i′′,j′′)=|X(i′′,j′′)-X(i′′,j′′+1)|，其中，1≤i′′≤H,1≤j′′≤W-1，X(i′′,j′′)表示X中坐标位置为(i′′,j′′)的像素点的亮度值，X(i′′,j′′+1)表示X中坐标位置为(i′′,j′′+1)的像素点的亮度值，符号“‖”为取绝对值符号；

同样，计算Y的亮度差值图，记为Y^h，将Y^h中坐标位置为(i′′,j′′)点的系数值记为Y^h(i′′,j′′)，Y^h(i′′,j′′)=|Y(i′′,j′′)-Y(i′′,j′′+1)|，其中，1≤i′′≤H,1≤j′′≤W-1，Y(i′′,j′′)表示Y中坐标位置为(i′′,j′′)的像素点的亮度值，Y(i′′,j′′+1)表示Y中坐标位置为(i′′,j′′+1)的像素点的亮度值；

①-e、对X的亮度差值图X^h进行8×8大小的无重叠的块分割，得到M′′×N′′个无重叠的大小为8×8图像块，将X^h中坐标位置在(i′′′,j′′′)处的图像块记为

定义图像块

的块内能量和块边缘能量分别为

和

${\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}=\frac{1}{56}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}\underset{q=1}{\overset{7}{\mathrm{\Σ}}}{x}_{i^{\′\′\′},j^{\′\′\′}}^h(p,q),$ ${\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}=\frac{1}{8}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}{x}_{i^{\′\′\′},j^{\′\′\′}}^h(p,8),$ 其中，

为

中坐标位置为(p,q)的系数值，

为

中坐标位置为(p,8)的系数值，

1≤i′′′≤M′′,1≤j′′′≤N′′，1≤p≤8,1≤q≤7；

同样，对Y的亮度差值图Y^h进行8×8大小的无重叠的块分割，得到M′′×N′′个无重叠的大小为8×8图像块，将Y^h中坐标位置在(i′′′,j′′′)处的图像块记为

定义图像块的块内能量和块边缘能量分别为

和

${\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}=\frac{1}{56}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}\underset{q=1}{\overset{7}{\mathrm{\Σ}}}{y}_{i^{\′\′\′},j^{\′\′\′}}^h(p,q),$ ${\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}=\frac{1}{8}\underset{p=1}{\overset{8}{\mathrm{\Σ}}}{y}_{i^{\′\′\′},j^{\′\′\′}}^h(p,8),$ 其中，

为

中坐标位置为(p,q)的系数值，

为

中坐标位置为(p,8)的系数值；

①-f、计算X^h中所有图像块的边缘能量和块内能量之间的比值，将X^h中坐标位置在(i′′′,j′′′)处的图像块

的块边缘能量和块能量的比值记为 $R_{i^{\′\′\′},j^{\′\′\′}}^x=\frac{{\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}}{{\mathrm{Ex}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}};$

同样，计算Y^h中所有图像块的边缘能量和块内能量之间的比值，将Y^h中坐标位置在(i′′′,j′′′)处的图像块

的块边缘能量和块能量的比值记为

$R_{i^{\′\′\′},j^{\′\′\′}}^y=\frac{{\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{Ed}}}{{\mathrm{Ey}}_{i^{\′\′\′},j^{\′\′\′}}^{\mathrm{In}}};$

统计满足不等式

的图像块的个数，并记为N₀；定义判别指标J， $J=\frac{N_0}{M^{\′\′}\×N^{\′\′}};$

①-g、判断J＞Th_JPEG是否成立，如果成立，则确定Y的失真类型为JPEG失真，然后结束；否则，执行步骤①-h；其中，Th_JPEG为JPEG失真判别阈值；

①-h、确定Y的失真类型为类模糊失真，即Y的失真类型为高斯模糊失真，或JPEG2000失真，或快衰落失真。

4.根据权利要求3所述的一种基于失真类型判断的自适应图像质量评价方法，其特征在于：所述的步骤①-c中高斯白噪声失真判别阈值Th_WN的取值为0.8；所述的步骤①-g中JPEG失真判别阈值Th_JPEG的取值为0.57。

5.根据权利要求2所述的一种基于失真类型判断的自适应图像质量评价方法，其特征在于：所述的步骤④中取C₁=0.01、C₂=0.02、C₃=0.01、α=1、β=1及γ=1。

Images