CN104103065A - 一种基于奇异值分解无参考模糊图像质量评价方法 - Google Patents

Abstract

一种基于奇异值分解无参考模糊图像质量评价方法，其特征在于按如下步骤进行：(一)选择一幅图像为被评价图像；(二)将该图像转化为灰度图像；(三)对被评价图像做奇异值(SVD)分解，得到奇异值向量S₁；(四)根据奇异值建立图像质量评价函数Blur；(五)计算被评价图像的质量评价函数Blur的值，作为模糊指标。本发明是一种不需要参考图像，评价模糊图像模糊程度的方法，并且评价结果符合人类视觉主观认识结果，Blur值越大，被评价图像的质量越好。本发明不需要参考图像就可以快速评价一幅模糊图像的质量好坏，且与人类主观视觉感知一致性较好，方法简单。

Description

一种基于奇异值分解无参考模糊图像质量评价方法

技术领域

本发明涉及图像处理领域，具体地讲，是一种不需要参考图像进行模糊图像质量评价的方法。

背景技术

随着手机、数码相机等电子产品的普及，产生出了大量的数码图像，在拍照的过程中，由于焦距和手的抖动会导致图像模糊。如何从这些数码图像中自动挑选出质量合格的图像，舍弃哪些不合格的模糊图像，就需要对图像质量进行评价。

按照评价过程需要多少原始参考图像信息，客观图像质量评价方法又可以分为三大类：全参考(Full-Reference，FR)图像质量评价法，部分参考(Reduced-Reference，RR)图像质量评价法和无参考(No-Reference，NR)图像质量评价法。全参考和部分参考图像质量评价方法需要参考图像的全部或部分信息，而在很多应用场合没有或无法获得参考图像的全部或部分信息，因此无参考图像质量评价方法更加实用。

发明内容

本发明的目的在于提供一种快速模糊图像质量评价方法，能够在不需要参考图像的情况下，评价模糊图像质量的好坏。

为了实现上述目的，本发明的技术方案如下：一种基于奇异值分解无参考模糊图像质量评价方法，其关键在于按如下步骤进行：

(一)选择一幅图像为被评价图像；

(二)将该图像转化为灰度图像；

(三)对被评价图像做奇异值(SVD)分解，得到奇异值向量S₁；

任何一个灰度图像都可以看作实数矩阵A∈R^m×n，则存在正交(或酉)矩阵U∈R^m×m和V∈R^n×n使得A＝USV^T   (1)

式中 $S=\left[\begin{array}{cc}{S}_1& 0\\ 0& 0\end{array}\right],$ S₁＝diag(σ₁，σ₂，…，σ_r)，而数σ₁，σ₂，…，σ_r即是矩阵A的所有非零奇异值，r＝rank(A)，U的列向量为矩阵A的左奇异值向量，V的列向量为A的右奇异值向量，称(1)式是矩阵A的奇异值分解。由奇异值分解公式计算得到奇异值向量S₁。

(四)根据奇异值建立图像质量评价函数Blur；

$\mathrm{Blur}=\left\{\begin{array}{c}\frac{\underset{S1\left(i\right)>c1}{\mathrm{\Σ}}(1/S_1\left(i\right))}{r},r>512\\ \frac{\underset{S1\left(i\right)>c2}{\mathrm{\Σ}}(1/S_1\left(i\right))}{r},r\≤512\end{array}\right.---\left(2\right)$

式中，S₁为图像的奇异值向量，r为奇异值个数，我们需要为奇异值设定一个阈值，如果奇异值个数大于512的话，则c1为500的值，如果奇异值个数小于等于512，则c2为70的值；

(五)计算被评价图像的质量评价函数Blur的值，作为模糊指标。

本发明的优点是：本发明不需要参考图像就可以快速评价一幅模糊图像的质量好坏，且与人类主观视觉感知一致性较好，方法简单。

附图说明

图1是本发明流程图。

具体实施方式

下面结合附图和实施例进一步对本发明加以说明。

实施例：

如图1所示：一种基于奇异值分解无参考模糊图像质量评价方法，其特征在于按如下步骤进行：

(一)选择一幅图像为被评价图像；

(二)将该图像转化为灰度图像；

(三)对被评价图像做奇异值(SVD)分解，得到奇异值向量S₁；

任何一个灰度图像都可以看作实数矩阵A∈R^m×n，则存在正交(或酉)矩阵U∈R^m×m和V∈R^n×n使得A＝USV^T   (1)

式中 $S=\left[\begin{array}{cc}{S}_1& 0\\ 0& 0\end{array}\right],$ S₁＝diag(σ₁，σ₂，…，σ_r)，而数σ₁，σ₂，…，σ_r即是矩阵A的所有非零奇异值，r＝rank(A)，U的列向量为矩阵A的左奇异值向量，V的列向量为A的右奇异值向量，称(1)式是矩阵A的奇异值分解。由奇异值分解公式计算得到奇异值向量S₁。

(四)根据奇异值建立图像质量评价函数Blur；

$\mathrm{Blur}=\left\{\begin{array}{c}\frac{\underset{S1\left(i\right)>c1}{\mathrm{\Σ}}(1/S_1\left(i\right))}{r},r>512\\ \frac{\underset{S1\left(i\right)>c2}{\mathrm{\Σ}}(1/S_1\left(i\right))}{r},r\≤512\end{array}\right.---\left(2\right)$

式中，S₁为图像的奇异值向量，r为奇异值个数，我们需要为奇异值设定一个阈值，如果奇异值个数大于512的话，则c1为500的值，如果奇异值个数小于等于512，则c2为70的值；

(五)计算被评价图像的质量评价函数Blur的值，作为模糊指标，Blur值越大则说明图像越清晰。

为了验证本发明方法的优越性，下面在真实模糊数据库上测试。真实模糊图像数据库(BID-Blurred Image Database[Online]

available：http://www.lps.ufrj.br/profs/eduardo/ImageDatabase.htm)，共有585幅图像，像素范围从1280×960到2272×1704，数据库中的图像直接取自于客户的相机，这些图像被分成5种类型：不模糊204幅、失去焦点模糊142幅、简单运动模糊57幅、复杂运动模糊63幅和其他119幅。真实模糊数据库提供了粗略的MOS得分值。为了测试本发明与主观感知的一致性，我们选择了两种度量准则：(1)斯皮尔曼等级次序关系系数(SROCC)，反映客观评测预测成绩的单调性；(2)相关系数(CC)，反映客观评测的精确性。最终测试结果显示在表1，从表中可以看出，本发明提出的方法在真实模糊数据库上优于文献[1](Ferzli Rony and Karam L J.A No-Reference Objective Image Sharpness Metric Based on the Notion of JustNoticeable Blur(JNB).IEEE Transactions on Image Processing，2009，18(4)：717-728)和文献[2](Li C F，Yuan W，Bovik A C and Wu X.No-reference blurindex using blur comparisons.Electronics Letters，2011，47(17)：962-963)，具有非常好的性能指标。

表1不同的无参考模糊图像评价方法在真实数据库上的性能比较

Claims (3)

1.一种基于奇异值分解无参考模糊图像质量评价方法，其特征在于按如下步骤进行：

(一)选择一幅图像为被评价图像；

(二)将该图像转化为灰度图像；

(三)对被评价图像做奇异值(SVD)分解，得到奇异值向量S₁；

(四)根据奇异值建立图像质量评价函数Blur；

(五)计算被评价图像的质量评价函数Blur的值，作为模糊指标。

2.根据权利要求1所述基于奇异值分解无参考模糊图像质量评价方法，其特征在于：在步骤(三)中，奇异值分解公式为A＝USV^T，式中 $S=\left[\begin{array}{cc}{S}_1& 0\\ 0& 0\end{array}\right],$ S₁＝diag(σ₁，σ₂，…，σ_r)，而数σ₁，σ₂，…，σ_r即是矩阵A的所有非零奇异值，r＝rank(A)，U的列向量为矩阵A的左奇异值向量，V的列向量为A的右奇异值向量。

3.根据权利要求1所述基于奇异值分解无参考模糊图像质量评价方法，其特征在于：步骤(四)中，图像质量评价函数为 $\mathrm{Blur}=\left\{\begin{array}{c}\frac{\underset{S1\left(i\right)>c1}{\mathrm{\Σ}}(1/S_1\left(i\right))}{r},r>512\\ \frac{\underset{S1\left(i\right)>c2}{\mathrm{\Σ}}(1/S_1\left(i\right))}{r},r\≤512\end{array}\right.,$ 式中，S₁为图像的奇异值向量，r为奇异值个数，我们需要为奇异值设定一个阈值，如果奇异值个数大于512的话，则c1为500的值，如果奇异值个数小于等于512，则c2为70的值。