CN104282012A - 一种基于小波域的半参考图像质量评价算法 - Google Patents
一种基于小波域的半参考图像质量评价算法 Download PDFInfo
- Publication number
- CN104282012A CN104282012A CN201310283747.8A CN201310283747A CN104282012A CN 104282012 A CN104282012 A CN 104282012A CN 201310283747 A CN201310283747 A CN 201310283747A CN 104282012 A CN104282012 A CN 104282012A
- Authority
- CN
- China
- Prior art keywords
- low
- image quality
- reference image
- wavelet
- image
- 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.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000013441 quality evaluation Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 3
- 238000000034 method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于小波域的半参考图像质量评价算法,其特征在于按如下步骤进行:(一):分别对失真图像和参考图像进行2尺度小波分解;(二):分别提取参考图像和失真图像的特征向量CXlow(i)和CYlow(i);(三):将失真图像特征向量CXlow(i)看成N维欧氏空间中的点CXlow[i],参考图像特征向量CYlow(i)看成N维欧氏空间中的点CYlow[i],计算图像质量评价标准D(X,Y)。本文的半参考图像质量评价算法和其它半参考图像质量评价算法相比,算法简单,物理意义清晰,算法性能优越。在实际应用方面,本文的半参考图像质量评价算法和其它全参考图像质量评价算法相比,当无法获得参考图像的全部信息时,更具有实际应用价值。
Description
技术领域
本发明涉及图像处理领域,是一种基于小波域的半参考图像质量评价算法。
背景技术
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可以分为三大类:全参考(Full-Reference,FR)图像质量评价法,半参考(Reduced-Reference,RR)图像质量评价法和无参考(No-Reference,NR)图像质量评价法。全参考图像质量评价算法需要参考图像的全部信息才能完成图像质量评价,相较于实际应用,更适合理论研究。无参考图像质量评价算法不需要参考图像的任何信息进行图像质量评价,最具实际应用价值,但发展不成熟。半参考图像质量评价算法只需要部分图像信息来进行图像质量评价,较全参考图像质量评价算法新颖,更适合实际应用。在20世纪90年代后期首次被提出,主要针对多媒体通信产业的一些特殊的实际应用,如复杂的通信网络中追踪视频或图像的质量变化情况、同时适用于在接收端无法获得原始图像或视频的全部数据的网络。目前,半参考图像质量评价算法和全参考图像质量评价相比,研究成果大多是基于图像多尺度几何分析的算法,例如基于自然统计模型的半参考图像质量评价和基于图像多尺度几何分析的半参考图像质量评价等。
由于小波分解具有局域性,对图像进行小波分解可以提取图像的局部信息,本发明在小波域上来研究半参考图像质量评价算法。
发明内容
本发明的目的在于根据质量评价算法模型,建立半参考图像质量评价算法。
为了实现上述目的,本发明的技术方案如下。
一种基于小波域的半参考图像质量评价算法,其特征在于按如下步骤进行:
(一):分别对失真图像和参考图像进行2尺度小波分解;
(二):分别提取参考图像和失真图像的特征向量CXlow(i)和CYlow(i);
(三):将失真图像特征向量CXlow(i)看成N维欧氏空间中的点CXlow[i],参考图像特征向量CYlow(i)看成N维欧氏空间中的点CYlow[i],计算图像质量评价标准D(X,Y)。
本发明的优点是:本发明的半参考图像质量评价算法和其它全参考图像质量评价算法相比,算法简单,物理意义清晰。
附图说明 图1是本发明流程图。
具体实施方式
图像小波分解由图像金字塔分解和二维快速小波变换滤波器组组成。
图像金字塔可对图像进行多尺度分析,是一系列以金字塔形状排列的分辨率逐渐降低的图像集合。
二维快速小波变换滤波器组可对图像进方向滤波,提取水平、垂直和对角线方向上的方向信息。
半参考图像质量评价算法的关键步骤在于特征向量提取,本发明根据图像小波分解原理对图像进行2尺度小波分解提取特征向量。
对图像进行小波分解后,可得到一个N维小波系数向量C,记为:C(i)=|A(2)|H(2)|V(2)|D(2)|H(1)|V(1)|D(1)],i=1,2…N
上式中A(2)为第2个尺度上的低频小波系数,H(2)、V(2)和D(2)分别为第2个尺度上的水平方向、垂直方向和对角线方向上的高频小波系数,H(1)、V(1)和D(1)分别为第1尺度上的水平、垂直和对角线方向上的高频小波系数。
提取尺度2上的低频信息作为这些图片的特征向量,记为Clow(i),Clow(i)=A(2)=C(i),i=1,2,…,n,上式中Clow(i)为n维特征向量,n为尺度2上低频小波系数的个数。
欧氏几何距离可用来衡量两个信号的相近程度,是在n维空间中两点之间的真实距离,n维空间中两点之间的真实距离越小,说明两点越接近。n维欧氏空间是一个点集,它的每个点x可表示为[x[1],x[2],...,x[n]],其中x[i](i=1,2,...,n)是实数,称为x的第i个坐标,则两个点a=[a[1],a[2],...,a[n]]和b=[b[1],b[2],...,b[n]]之间的欧氏距离定义为:
若将图像特征向量Clow(i)看成n维欧氏空间中的一个点Clow[i],将失真图像特征向量CXlow(i)看成点CXlow[i],参考图像特征向量CYlow(i)看成点CYlow[i],点CXlow[i]和CYlow[i]之间的距离为:
上式中D(X,Y)可用来衡量失真图像和参考图像相近的程度,为本发明的图像质量评价标准。D(X,Y)越小,说明失真图像越接近参考图像,失真图像质量越好,D(X,Y)越大,说明失真图像越远离参考图像,失真图像质量越差。
为了验证本发明方法的优越性,在美国德州大学Austin分校LIVE实验室图像质量评价数据库(http://live.ece.utexas.edu/research/quality/)上进行测试。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。SROCC和CC的值在0-1的范围之内,值越接近1,说明性能指标越好,最终测试结果显示在表1。
表1不同算法的SROCC值比较
失真类型 | 本算法 | SSIM | VSNR | IFC | NQM |
FastFading | 0.8914 | 0.9411 | 0.9027 | 0.9644 | 0.8147 |
Blur | 0.9450 | 0.8943 | 0.9413 | 0.9649 | 0.8397 |
JPEG | 0.9670 | 0.9107 | 0.9657 | 0.9440 | 0.9647 |
JPEG2000 | 0.9501 | 0.9317 | 0.9551 | 0.9100 | 0.9435 |
Noise | 0.9866 | 0.9629 | 0.9785 | 0.9377 | 0.9863 |
在算法性能方面,本发明的半参考图像质量评价算法和其它半参考图像质量评价算法相比,算法简单,物理意义清晰,在LIVE数据库中本发明算法的性能与其它算法性能相当。在实际应用方面,本发明的半参考图像质量评价算法和其它全参考图像质量评价算法相比,当无法获得参考图像的全部信息时,更具有实际应用价值。
Claims (4)
1.一种小波域半参考图像质量评价算法,其特征在于按如下步骤进行:
(一)分别对失真图像和参考图像进行2尺度小波分解;
(二)分别提取参考图像和失真图像的特征向量CXlow(i)和CYlow(i);
(三)将失真图像特征向量CXlow(i)看成点CXlow[i],参考图像特征向量CYlow(i)看成点CYlow[i],计算图像质量评价标准D(X,Y)。
2.根据权利要求1所述小波域半参考图像质量评价算法,其特征在于:在步骤(一)中,图像进行小波分解后,可得到一个N维小波系数向量C,记为:C(i)=[A(2)|H(2)|V(2)|D(2)|H(1)|V(1)|D(1)],i=1,2…N上式中A(2)为第2个尺度上的低频小波系数,H(2)、V(2)和D(2)分别为第2个尺度上的水平方向、垂直方向和对角线方向上的高频小波系数,H(1)、V(1)和D(1)分别为第1尺度上的水平方向、垂直方向和对角线方向上的高频小波系数。
3.根据权利要求1所述小波域半参考图像质量评价算法,其特征在于:在步骤(二)中,提取尺度2上的低频信息作为这些图片的特征向量,记为Clow(i),Clow(i)=A(2)=C(i),i=1,2,…,n上式中Clow(i)为n维特征向量,n为尺度2上低频小波系数的个数。
4.根据权利要求1所述小波域半参考图像质量评价算法,其特征在于:在步骤(三)中,将图像特征向量Clow(i)看成n维欧氏空间中的一个点Clow[i],将失真图像特征向量CXlow(i)看成点CXlow[i],参考图像特征向量CYlow(i)看成点CYlow[i],点CXlow[i]和CYlow[i]之间的距离为:上式中D(X,Y)可用来衡量失真图像和参考图像相近的程度,为本文的图像质量评价标准。D(X,Y)越小,说明失真图像越接近参考图像,失真图像质量越好,D(X,Y)越大,说明失真图像越远离参考图像,失真图像质量越差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310283747.8A CN104282012A (zh) | 2013-07-05 | 2013-07-05 | 一种基于小波域的半参考图像质量评价算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310283747.8A CN104282012A (zh) | 2013-07-05 | 2013-07-05 | 一种基于小波域的半参考图像质量评价算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104282012A true CN104282012A (zh) | 2015-01-14 |
Family
ID=52256863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310283747.8A Pending CN104282012A (zh) | 2013-07-05 | 2013-07-05 | 一种基于小波域的半参考图像质量评价算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104282012A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204523A (zh) * | 2016-06-23 | 2016-12-07 | 中国科学院深圳先进技术研究院 | 一种图像质量度量方法及装置 |
CN106952259A (zh) * | 2017-03-22 | 2017-07-14 | 华东师范大学 | 一种面向监控视频应用的图像质量半参考评价方法 |
CN107220974A (zh) * | 2017-07-21 | 2017-09-29 | 北京印刷学院 | 一种全参考图像质量评价方法和装置 |
CN107507153A (zh) * | 2017-09-21 | 2017-12-22 | 百度在线网络技术(北京)有限公司 | 图像去噪方法和装置 |
CN107566826A (zh) * | 2017-01-12 | 2018-01-09 | 北京大学 | 栅格图像处理器的测试方法及装置 |
-
2013
- 2013-07-05 CN CN201310283747.8A patent/CN104282012A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204523A (zh) * | 2016-06-23 | 2016-12-07 | 中国科学院深圳先进技术研究院 | 一种图像质量度量方法及装置 |
CN107566826A (zh) * | 2017-01-12 | 2018-01-09 | 北京大学 | 栅格图像处理器的测试方法及装置 |
CN107566826B (zh) * | 2017-01-12 | 2019-06-14 | 北京大学 | 栅格图像处理器的测试方法及装置 |
CN106952259A (zh) * | 2017-03-22 | 2017-07-14 | 华东师范大学 | 一种面向监控视频应用的图像质量半参考评价方法 |
CN107220974A (zh) * | 2017-07-21 | 2017-09-29 | 北京印刷学院 | 一种全参考图像质量评价方法和装置 |
CN107507153A (zh) * | 2017-09-21 | 2017-12-22 | 百度在线网络技术(北京)有限公司 | 图像去噪方法和装置 |
CN107507153B (zh) * | 2017-09-21 | 2021-03-09 | 百度在线网络技术(北京)有限公司 | 图像去噪方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN102063713B (zh) | 基于邻域归一化梯度和邻域标准差的多聚焦图像融合方法 | |
CN103778636B (zh) | 一种用于无参考图像质量评价的特征构建方法 | |
CN101847257B (zh) | 基于非局部均值与多级定向图像的图像降噪方法 | |
CN104933678B (zh) | 一种基于像素强度的图像超分辨率重建方法 | |
CN104075965B (zh) | 一种基于分水岭分割的显微图像颗粒粒度测量方法 | |
CN104282012A (zh) | 一种基于小波域的半参考图像质量评价算法 | |
CN103208097B (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN107590785B (zh) | 一种基于sobel算子的布里渊散射谱图像识别方法 | |
CN100433795C (zh) | 基于变换域数学形态学的图像降噪方法 | |
CN103679661A (zh) | 一种基于显著性分析的自适应遥感图像融合方法 | |
CN105809182B (zh) | 一种图像分类的方法及装置 | |
CN104156723B (zh) | 一种具有尺度不变性的最稳定极值区域的提取方法 | |
CN102074013A (zh) | 基于小波域多尺度Markov网模型的图像分割方法 | |
CN106157240B (zh) | 基于字典学习的遥感图像超分辨率方法 | |
CN102722879A (zh) | 基于目标提取和三维块匹配去噪的sar图像去斑方法 | |
CN109344860A (zh) | 一种基于lbp的无参考图像质量评价方法 | |
CN104732230A (zh) | 一种基于细胞核统计信息的病理图像局部特征提取方法 | |
CN105354798B (zh) | 基于几何先验和分布相似性测度的sar图像去噪方法 | |
CN112381845B (zh) | 岩心图像生成方法、模型训练方法及装置 | |
CN108090914A (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150114 |