CN104282019A - 基于自然场景统计和感知质量传播的盲图像质量评价方法 - Google Patents
基于自然场景统计和感知质量传播的盲图像质量评价方法 Download PDFInfo
- Publication number
- CN104282019A CN104282019A CN201410473339.3A CN201410473339A CN104282019A CN 104282019 A CN104282019 A CN 104282019A CN 201410473339 A CN201410473339 A CN 201410473339A CN 104282019 A CN104282019 A CN 104282019A
- Authority
- CN
- China
- Prior art keywords
- image
- test pattern
- quality
- sampling
- undistorted
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明提供一种基于自然场景统计和感知质量传播的盲图像质量评价方法,对测试图像和大量无失真的自然图像计算专家场FoE梯度响应值,统计响应值直方图分布,计算两者分布的KL散度,得到测试图像的绝对失真程度。对测试图像和已标记的失真图像提取质量感知特征,并根据特征间的卡方距离,找到与测试图像最相似的N个标记图像。通过将这些标记图像的质量打分加权求和,可得到测试图像的相对失真程度。最后,通过把前两步预测打分组合到一起即可获得最终的预测图像质量分数。相比于现有的代表性无参考图像质量评价方法,该方法简单高效,并且无需大量人工标记样本。
Description
技术领域
本发明涉及图像处理技术,特别涉及感知视觉信号处理技术。
背景技术
高效的图像感知质量评价方法则是多媒体服务质量监控领域的关键技术。目前,比较可靠的图像质量评价方法主要为全参考与弱参考类型。这些方法要求能够完全访问无失真的原图信息。然而,在许多应用环境当中,这一要求往往无法满足。
盲图像(无参考图像)质量评价方法只需要失真图像自身的信息即可预测其感知质量。现有的盲图像质量评价方法往往通过支撑矢量回归等有监督的学习方法直接训练图像特征和感知质量打分的黑盒投影模型用于图像质量预测。为了保证模型的鲁棒性,这些方法需要大量的人工标记图像用于训练。同时,由于其黑盒投影的特点,这些方法无法清晰描述图像特征和感知质量之间的关系。
发明内容
本发明所要解决的技术问题是,提供一种能描述图像特征和质量打分之间的关系的盲参考图像质量评价方法。
本发明为解决上述技术问题所采用的技术方案是,基于自然场景统计和感知质量传播的盲图像质量评价方法,包括以下步骤:
步骤1)自然场景统计:
计算测试图像和所有无失真图像的专家场FoE(Fields of Experts)梯度响应值,并分别统计得到测试图像的FoE梯度响应值直方图分布Pd以及第i个无失真图像的FoE响应值直方图分布Pu(i),i=1,2,…,K,K为无失真图像总数,计算测试图像与无失真图像的相对熵KL散度
步骤2)感知质量传播:
1-1:对测试图像提取图像纹理特征,全局梯度特征和基于下采样的边界强度特征;所述下采样的边界强度特征的提取方法为:对图像进行1/8下采样,下采样后图像每个点的边界强度值由其垂直和水平方向上梯度的最大值表示,再对所有点的边界强度值进行直方图统计,归一化后的直方图即为基于下采样的边界强度特征;
1-2:计算测试图像与已标记的失真图像的特征卡方距离D,所述已标记的失真图像为已通过人工标记的方式进行了图像质量打分的失真图像;其中Fi q和Fi r分别表示测试图像的第i个特征向量、已标记无失真图像的第i个特征向量,i={1,2,3}分别对应图像纹理特征,全局梯度特征和基于下采样的边界强度特征;
1-3:根据特征卡方距离D从到小到大的顺序选择前N个已标记失真图像;并根据这N个特征卡方距离D计算各自的权值wn,Dn表示测试图像与小到大的顺序选择的第n个已标记无失真图像的特征卡方距离;
1-4:利用权值wn对N个已标记失真图像的图像质量分数DMOSn进行加权求和得到测试图像的预测分数QPQP,
步骤3)设置相对熵KL散度QNSS以及预测分数QPQP的权重参数,参考相对熵KL散度QNSS以及预测分数QPQP得到最终的预测打分Q。
本发明对测试图像和大量无失真的自然图像计算专家场FoE梯度响应值,分别统计测试图像与所有无失真图像的响应值直方图分布。再通过计算两者分布的KL散度,我们可以得到测试图像的绝对失真程度。其次,我们对测试图像和已标记的失真图像提取质量感知特征,并根据特征间的卡方距离,找到与测试图像最相似的N个标记图像。通过将这些标记图像的质量打分加权求和,可得到测试图像的相对失真程度。最后,通过把前两步预测打分组合到一起即可获得最终的预测图像质量分数。
本发明的有益效果是,通过相比于现有的代表性无参考图像质量评价方法,该方法简单高效,并且无需大量人工标记样本。
附图说明
图1:本发明框架示意图。
具体实施方式
为有效的对无参考图像进行质量评价,本发明由三个步骤组成:自然场景统计步骤、感知质量传播步骤、综合打分步骤。其中,自然场景统计通过比较测试图像和大量无失真自然图像的统计差异,来获得绝对失真信息的评估。而质量传播通过将部分标记图像的质量打分传播给与之相似的测试图像,可获得相对失真信息的评估。最终,通过将两个模块预测打分结合起来以获得最终的预测打分。
本实施例在matlab2009b软件平台上进行实现,具体如图1所示:
步骤一、计算测试图像和选定的无失真图像的FoE梯度响应值,并分别统计两者的直方图分布。让Pd表示测试图像的响应分布,Pu表示全部无失真图像的响应分布。则自然场景统计模块的质量打分可表示为两者的KL散度,即
如测试图像失真则与无失真图像的FoE梯度响应分布有区别,当测试图像模糊时,则测试图像的FoE梯度响应分布较无失真图像扁平,当测试图像有噪声时,则其FoE梯度响应分布会出现夹峰。
步骤二、感知质量传播主要由以下三步构成:
第1步:对测试图像提取质量敏感的特征,包括图像纹理特征,全局梯度特征和基于下采样的边界强度DSBS特征,其中图像纹理特征可以通过SFTA(Segmentation-based Fractal Texture Analysis)特征体现,全局梯度特征通过GIST特征体现。对于基于下采样的边界强度特征的提取,首先对图像进行1/8下采样,采样后图像每个点的边界强度由其垂直和水平方向上梯度的最大值表示。然后,对所有点的边界强度值进行直方图统计,归一化后的直方图即为DSBS特征向量,DSBS特征用于反映图像压缩后的块效应。
第2步:让Fi q和Fi r表示测试图像和已标记图像的第i个特征向量,d(Fi q,Fi r)表示两者的卡方距离,则测试图像和标记图像总的特征距离可表示为其中i={1,2,3}分别对应SFTA,GIST和DSBS特征。
第3步:找到使D最小的5幅已标记图像,并根据他们的特征距离计算各自的权值wn:
Dn表示测试图像与小到大的顺序选择的第n个已标记无失真图像的特征卡方距离;
然后,该模块的预测打分可表示为已标记图像的质量分数DMOS的加权求和,这里质量分数DMOS的取值范围是0到100,0代表最好,100代表最差:
步骤三、通过将前两步质量打分组合,即可得到最终的预测打分
其中γ为两个模块的权重参数,这里,我们将其设置为0.2。
Claims (5)
1.基于自然场景统计和感知质量传播的盲图像质量评价方法,其特征在于,包括以下步骤:
步骤1)自然场景统计:
计算测试图像和所有无失真图像的专家场FoE梯度响应值,并分别统计得到测试图像的FoE梯度响应值直方图分布Pd以及第i个无失真图像的FoE响应值直方图分布Pu(i),i=1,2,…,K,K为无失真图像总数,计算测试图像与无失真图像的相对熵KL散度
步骤2)感知质量传播:
1-1:对测试图像提取图像纹理特征,全局梯度特征和基于下采样的边界强度特征;所述下采样的边界强度特征的提取方法为:对图像进行1/8下采样,下采样后图像每个点的边界强度值由其垂直和水平方向上梯度的最大值表示,再对所有点的边界强度值进行直方图统计,归一化后的直方图即为基于下采样的边界强度特征;
1-2:计算测试图像与已标记的失真图像的特征卡方距离D,所述已标记的失真图像为已通过人工标记的方式进行了图像质量打分的失真图像;其中Fi q和Fi r分别表示测试图像的第i个特征向量、已标记无失真图像的第i个特征向量,i={1,2,3}分别对应图像纹理特征,全局梯度特征和基于下采样的边界强度特征;
1-3:根据特征卡方距离D从到小到大的顺序选择前N个已标记失真图像;并根据这N个特征卡方距离D计算各自的权值wn,Dn表示测试图像与小到大的顺序选择的第n个已标记无失真图像的特征卡方距离;
1-4:利用权值wn对N个已标记失真图像的图像质量分数DMOSn进行加权求和得到测试图像的预测分数QPQP,
步骤3)设置相对熵KL散度QNSS以及预测分数QPQP的权重参数,参考相对熵KL散度QNSS以及预测分数QPQP得到最终的预测打分Q。
2.如权利要求1所述基于自然场景统计和感知质量传播的盲图像质量评价方法,其特征在于,所述最终的预测打分Q为γ为权重参数。
3.如权利要求2所述基于自然场景统计和感知质量传播的盲图像质量评价方法,其特征在于,γ=0.2。
4.如权利要求1所述基于自然场景统计和感知质量传播的盲图像质量评价方法,其特征在于,所述下采样为1/8下采样。
5.如权利要求1所述基于自然场景统计和感知质量传播的盲图像质量评价方法,其特征在于,N=5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410473339.3A CN104282019B (zh) | 2014-09-16 | 2014-09-16 | 基于自然场景统计和感知质量传播的盲图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410473339.3A CN104282019B (zh) | 2014-09-16 | 2014-09-16 | 基于自然场景统计和感知质量传播的盲图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104282019A true CN104282019A (zh) | 2015-01-14 |
CN104282019B CN104282019B (zh) | 2017-06-13 |
Family
ID=52256869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410473339.3A Expired - Fee Related CN104282019B (zh) | 2014-09-16 | 2014-09-16 | 基于自然场景统计和感知质量传播的盲图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104282019B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104902277A (zh) * | 2015-06-08 | 2015-09-09 | 浙江科技学院 | 一种基于单演二进制编码的无参考图像质量评价方法 |
CN106815839A (zh) * | 2017-01-18 | 2017-06-09 | 中国科学院上海高等研究院 | 一种图像质量盲评估方法 |
WO2017107867A1 (zh) * | 2015-12-22 | 2017-06-29 | 成都理想境界科技有限公司 | 一种图像质量评估方法及装置 |
CN109584242A (zh) * | 2018-11-24 | 2019-04-05 | 天津大学 | 最大熵和kl散度无参考对比度失真图像质量评价方法 |
CN109635142A (zh) * | 2018-11-15 | 2019-04-16 | 北京市商汤科技开发有限公司 | 图像选择方法及装置、电子设备和存储介质 |
CN111932521A (zh) * | 2020-08-13 | 2020-11-13 | Oppo(重庆)智能科技有限公司 | 图像质量测试方法和装置、服务器、计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090108388A (ko) * | 2008-04-11 | 2009-10-15 | 엔에이치엔(주) | 이미지 품질지수 산출 방법 및 시스템 |
CN102930545A (zh) * | 2012-11-07 | 2013-02-13 | 复旦大学 | 一种图像质量盲评估的统计测度方法 |
CN103258326A (zh) * | 2013-04-19 | 2013-08-21 | 复旦大学 | 一种图像质量盲评估的信息保真度方法 |
CN103778636A (zh) * | 2014-01-22 | 2014-05-07 | 上海交通大学 | 一种用于无参考图像质量评价的特征构建方法 |
-
2014
- 2014-09-16 CN CN201410473339.3A patent/CN104282019B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090108388A (ko) * | 2008-04-11 | 2009-10-15 | 엔에이치엔(주) | 이미지 품질지수 산출 방법 및 시스템 |
CN102930545A (zh) * | 2012-11-07 | 2013-02-13 | 复旦大学 | 一种图像质量盲评估的统计测度方法 |
CN103258326A (zh) * | 2013-04-19 | 2013-08-21 | 复旦大学 | 一种图像质量盲评估的信息保真度方法 |
CN103778636A (zh) * | 2014-01-22 | 2014-05-07 | 上海交通大学 | 一种用于无参考图像质量评价的特征构建方法 |
Non-Patent Citations (2)
Title |
---|
ANUSH KRISHNA MOORTHY, ET AL.: "Blind Image Quality Assessment: From Natural Scene Statistics to Perceptual Quality", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
QINGBO WU, ET AL.: "No Reference Image Quality Metric via Distortion Identification and Multi-Channel Label Transfer", 《2014 IEEE INTERNATIONAL SYMPOSIUM ON CIRCUITS AND SYSTEMS (ISCAS)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104902277A (zh) * | 2015-06-08 | 2015-09-09 | 浙江科技学院 | 一种基于单演二进制编码的无参考图像质量评价方法 |
WO2017107867A1 (zh) * | 2015-12-22 | 2017-06-29 | 成都理想境界科技有限公司 | 一种图像质量评估方法及装置 |
CN106910180A (zh) * | 2015-12-22 | 2017-06-30 | 成都理想境界科技有限公司 | 一种图像质量评估方法及装置 |
CN106910180B (zh) * | 2015-12-22 | 2019-08-20 | 成都理想境界科技有限公司 | 一种图像质量评估方法及装置 |
CN106815839A (zh) * | 2017-01-18 | 2017-06-09 | 中国科学院上海高等研究院 | 一种图像质量盲评估方法 |
CN106815839B (zh) * | 2017-01-18 | 2019-11-15 | 中国科学院上海高等研究院 | 一种图像质量盲评估方法 |
CN109635142A (zh) * | 2018-11-15 | 2019-04-16 | 北京市商汤科技开发有限公司 | 图像选择方法及装置、电子设备和存储介质 |
CN109584242A (zh) * | 2018-11-24 | 2019-04-05 | 天津大学 | 最大熵和kl散度无参考对比度失真图像质量评价方法 |
CN111932521A (zh) * | 2020-08-13 | 2020-11-13 | Oppo(重庆)智能科技有限公司 | 图像质量测试方法和装置、服务器、计算机可读存储介质 |
CN111932521B (zh) * | 2020-08-13 | 2023-01-03 | Oppo(重庆)智能科技有限公司 | 图像质量测试方法和装置、服务器、计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104282019B (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996192B (zh) | 基于高质量自然图像统计量模型的无参考图像质量评价方法 | |
CN104282019A (zh) | 基于自然场景统计和感知质量传播的盲图像质量评价方法 | |
CN105208374B (zh) | 一种基于深度学习的无参考图像质量客观评价方法 | |
CN104902267B (zh) | 一种基于梯度信息的无参考图像质量评价方法 | |
CN102421007B (zh) | 基于多尺度结构相似度加权综合的图像质量评价方法 | |
CN102413328B (zh) | Jpeg图像双重压缩检测方法及*** | |
CN103475898A (zh) | 一种基于信息熵特征的无参考图像质量评价方法 | |
CN103200421B (zh) | 一种基于Curvelet变换和相位一致的无参考图像质量评价方法 | |
CN106447646A (zh) | 一种用于无人机图像的质量盲评价方法 | |
CN101561932B (zh) | 一种动态复杂背景下的实时运动目标检测方法和装置 | |
CN103955926A (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
CN105338343A (zh) | 一种基于双目感知的无参考立体图像质量评价方法 | |
CN104658001A (zh) | 一种无参考非对称失真立体图像客观质量评价方法 | |
CN106447647A (zh) | 一种压缩感知恢复图像的无参考质量评价方法 | |
CN104268590A (zh) | 基于互补性组合特征与多相回归的盲图像质量评价方法 | |
CN110766658B (zh) | 一种无参考激光干扰图像质量评价方法 | |
CN102722888A (zh) | 基于生理与心理立体视觉的立体图像客观质量评价方法 | |
CN102547368A (zh) | 一种立体图像质量客观评价方法 | |
CN105528776A (zh) | 针对jpeg图像格式的显著性细节保持的质量评价方法 | |
CN104680180A (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN104376565A (zh) | 基于离散余弦变换和稀疏表示的无参考图像质量评价方法 | |
CN103679719A (zh) | 一种图像分割方法 | |
CN105427313A (zh) | 基于反卷积网络和自适应推理网络的sar图像分割方法 | |
CN104463121A (zh) | 人群密度信息获取方法 | |
CN103841410A (zh) | 基于图像特征信息的半参考视频QoE客观评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170613 Termination date: 20190916 |