CN104361593B - 一种基于hvs和四元数的彩色图像质量评价方法 - Google Patents
一种基于hvs和四元数的彩色图像质量评价方法 Download PDFInfo
- Publication number
- CN104361593B CN104361593B CN201410650245.9A CN201410650245A CN104361593B CN 104361593 B CN104361593 B CN 104361593B CN 201410650245 A CN201410650245 A CN 201410650245A CN 104361593 B CN104361593 B CN 104361593B
- Authority
- CN
- China
- Prior art keywords
- image
- function
- evaluated
- singular value
- human
- 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.)
- Active
Links
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于HVS和四元数的彩色图像质量评价方法,属于图像处理与计算机视觉技术领域。本发明的步骤为:一、通过分析人眼视觉特性构建原始参考图像和待评价失真图像的数学评价模型:图像的空间位置函数QL、局部方差QV、纹理边缘复杂度函数QTE和颜色函数QC;二、构造原始参考图像和待评价失真图像的四元数矩阵,并对四元数矩阵进行奇异值分解得到图像的奇异值特征向量;三、利用原始参考图像和待评价失真图像的奇异值特征向量的欧氏距离度量图像失真程度。本发明将人眼视觉特性和四元数相结合,提取图像的亮度和色度信息,利用人眼视觉特性构造空间位置函数、纹理边缘复杂度函数和局部方差,评价结果与人眼感知图像的效果更相符。
Description
技术领域
本发明涉及图像处理与计算机视觉技术领域,更具体地说,涉及一种利用人眼视觉***的特性构建与人眼观察图像一致的数学模型,与四元数奇异值分解相结合,进行彩色图像质量评价的方法。
背景技术
图像质量是图像处理和计算机视觉领域中重要的参数之一,随着计算机科学技术的发展,印刷、瓷砖、影像、图像检索等方面对图像质量的要求越来越高,但是在图像的采集、处理、压缩、传输、显示等过程中会产生不同程度的图像失真和图像降质问题。
人类作为图像的最终接收者,使得其对图像的主观质量评价(Difference MeanOpinion Score,DMOS)被认为是最可靠的。主观质量评价是让观测者依据自己的主观感知经验或者某些事先统一规定好的评价标准,对待评价目标图像的视觉感知效果做出质量评价并进行打分,然后再将所有观测者的分数进行加权平均,所得的结果即为图像的主观质量分数。然而,主观图像质量评价费时费力,受观察者、图像类型和周围环境的影响较大,实时性较弱。因而人们一直致力于研究能正确及时有效地反映人们主观视觉感知的客观图像质量评价方法。客观图像质量评价是利用算法、数学模型等对图像质量进行及时、快速的反馈以获得与人的主观感受相一致的评价结果。该方法多种多样,由于切入点、基本思想的不同,分类方法也不同。根据对原始图像的参考,客观质量评价方法分为全参考型、部分参考型和无参考型3种。全参考型适用于编码器设计和不同编码器的性能比较,部分参考型和无参考型适用于带宽有限的多媒体应用。由于全参考型可以利用原始图像的全部信息,其对图像的评价结果更加符合人类主观评价。
Liu A等人于2012年在《IEEE Transactions on image processing》上发表的《Image Quality Assessment Based on Gradient Similarity》中提出的峰值信噪比(Peak Signal Noise Ratio,PSNR)和均方误差(Mean Square Error,MSE)是最经典的全参考型客观图像质量评价方法。PSNR反映了待评价图像的逼真度(Fidelity),而MSE反映了待评价图像与原始图像的差异性(Diversity)。上述两种方法的理论简单明了,容易理解,计算起来也很方便,但它们只考虑了图像各个像素点的比较,并没有考虑图像各个像素点间可能存在的结构关系等,与人眼真实看到的存在偏差。
Z Wang等人于2004年在《IEEE Transactions on Image Processing》上发表的《Image quality assessment from error measurement to structural similarity》中提出SSIM算法综合比较原始无失真图像和待评价图像在亮度、对比度和结构相似度三类不同的信息间的差异,考虑了像素间的结构关系,但存在严重模糊情况下细节把握不好,而且指数参数确定困难等问题。
W.Xue等人于2013年在《IEEE Transactions on Image Processing》上发表的《Gradient magnitude similarity deviation:A highly efficient perceptual imagequality index》中提出的基于梯度幅值的相似性偏差算法GMSD考虑到梯度对图像失真高度敏感,但对彩色图像的处理必须转换到灰度域上。以上方法对于彩色图像的评价必须转化为灰度图像,评价结果与人眼实际看到的情况存在偏差。
经检索,中国专利申请号200610027433.1,申请日为2006年6月8日,发明创造名称为:一种基于超复数奇异值分解的图像质量评估方法;该申请案利用超复数(四元数)直接对彩色图像建模,用超复数奇异值分解提取出彩色图像固有能量特征,利用原始图像与失真图像奇异值之间的距离构造出失真映射矩阵,并使用该失真映射矩阵来评估彩色图像质量。中国专利申请号201210438606.4,申请日为2012年11月6日,发明创造名称为:彩色图像质量评价算法,该申请案分别将图像的色度、亮度和饱和度作为四元数的虚部,构造参考图像和待评价图像的四元数矩阵,并分别对它们进行奇异值分解,得到奇异值特征向量,最后应用灰色关联度计算参考图像的奇异值特征向量与各个待评价图像的奇异值特征向量之间的关联度,关联度越大,表明待评价图像的质量越好。但上述申请案得到的评价结果与人眼实际看到的情况仍存在较大偏差,彩色图像质量的评价方法仍需进一步优化。
发明内容
1.发明要解决的技术问题
本发明为克服传统的评价方法在构建评价模型时,需将彩色图像转化为灰度图像进行处理,造成评价结果与人眼实际看到的情况偏差较大的问题,提供了一种基于HVS和四元数的彩色图像质量评价方法;本发明提出将人眼视觉特性和四元数相结合,提取图像的亮度和色度信息,利用人眼视觉特性构造空间位置函数、纹理边缘复杂度函数和局部方差,为改进传统割裂R、G、B三通道的方法,利用四元数奇异值分解提取图像的能量特征,使得评价结果与人眼感知图像的效果更相符。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
本发明的一种基于HVS和四元数的彩色图像质量评价方法,其步骤为:
步骤一、通过分析人眼视觉特性构建原始参考图像和待评价失真图像的数学评价模型,所述的数学评价模型包括图像的空间位置函数QL、局部方差QV、纹理边缘复杂度函数QTE和颜色函数QC;
步骤二、将QL、QV、QTE作为四元数的虚部,QC作为四元数的实部,分别构造原始参考图像和待评价失真图像的四元数矩阵,并对四元数矩阵进行奇异值分解得到图像的奇异值特征向量;
步骤三、利用原始参考图像和待评价失真图像的奇异值特征向量的欧氏距离度量图像失真程度。
更进一步地,步骤一构建数学评价模型的具体过程为:
(1)获取原始参考图像和待评价失真图像的RGB三刺激值;
(2)提取原始参考图像和待评价失真图像的空间位置信息,构建空间位置函数QL和纹理边缘复杂度函数QTE;
(3)将原始参考图像和待评价失真图像由RGB空间转换为YUV颜色空间,提取图像亮度信息构建局部方差QV,提取图像亮度和色度信息构建颜色函数QC。
更进一步地,步骤一利用人类视觉***的中间凹特性构建空间位置函数QL,所述的空间位置函数
式中,eL为人眼视觉观察的像素点(i,j)到图像中心像素点(M/2,N/2)的距离与的商;ec为常量。
更进一步地,步骤一利用人类视觉***的掩盖效应构建纹理边缘复杂度函数QTE,所述的纹理边缘复杂度函数
QTE=QT×QE
式中,QT为像素点(i,j)的纹理复杂度函数,QE为像素点(i,j)的边缘复杂度函数。
更进一步地,步骤一利用人类视觉***的多通道特性构建局部方差QV,所述的局部方差
其中,按照图像的亮度分量进行互不重叠的分块得到Ii,j,L为图像分块Ii,j中包含的像素点ηp的个数,
更进一步地,所述的颜色函数
QC=αQL+βQU
式中,QL为图像的亮度信息,QU为图像的色度信息,α、β分别为亮度和色度所占的比重。
更进一步地,步骤三所述的欧氏距离
式中,λi为原始参考图像的奇异值特征向量,为待评价失真图像的奇异值特征向量,K为两奇异值特征向量特征值个数的最小值,即两个四元数矩阵秩的最小值:
3.有益效果
采用本发明提供的技术方案,与已有的公知技术相比,具有如下显著效果:
(1)本发明的一种基于HVS和四元数的彩色图像质量评价方法,其通过分析人眼视觉特性构建了原始参考图像和待评价失真图像的空间位置函数QL、局部方差QV、纹理边缘复杂度函数QTE和颜色函数QC,并通过四元数将上述四部分图像信息整合,经奇异值分解得到图像的能量特征,改进了传统割裂R、G、B三通道的方法,很好地保证了颜色信息的完整性,提取的图像信息包含全局和局部信息,使得评价结果能更完整的表征图像的全部信息;
(2)本发明的一种基于HVS和四元数的彩色图像质量评价方法,将人眼视觉特性和四元数相结合,评价结果与人眼感知图像的效果更相符,优于传统的SSIM及其他几种典型的图像质量评价算法。
附图说明
图1为本发明的一种基于HVS和四元数的彩色图像质量评价方法的算法流程图;
图2为本发明中人类视觉***的中间凹特性等效图;
图3为本发明的质量评价方法、传统方法与图像主观质量的拟合结果图;其中,图3中的(a)为PSNR与DMOS值的非线性拟合曲线图,图3中的(b)为SSIM与DMOS值的非线性拟合曲线图,图3中的(c)为MS-SSIM与DMOS值的非线性拟合曲线图,图3中的(d)为SVD与DMOS值的非线性拟合曲线图,图3中的(e)为GMSD与DMOS值的非线性拟合曲线图,图3中的(f)为本发明的质量评价方法与DMOS值的非线性拟合曲线图;
图4中的(a)~(e)为五组不同失真类型图像的HVS-QSVD、GMSD、SSIM与DMOS值的非线性拟合曲线对比图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
结合图1,本实施例针对传统的评价方法在构建评价模型时,需将彩色图像转化为灰度图像进行处理,造成评价结果与人眼感知不符等问题,提供了一种基于HVS和四元数的彩色图像质量评价方法。本实施例通过将人眼视觉特性和四元数相结合,得到符合人眼感知的图像能量特征。实验表明,本实施例对彩色图像的评价优于其他方法,而且评价结果与人眼感知图像更一致。下面将结合实验结果对本实施例的图像质量评价方法加以详细说明:
步骤一、通过分析人眼视觉特性构建原始参考图像和待评价失真图像的数学评价模型:
在对人类视觉***生理结构了解的基础上提出的人眼视觉特性,与人眼如何观察外在环境、图像息息相关。因为人是图像的最终接收者,所以评价结果要与人眼实际看到的相符,本实施例通过分析人眼视觉特性构造相应的数学模型。
人眼与焦距可变的凸透镜相似,但其被人脑的复杂结构所影响,与一般的凸透镜又有所不同。一般地,人眼视觉特性包括中间凹特性、视觉多通道特性、视觉非线性、对比敏感度和掩盖效应。本实施例从中间凹特性、视觉多通道特性、掩盖效应出发构建数学评价模型。
(1)空间位置函数
人类视觉***的中间凹特性是指图像出现时,图像的正中位置信息会首先被人眼观察到,尤其是图像的中心附近纹理边缘的位置变化信息,因为人眼比较容易感受到图像的边缘信息。
人眼首先会看到图像的中心部位,然后向四周扩散,而且四周距离中心距离一样的点人眼应该是同等对待。如图2所示,假设圆心O为图像的中心位置,圆圈上的点到圆心的距离相等,A、B、C、D四点被人眼观察到的概率相同,E与F也相同。
本实施例依据文献(CHEN T,WU H R.Space variant median filters for therestoration of impulse noise corrupted images[J].IEEE Transactions onCircuits and Systems II:Analog and Digital Signal Processing,2001,48(8):784-789.)提到的,根据人类视觉***的中央凹特性,用确切的式子表示空间分辨率是如何影响人眼观察图像的。具体过程为,首先获取原始参考图像和待评价失真图像的RGB三刺激值,再提取原始参考图像和待评价失真图像的空间位置信息,分别构建原始参考图像和待评价失真图像的空间位置函数QL:
式中,eL为人眼视觉观察的像素点(i,j)到图像中心像素点(M/2,N/2)的距离除以该幅图像第一个像素点(0,0)到图像中心像素点的距离ec是根据测试结果确定的常量,经测试后本实施例设定ec为0.6。
(2)纹理边缘复杂度函数
人类视觉***的掩盖效应是指原本能够被注意到的现象由于其他现象的存在被忽略了。在不同区域内,人类视觉***的掩盖效应可以通过各自的权重比例来反映,这与人眼观察图像的特性更一致。
本实施例提取图像的纹理特征信息和边缘特征信息,获取图像的纹理边缘复杂度函数QTE,QTE越大表示纹理越简单,人眼越加关注,其对图像质量好坏的影响就越大;相反的,QTE越小表示纹理越复杂,人眼越容易忽略。具体计算过程如下:
首先计算梯度方向:
其中,θ(i,j)表示像素点(i,j)的梯度方向,和表示像素点(i,j)的水平、垂直方向梯度值。利用Sobel边缘检测算子,计算对应的图像边缘特征信息,将边缘信息归一化,记作E(i,j)。在[0,360°)范围将梯度方向分成如下几个区域,如下式所示:
θ(i,j)∈{0°,180°,45°,225°,90°,270°,135°,315°} (3)
其中0°和180°,45°和225°,90°和270°,135°和315°分别关于原点对称,即有4个不同的方向区域。
计算纹理复杂度:
设a1为方向种类个数,即θ(i,j)的种类个数,a2为边缘点个数,即E(i,j)=1的像素点个数,分别计算它们的值。当a2比设定的门限值小时,a2=0,否则a2=1,该门限值经实验测试设为40。因此,我们将图像中某一像素点(i,j)的纹理复杂度函数QT定义为如下形式:
边缘复杂度:
首先定义三个向量P=(-1,0,2,0,1),L=(1,4,6,4,1),E=(-1,-2,0,2,1)。其中,P表示“点”特征描述子,L表示“线”特征描述子,E表示“边”特征描述子,利用这3个算子可得6个掩膜:LT×E,LT×P,ET×L,ET×P,PT×L,PT×E。设这6个掩膜在图像中某个像素点(i,j)处的响应分别为fi,j(LT×E),fi,j(LT×P),fi,j(ET×L),fi,j(ET×P),fi,j(PT×L),fi,j(PT×E),则该像素点(i,j)的边缘复杂度为:
像素点(i,j)的纹理边缘复杂度函数:
QTE=QT×QE (6)
计算结果越大掩盖效应越弱,掩盖效应越弱,纹理约简单,人眼就比较容易看清楚,即对人眼的视觉影响就越强。
(3)局部方差
人类视觉***的多通道特性是指人眼观察图像是在不同的通道中进行,分辨率低时只能分辨出大体轮廓,而分辨率高才能分辨出细节信息。图像的细节信息能由图像的局部方差来表示,所以图像的局部方差被用来作为描述、分析图像内容信息的一种手段,同时图像的一些重要结构信息也能由图像的局部方差分布来概括。
用QV表示图像I以像素点(i,j)为中心的局部区域的方差,即局部方差。本实施例首先需要将原始参考图像和待评价失真图像由RGB空间转换为YUV颜色空间,利用Y(表征亮度)分类来计算局部方差。采用滑动窗口对图像的Y分量进行互不重叠的分块,得到每一个分块的方差,此即图像的局部方差。对于每一图像分块Ii,j,包含L个像素,用ηp表示其内部每一个像素点,则局部方差可以表示为:
其中,为分块Ii,j的均值。
由于各个子块的大小、方式会影响到图像的结构,对于包含在Ii,j分块内的像素点ηp,采用文献(Z Wang,Z Bovik,et al.Image quality assessment from errormeasurement to structural similarity[J].IEEE Transactions on ImageProcessing.2004,13(4):600-612.)提到的高斯加权法计算均值和方差,如下所示:
分块均值:
分块局部方差:
式中Xp为像素点ηp的个数。
(4)颜色信息
色调、饱和度、亮度是颜色的三个属性,也称为颜色三要素。它们是颜色的固有特性,并且互不相同。色调和饱和度可以由色度来体现。灰度图像的唯一特征是亮度,而彩色图像还具有色度特征。
亮度是一物理量,是人对光的强度的感受,反映了发光体(反光体)表面发光(反光)的强弱。色调指的是一幅画中画面色彩的总体倾向,是大的色彩效果。饱和度也称为颜色的纯度,是指色彩的鲜艳程度,表示颜色中所含彩色成分的比例。色彩的饱和度随着彩色比例的增大而增高,与光线照射情况和被拍摄物体的表面结构有直接联系。因为色调和饱和度可以由色度统一来表示,所以本实施例利用亮度和色度来表示颜色的本质属性。
人类视觉***对亮度的敏感度高于对色度的敏感度,本实施例用权重法来表示图像的彩色信息,即对不同的彩色图像,亮度和色度所占的权重比例不同,具体计算关系如下:
QC=αQL+βQU (10)
其中,QL为图像的亮度信息,QU为图像的色度信息,α、β分别为亮度和色度所占的比重,经实验结果测试,α、β分别取1.063和0.937最佳。
步骤二、分别构造原始参考图像和待评价失真图像的四元数矩阵,并对四元数矩阵进行奇异值分解得到图像的奇异值特征向量:
(a)四元数
1843年,英国数学家哈密顿(W.R.Hamilton)创造了四元数。一个四元数包含4部分,1个实部加上3个虚部,其基本形式为:
其中,qr,qi,qj,qk为四个实数,基元满足:
四元数矩阵在实数域上可分解为如下形式:
四元数矩阵奇异值分解定理可表述为:对于任何四元数矩阵Qe(q)=U(q)Λ'V(q)x,设rank(A)=r,则存在四元数酉矩阵U(q)和V(q),使得
Q(q)=U(q)ΛV(q)λ
其中,
并满足λi∈R,|λ1|≥|λ2|≥…≥|λr|>0,λi为非零奇异值。
(b)四元数表示
本实施例将上述分析所得的彩色图像的四个特征信息整合为一个四元数形式,如下所示:
Q=QC+QLi+QTEj+QVk (11)
其中,QC为图像的颜色信息,QL为图像的空间位置信息,QTE为图像的纹理边缘信息,QV为图像的局部方差。
如此,一幅M×N的彩色图像可以看作一个四元数矩阵,四元数矩阵的奇异值特征向量表征了四元数的能量特征,所以由彩色图像所得的四元数矩阵也能用来表示对应的彩色图像的能量特征。
因为一个四元数矩阵q=qr+qii+qjj+qkk,可以用它的实矩阵来表示,所以本实施例将Q转化为其相应的实矩阵形式来对其进行奇异值分解(SVD)。每个四元数矩阵通过奇异值分解都可以得到一个奇异值特征向量,且特征向量的每个元素都是大于0的实数。值得说明的是,鉴于对四元数矩阵进行奇异值分解的理论研究已较成熟,本实施例从减少篇幅的角度考虑,此处不再赘述。
步骤三、利用原始参考图像和待评价失真图像的奇异值特征向量的欧氏距离度量图像失真程度:
本实施例利用原始参考图像和待评价失真图像的奇异值特征向量的欧氏距离(Euclidean Distance)来度量对应的图像失真,即
其中,λi和为计算获得的原始参考图像和待评价失真图像对应的奇异值特征向量,K为两奇异值特征向量特征值个数的最小值,即两个四元数矩阵秩的最小值:
本实施例的基于HVS和四元数的彩色图像质量评价方法,将人眼视觉特性和四元数相结合,评价结果与人眼感知图像的效果更相符,改进了传统割裂R、G、B三通道的方法,很好地保证了颜色信息的完整性,提取的图像信息包含全局和局部信息,使得评价结果能更完整的表征图像的全部信息。其评价结果优于传统的SSIM及其他几种典型的图像质量评价算法,下面将从两方面对本实施例的实验结果进行分析:
1)本发明的质量评价方法、PSNR、SSIM、MS-SSIM、Y-SVD、GMSD与DMOS值的非线性拟合;2)本发明的质量评价方法与PSNR、SSIM、MS-SSIM、Y-SVD、GMSD性能评价比较。
质量评价图片为美国德克萨斯(TEXAS)州立大学奥斯丁分校图像和视频工程实验室(Library for Image and Video Engineering,LIVE)提供的图像质量评价数据库Database Release 2图像库,一共982幅,有JPEG2000、JPEG、高斯白噪声、高斯模糊、FastFading瑞利信道失真五种失真类型。在进行算法比较时,会产生各个算法量纲和单位上的差异。因此,将待评价算法得到的客观图像质量评分进行非线性回归。利用Logistic函数作为非线性映射函数对本发明提出的待评价算法得出的客观图像质量原始评分进行非线性回归:
其中,x为本发明提出的待评价算法得出的原始质量评分,α1,α2,α3,α4为非线性回归过程中自适应调整的参数。定量测试评价结果的指标是公认度和引用次数较多的MAE/RMSE/CC/SROCC/OR。
1)主客观非线性回归后分数间的平均绝对误差(Mean Absolute Error,MAE),反映了客观质量评价结果与主观评价结果的平均误差水平,越小表明图像质量评价结果准确性越高,定义公式如下:
2)主客观非线性回归后分数间的均方根误差(Root Mean Square Error,RMSE),反映了客观评价结果的准确性,越小表明图像质量评价结果准确性越高,定义公式如下:
3)主客观非线性回归后分数间的Pearson线性相关系数(Correlation Coecient,CC),反映客观评价结果的一致性和准确性,取值范围在[-1,1],结果的绝对值越接近1,主客观评价方法的相关性越好,定义公式如下:
4)主客观非线性回归后分数间的Spearman等级相关系数(Spearman Rank OrderCorrelation Coe cient,SROCC),是应用较广泛的非参数统计分析方法,反映了客观质量评价结果与主观评价结果的单调性,取值范围在[-1,1],结果的绝对值越接近1,主客观评价方法的一致性越好,定义公式如下:
5)主客观非线性回归后分数间的离出率(Outlier Rate,OR),反映客观评价模型的稳定性、预测性,取值范围在[0,1],数值越小,主客观评价的一致性越好,评价模型的预测性也越好,定义公式如下:
其中N为图像数据库的总数,即982,xi、yi分别表示第i幅图像经非线性回归后的主客观评价值,ui、vi分别表示第i幅图像的主客观评价值在整个图像数据库所有评价值中的排名,Nout表示客观评价值大于主观评价值标准差两倍的图像个数。
图3分别显示了各种算法与主观评价值DMOS的散点图,图3中每一个点表示一幅图像,点的横坐标是算法对该图像的客观质量评价评分,纵坐标是该图像的主观评价DMOS值,实线表示拟合曲线。散点越紧密分布在拟合曲线附近,表示算法与主观评价结果的一致性越好,该算法也就越好。可以看出本发明提供的方法982个散点图最靠近拟合曲线,说明本发明提出的方法经非线性拟合后效果比其他四种好。
表1 LIVE图像数据库图像质量评价方法性能比较
由表1的实验数据我们发现,本发明的质量评价方法在6种评价指标里是最好的,平均绝对误差和均方根误差最小、与主观视觉感知的相关性最高、离出率最低。因为PSNR算法没有考虑各个像素点之间的相关性,将每个像素同等对待,在6种比较算法中整体性能最差。SSIM算法利用图像的结构信息来评价图像质量,与人眼视觉感知模式相关。MS-SSIM算法在SSIM算法的基础上,利用多分辨率分析技术进行多尺度图像质量评价,因此性能优于PSNR和SSIM。只对亮度分量进行奇异值分解的SVD算法性能明显优于PSNR,说明对图像进行奇异值分解的算法有一定的优越性。视觉上GMSD算法与DMOS值非线性拟合出来的曲线最接近直线,但可以看出一些散点分布较分散,离曲线较远。由表1的最后一行可以看出本发明的质量评价方法明显优于传统的PSNR算法、结构相似度SSIM算法、多尺度结构相似度MS-SSIM算法、奇异值分解算法SVD、梯度幅值相似性偏差GMSD算法,说明本发明的基于四元数和人眼视觉特性的图像质量评价算法能更好地反映人眼对图像的主观视觉感受。
由于982幅图像是由5种不同失真类型的图像子库组成,为进一步证明本发明的质量评价方法优越性,本实施例针对5种图像子库,分别进行HVS-QSVD算法与GMSD算法、SSIM算法的性能比较。如图4所示,图4中每三个为一组,分别为HVS-QSVD算法、GMSD算法、SSIM算法的非线性拟合曲线图,共五组。第一组图4中的(a)至第五组图4中的(e)分别为JPEG2000、JPEG、高斯白噪声、高斯模糊、Fast Fading瑞利信道失真五种失真类型。可以看出,本发明提供的HVS-QSVD算法在不同失真类型情况下与主观评价值的拟合效果都比GMSD、SSIM算法好。
实施例1所述的一种基于HVS和四元数的彩色图像质量评价方法,为使评价结果与人眼感知更相符,利用人眼视觉特性构造数学模型,为改进传统割裂R、G、B三通道的方法,利用四元数奇异值分解提取图像的特征信息。实验结果表明,评价结果与人眼感知图像的效果更相符。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (1)
1.一种基于HVS和四元数的彩色图像质量评价方法,其步骤为:
步骤一、通过分析人眼视觉特性构建原始参考图像和待评价失真图像的数学评价模型,具体过程为:
(1)获取原始参考图像和待评价失真图像的RGB三刺激值;
(2)提取原始参考图像和待评价失真图像的空间位置信息,构建空间位置函数QL和纹理边缘复杂度函数QTE;其中,利用人类视觉***的中间凹特性构建空间位置函数QL,所述的空间位置函数
式中,eL为人眼视觉观察的像素点(i,j)到图像中心像素点(M/2,N/2)的距离与的商;ec为常量;
利用人类视觉***的掩盖效应构建纹理边缘复杂度函数QTE,所述的纹理边缘复杂度函数QTE=QT×QE
式中,QT为像素点(i,j)的纹理复杂度函数,QE为像素点(i,j)的边缘复杂度函数;
(3)将原始参考图像和待评价失真图像由RGB空间转换为YUV颜色空间,提取图像亮度信息构建局部方差QV,提取图像亮度和色度信息构建颜色函数QC;其中,
利用人类视觉***的多通道特性构建局部方差QV,所述的局部方差
其中,按照图像的亮度分量进行互不重叠的分块得到Ii,j,L为图像分块Ii,j中包含的像素点ηp的个数, ,
所述的颜色函数
QC=αQL+βQU
式中,QL为图像的亮度信息,QU为图像的色度信息,α、β分别为亮度和色度所占的比重;
步骤二、将QL、QV、QTE作为四元数的虚部,QC作为四元数的实部,分别构造原始参考图像和待评价失真图像的四元数矩阵,并对四元数矩阵进行奇异值分解得到图像的奇异值特征向量;
步骤三、利用原始参考图像和待评价失真图像的奇异值特征向量的欧氏距离度量图像失真程度,所述的欧氏距离
式中,λi为原始参考图像的奇异值特征向量,为待评价失真图像的奇异值特征向量,K为两奇异值特征向量特征值个数的最小值,即两个四元数矩阵秩的最小值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410650245.9A CN104361593B (zh) | 2014-11-14 | 2014-11-14 | 一种基于hvs和四元数的彩色图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410650245.9A CN104361593B (zh) | 2014-11-14 | 2014-11-14 | 一种基于hvs和四元数的彩色图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104361593A CN104361593A (zh) | 2015-02-18 |
CN104361593B true CN104361593B (zh) | 2017-09-19 |
Family
ID=52528851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410650245.9A Active CN104361593B (zh) | 2014-11-14 | 2014-11-14 | 一种基于hvs和四元数的彩色图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104361593B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020043280A1 (en) * | 2018-08-29 | 2020-03-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Image fidelity measure |
WO2020043279A1 (en) * | 2018-08-29 | 2020-03-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Video fidelity measure |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528776B (zh) * | 2015-08-07 | 2019-05-10 | 上海仙梦软件技术有限公司 | 针对jpeg图像格式的显著性细节保持的质量评价方法 |
CN105574854B (zh) * | 2015-12-10 | 2019-02-12 | 小米科技有限责任公司 | 确定图像单一性的方法及装置 |
CN109643125B (zh) * | 2016-06-28 | 2022-11-15 | 柯尼亚塔有限公司 | 用于训练自动驾驶***的逼真的3d虚拟世界创造与模拟 |
CN106683082B (zh) * | 2016-12-19 | 2019-08-13 | 华中科技大学 | 一种基于四元数的全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 |
WO2018140158A1 (en) | 2017-01-30 | 2018-08-02 | Euclid Discoveries, Llc | Video characterization for smart enconding based on perceptual quality optimization |
CN107862678B (zh) * | 2017-10-19 | 2020-03-17 | 宁波大学 | 一种眼底图像无参考质量评价方法 |
CN109191431A (zh) * | 2018-07-27 | 2019-01-11 | 天津大学 | 基于特征相似度的高动态彩色图像质量评价方法 |
CN109345520A (zh) * | 2018-09-20 | 2019-02-15 | 江苏商贸职业学院 | 一种图像清晰度的质量评价方法 |
CN109389591B (zh) * | 2018-09-30 | 2020-11-20 | 西安电子科技大学 | 基于彩色描述子的彩色图像质量评价方法 |
CN109903247B (zh) * | 2019-02-22 | 2023-02-03 | 西安工程大学 | 基于高斯颜色空间相关性的彩色图像高精度灰度化方法 |
CN110793472B (zh) * | 2019-11-11 | 2021-07-27 | 桂林理工大学 | 一种基于四元数奇异值熵指标的磨削表面粗糙度检测方法 |
CN112950723B (zh) * | 2021-03-05 | 2022-08-02 | 湖南大学 | 基于边缘尺度自适应散焦模糊估计的机器人相机标定方法 |
CN116152249B (zh) * | 2023-04-20 | 2023-07-07 | 济宁立德印务有限公司 | 一种智能数字印刷质量检测方法 |
Citations (1)
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6873724B2 (en) * | 2001-08-08 | 2005-03-29 | Mitsubishi Electric Research Laboratories, Inc. | Rendering deformable 3D models recovered from videos |
-
2014
- 2014-11-14 CN CN201410650245.9A patent/CN104361593B/zh active Active
Patent Citations (1)
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 |
Non-Patent Citations (3)
Title |
---|
3-D Free-form Shape Measuring System Using Unconstrained Range Sensor;REN Tongqun等;《Chinese Journal of Mechanical Engineering》;20111115;第24卷(第6期);第1095-1102页 * |
基于HVS特征参数提取的视频质量评价四元数模型;何叶明等;《计算机应用与软件》;20140715;第31卷(第7期);第132-140页 * |
基于四元数的彩色图像质量评价方法;王宇庆等;《中北大学学报(自然科学版)》;20100215;第31卷(第1期);第59-64页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020043280A1 (en) * | 2018-08-29 | 2020-03-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Image fidelity measure |
WO2020043279A1 (en) * | 2018-08-29 | 2020-03-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Video fidelity measure |
Also Published As
Publication number | Publication date |
---|---|
CN104361593A (zh) | 2015-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104361593B (zh) | 一种基于hvs和四元数的彩色图像质量评价方法 | |
CN111709902B (zh) | 基于自注意力机制的红外和可见光图像融合方法 | |
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 | |
Panetta et al. | Human-visual-system-inspired underwater image quality measures | |
Hagerhall et al. | Fractal dimension of landscape silhouette outlines as a predictor of landscape preference | |
Čadík et al. | Evaluation of HDR tone mapping methods using essential perceptual attributes | |
CN102333233B (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN104243973B (zh) | 基于感兴趣区域的视频感知质量无参考客观评价方法 | |
Tanaka et al. | Investigating perceptual qualities of static surface appearance using real materials and displayed images | |
CN107481236A (zh) | 一种屏幕图像的质量评价方法 | |
CN101562675A (zh) | 基于Contourlet变换的无参考型图像质量评测方法 | |
CN109191428A (zh) | 基于掩蔽纹理特征的全参考型图像质量评价方法 | |
CN106023267A (zh) | 稀疏性相关度图像质量评价方法 | |
Geng et al. | A stereoscopic image quality assessment model based on independent component analysis and binocular fusion property | |
CN109741285B (zh) | 一种水下图像数据集的构建方法及*** | |
CN104954778A (zh) | 一种基于感知特征集的立体图像质量客观评价方法 | |
Simon-Liedtke et al. | Evaluating color vision deficiency daltonization methods using a behavioral visual-search method | |
CN107018410B (zh) | 一种基于预注意机制和空间依赖性的无参考图像质量评价方法 | |
CN108492275B (zh) | 基于深度神经网络的无参考立体图像质量评价方法 | |
CN106210710A (zh) | 一种基于多尺度字典的立体图像视觉舒适度评价方法 | |
CN108377387A (zh) | 基于3d卷积神经网络的虚拟现实视频质量评价方法 | |
Huang et al. | Visual and infrared dual-band false color image fusion method motivated by Land’s experiment | |
Teng et al. | Subjective evaluation of colourized images with different colorization models | |
KR101916596B1 (ko) | 이미지의 혐오감을 예측하는 방법 | |
Su et al. | Combining global and local feature analyses for quality evaluation of tone-mapped HDR images |
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 |