CN104918039B - 图像质量评测方法及*** - Google Patents
图像质量评测方法及*** Download PDFInfo
- Publication number
- CN104918039B CN104918039B CN201510223442.7A CN201510223442A CN104918039B CN 104918039 B CN104918039 B CN 104918039B CN 201510223442 A CN201510223442 A CN 201510223442A CN 104918039 B CN104918039 B CN 104918039B
- Authority
- CN
- China
- Prior art keywords
- frequency
- image
- low
- mutual information
- distorted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000000354 decomposition reaction Methods 0.000 claims description 135
- 238000013441 quality evaluation Methods 0.000 claims description 88
- 230000000007 visual effect Effects 0.000 claims description 79
- 238000004364 calculation method Methods 0.000 claims description 75
- 230000008447 perception Effects 0.000 claims description 36
- 230000005540 biological transmission Effects 0.000 claims description 22
- 239000000203 mixture Substances 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 abstract description 9
- 238000001303 quality assessment method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 17
- 241000282414 Homo sapiens Species 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000016776 visual perception Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像质量评测方法及***,综合应用复高斯尺度混合模型和复小波变换的各自特点,采用复高斯尺度混合模型刻画图像的统计分布特性,利用复小波变换的近似平移不变性和良好的方向选择性来刻画图像的空间相关性,能够实施对不同失真类型的图像进行质量评测,具有较好的通用性,同时提高了图像质量评测结果的可靠性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像质量评测方法,还涉及一种图像质量评测***。
背景技术
图像数据在传输、通信、视频发布、传播、压缩等过程中,经过处理后的图像与原始图像将有一定程度的失真,如何评测这些失真以及这些差异对图像质量的影响,是图像质量评测的主要内容。图像质量评测可以客观地评价图像质量的好坏,反映图像视觉性能的优劣,可为图像处理软、硬件***、视频处理***等的研发提供重要的参考依据。因此,研究有效的图像质量评测方法具有重要的理论价值和实际价值。
为了评测图像的质量,提出了许多的图像质量评测方法。如峰值信噪比(PeakSignal to Noise Ratio,PSNR)、信噪比(Signal to Noise Ratio,SNR)以及均方误差(Mean Squared Error,MSE)等方法,该类方法直接对图像的像素值进行处理,计算两幅图像之间的差异,以此来评估图像质量的优劣,实现简单、高效,但是该类方法没有考虑到人类的视觉感知特性,图像评测质量较差。
因此,基于人类的视觉感知特性,人们提出了一些新的方法来评测图像质量,其中包括一种基于互信息的图像质量评测方法,该方法取得了符合人类主观认识的评价结果。但是该方法的缺点是仅仅利用了互信息刻画图像的统计相关性,没有考虑到图像的空间几何分布特性,仅基于互信息进行图像质量评测有其局限性。
发明内容
为了克服现有的基于互信息的图像质量评测方法的不足,本发明综合考虑图像的统计特性以及图像的空间几何相关性,采用合适的数学模型来刻画图像的统计特性和空间相关性,提供了一种图像质量评测方法及***。
根据本发明的一个方面,提供了一种图像质量评测方法,其包括:
输入参考图像和失真图像;
对所述参考图像和所述失真图像进行双树复小波变换分解,得到由第一参考低频子带图像和第一失真低频子带图像构成的第一低频图像组、由第二参考低频子带图像和第二失真低频子带图像构成的第二低频图像组、以及依次对应六个分解方向的六个高频图像组;其中,每个分解方向的高频图像组由该分解方向的参考高频子带图像和该分解方向的失真高频子带图像构成;
依次对每个低频图像组,应用复高斯尺度混合模型分别对构成所述低频图像组的图像的复小波系数进行建模,并计算构成所述低频图像组的图像间的相似度,得到所述低频图像组对应的相似度;
依次对每个高频图像组,应用复高斯尺度混合模型分别对构成所述高频图像组的图像的复小波系数进行建模,并计算构成所述高频图像组的图像间的相似度,得到所述高频图像组对应的相似度;
根据所有低频图像组对应的相似度和所有高频图像组对应的相似度,确定图像质量评测值。
优选的是,所述方法还包括:采用曲线拟合方式对所述图像质量评测值进行验证,以衡量图像质量评测的主客观一致性。
优选的是,依次对每个低频图像组,应用复高斯尺度混合模型分别对构成所述低频图像组的图像的复小波系数进行建模,并计算构成所述低频图像组的图像间的相似度,得到所述低频图像组对应的相似度,包括:
依次对于每个由参考低频子带图像和失真低频子带图像构成的低频图像组,应用复高斯尺度混合模型对所述参考低频子带图像的复小波系数和所述失真低频子带图像的复小波系数进行建模,并计算所述低频图像组基于互信息的视觉权重;
分别提取所述参考低频子带图像的复小波系数的幅度、相位信息和所述失真低频子带图像的复小波系数的幅度、相位信息,并结合所述低频图像组基于互信息的视觉权重计算所述低频图像组对应的相似度。
优选的是,依次对于每个由参考低频子带图像和失真低频子带图像构成的低频图像组,应用复高斯尺度混合模型对所述参考低频子带图像的复小波系数和所述失真低频子带图像的复小波系数进行建模,并计算所述低频图像组基于互信息的视觉权重,包括:
计算所述参考低频子带图像与第一低频感知图像的第一低频互信息,所述第一低频感知图像由所述参考低频子带图像经信息传输后形成;
计算所述失真低频子带图像与第二低频感知图像的第二低频互信息,所述第二低频感知图像由所述失真低频子带图像经信息传输后形成;
计算所述第一低频感知图像和所述第二低频感知图像的第三低频互信息;
根据所述第一低频互信息、所述第二低频互信息和所述第三低频互信息,计算所述低频图像组基于互信息的视觉权重。
优选的是,依次对每个高频图像组,应用复高斯尺度混合模型分别对构成所述高频图像组的图像的复小波系数进行建模,并计算构成所述高频图像组的图像间的相似度,得到所述高频图像组对应的相似度,包括:
依次对于每个分解方向的高频图像组,应用复高斯尺度混合模型对所述分解方向的参考高频子带图像的复小波系数和所述分解方向的失真高频子带图像的复小波系数进行建模,并计算所述分解方向的高频图像组基于互信息的视觉权重;
分别提取所述分解方向的参考高频子带图像的复小波系数的幅度、相位信息和所述分解方向的失真高频子带图像的复小波系数的幅度、相位信息,并结合所述分解方向的高频图像组基于互信息的视觉权重计算所述分解方向的高频图像组对应的相似度。
优选的是,依次对于每个分解方向的高频图像组,应用复高斯尺度混合模型对所述分解方向的参考高频子带图像的复小波系数和所述分解方向的失真高频子带图像的复小波系数进行建模,并计算所述分解方向的高频图像组基于互信息的视觉权重,包括:
计算所述参考高频子带图像与第一高频感知图像的第一高频互信息,所述第一高频感知图像由所述参考高频子带图像经信息传输后形成;
计算所述失真高频子带图像与第二高频感知图像的第二高频互信息,所述第二高频感知图像由所述失真高频子带图像经信息传输后形成;
计算所述第一高频感知图像和所述第二高频感知图像的第三高频互信息;
根据所述第一高频互信息、所述第二高频互信息和所述第三高频互信息,计算所述高频图像组基于互信息的视觉权重。
根据本发明的另一个方面,提供了一种图像质量评测***,其包括:
图像输入模块,设置为输入参考图像和失真图像;
双树复小波变换分解模块,设置为对所述参考图像和所述失真图像进行双树复小波变换分解,得到由第一参考低频子带图像和第一失真低频子带图像构成的第一低频图像组、由第二参考低频子带图像和第二失真低频子带图像构成的第二低频图像组、以及依次对应六个分解方向的六个高频图像组;其中,每个分解方向的高频图像组由该分解方向的参考高频子带图像和该分解方向的失真高频子带图像构成;
第一相似度计算模块,设置为依次对每个低频图像组,应用复高斯尺度混合模型分别对构成所述低频图像组的图像的复小波系数进行建模,并计算构成所述低频图像组的图像间的相似度,得到所述低频图像组对应的相似度;
第二相似度计算模块,设置为依次对每个高频图像组,应用复高斯尺度混合模型分别对构成所述高频图像组的图像的复小波系数进行建模,并计算构成所述高频图像组的图像间的相似度,得到所述高频图像组对应的相似度;
质量评测模块,设置为根据所有低频图像组对应的相似度和所有高频图像组对应的相似度,确定图像质量评测值。
优选的是,所述***还包括:验证模块,设置为采用曲线拟合方式对所述图像质量评测值进行验证,以衡量图像质量评测的主客观一致性。
优选的是,所述第一相似度计算模块包括:
第一视觉权重计算单元,设置为依次对于每个由参考低频子带图像和失真低频子带图像构成的低频图像组,应用复高斯尺度混合模型对所述参考低频子带图像的复小波系数和所述失真低频子带图像的复小波系数进行建模,并计算所述低频图像组基于互信息的视觉权重;
第一相似度计算单元,设置为分别提取所述参考低频子带图像的复小波系数的幅度、相位信息和所述失真低频子带图像的复小波系数的幅度、相位信息,并结合所述低频图像组基于互信息的视觉权重计算所述低频图像组对应的相似度。
优选的是,所述第一视觉权重计算单元包括:
第一低频互信息计算子单元,设置为计算所述参考低频子带图像与第一低频感知图像的第一低频互信息,所述第一低频感知图像由所述参考低频子带图像经信息传输后形成;
第二低频互信息计算子单元,设置为计算所述失真低频子带图像与第二低频感知图像的第二低频互信息,所述第二低频感知图像由所述失真低频子带图像经信息传输后形成;
第三低频互信息计算子单元,设置为计算所述第一低频感知图像和所述第二低频感知图像的第三低频互信息;
第一视觉权重计算子单元,设置为根据所述第一低频互信息、所述第二低频互信息和所述第三低频互信息,计算所述低频图像组基于互信息的视觉权重。
优选的是,所述第二相似度计算模块包括:
第二视觉权重计算单元,设置为依次对于每个分解方向的高频图像组,应用复高斯尺度混合模型对所述分解方向的参考高频子带图像的复小波系数和所述分解方向的失真高频子带图像的复小波系数进行建模,并计算所述分解方向的高频图像组基于互信息的视觉权重;
第二相似度计算单元,设置为分别提取所述分解方向的参考高频子带图像的复小波系数的幅度、相位信息和所述分解方向的失真高频子带图像的复小波系数的幅度、相位信息,并结合所述分解方向的高频图像组基于互信息的视觉权重计算所述分解方向的高频图像组对应的相似度。
优选的是,所述第二视觉权重计算单元包括:
第一高频互信息计算子单元,设置为计算所述参考高频子带图像与第一高频感知图像的第一高频互信息,所述第一高频感知图像由所述参考高频子带图像经信息传输后形成;
第二高频互信息计算子单元,设置为计算所述失真高频子带图像与第二高频感知图像的第二高频互信息,所述第二高频感知图像由所述失真高频子带图像经信息传输后形成;
第三高频互信息计算子单元,设置为计算所述第一高频感知图像和所述第二高频感知图像的第三高频互信息;
第二视觉权重计算子单元,设置为根据所述第一高频互信息、所述第二高频互信息和所述第三高频互信息,计算所述高频图像组基于互信息的视觉权重。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
本发明实施例所述的图像质量评测方法及***,综合应用复高斯尺度混合模型和复小波变换的各自特点,采用复高斯尺度混合模型刻画图像的统计分布特性,利用复小波变换的近似平移不变性和良好的方向选择性来刻画图像的空间相关性,能够实施对不同失真类型的图像进行质量评测,具有较好的通用性,同时提高了图像质量评测结果的可靠性。
本发明的其它特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1示出了本发明实施例图像质量评测方法的流程示意图;
图2示出了本发明基于TID2008数据库的质量评测的主客观一致性的仿真结果示意图;
图3示出了本发明基于LIVE数据库的质量评测的主客观一致性的仿真结果示意图;
图4示出了本发明实施例中计算低频图像组对应的相似度的方法的流程示意图;
图5示出了本发明实施例中计算低频图像组基于互信息的视觉权重的方法的示意图;
图6示出了本发明实施例中计算高频图像组对应的相似度的方法的流程示意图;
图7示出了本发明实施例中计算高频图像组基于互信息的视觉权重的方法的示意图;
图8示出了本发明实施例图像质量评测***的结构示意图;
图9示出了本发明实施例中第一相似度计算模块的结构示意图;
图10示出了本发明实施例中第一视觉权重计算单元的结构示意图;
图11示出了本发明实施例中第二相似度计算模块的结构示意图;以及
图12示出了本发明实施例中第二视觉权重计算单元的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
针对现有技术中基于互信息的图像质量评测方法的不足,本发明实施例需要解决的技术问题包括如下:
(1)图像的空间相关性问题。如何选择合适的变换来刻画图像的几何空间相关性,本发明采用复小波变换技术,并综合上述复高斯尺度混合模型,设计一种图像质量评测函数模型,提高图像质量评测的性能问题,是本发明需要解决的关键问题;
(2)图像的互信息提取问题。如何在基于互信息的图像质量评测方法基础上,利用复高斯尺度混合模型而不是高斯尺度混合模型,来刻画图像的频域统计分布特性,设计基于互信息的图像评测视觉权重,是本发明需要解决的关键问题之一。
(3)图像质量评测的主客观一致性问题。如何对图像质量评测方法选取合适的曲线函数进行拟合,并针对不同失真类型的图像质量进行评测,使得本发明提出的图像质量评测符合人类主观认识的视觉感知特性,具有较好的主客观一致性,是本发明需要解决的关键问题。
为解决上述图像的空间相关性问题,本发明实施例综合考虑图像的统计特性以及图像的空间几何相关性,采用合适的数学模型来刻画图像的统计特性和空间相关性,建立起基于人类视觉感知特性的图像质量评测模型,提供了一种图像质量评测方法。
如图1所示,是本发明实施例图像质量评测方法的流程示意图。本实施例的图像质量评测方法,主要包括以下步骤:
步骤101:输入参考图像和失真图像。设R表示参考图像,D表示失真图像。
步骤102:对参考图像和失真图像进行双树复小波变换分解,得到由第一参考低频子带图像和第一失真低频子带图像构成的第一低频图像组、由第二参考低频子带图像和第二失真低频子带图像构成的第二低频图像组、以及依次对应六个分解方向的六个高频图像组;其中,每个分解方向的高频图像组由该分解方向的参考高频子带图像和该分解方向的失真高频子带图像构成。
具体地,分别对参考图像R和失真图像D进行预设层数(s,其中s=1,…,S,这里s也称为分解尺度)的双树复小波变换分解。在本发明一优选的实施例中,预设层数s的优选取值为3。
下面以参考图像R为例详细说明三层双树复小波变化分解的过程:在三层变换分解中,第一层变换分解得到第一分解层上的两个低频子带图像和六个高频子带图像,然后在第一分解层上的两个低频子带图像上做第二层变换分解,得到第二分解层上的两个低频子带图像和六个高频子带图像。以此类推,在第二分解层上的两个低频子带图像上做第三层变换分解,得到第三分解层上的两个低频子带图像和六个高频子带图像。可以看出,双树复小波变换在每一分解层的分解上提供了六个方向的选择滤波器。传统的离散小波变换不具备平移不变性,它对平移非常敏感,即使输入信号有一个非常细微的平移也会造成小波系数产生非常明显的变化。然而,在本实施例中,由于采用的双树复小波变换具有近似平移不变性,所以对图像中的细微平移变化不敏感,并且双树复小波变换还具有良好的方向选择性,因此能够得到各个分解层上的不同方向的子带图像。
对于参考图像R,其第三分解层上的两个低频子带图像分别为第一参考低频子带图像RL1和第二参考低频子带图像RL2,其第三分解层上的六个高频子带图像依次为:-15°分解方向的参考高频子带图像RH3.1、-45°分解方向的参考高频子带图像RH3.2、-75°分解方向的参考高频子带图像RH3.3、15°分解方向的参考高频子带图像RH3.4、45°分解方向的参考高频子带图像RH3.5和75°分解方向的参考高频子带图像RH3.6。
对于失真图像D,其第三分解层上的两个低频子带图像分别为第一失真低频子带图像DL1和第二失真低频子带图像DL2,其第三分解层上的六个高频子带图像依次为:-15°分解方向的失真高频子带图像DH3.1、-45°分解方向的失真高频子带图像DH3.2、-75°分解方向的失真高频子带图像DH3.3、15°分解方向的失真高频子带图像DH3.4、45°分解方向的失真高频子带图像DH3.5和75°分解方向的失真高频子带图像DH3.6。
将参考图像R经双树复小波变换分解得到的各子带图像与失真图像D经双树复小波变换分解得到的各子带图像进行两两分组。详细地,第一参考低频子带图像RL1和第一失真低频子带图像DL1组成第一低频图像组;第二参考低频子带图像RL2和第二失真低频子带图像DL2组成第二低频图像组。-15°分解方向的参考高频子带图像RH3.1与失真高频子带图像DH3.1组成-15°分解方向的高频图像组;-45°分解方向的参考高频子带图像RH3.2与失真高频子带图像DH3.2组成-45°分解方向的高频图像组;-75°分解方向的参考高频子带图像RH3.3与失真高频子带图像DH3.3组成-75°分解方向的高频图像组;15°分解方向的参考高频子带图像RH3.4与失真高频子带图像DH3.4组成15°分解方向的高频图像组;45°分解方向的参考高频子带图像RH3.5与失真高频子带图像DH3.5组成45°分解方向的高频图像组;75°分解方向上的参考高频子带图像RH3.6与失真高频子带图像DH3.6组成75°分解方向的高频图像组。
步骤103:依次对每个低频图像组,应用复高斯尺度混合模型分别对构成所述低频图像组的图像的复小波系数进行建模,并计算构成所述低频图像组的图像间的相似度,得到所述低频图像组对应的相似度。
具体地,本步骤涉及的方法将在下文中结合图4和图5进行详细地阐述。
步骤104:依次对每个高频图像组,应用复高斯尺度混合模型分别对构成所述高频图像组的图像的复小波系数进行建模,并计算构成所述高频图像组的图像间的相似度,得到所述高频图像组对应的相似度。
具体地,本步骤涉及的方法将在下文中结合图6和图7进行详细地阐述。
步骤105:根据所有低频图像组对应的相似度和所有高频图像组对应的相似度,确定图像质量评测值。
具体地,根据所有低频图像组对应的相似度和所有高频图像组对应的相似度,确定图像质量评测值的方法主要包括以下子步骤:
子步骤1:根据所有低频图像组对应的相似度,确定低频相似度。这里,低频相似度优选为所有低频图像组对应的相似度的加权平均值的1/2。
子步骤2:根据所有高频图像组对应的相似度,确定高频相似度。这里,高频相似度优选为所有高频图像组对应的相似度的加权平均值的1/6。
子步骤3:利用下述表达式计算图像质量评测值:
其中,QA表示图像质量评测值,Q0表示常数,用来调节图像失真测试的范围,在本实施例中,Q0的取值为0.1。QAL表示低频相似度,QAH表示高频相似度。ε表示加权因子,在本实施例中,ε的取值为0.3。
应用本实施例所述的图像质量评测方法,综合应用复高斯尺度混合模型和复小波变换的各自特点,采用复高斯尺度混合模型刻画图像的统计分布特性,利用复小波变换的近似平移不变性和良好的方向选择性来刻画图像的空间相关性,能够实施对不同失真类型的图像进行质量评测,具有较好的通用性,同时提高了图像质量评测结果的可靠性。
在本发明一优选的实施例中,为解决上述图像质量评测的主客观一致性问题,所述方法还包括:采用曲线拟合方式对步骤105确定的图像质量评测值进行验证,以衡量图像质量评测的主客观一致性。主客观一致性指采用上述实施例进行的客观评测结果与人主观的观感是否相符。在本实施例中,根据视频质量专家组(VQEG,Video Quality ExpertsGroup)提出的准则,将图像客观评测的质量评测过程看成是主观评测的非线性函数,该函数定义为:
其中θ1、θ2、θ3、θ4和θ5表示非线性拟合参数;参数的设置根据视频质量专家组提出的图像质量评价准则进行:即“一般认为对图像的客观评价获得的测度和对图像主观评价的测度满足一定的非线性关系;并且这些参数可以通过MATLAB的非线性优化函数获得,如nlinfit函数”。将该函数生成的logistic曲线与主观评测结果的离散点的位置进行对比,可以比较直观地看出主客观评测的一致程度。
具体地,图2示出了本发明基于TID2008数据库的质量评测的主客观一致性的仿真结果示意图;图3示出了本发明基于LIVE数据库的质量评测的主客观一致性的仿真结果示意图。图2和图3的仿真结果是分别采用TID2008数据库和LIVE数据库进行的。TID2008数据库总共涵盖25幅参考图像和1700幅失真图像,并提供了各种图像的主观评价分数。LIVE数据库包含982幅的参考和失真图像,也提供了图像的主观评价分数。本实施例提出的方法以这两类图像数据库为测试对象,给出了图像质量的主客观一致性评价结果。从图2和图3的仿真结果可以看出,两幅图中的散点图分布情况较为均匀,图像质量符合人类视觉感知的主观特点,从而本发明实施例提出的方法能够较好地反映图像质量评测的主客观一致性。
在本实施例中,将图像的质量评测过程作为是主观评测的非线性函数,使得图像质量评价具有较好的主客观一致性,比较符合人类的主观感受性。
为解决上述图像的互信息提取问题,本发明一优选的实施例提供了计算低频图像组对应的相似度的方法。图4示出了本发明实施例中计算低频图像组对应的相似度的方法的流程示意图。如图4所示,本实施例计算低频图像组对应的相似度的方法,主要包括以下步骤:
步骤201:依次对于每个由参考低频子带图像和失真低频子带图像构成的低频图像组,应用复高斯尺度混合模型对所述参考低频子带图像的复小波系数和所述失真低频子带图像的复小波系数进行建模,并计算所述低频图像组基于互信息的视觉权重。
具体地,依次对于每个低频图像组,应用复高斯尺度混合模型对参考低频子带图像的复小波系数和失真低频子带图像的复小波系数进行建模,计算每个低频图像组基于互信息的视觉权重,其流程图如图5所示。
本实施例以第一低频图像组为例详细阐述低频图像组基于互信息的视觉权重的计算方法。
参照图5,第一参考低频子带图像RL1经感知通道后形成第一低频感知图像EL1,失真低频子带图像DL1经感知通道后形成第二低频感知图像FL1。换言之,第一参考低频子带图像RL1经信息传输后形成第一低频感知图像EL1,第一失真低频子带图像DL1经信息传输后形成第二低频感知图像FL1。分别计算第一参考低频子带图像RL1与经感知后的第一低频感知图像EL1之间的第一低频互信息I(RL1;EL1)、第一失真低频子带图像DL1与经感知后的第二低频感知图像FL1之间的第二低频互信息I(DL1;FL1)、以及经感知后的第一低频感知图像EL1和经感知后的第二低频感知图像FL1之间的第三低频互信息I(EL1;FL1)。然后以上述第一低频互信息I(RL1;EL1)、第二低频互信息I(DL1;FL1)和第三低频互信息I(EL1;FL1)为基础,结合下述式(1)计算第一低频图像组基于互信息的视觉权重wL1:
wL1=I(RL1;EL1)+I(DL1;FL1)-I(EL1;FL1) (1)
以下详细阐述第一低频互信息I(RL1;EL1)、第二低频互信息I(DL1;FL1)和第三低频互信息I(EL1;FL1)的计算方法。
在式(1)中,第一参考低频子带图像RL1的协方差(即表示第一参考低频子带图像RL1的各个标量元素之间的协方差矩阵)、第一失真低频子带图像DL1的协方差(即表示第一失真低频子带图像DL1的各个标量元素之间的协方差矩阵)、第一低频感知图像EL1的协方差(即表示第一低频感知图像EL1的各个标量元素之间的协方差矩阵)和第二低频感知图像FL1的协方差(即表示第二低频感知图像FL1的各个标量元素之间的协方差矩阵)分别表示为:
其中,s表示乘法因子,g表示增益因子,表示感知视觉噪声方差,表示高斯噪声方差,I表示恒等矩阵。CU为零均值复高斯向量U的协方差矩阵,应用复高斯尺度混合模型对第一参考低频子带图像RL1的复小波系数的实部和虚部统一进行建模,RL1进一步可表示为RL1=X+jY=sU,其中X表示实部,Y表示虚部。协方差矩阵CU表示为零均值复高斯向量U的概率分布函数可表示为:
综上,式(1)中第一低频互信息I(RL1;EL1)、第二低频互信息I(DL1;FL1)和第三低频互信息I(EL1;FL1)的计算分别可表示为:
其中,在式(4)中协方差和的值可通过式(2)计算。在式(4)式中,表示第一参考低频子带图像RL1与第一低频感知图像EL1之间的协方差,其物理意义为第一参考低频子带图像RL1与第一低频感知图像EL1相应复小波系数变量之间的相关性。类似地,表示第一失真低频子带图像DL1与第二低频感知图像FL1之间的协方差,其物理意义为第一失真低频子带图像DL1与第二低频感知图像FL1相应复小波系数变量之间的相关性。表示第一低频感知图像EL1和第二低频感知图像FL1之间的协方差,其物理意义为第一低频感知图像EL1和第二低频感知图像FL1相应复小波系数变量之间的相关性。计算协方差时将复小波系数看成随机变量,而相关性反映了随机变量之间的相关程度。具体地,第一参考低频子带图像RL1与第一低频感知图像EL1的协方差第一失真低频子带图像DL1与第二低频感知图像FL1的协方差以及第一低频感知图像EL1和第二低频感知图像FL1的协方差的计算分别可表示为:
其中,表示第一参考低频子带图像RL1与第一低频感知图像EL1的互协方差矩阵,其绝对值表征图像RL1与图像EL1之间的相似性的度量。的绝对值与的绝对值相等。表示第一失真低频子带图像DL1与第二低频感知图像FL1的互协方差矩阵,其绝对值表征两图像之间相似性的度量。的绝对值与的绝对值相等。
综合上述式(1)、式(2)、式(3)和式(4),第一低频图像组基于互信息的视觉权重可以进一步表示为:
其中,λk表示第k个特征值,其中k=1,2,...,K,这K个特征值由协方差矩阵CU经特征值分解所得。协方差矩阵CU的计算是对图像采用复高斯尺度混合模型建模的结果。
其他的低频图像组基于互信息的视觉权重均可依照上述方法计算得出,具体过程在本文中不再展开说明。
本实施例利用了复高斯尺度混合模型能够较好地对图像复小波系数进行建模的特点,综合考虑了参考图像和失真图像经感知通道后的统计分布特性,设计了基于互信息的图像评测视觉权重,充分利用了人类的视觉感知特性,提高了图像质量评测的性能。
步骤202:分别提取所述参考低频子带图像的复小波系数的幅度、相位信息和所述失真低频子带图像的复小波系数的幅度、相位信息,并结合所述低频图像组基于互信息的视觉权重计算所述低频图像组对应的相似度。
具体地,针对第一低频图像组:设第一参考低频子带图像的复小波系数向量为第一失真低频子带图像的复小波系数向量为然后从复小波系数向量中提取第一参考低频子带图像的复小波系数的幅度、相位信息(即幅度特征信息和相位特征信息两方面信息),并从复小波系数向量中提取第一失真低频子带图像的复小波系数的幅度、相位信息。综合两图像的复小波系数的幅度、相位信息,第一参考低频子带图像和第一失真低频子带图像之间的相似度可表示为:
其中,K表示大于0的常量,α>0,β>0表示常量指数因子。特别地,在本实施例中,设置α=β=1。式(6)中第一项表示图像复小波系数的幅度特征信息,第二项表示图像复小波系数的相位特征信息,且表示复小波系数的复共轭。举例来说,如果一个复小波系数表示为:C=x+jy,则依据公式计算其幅度特征信息,依据公式计算其相位特征信息。
针对第二低频图像组:利用类似的计算方法计算第二低频图像组对应的相似度,即第二参考低频子带图像和第二失真低频子带图像之间的相似度由于计算第二低频图像组对应的相似度的方法与计算第一低频图像组对应的相似度的方法非常类似,仅仅是构成图像组的图像不同而已,因此本文不再对计算第二低频图像组对应的相似度的方法进行展开说明。
本实施例利用了双树复小波变换的近似平移不变性和良好的方向选择性,提取了图像的幅度和相位特征信息,有效利用了图像的相位信息,并且为部分图像质量评测方法的设计提供了参考,克服了传统图像质量评测需要全部原始图像数据参与的问题,对于在实时图像质量评测领域具有较好的借鉴作用。
图6示出了本发明实施例中计算高频图像组对应的相似度的方法的流程示意图。参照图6,本实施例计算高频图像组对应的相似度的方法包括以下步骤:
步骤301:依次对于每个分解方向的高频图像组,应用复高斯尺度混合模型对所述分解方向的参考高频子带图像的复小波系数和所述分解方向的失真高频子带图像的复小波系数进行建模,并计算所述分解方向的高频图像组基于互信息的视觉权重。计算高频图像组基于互信息的视觉权重的方法的流程可参照图7。
步骤302:分别提取所述分解方向的参考高频子带图像的复小波系数的幅度、相位信息和所述分解方向的失真高频子带图像的复小波系数的幅度、相位信息,并结合所述分解方向的高频图像组基于互信息的视觉权重计算所述分解方向的高频图像组对应的相似度。
由于计算高频图像组对应的相似度的方法与计算低频图像组对应的相似度的方法非常类似,仅仅是构成图像组的图像不同而已,因此本文不再对计算高频图像组对应的相似度的方法进行展开说明。
相应地,本发明实施例还提供了一种图像质量评测***。
如图8所示,是本实施例图像质量评测***的结构示意图。本实施例所述的图像质量评测***,主要包括图像输入模块401、双树复小波变换分解模块402、第一相似度计算模块403、第二相似度计算模块404和质量评测模块405。其中,图像输入模块401与双树复小波变换分解模块402电连接,双树复小波变换分解模块402分别经第一相似度计算模块403和第二相似度计算模块404与质量评测模块405电连接。
具体地,图像输入模块401,设置为输入参考图像和失真图像。
双树复小波变换分解模块402,设置为对参考图像和失真图像进行双树复小波变换分解,得到由第一参考低频子带图像和第一失真低频子带图像构成的第一低频图像组、由第二参考低频子带图像和第二失真低频子带图像构成的第二低频图像组、以及依次对应六个分解方向的六个高频图像组;其中,每个分解方向的高频图像组由该分解方向的参考高频子带图像和该分解方向的失真高频子带图像构成。
第一相似度计算模块403,设置为依次对每个低频图像组,应用复高斯尺度混合模型分别对构成所述低频图像组的图像的复小波系数进行建模,并计算构成所述低频图像组的图像间的相似度,得到所述低频图像组对应的相似度。
第二相似度计算模块404,设置为依次对每个高频图像组,应用复高斯尺度混合模型分别对构成所述高频图像组的图像的复小波系数进行建模,并计算构成所述高频图像组的图像间的相似度,得到所述高频图像组对应的相似度。
质量评测模块405,设置为根据所有低频图像组对应的相似度和所有高频图像组对应的相似度,确定图像质量评测值。
应用本实施例所述的图像质量评测***,综合应用复高斯尺度混合模型和复小波变换的各自特点,采用复高斯尺度混合模型刻画图像的统计分布特性,利用复小波变换的近似平移不变性和良好的方向选择性来刻画图像的空间相关性,能够实施对不同失真类型的图像进行质量评测,具有较好的通用性,同时提高了图像质量评测结果的可靠性。
在本发明一优选的实施例中,上述图像质量评测***还包括与质量评测模块405电连接的验证模块。验证模块设置为采用曲线拟合方式对质量评测模块405计算得到的图像质量评测值进行验证,以衡量图像质量评测的主客观一致性。
在本实施例中,将图像的质量评测过程作为是主观评测的非线性函数,使得图像质量评价具有较好的主客观一致性,比较符合人类的主观感受性。
在本发明一优选的实施例中,如图9所示,是本发明实施例中第一相似度计算模块403的结构示意图。本实施例的第一相似度计算模块403包括彼此电连接的第一视觉权重计算单元501和第一相似度计算单元502。
具体地,第一视觉权重计算单元501,设置为依次对于每个由参考低频子带图像和失真低频子带图像构成的低频图像组,应用复高斯尺度混合模型对所述参考低频子带图像的复小波系数和所述失真低频子带图像的复小波系数进行建模,并计算所述低频图像组基于互信息的视觉权重。
第一相似度计算单元502,设置为分别提取所述参考低频子带图像的复小波系数的幅度、相位信息和所述失真低频子带图像的复小波系数的幅度、相位信息,并结合所述低频图像组基于互信息的视觉权重计算所述低频图像组对应的相似度。
本实施例利用了双树复小波变换的近似平移不变性和良好的方向选择性,提取了图像的幅度和相位特征信息,有效利用了图像的相位信息,并且为部分图像质量评测方法的设计提供了参考,克服了传统图像质量评测需要全部原始图像数据参与的问题,对于在实时图像质量评测领域具有较好的借鉴作用。
在本发明一优选的实施例中,如图10所示,是本发明实施例中第一视觉权重计算单元501的结构示意图。本实施例的第一视觉权重计算单元501包括第一低频互信息计算子单元601、第二低频互信息计算子单元602、第三低频互信息计算子单元603和第一视觉权重计算子单元604。其中,第一低频互信息计算子单元601、第二低频互信息计算子单元602和第三低频互信息计算子单元603均与第一视觉权重计算子单元604电连接。
具体地,第一低频互信息计算子单元601,设置为计算参考低频子带图像与第一低频感知图像的第一低频互信息,第一低频感知图像由参考低频子带图像经信息传输后形成。
第二低频互信息计算子单元602,设置为计算失真低频子带图像与第二低频感知图像的第二低频互信息,第二低频感知图像由失真低频子带图像经信息传输后形成。
第三低频互信息计算子单元603,设置为计算第一低频感知图像和第二低频感知图像的第三低频互信息。
第一视觉权重计算子单元604,设置为根据第一低频互信息、第二低频互信息和第三低频互信息,计算低频图像组基于互信息的视觉权重。
本实施例利用了复高斯尺度混合模型能够较好地对图像复小波系数进行建模的特点,综合考虑了参考图像和失真图像经感知通道后的统计分布特性,设计了基于互信息的图像评测视觉权重,充分利用了人类的视觉感知特性,提高了图像质量评测的性能。
在本发明一优选的实施例中,如图11所示,是本发明实施例中第二相似度计算模块404的结构示意图。本实施例的第二相似度计算模块404包括顺次电连接的第二视觉权重计算单元701和第二相似度计算单元702。
具体地,第二视觉权重计算单元701,设置为依次对于每个分解方向的高频图像组,应用复高斯尺度混合模型对所述分解方向的参考高频子带图像的复小波系数和所述分解方向的失真高频子带图像的复小波系数进行建模,并计算所述分解方向的高频图像组基于互信息的视觉权重。
第二相似度计算单元702,设置为分别提取所述分解方向的参考高频子带图像的复小波系数的幅度、相位信息和所述分解方向的失真高频子带图像的复小波系数的幅度、相位信息,并结合所述分解方向的高频图像组基于互信息的视觉权重计算所述分解方向的高频图像组对应的相似度。
在本发明一优选的实施例中,如图12所示,是本发明实施例中第二视觉权重计算单元701的结构示意图。本实施例的第二视觉权重计算单元701包括第一高频互信息计算子单元801、第二高频互信息计算子单元802、第三高频互信息计算子单元803和第二视觉权重计算子单元804。其中,第一高频互信息计算子单元801、第二高频互信息计算子单元802和第三高频互信息计算子单元803均与第二视觉权重计算子单元804电连接。
具体地,第一高频互信息计算子单元801,设置为计算参考高频子带图像与第一高频感知图像的第一高频互信息,第一高频感知图像由参考高频子带图像经信息传输后形成。
第二高频互信息计算子单元802,设置为计算失真高频子带图像与第二高频感知图像的第二高频互信息,第二高频感知图像由失真高频子带图像经信息传输后形成。
第三高频互信息计算子单元803,设置为计算第一高频感知图像和第二高频感知图像的第三高频互信息。
第二视觉权重计算子单元804,设置为根据第一高频互信息、第二高频互信息和第三高频互信息,计算高频图像组基于互信息的视觉权重。
上述各单元的具体处理过程可参照前面本发明实施例的方法中的描述,在此不再赘述。
本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种图像质量评测方法,其特征在于,包括:
输入参考图像和失真图像;
对所述参考图像和所述失真图像进行双树复小波变换分解,得到由第一参考低频子带图像和第一失真低频子带图像构成的第一低频图像组、由第二参考低频子带图像和第二失真低频子带图像构成的第二低频图像组、以及依次对应六个分解方向的六个高频图像组;其中,每个分解方向的高频图像组由该分解方向的参考高频子带图像和该分解方向的失真高频子带图像构成;
依次对每个低频图像组,应用复高斯尺度混合模型分别对构成所述低频图像组的图像的复小波系数进行建模,并计算构成所述低频图像组的图像间的相似度,得到所述低频图像组对应的相似度;
依次对每个高频图像组,应用复高斯尺度混合模型分别对构成所述高频图像组的图像的复小波系数进行建模,并计算构成所述高频图像组的图像间的相似度,得到所述高频图像组对应的相似度;
根据所有低频图像组对应的相似度和所有高频图像组对应的相似度,确定图像质量评测值;
其中,依次对每个低频图像组,应用复高斯尺度混合模型分别对构成所述低频图像组的图像的复小波系数进行建模,并计算构成所述低频图像组的图像间的相似度,得到所述低频图像组对应的相似度,包括:
依次对于每个由参考低频子带图像和失真低频子带图像构成的低频图像组,应用复高斯尺度混合模型对所述参考低频子带图像的复小波系数和所述失真低频子带图像的复小波系数进行建模,并计算所述低频图像组基于互信息的视觉权重;
分别提取所述参考低频子带图像的复小波系数的幅度、相位信息和所述失真低频子带图像的复小波系数的幅度、相位信息,并结合所述低频图像组基于互信息的视觉权重计算所述低频图像组对应的相似度。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:采用曲线拟合方式对所述图像质量评测值进行验证,以衡量图像质量评测的主客观一致性。
3.根据权利要求1或2所述的方法,其特征在于,依次对于每个由参考低频子带图像和失真低频子带图像构成的低频图像组,应用复高斯尺度混合模型对所述参考低频子带图像的复小波系数和所述失真低频子带图像的复小波系数进行建模,并计算所述低频图像组基于互信息的视觉权重,包括:
计算所述参考低频子带图像与第一低频感知图像的第一低频互信息,所述第一低频感知图像由所述参考低频子带图像经信息传输后形成;
计算所述失真低频子带图像与第二低频感知图像的第二低频互信息,所述第二低频感知图像由所述失真低频子带图像经信息传输后形成;
计算所述第一低频感知图像和所述第二低频感知图像的第三低频互信息;
根据所述第一低频互信息、所述第二低频互信息和所述第三低频互信息,计算所述低频图像组基于互信息的视觉权重。
4.根据权利要求1或2所述的方法,其特征在于,依次对每个高频图像组,应用复高斯尺度混合模型分别对构成所述高频图像组的图像的复小波系数进行建模,并计算构成所述高频图像组的图像间的相似度,得到所述高频图像组对应的相似度,包括:
依次对于每个分解方向的高频图像组,应用复高斯尺度混合模型对所述分解方向的参考高频子带图像的复小波系数和所述分解方向的失真高频子带图像的复小波系数进行建模,并计算所述分解方向的高频图像组基于互信息的视觉权重;
分别提取所述分解方向的参考高频子带图像的复小波系数的幅度、相位信息和所述分解方向的失真高频子带图像的复小波系数的幅度、相位信息,并结合所述分解方向的高频图像组基于互信息的视觉权重计算所述分解方向的高频图像组对应的相似度。
5.根据权利要求4所述的方法,其特征在于,依次对于每个分解方向的高频图像组,应用复高斯尺度混合模型对所述分解方向的参考高频子带图像的复小波系数和所述分解方向的失真高频子带图像的复小波系数进行建模,并计算所述分解方向的高频图像组基于互信息的视觉权重,包括:
计算所述参考高频子带图像与第一高频感知图像的第一高频互信息,所述第一高频感知图像由所述参考高频子带图像经信息传输后形成;
计算所述失真高频子带图像与第二高频感知图像的第二高频互信息,所述第二高频感知图像由所述失真高频子带图像经信息传输后形成;
计算所述第一高频感知图像和所述第二高频感知图像的第三高频互信息;
根据所述第一高频互信息、所述第二高频互信息和所述第三高频互信息,计算所述高频图像组基于互信息的视觉权重。
6.一种图像质量评测***,其特征在于,包括:
图像输入模块,设置为输入参考图像和失真图像;
双树复小波变换分解模块,设置为对所述参考图像和所述失真图像进行双树复小波变换分解,得到由第一参考低频子带图像和第一失真低频子带图像构成的第一低频图像组、由第二参考低频子带图像和第二失真低频子带图像构成的第二低频图像组、以及依次对应六个分解方向的六个高频图像组;其中,每个分解方向的高频图像组由该分解方向的参考高频子带图像和该分解方向的失真高频子带图像构成;
第一相似度计算模块,设置为依次对每个低频图像组,应用复高斯尺度混合模型分别对构成所述低频图像组的图像的复小波系数进行建模,并计算构成所述低频图像组的图像间的相似度,得到所述低频图像组对应的相似度;
第二相似度计算模块,设置为依次对每个高频图像组,应用复高斯尺度混合模型分别对构成所述高频图像组的图像的复小波系数进行建模,并计算构成所述高频图像组的图像间的相似度,得到所述高频图像组对应的相似度;
质量评测模块,设置为根据所有低频图像组对应的相似度和所有高频图像组对应的相似度,确定图像质量评测值;
其中,所述第一相似度计算模块包括:
第一视觉权重计算单元,设置为依次对于每个由参考低频子带图像和失真低频子带图像构成的低频图像组,应用复高斯尺度混合模型对所述参考低频子带图像的复小波系数和所述失真低频子带图像的复小波系数进行建模,并计算所述低频图像组基于互信息的视觉权重;
第一相似度计算单元,设置为分别提取所述参考低频子带图像的复小波系数的幅度、相位信息和所述失真低频子带图像的复小波系数的幅度、相位信息,并结合所述低频图像组基于互信息的视觉权重计算所述低频图像组对应的相似度。
7.根据权利要求6所述的***,其特征在于,所述***还包括:验证模块,设置为采用曲线拟合方式对所述图像质量评测值进行验证,以衡量图像质量评测的主客观一致性。
8.根据权利要求6或7所述的***,其特征在于,所述第一视觉权重计算单元包括:
第一低频互信息计算子单元,设置为计算所述参考低频子带图像与第一低频感知图像的第一低频互信息,所述第一低频感知图像由所述参考低频子带图像经信息传输后形成;
第二低频互信息计算子单元,设置为计算所述失真低频子带图像与第二低频感知图像的第二低频互信息,所述第二低频感知图像由所述失真低频子带图像经信息传输后形成;
第三低频互信息计算子单元,设置为计算所述第一低频感知图像和所述第二低频感知图像的第三低频互信息;
第一视觉权重计算子单元,设置为根据所述第一低频互信息、所述第二低频互信息和所述第三低频互信息,计算所述低频图像组基于互信息的视觉权重。
9.根据权利要求6或7所述的***,其特征在于,所述第二相似度计算模块包括:
第二视觉权重计算单元,设置为依次对于每个分解方向的高频图像组,应用复高斯尺度混合模型对所述分解方向的参考高频子带图像的复小波系数和所述分解方向的失真高频子带图像的复小波系数进行建模,并计算所述分解方向的高频图像组基于互信息的视觉权重;
第二相似度计算单元,设置为分别提取所述分解方向的参考高频子带图像的复小波系数的幅度、相位信息和所述分解方向的失真高频子带图像的复小波系数的幅度、相位信息,并结合所述分解方向的高频图像组基于互信息的视觉权重计算所述分解方向的高频图像组对应的相似度。
10.根据权利要求9所述的***,其特征在于,所述第二视觉权重计算单元包括:
第一高频互信息计算子单元,设置为计算所述参考高频子带图像与第一高频感知图像的第一高频互信息,所述第一高频感知图像由所述参考高频子带图像经信息传输后形成;
第二高频互信息计算子单元,设置为计算所述失真高频子带图像与第二高频感知图像的第二高频互信息,所述第二高频感知图像由所述失真高频子带图像经信息传输后形成;
第三高频互信息计算子单元,设置为计算所述第一高频感知图像和所述第二高频感知图像的第三高频互信息;
第二视觉权重计算子单元,设置为根据所述第一高频互信息、所述第二高频互信息和所述第三高频互信息,计算所述高频图像组基于互信息的视觉权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510223442.7A CN104918039B (zh) | 2015-05-05 | 2015-05-05 | 图像质量评测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510223442.7A CN104918039B (zh) | 2015-05-05 | 2015-05-05 | 图像质量评测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104918039A CN104918039A (zh) | 2015-09-16 |
CN104918039B true CN104918039B (zh) | 2017-06-13 |
Family
ID=54086690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510223442.7A Active CN104918039B (zh) | 2015-05-05 | 2015-05-05 | 图像质量评测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104918039B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492085B (zh) * | 2017-07-20 | 2021-01-15 | 天津大学 | 基于双树复小波变换的立体图像质量评价方法 |
CN107809631B (zh) * | 2017-10-08 | 2019-05-14 | 天津大学 | 基于背景消除的小波域视频质量评价方法 |
CN108898600B (zh) * | 2018-07-11 | 2021-03-23 | 上饶师范学院 | 图像质量评价方法及装置 |
CN110930398B (zh) * | 2019-12-09 | 2023-05-09 | 嘉兴学院 | 一种基于Log-Gabor相似度的全参考视频质量评价方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103475897B (zh) * | 2013-09-09 | 2015-03-11 | 宁波大学 | 一种基于失真类型判断的自适应图像质量评价方法 |
CN103945217B (zh) * | 2014-04-17 | 2016-01-06 | 四川九洲电器集团有限责任公司 | 基于熵的复小波域半盲图像质量评测方法和*** |
CN104202594B (zh) * | 2014-07-25 | 2016-04-13 | 宁波大学 | 一种基于三维小波变换的视频质量评价方法 |
-
2015
- 2015-05-05 CN CN201510223442.7A patent/CN104918039B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104918039A (zh) | 2015-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A feature-enriched completely blind image quality evaluator | |
Wang et al. | NMF-based image quality assessment using extreme learning machine | |
Shao et al. | Full-reference quality assessment of stereoscopic images by learning binocular receptive field properties | |
Gao et al. | Biologically inspired image quality assessment | |
CN104918039B (zh) | 图像质量评测方法及*** | |
US20150117763A1 (en) | Image quality measurement based on local amplitude and phase spectra | |
CN108830823B (zh) | 基于空域结合频域分析的全参考型图像质量评价方法 | |
CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
CN105825500A (zh) | 一种对相机图像质量的评价方法与装置 | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN105049851A (zh) | 基于色彩感知的通用无参考图像质量评价方法 | |
Hu et al. | Image quality assessment using a SVD-based structural projection | |
Ma et al. | Reduced-reference stereoscopic image quality assessment using natural scene statistics and structural degradation | |
CN103093431B (zh) | 基于pca字典和结构先验信息的压缩感知重构方法 | |
Geng et al. | A stereoscopic image quality assessment model based on independent component analysis and binocular fusion property | |
CN109788275A (zh) | 自然性、结构和双目不对称无参考立体图像质量评价方法 | |
CN111127298B (zh) | 一种全景图像盲质量评估方法 | |
CN103258326B (zh) | 一种图像质量盲评估的信息保真度方法 | |
Ninassi et al. | On the performance of human visual system based image quality assessment metric using wavelet domain | |
CN103841411B (zh) | 一种基于双目信息处理的立体图像质量评价方法 | |
Nizami et al. | Distortion-specific feature selection algorithm for universal blind image quality assessment | |
CN102497576B (zh) | 基于Gabor特征互信息的全参考图像质量评价方法 | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
CN108898600B (zh) | 图像质量评价方法及装置 | |
CN107492085B (zh) | 基于双树复小波变换的立体图像质量评价方法 |
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 |