CN105184796B - 基于二元空间依存关系的失真图像评价方法 - Google Patents

基于二元空间依存关系的失真图像评价方法 Download PDF

Info

Publication number
CN105184796B
CN105184796B CN201510571481.6A CN201510571481A CN105184796B CN 105184796 B CN105184796 B CN 105184796B CN 201510571481 A CN201510571481 A CN 201510571481A CN 105184796 B CN105184796 B CN 105184796B
Authority
CN
China
Prior art keywords
image
binary
formula
coefficient
binary spatial
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.)
Expired - Fee Related
Application number
CN201510571481.6A
Other languages
English (en)
Other versions
CN105184796A (zh
Inventor
张闯
王亚明
陈苏婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201510571481.6A priority Critical patent/CN105184796B/zh
Publication of CN105184796A publication Critical patent/CN105184796A/zh
Application granted granted Critical
Publication of CN105184796B publication Critical patent/CN105184796B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Compression Of Band Width Or Redundancy In Fax (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于二元空间依存关系的失真图像评价方法，对图像rgb空间的数值进行归一标准化，然后将rgb图像映射到hsv空间；建立图像二元空间位置关系与小波分解高频系数的联合分布；采用二元广义高斯分布拟合建立的联合分布，估计二元广义高斯分布参数；根据估计出的二元广义高斯分布参数计算图像的失真程度，评价图像质量。本发明采用hsv色空间以符合人类视觉***的色彩响应机制，应用图像的小波分解系数以减少像质特征的内容相关，并通过二元空间依存关系表示图像的失真程度。

Description

基于二元空间依存关系的失真图像评价方法
技术领域
本发明属于图像质量评价技术领域，特别涉及了基于二元空间依存关系的失真图像评价方法。
背景技术
如何保真图像质量是图像及视觉处理技术中的关键问题，在图像压缩、编码、传输、显示各图像处理过程中都需要保真图像质量。
为了克服主观图像质量评价方法耗时，受主观因素影响大、无法实现***嵌入的困难，客观图像质量评价方法得到了长足的发展。客观图像质量评价方法以得到与人类主观感受一致的图像质量评价结果为目的，具有方便***嵌入，实时监测的优点。
美国德州大学奥斯汀分校，Che-Chun Su等人提出的图像特征描述方法(SU C C，CORMACK L K，BOVIK A C.Bivariate Statistical Modeling of Color and Range inNatural Scenes[C].Proceedings of SPIE,San Francisco,California,USA,2014,90141G:1-10)，但是该方法并没有应用该特征对图像质量失真进行评估。
无参考的客观图像质量评价方法由于无法获得标准图像，所以对图像质量特征提出了更高的要求，不仅需要像质特征符合人类视觉***特点，且要与图像内容尽量无关，同时还要对失真图像进行评估。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供基于二元空间依存关系的失真图像评价方法，采用hsv色空间以符合人类视觉***的色彩响应机制，应用图像的小波分解系数以减少像质特征的内容相关，并通过二元空间依存关系表示图像的失真程度。
为了实现上述技术目的，本发明的技术方案为：
基于二元空间依存关系的失真图像评价方法，包括以下步骤：
(1)对图像rgb空间的数值进行归一标准化，然后将rgb图像映射到hsv空间；
(2)图像的二元空间位置关系包括水平相邻、垂直相邻和对角相邻，图像的小波分解高频系数包括水平系数、垂直系数和对角系数，建立图像二元空间位置关系与小波分解高频系数的联合分布：水平相邻-水平系数、垂直相邻-垂直系数、对角相邻-对角系数、水平相邻-垂直系数、水平相邻-对角系数、垂直相邻-对角系数；
(3)采用二元广义高斯分布拟合步骤(2)建立的联合分布，估计二元广义高斯分布参数；
(4)根据步骤(3)估计出的二元广义高斯分布参数计算图像的失真程度，评价图像质量。
进一步地，在步骤(1)中，采用式(1)-式(3)将rgb图像映射到hsv空间：
上式中，min()为取最小值，当r＝g＝b时，h没有定义，当r+g+b＝0时，s没有定义。
进一步地，当b/v＞g/v时，则令h＝2π-h，再通过h＝h/2π，将h的数值规范到[0,1]区间。
进一步地，所述步骤(3)的具体步骤如下：
(a)给形状参数β赋予初始值β0，给对称散布矩阵M赋予初始值M0；
(b)将形状参数β的初始值β0和对称散布矩阵M的初始值M0代入式(4)，求出对称散布矩阵M的估计值
式(4)中，Xk表示第k对小波系数对，k＝1,2,…,K，yk＝Xk TM-1Xk；
(c)将式(4)求出的对称散布矩阵M的估计值代入式(5)中，利用牛顿-拉弗森迭代法求出f(β)＝0的根的i次近似值βi：
式(5)中，Ψ(*)表示普西函数；
(d)当|βi-βi-1|≤c时，将βi作为形状参数β的估计值代入式(6)，求出尺度参数α的估计值
其中，c为预设精度值。
进一步地，将步骤(3)中求得的尺度参数α的估计值和形状参数β的估计值代入式(7)中，求得图像的失真程度n，
根据失真程度n评价图像的质量。
采用上述技术方案带来的有益效果：
本发明采用hsv色空间以符合人类视觉***的色彩响应机制，应用图像的小波分解系数以减少像质特征的内容相关，并通过二元空间依存关系表示图像的失真程度。利用TID2013数据库对本发明进行测试及对比研究，结果表明：利用本发明得到的图像失真评价与实际的图像质量的一致性达到96％以上。
附图说明
图1是本发明的基本流程图；
图2是本发明像素二元空间位置关系示意图，包括(a)、(b)、(c)三幅图，分别表示二元空间位置关系。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
如图1所示本发明的基本流程图，基于二元空间依存关系的失真图像评价方法，包括以下步骤：
步骤1：对图像rgb空间的数值进行归一标准化，然后将rgb图像映射到hsv空间。
采用式(1)-式(3)将rgb图像映射到hsv空间：
上式中，min()为取最小值，当r＝g＝b时，h没有定义，当r+g+b＝0时，s没有定义。当b/v＞g/v时，则令h＝2π-h，再通过h＝h/2π，将h的数值规范到[0,1]区间。
步骤2：图像的二元空间位置关系如图2所示，图2包括(a)、(b)、(c)三幅图，分别表示三种二元空间位置关系：水平相邻、垂直相邻和对角相邻。图像的小波分解高频系数包括水平系数、垂直系数和对角系数。
建立图像二元空间位置关系与小波分解高频系数的联合分布：水平相邻-水平系数、垂直相邻-垂直系数、对角相邻-对角系数、水平相邻-垂直系数、水平相邻-对角系数、垂直相邻-对角系数。
由于像素的小波系数并不是统计独立的，即当某个子频带小波系数较大时，在相邻位置或者在相邻尺度相同位置上会出现较大的小波系数，那么像素小波系数的二元空间依存关系就可以由小波系数的联合分布表示。
步骤3：采用二元广义高斯分布拟合步骤2建立的联合分布，估计二元广义高斯分布参数，其具体步骤如下：
(a)给形状参数β赋予初始值β0，给对称散布矩阵M赋予初始值M0；
(b)将形状参数β的初始值β0和对称散布矩阵M的初始值M0代入式(4)，求出对称散布矩阵M的估计值
式(4)中，Xk表示第k对小波系数对，k＝1,2,…,K，yk＝Xk TM-1Xk；
(c)将式(4)求出的对称散布矩阵M的估计值代入式(5)中，利用牛顿-拉弗森迭代法求出f(β)＝0的根的i次近似值βi：
式(5)中，Ψ(*)表示普西函数；
(d)当|βi-βi-1|≤c时，将βi作为形状参数β的估计值代入式(6)，求出尺度参数α的估计值
其中，c为预设精度值。
步骤4：根据步骤3估计出的二元广义高斯分布参数计算图像的失真程度，评价图像质量。将步骤3中求得的尺度参数α的估计值和形状参数β的估计值代入式(7)中，求得图像的失真程度n，
根据失真程度n评价图像的质量。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.基于二元空间依存关系的失真图像评价方法，其特征在于，包括以下步骤：
(1)对图像rgb空间的数值进行归一标准化，然后将rgb图像映射到hsv空间；
(2)图像的二元空间位置关系包括水平相邻、垂直相邻和对角相邻，图像的小波分解高频系数包括水平系数、垂直系数和对角系数，建立图像二元空间位置关系与小波分解高频系数的联合分布：水平相邻-水平系数、垂直相邻-垂直系数、对角相邻-对角系数、水平相邻-垂直系数、水平相邻-对角系数、垂直相邻-对角系数；
(3)采用二元广义高斯分布拟合步骤(2)建立的联合分布，估计二元广义高斯分布参数；
(4)根据步骤(3)估计出的二元广义高斯分布参数计算图像的失真程度，评价图像质量。
2.根据权利要求1所述基于二元空间依存关系的失真图像评价方法，其特征在于，在步骤(1)中，采用式(1)-式(3)将rgb图像映射到hsv空间：
上式中，min()为取最小值，当r＝g＝b时，h没有定义，当r+g+b＝0时，s没有定义。
3.根据权利要求2所述基于二元空间依存关系的失真图像评价方法，其特征在于：当b/v＞g/v时，则令h＝2π-h，再通过h＝h/2π，将h的数值规范到[0,1]区间。
4.根据权利要求1所述基于二元空间依存关系的失真图像评价方法，其特征在于，所述步骤(3)的具体步骤如下：
(a)给形状参数β赋予初始值β0，给对称散布矩阵M赋予初始值M0；
(b)将形状参数β的初始值β0和对称散布矩阵M的初始值M0代入式(4)，求出对称散布矩阵M的估计值
式(4)中，Xk表示第k对小波系数对，k＝1,2,…,K，yk＝Xk TM-1Xk；
(c)将式(4)求出的对称散布矩阵M的估计值代入式(5)中，利用牛顿-拉弗森迭代法求出f(β)＝0的根的i次近似值βi：
式(5)中，Ψ(*)表示普西函数；
(d)当|βi-βi-1|≤c时，将βi作为形状参数β的估计值代入式(6)，求出尺度参数α的估计值
其中，c为预设精度值。
5.根据权利要求4所述基于二元空间依存关系的失真图像评价方法，其特征在于：将步骤(3)中求得的尺度参数α的估计值和形状参数β的估计值代入式(7)中，求得图像的失真程度n，
根据失真程度n评价图像的质量。
CN201510571481.6A 2015-09-09 2015-09-09 基于二元空间依存关系的失真图像评价方法 Expired - Fee Related CN105184796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510571481.6A CN105184796B (zh) 2015-09-09 2015-09-09 基于二元空间依存关系的失真图像评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510571481.6A CN105184796B (zh) 2015-09-09 2015-09-09 基于二元空间依存关系的失真图像评价方法

Publications (2)

Publication Number Publication Date
CN105184796A CN105184796A (zh) 2015-12-23
CN105184796B true CN105184796B (zh) 2018-08-21

Family

ID=54906849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510571481.6A Expired - Fee Related CN105184796B (zh) 2015-09-09 2015-09-09 基于二元空间依存关系的失真图像评价方法

Country Status (1)

Country Link
CN (1) CN105184796B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709958A (zh) * 2016-12-03 2017-05-24 浙江大学 一种基于灰度梯度和颜色直方图的图像质量评价方法
CN108510474B (zh) * 2018-03-09 2021-07-06 上海烟草集团有限责任公司 烟叶图像质量的评价方法、***、存储器、及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102572499A (zh) * 2010-12-07 2012-07-11 江南大学 基于小波变换多分辨率预测的无参考图像质量评价方法
CN104361574A (zh) * 2014-10-14 2015-02-18 南京信息工程大学 一种基于稀疏表示的无参考彩色图像质量评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8086007B2 (en) * 2007-10-18 2011-12-27 Siemens Aktiengesellschaft Method and system for human vision model guided medical image quality assessment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102572499A (zh) * 2010-12-07 2012-07-11 江南大学 基于小波变换多分辨率预测的无参考图像质量评价方法
CN104361574A (zh) * 2014-10-14 2015-02-18 南京信息工程大学 一种基于稀疏表示的无参考彩色图像质量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于CLAHE变换的低对比度图像增强改进算法;张璞等;《青岛大学学报》;20111215;第26卷(第4期);第58页 *
基于RGB色彩空间自然场景统计的无参考图像质量评价;李俊峰;《自动化学报》;20150513;第41卷(第9期);第1605-1606页 *

Also Published As

Publication number Publication date
CN105184796A (zh) 2015-12-23

Similar Documents

Publication Publication Date Title
CN103116875B (zh) 自适应双边滤波图像去噪方法
CN107767354A (zh) 一种基于暗原色先验的图像去雾算法
CN101996407B (zh) 一种多相机颜色标定方法
CN111429370B (zh) 一种煤矿井下的图像增强方法、***及计算机存储介质
Ding et al. Efficient dark channel based image dehazing using quadtrees
CN111161360B (zh) 基于Retinex理论的端到端网络的图像去雾方法
CN111489346B (zh) 一种全参考图像质量评价方法及***
CN102509294B (zh) 一种基于单幅图像的全局深度估计方法
CN104994375A (zh) 一种基于立体视觉显著性的立体图像质量客观评价方法
CN104504722B (zh) 一种利用灰色点校正图像颜色的方法
CN108305232B (zh) 一种单帧高动态范围图像生成方法
CN104469386A (zh) 一种基于dof的恰可察觉误差模型的感知立体视频编码方法
CN103559693A (zh) 一种基于非连续性指示符的图像局部结构自适应复原方法
CN105184796B (zh) 基于二元空间依存关系的失真图像评价方法
CN110853027A (zh) 一种基于局部变动和全局变化的三维合成图像无参考质量评价方法
CN103810702B (zh) 一种基于分块噪声方差估计的图像累积信噪比计算方法
CN104021527A (zh) 一种图像中雨雪的去除方法
CN105574826B (zh) 遥感影像的薄云去除方法
CN103780895A (zh) 一种立体视频质量评价方法
CN103354617A (zh) 一种基于dct域的边缘强度压缩的图像质量客观评价方法
CN104103043A (zh) 空间域色域映射算法
Zhang et al. Single image dehazing based on fast wavelet transform with weighted image fusion
CN112950596A (zh) 基于多区域多层次的色调映射全向图像质量评价方法
CN106683063A (zh) 一种图像去噪的方法与装置
CN106485664B (zh) 一种基于小波变换和Wallis变换的卫星图像色彩平衡方法

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

Granted publication date: 20180821

Termination date: 20210909

CF01 Termination of patent right due to non-payment of annual fee