CN109714591B - 基于对测评标签的图像质量主观评价方法及*** - Google Patents
基于对测评标签的图像质量主观评价方法及*** Download PDFInfo
- Publication number
- CN109714591B CN109714591B CN201910020772.4A CN201910020772A CN109714591B CN 109714591 B CN109714591 B CN 109714591B CN 201910020772 A CN201910020772 A CN 201910020772A CN 109714591 B CN109714591 B CN 109714591B
- Authority
- CN
- China
- Prior art keywords
- image
- evaluation
- quality
- images
- label
- 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
Images
Landscapes
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明是一种基于对测评标签的图像质量主观评价方法,属图像质量评价和图像分析领域。包括:确定评价人员、评分标准和观看条件,预筛选优先测评序列;对于选定的优先测试序列,将预筛选图像数据组成图像对的测评方式,组织观察员对图像对中两张图像的相对质量进行判断。本发明还公开了评价***,包括:用户管理模块,图像预筛选模块,序列播放模块,数据处理模块。本发明通过构成优先图像质量测试序列,将图像数据组成图像对的测评方式,扩大了图像质量主观评价方法使用范围,适用于评价类似水下图像等存在复杂混合失真的图像,提高了评价结果的稳定性和可靠性。
Description
技术领域
本发明属于图像质量评价和图像分析领域,特别是针对具有复杂混合失真的图像,涉及基于对测评标签的图像质量主观评价方法,本发明还涉及采用前述方法进行评价的评价***。
背景技术
在人类是视觉信息最终消费者的许多应用中,如何准确有效的评估数字图像质量尤为重要。视觉是海洋科学研究中非常重要的一个依据。多年来各种水下监测平台,ROV/AUV,海底观测***及水下瞭望台、渔船采集到了数以兆兆级的水下图像、视频及高维超光谱图像。水中,水体光学衰减、散射及光源照明使得拍摄的水下图像存在低对比度、模糊、非均匀照明、亮斑、色彩投射和各种噪声等各种复杂和混合退化,海洋现场调查和海洋观测非常复杂而且昂贵,因此水下图像质量评价方法可为自动筛选高质量图像,为水下图像复原或增强处理,改进水下成像和传输***设计提供客观标准,海洋科学人工智能分析、海洋任务决策***及预测等提供重要的价值。图像质量评价包括主观评价和客观评价。在图像质量评价研究中,由于人眼是图像的最终受体,因此主观评价被认为是最直接、最准确地表征视觉感知的方法。图像的主观质量是衡量客观评价算法的性能、图像分类筛选及进一步分析的基础。目前没有一种适用于存在混合复杂退化的图像主观质量评价方法。
目前常用的主观图像质量评价方法主要针对已经建立的自然图像质量评价数据库所设计。图像质量评价的主观评分方法主要可分为三类:一是单激励法,二是双激励法,第三种是成对比较法。
单激励方法评测需要在显示器上播放待评测的图像,而不需要知道原始图像的参考信息。单激励方法中比较典型的是单激励连续质量评价方法。单激励连续质量评价方法将待评测素材按随机次序播放,观察员采用五级连续质量评分制对所看到的图像进行打分。
双激励法一般有两种实施方式。一种是双激励失真测度方法(DSIS),这种方法在测试时依次播放参考材料和与之对应的测试材料,在播放测试材料时提示评估人员打分,也可以将参考材料和测试材料再循环播放一遍,在第二轮播放时要求评估人员进行评分,常采用5分制的打分方式。另一种是双激励连续质量尺度方法(DSCQS),这种方法也依次播放测试材料和参考材料,但是并不会在实验中明确告诉评估人员所播放的两个材料哪个是参考材料,哪个是测试材料。因此,需要对两个播放材料都进行评分。该种方法一般对测试材料和参考材料循环播放两次,在播放第二次循环时要求评估人员进行打分。通过计算失真材料与参考材料之间的分差来度量测试材料的质量。
成对比较方法通过对来自于同一参考图像的两个失真程度进行比较打分,实现评估不同产品或不同算法之间的性能差异。该种方法将评分为七个档次:非常差、差、有点差、两者相同、有点好、很好、非常好。成对比较法主要用于评测不同的***、不同算法以及不同处理参数对同一内容素材的影响。
光在水中传输,水体内部光学属性(IOP)决定的吸收和散射影响了整个水下成像的效果。前向散射使得点光源扩散为弥散圆,从而导致图像模糊;后向散射使图像的对比度降低,产生雾状模糊叠加在图像上。吸收和散射不仅仅是由水体本身产生,还包括溶解有机物和漂浮粒子影响,浮游生物、彩色溶解有机质和总悬浮物质的浓度和目标距离成也是影响水下彩色图像质量的主要因素。另外,水下目标的色彩投射与水体对不同光波长的吸收和衰减有关。随着水下深度的增加,色彩按照波长依次消失,蓝色由于波长最短,在水下传播的距离最长。通过增加人工照明虽然可以增加可视距离,但经常会导致非均匀照明情况,在图像中产生亮斑,而亮斑周围却很暗。而人工光源又使得悬浮物质引起的散射更加严重。运动作业时所引起的浪花、漩涡、泥沙及各种海洋生物的影响也导致了图像的不规则模糊。除此以外,成像***、光源色温都将对水下彩色图像的质量产生影响。因此,拍摄的水下图像大多存在以下问题:有限的可视距离、低对比度、非均匀照明、模糊、光斑、色彩投射和各种复杂因素的噪声。
水下图像不同于自然图像,由于无法获得可用来作为参考的原始清晰水下图像,所以传统的双激励法不适用于水下图像,单激励法对于相近质量的水下图像,评分往往不能表示出主观图像质量感受的细微差别,对于增强或复原严重退化图像过程中取得的一点点质量的提高,很难判断一种方法比另一种结果更好,而对于实时的和自动的处理,这却是最重要的。成对比较法主要用于评测不同的***、不同算法以及不同处理参数对同一内容素材的影响。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提出一种基于对测评标签的图像质量主观评价方法,该方法具有更优越的分辨细微质量差别的性能,其适应性广,可用于评价复杂混合失真的图像。
本发明所要解决的另一技术问题是提供了一种实现上述基于对测评标签的图像质量主观评价方法的***。
本发明所要解决的技术问题是通过以下的技术方案来实现的。本发明是一种基于对测评标签的图像质量主观评价方法,采用基于彩色图像质量度量的预筛选方法将待测图像数据组成图像对的测评方式,组织观察员对相对质量进行标记,生成对测评标签,对标签进行处理得到主观图像质量;其步骤如下:
步骤一,确定评价人员、评分标准和观察条件,预筛选优先测评序列;
(1)评价人员应具有(校正至)正常的视敏度和正常的彩色视觉;可以不是从事图形图像学的专家;具体人数根据优先测试序列集合大小来确定,一般要求每位观察员的测评时间(包括检查和演示)不超过30分钟。
(2)确定评分标准
评价人员对待测图像对中的两张图像质量高低进行标记,给出图像对的对测评标签。对于图像对(I1,I2),如I1在主观上质量优于I2,则对应的对测评标签l1,2设置为+1,下标1,2分别表示为图像1,图像2,同时l2,1=-1;如果I2主观上质量优于I1,赋值l1,2=-1,l2,1=+1,另外,当图像质量不易区分时,可以不标记对测评标签,此时图像对(I1,I2)的对测评标签记录为l1,2和l2,1均为0。
(3)确定观看条件
布置主观测评环境,以获得最可信的数据。主观实验的测试环境:距离屏幕0.55米-0.65米;最大观察角度<30°;显示屏上待测图像不能被遮挡。
(4)基于彩色图像质量度量的预筛选
假设待测图像集合中共N幅图像,则可生成N(N-1)/2个可能的图像对。以每个图像对打分需要3到5秒为计,半小时的测试阶段除去测试前的检查、训练、演示等,一个测试阶段一般可观察大约300组图像对,因此决定预选出44850组图像对,即300张图像,生成优先测试图像集合。
为避免优先测试序列集合中的待测图像质量分布过于集中,保证待测图像质量在已有范围内均匀抽样。本发明可以选取彩色图像亮度对比度、色调方差、饱和度均值这三个指标作为优先测试序列的选择标准。对于待测图像集合中的N幅图像,计算每张图像的三种指标直方图(划分十个小区间),不同区间上随机选取10张图像。
步骤二:对于选定的优先测试序列,利用主观评价***进行测试,评价人员对待测图像对中的两张图像质量高低进行标记,给出图像对的对测评标签。
步骤三:保存评价人员的个人信息和图像对测评标签评价结果数据,根据对测评标签对所有图像进行排序。并计算标签分数与百分制分数,计算方法如下:
(1)计算图像标签分数
对于图像i,通过将图像i与其他图像j所获得的所有图像对的对测评标签li,j,i≠j累加计算出图像i标签分数Si:
根据所有图像对的对测评标签,可以生成N张图像各自的标签分数,每张图像的标签分数均落在[-N+1,N-1]区间。假设当前图像集合涵盖了所有测试可能的图像质量范围,从最好到最差。总标签和N-1对应最好的质量值,-N+1对应最差的质量值。
(2)计算图像对应百分制分数
根据线性映射计算图像i的百分制质量得分Sip:
最后,得到测试图像数据集合中所有图像质量的主观得分,主观质量得分越高表示该图像质量越好。
本发明所述的一种基于对测评标签的图像质量主观评价方法,其进一步优选的技术方案是:步骤二中,利用对测评标签图像质量主观评价***进行的测试以图像对为单位,按随机生成的顺序进行;评价人员每对一组图像对做出质量标记后,自动切换下一组图像对继续测试;具体方法如下:
(1)录入评价人员信息;
(2)进入演示和介绍界面;
(3)载入测试序列;
(4)图像对以等大小的方式同时显示在屏幕上;
(5)评价人员进行图像对的质量高低标记,若无法判断出两张图像的相对质量的好坏,则应选择无法判断按钮并进行下一组测试;
(6)完成所有图像对评价打分。
本发明所述的一种基于对测评标签的图像质量主观评价方法,其进一步优选的技术方案是:本发明基于对测评标签的图像质量主观评价方法与ITU-R BT.500中规定的成对比较法不同,不同点在于:所述基于对测评标签的图像质量主观评价方式允许待测图像对具有不同的图像内容,不必区分失真类型和水平,及可以具有不同的大小。
本发明所述的一种基于对测评标签的图像质量主观评价方法,其进一步优选的技术方案是:本发明基于对测评标签的图像质量主观评价方式与ITU-R BT.500中规定的成对比较法不同,不同点在于:所述基于对测评标签的图像质量主观评价方式采用三级制质量标签标记,对质量相似的图像不要求标记,以及利用所获得的所有对测评标签计算图像质量得分的方法。
本发明还公开了一种基于对测评标签的图像质量主观评价的***,其特点是,该***通过人机交互可以实现图像集合预筛选、用户信息登记、图像对播放模式选择、评分记录、和对测评标签计算等操作,***包括:用户管理模块,图像预筛选模块,序列播放模块,数据处理模块;其中:
用户管理模块,包括用户信息添加和用户信息删除两个子模块,用于实验对用户信息的添加、删除等管理;
图像预筛选模块,包括亮度对比度、色调方差、饱和度均值等图像质量度量计算子模块,和一个抽样模块,分别用于实现计算待测图像集合中每张图像的图像质量度量值,并利用抽样模块设定抽样方式,生成优先测试序列;
序列播放模块,主要用于主观测评时图像对的播放,可选择不同的播放模式,默认为随机播放;
数据管理模块,包括评价打分、数据保存和标签计算三个子模块,用于实现评分数据的记录、保存和结果统计分析。
本发明方法适用于各种复杂环境下的存在混合失真的图像,如水下图像。也适用于自然图像,具有比其他方法更优越的分辨细微质量差别的性能。本发明所提出的对测评标签图像质量主观评价方法不限制图像内容,用于不同内容之间,采用三级制对测评标签评分,而且对质量相似的图像不要求标记。通过计算图像集合中所有图像的对测评标签对图像质量进行排序,适用性更广。
本发明运用对测评标签图像质量主观评价法,使得主观评价的过程中不需要原始图像做参考,用于对存在复杂混合失真的不同内容图像进行相对质量判断,获得图像间的相对主观图像质量。
本发明方法不受图像内容的限制,可避免图像退化类型和程度的分辨困难及主观评价中对图像内容、观看条件的敏感性,所得到的图像质量得分对细微质量差别的分辨能力更为优越,更适用于评价存在复杂混合失真的图像。
本发明方法无需根据退化的类型对测试图像进行分组,保证了观察员组间评分具有一致性。采用本发明中的对测评标签图像质量主观评价方法,可实现图像质量主观评价数据库即时扩展,无需不断迭代新版本以扩展数据库。随着图像数据库的不断扩大可逐步实现数据库中图像失真类型和水平在广泛的范围内的均匀分布,避免退化水平分布不均和范围太窄的问题。本发明组织简单,对观察员要求低,只需做出相对判断无需斟酌打分,误差小,实际应用性高。
本发明所述的基于对测评标签的图像质量主观评价方法,将渐进式学习排序的思维用于建立具有无法分离混合失真的无参考图像质量主观评价值统计分布。应用对测评标签主观评价方法对图像质量进行排序打分,解决了水下图像等成像环境中没有参考图像的问题。与传统主观质量评价方法进行对比,其在细微质量差别的分辨能力等方面明显优于其他主观图像质量评价方式。利用对测评标签图像质量主观评价法建立具有符合人类视觉感知质量分数的图像数据集合,可以得到该图像位于当前图像库中的相对分值,实现对图像质量的无参考评价。
与现有技术相比,本发明的有益效果总结如下:
(1)本发明除可用于传统主观评价方法可应用的所有场景外。
更针对于用于水下图像以及其他各种复杂环境下的存在混合失真的图像。
(2)本发明不需要原始图像做参考。
(3)本发明与现有的主要主观图像质量评价方法相比,能够更为准确的分辨具有相似质量的水下图像的细微差别。
(4)本发明能很好的避免水下图像等退化类型和程度的分辨困难及主观评价中对图像内容、观看条件的敏感性;
(5)本发明在测评过程中无需根据退化的类型对测试图像进行分组,保证了观察员组间评分具有一致性;
(6)本发明在测评过程中观察员对感觉质量相近的图像可以选择不打分,对观察员要求低,误差小。
附图说明
图1主观评价方法的流程图;
图2以亮度对比度为指标的直方图(划分十个小区间);
图3以色调方差为指标的直方图(划分十个小区间);
图4以饱和度均值为指标的直方图(划分十个小区间);
图5以UCIQE为指标的直方图(划分十个小区间);
图6为两种主观测试方法的得分;
图7-10为单刺激法相同得分的图像所对应的对测评标签方法得分;
图11为水池实验拍摄的24色色卡;
图12-14为水池实验所拍摄得到的24色色卡图片;
图15为组一中所有图像得分的分布散点图;
图16为组二中所有图像得分的分布散点图;
图17为组三中所有图像得分的分布散点图;
图18为组四中所有图像得分的分布散点图;
图19为组二图像中的两幅离群点图像。
具体实施方式
以下进一步对本发明的技术方案进行描述,使本领域技术人员进一步理解本发明,而不构成对本发明权利的限制。
实施例1,一种基于对测评标签的图像质量主观评价方法,该发明采用基于彩色图像质量度量的预筛选方法将待测图像数据组成图像对的测评方式,组织观察员对相对质量进行判断,生成对测评标签,对标签进行处理得到主观图像质量;其步骤如下:
步骤一,确定评价人员、评分标准和观察条件,预筛选优先测评序列。
假设给定的待测图像集合中共N张水下图像,则可生成N(N-1)/2个可能的图像对。测评过程遵循国际电信联盟发布的主观测试建议书中的要求,为避免观察员疲劳一个测试阶段设计为半小时。以每个图像对打分需要3到5秒为计,半小时的测试阶段除去测试前的检查、训练、演示等,一个测试阶段一般可观察大约300组图像对,可预选出44850组图像对,即300张图像,优先进行测试。
在图像预筛选模块中,CIELAB空间亮度对比度、色调方差、饱和度均值作为预选的标准,计算图像集合中所有图像的相关指标,每个指标的直方图和综合UCIQE(分成10个区间)如图2-5所示。随机选择每个区间约10个图像。
选取45名评价人员,大多数均来自淮海工学院电子工程学院,对于图像处理及图像质量评价有一定了解。在主观评价***登陆界面,对评价人员的姓名、性别、年龄、专业背景等进行统计,以用于后续的研究。以上步骤在用户管理模块进行。
步骤二:对于选定的优先测试序列,利用对测评标签的图像质量主观评价***进行测试。
对300张水下图像质量进行标记,构建图像组{I1,...,In},N=300。每一幅图像与除自己以外的图像建立图像对,生成对图像集合P,P的大小为N(N-1)/2=44850组图像对。
(1)观察员阅读界面程序介绍影响图像质量因素的原理、对比评价的评价标准、评价过程时间等。软件界面将展示几组典型的不同退化、不同水平的图像对集合,演示评价过程。正式开始测评前,首先播放5个左右“模拟演示”,以稳定观察者的评分。这几组演示中给出的对测评标签不参与测试结果的计算。
(2)在符合国际电信联盟发布的主观测试标准的实验室环境中,序列播放模块将图像对中的两个图像同时显示在显示器上。可执行预处理统一图像大小。采用随机顺序播放图像对,每组图像对要求观察员在不多于3s内进行优劣判断,每位观察员的评分时间不多于半小时。
评价人员对待测图像对中的两张图像质量高低进行标记,给出图像对的对测评标签。对于图像对(I1,I2),如果主观上图像I1质量优于I2,则对测评标签l1,2设置为+1,下标1,2分别表示为图像1,图像2,同时l2,1=-1;如果主观上图像I2质量优于I1,赋值l1,2=-1,l2,1=+1,另外,图像质量不易区分时,可以不标记对测评标签,此时图像对(I1,I2)的对测评标签记录为l1,2和l2,1均为0。
步骤三:保存评价人员的个人信息和图像对测评标签结果数据,根据对测评标签对所有图像进行排序。并计算标签分数与百分制分数,计算方法如下:
对于图像i,通过将图像i与其他图像j所获得的所有图像对的对测评标签li,j,i≠j累加计算出图像i标签分数Si:
根据所有图像对的对测评标签,可以生成300张图像各自的标签分数Si,每张图像的标签分数均落在[-299,299]区间,当前图像集合涵盖了所有测试可能的图像质量范围,从最好到最差。总标签和299对应最好的质量值,-299对应最差的质量值。
根据线性映射计算图像i的百分制质量得分Sip:
最后,得到水下图像数据集合中所有图像质量的主观得分,主观质量得分越高表示该图像质量越好。
实施例2,对测评标签图像质量主观评价方法与单刺激图像质量主观评价方法的对比实验。
由于水下图像没有原始图像,双激励法显然并不适用,而成对比较法是对来自于同一原材料的两个失真对象进行比较打分,与本发明的目的不符。我们将比较对象确定为单激励连续图像质量评价方法(SSCQE)。实验室环境的搭建和观察员的选择保持和对测评标签图像质量主观评价方法的设置一致,运用单激励主观图像质量评价法对300张水下图像进行5级制评分测试。实验开始前的培训以及“模拟演示”都参照本发明所介绍的步骤,以确保不存在其他因素对两种方法比较的干扰。300张水下图像被分成了6组,每组50张,分批进行测试,以防止观察员疲劳。图像播放采用随机顺序。要求观察员在不多于3s左右的时间给每个图像按照1-5分制进行打分。对测评标签方法和单刺激方法的平均图像质量主观成绩(Mean Opinion Sore,MOS)值对比如附图6所示。
由附图6可见对测评标签图像质量主观评测法和单激励方法的图像质量主观评价值有近乎相同的变化曲线,相关度达到了0.95,但是,如附图7-10的四张图像,通过单次刺激评估,四张图像的质量得分均为4分,尽管我们仍然可以看出它们之间的质量差异。对测评标签图像质量主观评价方法得到的分数体现了在评分中区分这些细微差别的能力。
实施例5,通过分析在水池中拍摄的24色色卡(21.59×27.94cm)图像的质量,讨论对测评标签图像质量主观评价方法获得图像质量得分的准确性。
图像拍摄所在水池长2.53米,宽1.02米,高1.03米,拍摄目标为爱色丽标准24色色卡,如附图11所示。这些图像是用OTI-UWC-325/P/E彩色相机拍摄。在94.5cm透明度水体和自然照明条件下获得水下图像(960×576),所拍摄的照片是随相机距离增加而退化程度增加的水下图像。
Imatest是一款被广泛应用的图像评测软件,包含了SFR、Colorcheck、Stepchart等模块。本实施例中对所拍摄的三张不同距离下24色色卡图像(见图12、图13、图14)质量的主观测试和软件测试得分数据如表1所示。在相同拍摄条件不同拍摄距离下随着距离的增长图像质量不断下降,对测评标签图像质量主观评价法得出的标签得分/百分制得分较为准确的展现的这一点,而单刺激法的测试结果中有两幅质量相差明显的图像得到了相同的分数,说明了对测评标签图像质量主观评价方法比单刺激5级制打分更能反映图片质量的细微变化。
CIE1976L*a*b*色空间(CIE LAB色空间),是1976年由国际照明学会(CIE)推荐的均匀色空间。该空间是三维直角坐标***。是目前广泛采用的测色***。以明度L*和色度坐标a*、b*来表示颜色在色空间中的位置。在表1中,Meancamera chroma(saturation)是相机颜色的平均色度除以理想的Colorchecker颜色的平均色度,以百分比表示。一般在100%到120%之间。
Meancamera chroma(saturation)=100%×mean((a*2+b*2)1/2)/mean((a*ideal2+b*ideal2)1/2) (4)
这个数值的含义是测试色卡图像上24种颜色的表现色彩与色卡标准颜色的差异,图像表现色彩和原始色彩相差越大,这个数值就越大。ΔC*abuncorr、ΔC*abchroma corr和ΔE*ab是与设备无关的CIElab颜色空间中的颜色误差度量,通过测量它们之间的欧几里德距离来说明所感知的颜色之间的差异。ΔC*abuncorr和ΔC*abchroma corr只计算颜色,其中:
ΔC*abuncorr=(Δa*)2+(Δb*)2)1/2 (5)
chroma corr是指在进行比较之前,将相机的mean chroma调整为与参考值相同,它表示如果mean chroma与参考值相同,颜色的准确度。
ΔE*ab=((ΔL*)2+(Δa*)2+(Δb*)2)1/2 (6)
通过将对测评标签图像质量主观评价方法的主观分数与软件输出数据进行比较,可以看出测试图像的真实质量与对测评标签图像质量主观评价的MOS值呈线性关系。这证明了所提出的发明方法的准确性。
表1 24色色卡图像的MOS和软件输出分数
实施例3,检验通过对测评标签图像质量主观评价方法方式所获得退化图像序列的质量得分的准确性。
实验图像是按照同区域同角度不同浊度拍摄的退化图像序列,类似的图像在本实施例中300张图像中按照不同的拍摄内容一共有四组,每组的得分分别绘制在图15-18中。图像编号越大,表示图像拍摄时水的浊度越低。通过对测评标签图像质量主观评价方法获得的MOS与图像编号之间的PLCC,SROCC和KROCC在表2中列出。由于是自动抽样选择,每个序列中的图像数量不同。
表2 MOS值和图像编号之间的相关性
结果表明,所提出的对测评标签图像质量主观评价的结果与水的浊度呈线性关系,准确地反映了图像的真实质量水平。图16和17所示组中存在明显的异常值,组二的KROCC值最低,图19突出显示了组二中的两个离群值图像。如图19所示,两个相邻图像之间的差别是非常模糊的。且组二中选定的图像在质量分布上更加集中。组四最接近线性,如图18所示。推断:(1)组四的图像比组二的图像色彩更丰富,(2)在组四中随机选取的图像质量呈梯度分布更为明显,不存在具有相似图像质量的连续图像。
Claims (4)
1.一种基于对测评标签的图像质量主观评价方法,其特征在于:采用基于彩色图像质量度量的预筛选方法将待测图像数据组成图像对的测评方式,组织评价人员对相对质量进行标记,生成对测评标签,对标签进行处理得到主观图像质量;其具体步骤如下:
步骤一,确定评价人员、评分标准和观察条件,预筛选优先测试序列;
(1)确定评价人员
(2)确定评分标准
评价人员对待测图像对中的两张图像质量高低进行标记,给出该两张图像组成的图像对的对测评标签;对于图像对(I1,I2),当I1在主观上质量优于I2时,则对应的对测评标签l1,2设置为+1,下标1,2分别表示为图像1,图像2,同时l2,1=-1;当I2主观上质量优于I1时,赋值l1,2=-1,l2,1=+1;另外,当图像质量不易区分时,可以不标记对测评标签,此时图像对(I1,I2)的对测评标签记录为l1,2和l2,1均等于0;
(3)确定观察条件
布置主观测评环境,以获得最可信的数据;主观实验的测试环境为距离屏幕0.55米-0.65米;最大观察角度<30°;显示屏上待测图像不被遮挡;
(4)基于彩色图像质量度量的预筛选,待测图像集合中共N幅图像,预选出300张图像生成优先测试序列;
选取彩色图像亮度对比度、色调方差、饱和度均值这三个指标作为优先测试序列的选择标准;对于待测图像集合中的N幅图像,计算每张图像的三种指标直方图,三种指标直方图划分十个小区间,不同区间上随机选取10张图像;
步骤二:对于选定的优先测试序列,利用对测评标签主观评价***进行测试,评价人员对待测图像对中的两张图像质量高低进行标记,给出图像对的对测评标签;
步骤三:保存评价人员的个人信息和图像对测评标签标记结果数据,根据对测评标签对所有图像进行排序;并计算标签分数与百分制分数,计算方法如下:
(1)计算图像标签分数
对于图像i,通过将图像i与其他图像j所获得的所有图像对的对测评标签li,j,i≠j累加计算出图像i标签分数Si:
根据所有图像对的对测评标签,生成N张图像各自的标签分数,每张图像的标签分数均落在[-N+1,N-1]区间;假设当前图像集合涵盖了所有测试可能的图像质量范围,从最好到最差;总标签和N-1对应最好的质量值,-N+1对应最差的质量值;
(2)计算图像对应百分制分数
根据线性映射计算图像i的百分制质量得分Sip:
最后,得到测试图像数据集合中所有图像的主观质量得分,主观质量得分越高表示该图像质量越好。
2.根据权利要求1所述的一种基于对测评标签的图像质量主观评价方法,其特征在于:步骤二中,利用对测评标签图像质量主观评价***进行的测试以图像对为单位,按随机生成的顺序进行;评价人员每对一组图像对做出质量标记后,自动切换下一组图像对继续测试;具体方法如下:
(1)录入评价人员信息;
(2)进入演示和介绍界面;
(3)载入测试序列;
(4)图像对以等大小的方式同时显示在屏幕上;
(5)评价人员进行图像对的质量高低标记,若无法判断出两张图像的相对质量的好坏,则应选择无法判断按钮并进行下一组测试;
(6)完成所有图像对评价打分。
3.根据权利要求1或2所述的一种基于对测评标签的图像质量主观评价方法,其特征在于:允许待测图像对具有不同的图像内容,不必区分失真类型和水平,以及可以具有不同的大小。
4.根据权利要求1或2所述的一种基于对测评标签的图像质量主观评价方法,其特征在于:采用三级制质量标签评价,对质量相似的图像不要求评价,以及利用所获得的所有对测评标签计算图像质量得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020772.4A CN109714591B (zh) | 2019-01-09 | 2019-01-09 | 基于对测评标签的图像质量主观评价方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020772.4A CN109714591B (zh) | 2019-01-09 | 2019-01-09 | 基于对测评标签的图像质量主观评价方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109714591A CN109714591A (zh) | 2019-05-03 |
CN109714591B true CN109714591B (zh) | 2020-08-25 |
Family
ID=66260981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910020772.4A Active CN109714591B (zh) | 2019-01-09 | 2019-01-09 | 基于对测评标签的图像质量主观评价方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109714591B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473182A (zh) * | 2019-10-08 | 2019-11-19 | 中国人民解放军61646部队 | 一种面向可见光全链路仿真图像的主观评价处理方法、装置、电子设备和介质 |
CN111179238B (zh) * | 2019-12-24 | 2022-12-20 | 东华大学 | 面向水下图像集指导一致性增强评价的子集置信比例动态选取方法 |
CN111556192B (zh) * | 2020-03-24 | 2021-05-14 | 上海交通大学 | 手机照片拖动比较排序方法及*** |
CN112950567A (zh) * | 2021-02-25 | 2021-06-11 | 北京金山云网络技术有限公司 | 质量评价方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080029371A (ko) * | 2006-09-29 | 2008-04-03 | 광운대학교 산학협력단 | 영상 화질 평가 시스템 및 방법 |
CN103458267B (zh) * | 2013-09-04 | 2016-07-06 | 中国传媒大学 | 一种视频图像质量主观评价方法及*** |
CN103632369B (zh) * | 2013-12-05 | 2016-02-03 | 淮海工学院 | 块平均清晰度组合无参考水下图像通用性质量检测方法 |
-
2019
- 2019-01-09 CN CN201910020772.4A patent/CN109714591B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109714591A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109714591B (zh) | 基于对测评标签的图像质量主观评价方法及*** | |
Yang et al. | An underwater color image quality evaluation metric | |
Chadwick et al. | The perception of gloss: A review | |
Yee et al. | A perceptual metric for production testing | |
CN101207832A (zh) | 数码相机色彩还原的检测方法 | |
JP6473401B2 (ja) | 肌の光沢評価装置、光沢評価方法および光沢評価プログラム | |
Corney et al. | The brightness of colour | |
Nagai et al. | Temporal properties of material categorization and material rating: visual vs non-visual material features | |
CN109741285A (zh) | 一种水下图像数据集的构建方法及*** | |
Barkowsky et al. | On the perceptual similarity of realistic looking tone mapped high dynamic range images | |
Te Pas et al. | Perception of object illumination depends on highlights and shadows, not shading | |
Witzel et al. | Why bananas look yellow: The dominant hue of object colours | |
Bringier et al. | No-reference perceptual quality assessment of colour image | |
Kim et al. | Perceptual crosstalk prediction on autostereoscopic 3D display | |
Tsuda et al. | Constancy of visual working memory of glossiness under real-world illuminations | |
Vlasuyk et al. | Synthesis of the Perceptionally Linear Color Space Using Machine Learning Methods | |
Khandual et al. | Colorimetric processing of digital colour image! | |
Bernardo et al. | A study on the user perception to color variations | |
Tong et al. | Testing color dif ference evaluation methods for color digital images | |
Dolhasz et al. | Measuring observer response to object-scene disparity in composites | |
Funt et al. | Metamer mismatching underlies color difference sensitivity | |
Cook et al. | 85‐4: a subpixel‐based objective image quality metric with application to visually lossless image compression evaluation | |
Li et al. | On the limits of perceptual quality measures for enhanced underwater images | |
Morovič et al. | The perceptibility of color differences in continuous transitions | |
Morimoto et al. | Color and gloss constancy under diverse lighting environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |