基于結構補償的圖像質量評價方法
【專利摘要】本發明公開一種基于結構補償的圖像質量評價方法，該方法通過定義的模糊度來分辨出不同種類的圖像失真類型，來補償結構相似性模型無法根據不同種類失真圖像的情況做出相應反饋的不足。根據在現有的LIVE數據庫以及TID2008數據庫上的測試結果來看，本發明大幅度提升了結構相似性模型的準確性，并且優于大部分主流全參考圖像質量評價方法。此外，本發明中的結構補償方法同時可以作為快速高效的圖像失真類型分辨來單獨使用，并且兼具了計算復雜度低，執行效率高的特點。
【專利說明】基于結構補償的圖像質量評價方法
【技術領域】
[0001] 本發明涉及的是一種圖像質量評價領域，具體是一種基于結構補償（Structure Compensation)的結構相似性模型（SSM)的全參考圖像質量評價方法（SC-SSM)。
【背景技術】
[0002] 隨著諸如圖像視頻壓縮、存儲以及傳輸技術在多媒體領域的廣泛應用，對于高效 的圖像質量評價技術的需求也在高速增長。現有的圖像質量評價方法主要分為主觀與客觀 兩種。其中主觀評價方法應當是最為貼近真實的，但是代價非常昂貴，同時十分浪費時間， 并且這種主觀評價方式在實時圖像處理系統中是無法應用的。而對于客觀質量評價，均方 差（Mean-Squared Error)以及峰值信噪比（Peak Signal-to-Noise Ratio)這兩種評價方 法在當前有著非常廣泛的應用，然而這兩種方法并不能非常準確的與人們的主觀評價結果 相匹配。
[0003] 考慮到這種狀況，Z. Wang 等人在 2004 年《IEEE Transaction on Image Processing))上發表了"Image quality assessment:From error visibility to structural similarity",充分考慮到人類視覺認知系統，提出了一種全新的基于圖像結 構信息的客觀圖像質量評價方法，即結構相似指數（SSIM)。Z. Wang因此論文獲得IEEE Signal Processing Society Best Paper Award。隨后，大量的基于結構相似指數的改進方 法紛紛涌現。例如，Z. Wang 等人又在 2011 年《IEEE Transaction on Image Processing》 發表的論文"Information content weighting for perceptual image quality assessment",提出基于信息內容加權的結構相似指數（IW-SSIM)等。此外，還有一些基于 人類視覺認知系統的模型陸續提出，比如H. R. Sheikh等人在2006年《IEEE Transaction on Image Processing》發表的論文"Image information and visual quality ",提出視覺 信息保真度模型（VIF)等。然而，這些質量評價方式并沒有考慮到對不同失真類型來進行 相對的反饋。這促使我們去設計一種新的客觀質量評價方法，將不同失真類型的不同反饋 融入其中，從而提高客觀圖像質量評價的準確度。
【發明內容】
[0004] 針對現有技術的不足，本發明提供一種基于結構補償的圖像質量評價方法，在本 發明之中，通過定義的模糊度分辨出不同種類的圖像失真類型，來補償結構相似性模型無 法根據不同種類失真圖像的情況做出相應反饋的不足。
[0005] 本發明是通過以下技術方案實現的，本發明包括以下步驟：
[0006] 第一步、確定參考圖X與失真圖Y的結構相似指數SSM(X，Y);
[0007] 第二步、確定參考圖X與參考圖X經過高斯低通濾波后的圖像μ x的結構相似指 數，將結果定義為參考圖X的模糊度AMB (X);
[0008] 第三步、確定失真圖Y與失真圖Y經過高斯低通濾波后的圖像μ γ的結構相似指 數，結果為失真圖Υ的模糊度AMB (Υ);
[0009] 第四步、確定參考圖X的模糊度AMB⑴與失真圖Y的模糊度AMB⑴之差，將結果 定義為參考圖X與失真圖Y的結構補償SC(X，Y);
[0010] 第五步、將參考圖X與失真圖Y的結構相似指數SSIM(X，Y)與參考圖X與失真 圖Y的結構補償sc(x，Y)進行非線性組合，結果即為基于結構補償的結構相似性指數 SC-SSIM(X, Y)；
[0011] 第六步、根據視頻質量專家組VQEG的推薦，對SC-SSIM(X，Y)進行邏輯回歸，得到 新的質量指數SC-SSIM，該值越大則預測圖像質量越好，值越小則預測圖像質量越差。
[0012] 本發明的原理是，不同種類失真的圖像與其高斯低通濾波后圖像的結構相似指數 (SSIM)有著相應的不同種類的反饋，根據這種對應關系可以確定失真圖像的失真類型可以 來定義結構補償（Structure Compensation),并與現有的結構顯示指數（SSIM)進行非線 性組合，從而得到新的指數SC-SSIM。
[0013] 與現有技術相比，本發明具有如下的有益效果：
[0014] 根據在現有的LIVE數據庫以及TID2008數據庫上的測試結果來看，本發明大幅度 提升了結構相似性模型的準確性，并且優于大部分主流全參考圖像質量評價方法。此外，本 發明第四步中獲得的結構補償同時可以作為快速高效的圖像失真類型分辨來單獨使用。值 得注意的是，本發明方法僅依賴于結構相似性指數的計算函數，而無需引入其他復雜處理， 這意味著本發明不僅顯著提升了結構相似性模型評價方法的準確度，并且兼具了計算復雜 度低，執行效率高的特點。
【專利附圖】
【附圖說明】
[0015] 通過閱讀參照以下附圖對非限制性實施例所作的詳細描述，本發明的其它特征、 目的和優點將會變得更明顯：
[0016] 圖1是本發明一實施例總體流程圖；
[0017] 圖2是本發明一實施例參考圖模糊度確定方式演示圖；
[0018] 圖3是本發明一實施例失真圖模糊度確定方式演示圖；
[0019] 圖4是本發明一實施例SC-SS頂在LIVE圖像質量數據庫上與主觀評價值DM0S比 較圖；
[0020] 圖5是本發明一實施例SC-SS頂在TID2008圖像質量數據庫上與主觀評價值M0S 比較圖。
【具體實施方式】
[0021] 下面結合具體實施例對本發明進行詳細說明。以下實施例將有助于本領域的技術 人員進一步理解本發明，但不以任何形式限制本發明。應當指出的是，對本領域的普通技術 人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進。這些都屬于本發明 的保護范圍。
[0022] 實施例：
[0023] 本實施例提供一種圖像質量評價方法，具體綜合流程圖見圖1。
[0024] 第一步、確定參考圖X與失真圖Y的結構相似指數SSM(X，Y)。具體如下：
[0025] i)分別利用下述公式計算圖像X，Y的局部統計平均μ χ、μ y，標準差σ χ、〇 y以及 相關系數σxy :
【權利要求】
1. 一種基于結構補償的圖像質量評價方法，其特征在于包括以下步驟： 第一步、確定參考圖X與失真圖Y的結構相似指數SSIM(X，Y); 第二步、確定參考圖X與參考圖X經過高斯低通濾波后的圖像μ x的結構相似指數，將 結果定義為參考圖X的模糊度AMB(X); 第三步、確定失真圖Y與失真圖Y經過高斯低通濾波后的圖像μ γ的結構相似指數，結 果為失真圖Υ的模糊度ΑΜΒ (Υ); 第四步、確定參考圖X的模糊度ΑΜΒ(Χ)與失真圖Υ的模糊度ΑΜΒ(Υ)之差，將結果定義 為參考圖X與失真圖Υ的結構補償SC(X，Υ); 第五步、將參考圖X與失真圖Y的結構相似指數SSIM(X，Y)與參考圖X與失真圖Y的 結構補償SC(X，Y)進行非線性組合，結果即為基于結構補償的結構相似性指數SC-SSIM(X， Y); 第六步、根據視頻質量專家組VQEG的推薦，對SC-SSIM(X，Y)進行邏輯回歸，得到新的 質量指數SC-SSIM，該值越大則預測圖像質量越好，值越小則預測圖像質量越差。
2. 根據權利要求1所述的基于結構補償的圖像質量評價方法，其特征是，所述第一步， 具體實現如下： i) 分別利用下述公式計算圖像X，γ的局部統計平均μ χ、μ y，標準差σ x、〇 y以及相關 系數σ xy :
其中N為圖像被窗口切分的數量，高斯權重窗口 ω = = 1，2, 3,…，N}，每個窗 口大小11*11，標準差為1. 5并且進行了歸一化處理； ii) 分別計算圖像X，Y的亮度1 (X，y)、對比度c (X，y)以及結構相似度s (X，y):
其中 Q = 〇(山)2, C2 = (K2L)2, C3 = Q/2, & = 0· 01，K2 = 0· 03, L 為灰階深度； iii)計算出圖像X、Y的結構相似指數：
其中Xi，yi分別為參考圖X、失真圖Υ在第i個窗口的圖像內容。
3. 根據權利要求2所述的基于結構補償的圖像質量評價方法，其特征是，所述第二步 中，參考圖X模糊度AMB(X): AMB(X) = SSIM(X, μ χ) 其中SSIM( ·)的計算方式與權利要求2中的相同。
4. 根據權利要求2所述的基于結構補償的圖像質量評價方法，其特征是，所述第三步 中，失真圖Y模糊度AMB⑴： AMB(Y) = SSIM(Y, μγ) 其中SSIM( ·)的計算方式與權利要求2中的相同。
5. 根據權利要求1-4任一項所述的基于結構補償的圖像質量評價方法，其特征是，所 述第四步中，參考圖X與失真圖Y的結構補償SC(X，Y) : SC(X, Y) = AMB(X) - AMB(Y) 〇
6. 根據權利要求1-4任一項所述的基于結構補償的圖像質量評價方法，其特征是，所 述第五步，具體實現如下： 所述的結構相似指數SSIM(X，Y)與結構補償SC(X，Y)的非線性組合：
其中α、β、Yl、￥2和Y3是模型的參數，在圖像數據庫上訓練得到：其中α =-2. 8386, β = 1. 5043, γ i = 4. 8668, γ 2 = 1. 4292, γ 3 = 2. 1988。
7. 根據權利要求1-4任一項所述的基于結構補償的圖像質量評價方法，其特征是，所 述第六步，具體實現如下： 所沭的圖像質量專家纟目VQEG椎薦的邏輯回歸方法：
其中 β 丨至 β 4 由擬合時確定，β 丨=-25876, β 2 = 105. 2060, β 3 = 3. 0684，β 4 = 0. 3676 ； χ即為SC_SSIM(X，Υ)，q(x)為最終的圖像質量評價指標SC-SSIM。
【文檔編號】G06T7/00GK104123723SQ201410323907
【公開日】2014年10月29日 申請日期:2014年7月8日 優先權日:2014年7月8日
【發明者】顧錁, 翟廣濤, 許祺, 楊小康 申請人:上海交通大學