基于全变分模型的视觉感知图像质量评价方法

格式：pdf
大小：715.75 KB
文档页数：5

下载文档原格式

/ 5

基于计算机视觉的影像质量评价与改善

基于计算机视觉的影像质量评价与改善影像质量是衡量图像或视频准确度和清晰度的重要指标。

基于计算机视觉的影像质量评价和改善是一项重要的研究领域，它涉及到从视觉感知角度对图像或视频进行客观和主观的质量评估，并通过图像处理技术对低质量影像进行改善。

本文将探讨基于计算机视觉的影像质量评价与改善的方法、挑战以及未来的发展潜力。

在计算机视觉领域，影像质量评价（Image Quality Assessment，简称IQA）是一种定量化测量影像质量的方法。

常见的IQA方法可以分为全参考（Full Reference），准参考（Reduced Reference）和无参考（No Reference）三类。

全参考方法需要利用原始图像作为参考，通过比较原始图像与待评价图像之间的差异来评估影像质量。

准参考方法则利用预先提取的特征或模型来评估影像质量。

无参考方法则在没有参考图像的情况下，仅仅使用待评价图像本身的信息来进行评估。

全参考方法以图像间的差异度量为基础，常用的度量指标包括结构相似度（Structural Similarity，简称SSIM）、峰值信噪比（Peak Signal-to-Noise Ratio，简称PSNR）等。

准参考方法则结合了图像的特征和参考图像之间的距离计算来评估影像质量。

无参考方法根据图像的特征，如图像清晰度、对比度、亮度等指标，通过训练机器学习模型来评估影像质量。

然而，影像质量评价在实际应用中仍然面临一些挑战。

首先，人眼的感知对于影像质量评价至关重要，但人眼的感知是主观的，并且在不同的环境下会有所不同。

因此，如何准确地模拟和预测人眼感知的主观评价仍然是一个难题。

其次，影像质量评价方法需要建立适合不同类型图像的模型，而这些模型的训练需要大量的标记数据和计算资源。

此外，随着图像和视频技术的不断发展，例如高动态范围图像（High Dynamic Range Image，简称HDR）和全景图（Panorama）等新兴格式的出现，如何适应这些新的图像类型也是一个挑战。

基于人眼视觉特性的深度学习全参考图像质量评价方法

human visual properties
收稿日期院2018-04-10曰修订日期院2018-05-20 基金项目院装发部共用技术项目(Y6K4250401) 作者简介院姚旺(1994-)袁女袁硕士生袁主要从事图像质量评估方面的研究遥 Email: yaowang@ 导师简介院刘云鹏(1980-)袁男袁研究员袁博士袁主要图像处理尧模式识别方面的研究遥 Email: ypliu@
0703004-1
第7期
红外与激光工程
第 47 卷
0引言
图像在获取尧传输尧压缩等过程中易受到不同程度的失真袁导致图像质量的下降袁而图像质量的优劣将直接影响人与计算机获取信息的能力袁因此开发一种对图像质量进行测量和量化的系统有重要应用价值遥客观图像质量评价是通过模拟人眼视觉系统来衡量图像质量优劣的方法袁一般根据在评价过程中对参考图像的依赖程度分为全参考尧部分参考与无参考遥全参考图像质量评价可以根据参考图像与失真图像之间的差异来量化视觉敏感度袁从而使其能够与人类视觉系统有很好一致性袁因此袁文中采用全参考图像质量评价方法遥
3. Key Laboratory of Opto-Electronic Information Processing, Chinese Academy of Sciences, Shenyang 110016, China; 4. State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China)
Abstract: Since the current image quality assessment methods are generally based on hand -crafted features, it is difficult to automatically and effectively extract image features that conform to the human visual system. Inspired by human visual characteristics, a new method of full -reference image quality assessment was proposed by this paper which was based on convolutional neural network (DeepFR). According to this method, the DeepFR model of convolutional neural network was designed which was based on the understanding of the dataset by itself using the human visual system to weight the sensitivity of the gradient, and the visual gradient perception map was extracted that was consistent with human visual characteristics. The experimental results show that the DeepFR model is superior to the current full -reference image quality assessment methods, its prediction score and subjective quality evaluation have good accuracy and consistency. Key words: image quality assessment; full -reference; deep learning; convolutional neural network;

基于视觉分割图的图像质量评价方法

基于视觉分割图的图像质量评价方法作者：薛祥飞桂小玲来源：《电脑知识与技术》2012年第07期摘要：图像质量评价是图像处理领域的研究热点之一，传统的图像质量评价方法通常从图像的整体出发，没有充分考虑到人眼视觉对图像的感知过程，往往造成质量评价的结果与人眼视觉机制的感知质量不符。

该文利用Itti人类视觉注意模型，得到图像的显著点，再利用分割算法得到分割图以及分割区域的权值对图像进行质量评价计算，在LIVE图像库上的实验结果表明，该文的方法的评价结果相比于MSE(Mean Square Error)，PSNR(Peak Signal Noise Ratio)方法与图像的主观评价（由DMOS值表示）结果更一致。

关键词：图像质量评价；视觉注意模型；分割图；MSE；PSNR中图分类号：TP391文献标识码：A文章编号：1009-3044(2012)07-1601-03Image Quality Assessment Based on Visual Segmentation MapXUE Xiang-fei, GUI Xiao-lin(Department of Computer Science, Xiamen University, Xiamen 361005, China)Abstract: Image quality assessment is one of hot research fields of image processing. The traditional method of image quality assessment starts from the overall image, which does not fully take the process of image visual perception into account. And it always causes the evaluation result of the conventional algorithms does not match the ones of human vision. In this paper, the Itti human visual attention model is taken to get the image salient points, then use the segmentation map which getting from some segmentation algorithms, and use the right value of segmented region to calculate the image quality assessment. The experiment in LIVE image database show that, the method given by this paper is closer to image subjective evaluation presented by DMOS value, than the MSE (Mean Square Error) and PSNR (Peak Signal Noise Ratio).Key words: image quality assessment; visual attention model; segmentation map; MSE; PSNR 1概述当前，图像质量的评价方法[1]大致分为三类：第一类是传统的客观评价方法，代表性的有均方误差(Mean Square Error，MSE)、峰值信噪比(Peak Signal Noise Ratio，PSNR)等；第二类是主观评价方法，如主观质量评分(Mean Opinion Score，MOS)和视频质量专家组(VQEG)；第三类是基于人眼视觉特性的图像质量评价方法，也是近几年备受关注的研究热点。

图像质量评价综述

基于小波的图象质量评价方法
该方法通常首先采用小波多分辨分析和 Mallat 快速算法，将原始图像分解成近似图像和细节图像，它们分别代表了图像的不同结构。然后通过在各层的特征域上进行有针对性的融合。由于这样比较容易提取原始图像的结构信息和细节信息，所以融合效果较好。此外，由于小波变换具有完善重建能力，故保证了信号在分解重建过程中没有信息损失和信息冗余产生。
2) 基于 Wavelet 域统计模型的方法不仅具有很好的通用性，也广泛地适用于多种失真类型。
3) 基于数字水印方法是由基于小波数字水印的图像质量评价方法。
5.无参考评价方法
无参考评价方法不需要原始图像的任何信息，直接对失真图像进行质量评价。无参考评价方法难点在于：图像特征难以定义和提取，人眼感知难以模型化表示。其优点是不需要传输原始图像，就能对失真图像进行质量评价。极大地减少了信息传输量。无参考评价方法一般都是基于图像统计特性，本质上更侧重于反映用户群的主观质量偏好。
能,分层次、多指标组合将是质量评价建模的一个方向；（5）矢量图像的质量评价研究；（6）面向机器视觉图像质量评价自动化技术研究。（7）评价3D 图像质量。
3.3基于人类视觉系统以及与其他算法结合
图像的信宿是人，最终接收图像的是具有对光刺激产生感觉的人眼视觉系统HVS，因此合理评价图像质量的方法应充分遵循人眼的视觉特性
HVS模型
4.部分参考图像评价方法
部分参考评价方法仅利用原始图像的部分信息来估计失真图像的视觉感知质量。部分参考评价方法的优点是在减小传输数据量的基础上，获得了较好的评价效果。缺点是算法对提取的特征非常敏感。
图像质量评价综述
1.什么是图像质量评价

【CN110120034A】一种与视觉感知相关的图像质量评价方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910304345.9(22)申请日 2019.04.16(71)申请人西安理工大学地址 710048 陕西省西安市碑林区金花南路5号(72)发明人郑元林　于淼淼　廖开阳　唐梽森　赵金娟　邓轩　刘腾　(74)专利代理机构西安弘理专利事务所 61214代理人燕肇琪(51)Int.Cl.G06T 7/00(2017.01)G06K 9/62(2006.01)G06T 7/90(2017.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种与视觉感知相关的图像质量评价方法(57)摘要本发明公开了一种与视觉感知相关的图像质量评价方法；具体步骤为：建立IQA模型，首先对IQA数据库中所有参考图像和失真图像进行颜色空间转变，然后提取图像多种特征，经相似性计算和池化策略后，为每幅失真图像生成14-D特征向量，再结合主观得分MOS值，利用RF回归工具训练质量评价模型；回归预测，将待评价的失真图像及其对应参考图像分别经过特征提取，再计算特征相似性，经池化策略后，将生成的14-D特征向量输入到训练好的RF回归模型中，模型的输出值即为对该失真图像质量的精确预测；本发明实现与人眼主观感知判断的高度相关性，并在模型运算复杂度和预测精度上实现了很好的平衡的效果。

权利要求书4页说明书12页附图1页CN 110120034 A 2019.08.13C N 110120034A1.一种与视觉感知相关的图像质量评价方法，其特征在于，具体按照以下步骤实施：步骤1、将IQA数据库中所有参考图像和失真图像由RGB颜色空间转换到YIQ颜色空间中，将图像亮度通道Y与两个色度通道I和Q进行分离，得到亮度通道Y的亮度特征，以及I和Q 色度通道的两个色度特征；步骤2、分别在亮度通道Y中提取参考图像和失真图像的梯度特征，并计算两个梯度特征的相似性，得到梯度相似性特征；分别在亮度通道Y中提取参考图像和失真图像的对比敏感度特征，并计算两个对比敏感度特征的相似性，得到对比敏感度相似性特征；计算参考图像和失真图像在I和Q两个色度通道的色度相似性特征；步骤3、采用高斯差分DOG模型在亮度通道Y中分别对参考图像和失真图像进行5个等级的频带分解，得到5个频带相似性特征；步骤4、通过池化策略，提取梯度相似性特征的平均值、标准偏差及熵，提取对比敏感度相似性特征的平均值、标准偏差及熵，以及色度相似性特征的平均值、标准偏差及熵，再与5个频带相似性特征进行多特征融合，从而为每幅失真图像生成一个表征其失真程度的14-D 特征向量；步骤5、将IQA数据库中所有失真图像生成的14-D特征向量及其对应的主观平均得分MOS值一同输入到随机森林RF中训练回归模型；步骤6、将待评价的失真图像及其对应的参考图像分别经过步骤1到步骤4，得到代表失真图像质量的14-D特征向量，输入到训练好的RF回归模型中，输出结果即为模型预测的待评价图像的质量分数。

基于人类视觉系统的图像质量评价研究

基于人类视觉系统的图像质量评价研究随着数字图像处理技术的发展和应用，图像质量评价问题愈发突显。

人类视觉系统是完成图像质量评价的重要因素，而基于人类视觉系统的图像质量评价研究因此得以开展。

一、人类视觉系统与图像质量评价人类视觉系统是评价图像质量的最终判断因素。

在进行图像质量评价时，需要针对人类视觉系统的特性进行考虑。

这包括色彩感知、对比度感知、清晰度感知、视觉疲劳等多个方面。

1. 色彩感知色彩感知是人类视觉系统的基本特性之一，也是图像质量评价中重要的考量因素。

色彩感知受到光强度、光谱分布等多个因素的影响，同时也存在个体差异。

2. 对比度感知对比度感知是指人类视觉系统对图像中亮度差异的感知能力。

对比度感知存在最小可辨认度，即人类视觉系统在一定条件下能够感知的最小亮度差异。

此外，对比度感知还会随着观察距离的变化而受到影响。

3. 清晰度感知清晰度感知是指人类视觉系统对图像中细节清晰程度的感知能力。

清晰度感知会受到多种因素的影响，如拍摄设备的分辨率、图像压缩等。

4. 视觉疲劳视觉疲劳是指人类视觉系统长时间接受同一刺激后出现的疲劳现象，也是图像质量评价中需要考虑的因素之一。

二、基于人类视觉系统的图像质量评价指标基于人类视觉系统的图像质量评价指标主要包括主观评价和客观评价两种。

1. 主观评价主观评价是指由人类参与，对图像质量进行的评价方式。

主观评价可以通过询问或者评分来获得。

常见的主观评价指标包括：(1) 顺应度：用于评价图像的自然程度和真实感。

(2) 锐度：评价图像的清晰度和细节表现。

(3) 对比度：评价图像中亮度和暗度之间的差异，以及图像的明暗效果。

2. 客观评价客观评价是指通过计算机算法等自动化方式，对图像质量进行的评价方式。

客观评价可以通过计算图像的特定指标来获得。

常见的客观评价指标包括：(1) 峰值信噪比（PSNR）：是指信号与噪声的比值，用于评价加入噪声后信号的失真情况。

(2) 结构相似性（SSIM）：评价在颜色、亮度、对比度等方面，图像与参考图像之间的相似程度。

主客观一致的图像感知质量评价方法

主客观一致的图像感知质量评价方法
2023-11-10
• 引言 • 图像质量评价模型 • 图像质量评价实验 • 图像质量评价模型优化 • 结论与展望
01
引言
研究背景与意义
1
随着数字图像技术的快速发展，图像质量评价在诸多领域具有广泛的应用价值，如电子商务、社交媒体、遥感监测等。
2
然而，现有的图像质量评价方法往往基于客观指标，难以与人类视觉系统对图像的感知一致。
统计分析
对客观和主观评价结果进行统计分析，如计算相关系数、回归分析等，以评估两者的一致性。
01
可视化分析
将客观和主观评价结果以图表的形式进行可视化展示，以更直观地评估两者的一致性。
02
03
模型优化
根据主客观一致性分析结果，对图像质量评价模型进行优化和调整，以提高其评价结果的准确性和可靠性。
Human Vision System
人类视觉系统评价方法是一种主观评价方法，通过人类观察者对图像质量进行评价，通常采用评分或排序的方式。
实验结果与分析
要点一
PSNR和SSIM的结果分析
PSNR和SSIM的结果表明，基于深度学习的图像超分辨率模型在客观评价上取得了较好的性能。然而，这些客观评价方法并不能完全反映人类的视觉感知。
3
因此，研究主客观一致的图像感知质量评价方法具有重要的理论和应用价值。
研究现状与问题
现有的图像质量评价方法主要分为两类：主观评价方法和客观评价方法。
主观评价方法依赖于人的视觉判断，具有较高的评价精度，但受限于人力、时间成本等因素，难以在实际应用中大规模使用。
客观评价方法则基于图像的数学特征和物理参数进行评价，具有快速、便捷的优点，但往往与人的视觉感知不一致。

基于视觉感知特性的红外图像质量评价方法

Ａｂｓｔｒａｃｔ：Ａｎｉｎｆｒａｒｅｄｉｍａｇｅｑｕａｌｉｔｙｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｉｓｐｒｏｐｏｓｅｄａｃｃｏｒｄ —
ｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓ，ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｉｎｂｅｔｔｅｒｃｏｎｓｉｓｔｅｎｃｙｗｉｔｈｈｕｍａｎｓｕｂｊｅｃｔｉｖｅｐｅｒｃｅｐｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎ；ｑｕａｌｉｔｙａｓｓｅｓｓｍｅｎｔｏｆｉｎｒａｆｒｅｄｉｍａｇｅ；ｖｉｓｕａｌａｔｔｅｎｔｉｏｎ
ｉｎｇｔｏｉｎｒａｆｒｅｄｉｍａｇｉｎｇｆｅａｔｕｒｅｓ．Ｔｈｅｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｓｔｒｕｃｔｕｒａｌｉｎｆｏｒｍａｔｉｏｎｏｆｉｎｆｒａｒｅｄｉｍａｇｅａｒｅ
第４７卷第７期２０１７年７月
激光与红外
ＬＡＳＥＲ＆ＩＮＦＲＡＲＥＤ

基于视觉感兴趣区域的图像质量评价算法研究

Although the perspective is very wide when people observe images, their concentration range is very small. They pay more attention on attention points. Compared with other regions, the distortion in this part has a very large impact on image quality. Based on the deep research on image quality assessment method and the structural similarity theory, this paper proposes a method of image quality assessment algorithm based on visual regions of interest according to the characteristics of human vision. Combining attention mechanism of human visual system, the algorithm which simulates the understanding of image region of interest obtains a method of algorithm. Combining with the existing structure similarity algorithm, this paper gets the degree of interest quality evaluation method algorithm based on the degree of interest factor is fused degree of interest of image quality in different regions. In order to obtain better effect of simulating multi-channel feature and visual sensitivity feature of human vision. The reference images and those to be tested are decomposed into different sub-band. Finally, image quality evaluation results, combining with the structural similarity and degree of interest factor based on the degree of interest in different sub-band image assessment and contrast sensitivity function pairs band image quality weighted, is obtained.

基于HVS的主客观图像质量评价方法

模型建立
基于人类视觉系统（HVS）的客观图像质量评价模型，旨在模拟人类对图像质量的感知和评判过程。
特征提取
利用图像处理技术，从原始图像中提取与人类视觉感知相关的特征，如色彩、纹理、结构等。
质量评估
根据提取的特征，结合HVS的特性，采用适当的算法对图像质量进行量化评估。
基于HVS的客观图像质量评价实验
02
HVS基本理论
HVS定义与特性
总结词
HVS（Human Visual System）指的是人类视觉系统，是用于描述人类视觉感知的模型。
详细描述
HVS是一种复杂的生理和心理过程，涉及到眼球结构、神经传导、大脑皮层处理等多个环节。它具有多种特性，包括视觉感知的加性性、视觉感知的非线性、视觉感知的掩蔽效应等。这些特性对于理解人类如何感知和解释图像信息至关重要。
研究内容概述
• 本文将介绍基于HVS的主客观图像质量评价方法的研究现状、主要挑战以及未来的研究方向。首先，我们将概述HVS的基本原理和特性，以及如何将其应用于图像质量评价。接着，我们将详细介绍几种基于HVS的主客观图像质量评价方法，包括全参考、无参考和半参考评价方法。最后，我们将讨论这些方法的优缺点、应用场景和未来的发展方向。
在不同平台和设备上对各种图像质量评价方法进行比较研究，以评估其在实际应用中的性能和可靠性。
结合深度学习技术
拓展应用领域
利用深度学习技术对图像质量进行评价，通过训练大量数据来提高评价的准确性和鲁棒性。
将基于HVS的图像质量评价方法拓展到其他领域，如视频质量评价、医学影像质量评价等，以推动相关领域的发展。
学模型，且不同算法的评估结果可能存在差异。
03

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第44卷第1期电子科技大学学报 Vol.44 No.1 2015年1月 Journal of University of Electronic Science and Technology of China Jan. 2015

基于全变分模型的视觉感知图像质量评价方法吴亚东1,2，张红英3,4 (1. 西南科技大学计算机科学与技术学院四川绵阳 621010；2. 西南科技大学核废物与环境安全国防重点学科实验室四川绵阳 621010； 3. 西南科技大学信息工程学院四川绵阳 621010；4. 西南科技大学特殊环境机器人技术四川省重点实验室四川绵阳 621010)

【摘要】基于人眼视觉系统对图像边缘结构信息和局部亮度刺激敏感的假设，该文提出了一种基于全变分模型的视觉感知图像质量评价PIQA方法。该方法由边缘结构信息评价和局部亮度信息评价两部分组成。本文首先采用全变分模型描述失真图像与原始参考图像之间的图像结构信息变化；为测量亮度失真，又采用失真图像与参考图像之间的差值图像中封闭区域的能量函数来衡量人眼敏感的图像亮度信息。最后，采用3种标准图像数据库验证该评价方法的性能。实验结果表明，所提出的图像质量评价方法优于现有的图像评价标准。关键词能量函数; 人眼视觉系统; 感知图像质量评价; 全变分中图分类号 TP394.1 文献标志码 A doi:10.3969/j.issn.1001-0548.2015.01.013

A New Perceptual Image Quality Assessment Method Based on Total Variation Model

WU Ya-dong1,2 and ZHANG Hong-ying3,4 (1. School of Computer Science and Technology, Southwest University of Science and Technology Mianyang Sichuan 621010; 2. Fundamental Science on Nuclear Wastes and Environmental Safety Laboratory, Southwest University of Science and Technology Mianyang Sichuan 621010; 3. School of Information and Engineering, Southwest University of Science and Technology Mianyang Sichuan 621010; 4. Robot Technology Used for Special Environment Key Laboratory of Sichuan Province,

Southwest University of Science and Technology Mianyang Sichuan 621010)

Abstract In this paper, based on the assumption that human visual system(HVS) is sensitive for image structures (edges) and local luminance (light stimulation), we propose a new perceptual image quality assessment (PIQA) metric based on total variation(TV) model in spatial domain. In the proposed metric, the TV’s comparison between a distorted image and its reference image is applied to measure the extent of the loss of the image structural information. As a complementary part to measure the distortion, the energy of enclosed regions in a difference image is used to measure the missing luminance information which is sensitive to human visual system. The performance of the proposed metric is validated with an extensive subjective database. The results show that the proposed metric outperforms the state-of-the-art of image quality assessment metrics. Key words energy function; HVS; PIQA; TV

收稿日期： 2014 − 02 − 25；修回日期： 2014 − 11 − 30 基金项目：国家自然科学基金(61303127)；国家科技支撑计划(2013BAH32F02，2013BAH32F03)；四川省科技厅项目(2011JQ0041, 11ZS2009)；中国科学院“西部之光”人才培养计划(13ZS0106) 作者简介：吴亚东(1979 − )，男，博士，教授，主要从事图像处理、可视化方面的研究.

图像质量评价方法在视觉处理算法中扮演着重要角色，具有重要的应用价值。人是图像信号的最终接收者，最直观、最符合HVS的图像质量评价方法是主观测试评价，最常用的主观图像质量评价方法是平均意见打分(mean opinion score，MOS)方法。然而，该方法代价昂贵且费时，在实际图像处理应用中不太实用。主观图像质量评价方法的不足，促使研究人员在自动计算图像主观视觉质量的评价方法方面开展了大量研究工作[1-8]。

根据不同的图像质量评价方法，图像质量评价标准可分为两大类：基于HVS特性建模方法和图像信号驱动方法[1]。

基于HVS特性建模方法综合相关心理学属性和生理学知识，包括时间、空间、色彩空间分解、对比度敏感函数(contrast sensitivity function，CSF)、亮度自适应以及掩模效果等[1]，采用系统建模方法，

建立图像质量评价模型。近年来，许多基于HVS的图像质量评价方法[2-3]被提出，其中一些方法也考虑电子科技大学学报第44卷 80

了最小可觉差(just noticeable distortion，JND)模型[4-5]。视觉心理学中的视觉模型被应用到基于HVS的图像质量评价方法中，效果较好。但该类评价方法计算量大，且视觉机理研究与实际工程建模不匹配[1]，导致这类方法的应用有局限性。近年来，基于信号驱动的图像质量评价方法受到广泛关注。该类评价方法基于图像信号的提取与分析，比如统计特征、结构、亮度失真等[6-8]。信号驱动方法不是为了图像质量评价而试图去建立复杂的HVS模型，而是重点关注如何表达图像特征以估计图像整体质量。该类方法通常也会考虑图像内容和失真分析的心理学效应。然而，虽然一些图像保真度模型能够反应图像质量的变化，但由于一些缺陷[1]，该类评价方法并不能表达HVS的主观感受。例如，并不是每一个图像的变化都容易被觉察，也不一定导致失真。因此，信号驱动的图像质量评价方法需引入HVS特性来弥补这些不足，从而更加逼近人眼主观感受。 1 全变分模型变分方法已被广泛应用于图像处理和计算机视觉领域[9]。由文献[10]提出的TV模型是图像处理中最成功的偏微分方程(partial differential equation，PDE)模型之一。全变分可描述为： TV()uuΩ=∇∫ (1) 式中，Ω表示图像区域；u表示图像。文献[9-10]表明，TV范数描述图像最合适。TV范数本质上是1L范数，更适合估计、描述图像的不连贯性[9]。本文采用它来衡量图像的结构变化，即原始图像与失真图像之间的结构变化距离。本文提出的基于TV模型的PIQA方法，将重点考虑图像结构和图像封闭区域亮度变化。与其他图像质量评价方法相比，最大的区别是引入了TV模型来评价图像在空间域的结构变化，同时也考虑了图像中封闭区域的亮度变化。 2 基于全变分模型的图像质量评价 2.1 基于TV模型的图像质量评价框架通过HVS观测自然图像时，有许多因素影响图像质量。其中，有两种重要因素值得考虑：1) 图像边缘结构信息；2) 亮度信息[11]。基于此，本文提出

一种新的基于TV模型的PIQA (TVPIQA)方法。

图1 基于TV模型的图像质量评价框架基于TV模型的图像质量评价框架如图1所示。u

表示失真图像；0u表示参考图像；r表示差分图像；

1u表示结构改变度量；2u表示局部区域亮度改变量。TVPIQA方法分为两部分：1) 结构改变度量，采用归一化的TV比较计算，通过对比失真图像与参考图像来度量图像结构信息的改变；2) 局部区域亮度改变度量，采用差分图像(参考图像与失真图像之差)中封闭区域的能量来衡量亮度信息的改变，并进行归一化。设上述两种因素对人眼视觉的影响是同等的，则TVPIQA可描述为：

12TVPIQA

µµ+

= (2)

2.2 基于TV的结构改变度量由于TV范数适合描述图像的不连贯性，因此，图像结构信息的改变可由参考图像与失真图像之间全变分的改变量来衡量：

struct01

TVTV()TV()uu=− (3)

式中，1⋅表示1L范数；TV()u为图像u的全变分，

其离散形式为： 22,1,,,1(,)TV()(()())ijijijijijuuuuuΩ++∈

=−+−∑ (4)

式中，,iju表示在像素点(,)ij的亮度值。

虽然式(3)能很好地评价图像结构信息的改变，但计算结果没有归一化，不能作为衡量图像质量的评价标准。考虑201

TV()TV()0uu−≥，归一化的图

像结构改变量描述为：

2222,1,,,10,01,0,0,1

12222

,1,,,10,01,0,0,1

2()()()()1()()()()ijijijijijijijijijijijijijijijijuuuuuuuucNuuuuuuuucµ++++++++−+−−+−+=−+−+−+−+

应用人类视觉特性的立体图像质量评价方法

页数:6
基于人类视觉系统的立体图像质量评价方法

页数:4