基于显著性检测的梯度相似度图像质量评价方法及系统技术方案

本发明专利技术提供一种基于显著性检测的梯度相似度图像质量评价方法及系统，包括将边缘结构信息定义为梯度幅度和梯度方向，将梯度相似度定义为梯度幅度相似度和梯度方向相似度；其次，在检测边缘的基础上由显著性检测构建显著性矩阵，以对结构信息进行权重分配；最后，联合梯度相似度和显著性检测进行评价，得到一种基于显著性检测的梯度相似度图像质量评价方法，获得图像质量评价结果。本发明专利技术采用显著性检测的梯度结构相似性对图像质量进行评价，与峰值信噪比和简单的结构相似性算法相比，该方法的评价效果更好，其评价结果与主观评价结果的相关性更大、误差更小，尤其在评价严重失真图像时效果更优。

Method and system for evaluating image quality of gradient similarity based on significance detection

The invention provides a gradient similarity image quality evaluation method and system based on saliency detection, including the edge structure information is defined as the gradient amplitude and gradient direction, the gradient similarity is defined as the similarity gradient amplitude and gradient direction similarity; secondly, based on the edge detection by saliency detection was constructed by matrix. The weight distribution of structural information; finally, to evaluate the combined gradient similarity and saliency detection, a method of gradient similarity image quality assessment based on saliency detection, image quality evaluation results. The invention adopts the gradient structure of significant similarity detection to evaluate the image quality and peak signal-to-noise ratio and simple structure similarity algorithm, better evaluation of the effect of the method, the relationship between the evaluation results and the subjective evaluation results of the larger and smaller error, especially the image distortion when the evaluation is better.

【技术实现步骤摘要】
基于显著性检测的梯度相似度图像质量评价方法及系统
本专利技术涉及一种图像质量评价技术方案，特别是涉及一种基于显著性检测的梯度相似度图像质量评价技术方案，属于图像处理领域。
技术介绍
作为信息表达与交流的工具，数字图像获得了广泛的运用。然而，数字图像在采集、压缩、传输、处理、重建过程中难免引入噪声，造成图像的失真。对于图像的采集、管理、传输和处理系统来说，能够识别和量化图像质量等级就显得非常重要。首先，它可以用于监控质量控制系统的图像质量。第二，它可以用于在图像处理应用中使用的基准系统。第三，它可以嵌入到图像处理系统中以优化算法和参数设置。因此，如何准确评价图像质量成为数字图像处理领域的一个重要课题。图像质量评价(IQA)一般可分为主观评价方法和客观评价方法[1][2]。主观评价方法最终观测者为人，因而评价最为准确。然而该方法不仅繁琐、耗时和不可移植，且易受观测者的个人因素影响，很难用于实际的工程实践。相对主观评价方法，客观评价的研究目的是设计计算模型，使该种算法的评价分数和人类主观评价方法尽可能吻合，从而达到有效预测和感知图像质量的目的[3][4]。评估方法应该完全遵循人类视觉系统(HVS)所做的主观判断的表现。根据所提供原始图像的有无，客观评价方法可分为：全参考方法、部分参考方法、无参考方法。传统的全参考评价方法如均方误差(MSE)及峰值信噪比(PSNR)等，由于其容易实现，而且物理意义明确，应用比较广泛。但是因为其只考虑了像素之间的灰度差异，而没有利用图像任何的结构信息和像素之间的相关性，不能很好地反映人眼对图像的主观感知。随着人们对人眼视觉系统(HumanVisualSystem，HVS)认识的深入，研究者开始利用HVS的某些特性[2]来设计图像质量评价方法。一种是针对HVS的各种特性构建视觉模型，通过自底向上(Bottom-up)的方法来模拟人的视觉，其中典型的方法有NQM[3]和VSNR[4]。由于人眼的视觉特性比较复杂，很难从底层对其进行模拟，人们又提出了自顶向下(Top-down)的方法，只考虑HVS的输入与输出之间的关系，对人眼视觉特性进行建模，根据HVS对图像的感知得到图像质量测度。典型的方法有ZhouWang等人提出SSIM[5]模型以及其改进MS-SSIM(多尺度结构相似性)[6]和IW-SSIM[7]，Sheikh等提出的IFC[8]和VIF(视觉信息保真度)[9]，LinZhang等提出的RFSIM[10]和FSIM[11]及A.Shnayderman[12]等提出的基于SVD分解的方法，GuanhaoChen等人[13]提出了基于边缘信息的结构相似度图像质量评价方法GSSIM。实验结果证明这些方法优于MSE和PSNR，但是同样暴露出许多问题：对于严重模糊的图像，SSIM的评价结果会出现较大偏差，主要是由于其对结构信息的建模过于简单；GSSIM模型在表现上相对于PSNR和SSIM模型有一定的改善，但是其利用的边缘信息未能充分表达图像的结构，没有考虑图像中的显著性区域等重要特征。面对一个场景时，人类自动地对感兴趣区域进行处理而选择性地忽略不感兴趣区域，这些人们感兴趣区域被称之为显著性区域。人类视觉注意机制有两种策略，即采用自底向上策略注意机制和采用自顶向下策略注意机制。自底向上的视觉注意机制是基于刺激的、与任务无关的。自顶向下的视觉注意机制是基于任务的，受意识支配。图像显著性检测在图像处理相关领域有非常广泛的应用，例如：图像编辑、基于内容的图像缩放、自动聚焦以及图像智能压缩等，应用较为广泛。当前显著性检测的方法有很多，每种方法遵循的视觉显著性规律不同，使用的图像特征不同，对特征的处理方式也不同，所得到的显著图也都有自己的特点。显著性检测是物体检测的关键阶段，也应在IQA中考虑。因此，将结构信息理解为梯度幅度和梯度方向的联合，同时根据视觉注意机制中的显著性检测，提出了一种基于显著性检测的梯度相似度图像质量评价方法，显得十分有意义。相关参考文献如下：[1]Z.Wang,A.C.Bovik,H.R.Sheikh,andE.P.Simoncelli,“Imagequalityassessment:fromerrorvisibilitytostructuralsimilarity,”IEEETransactionsonImageProcessing,vol.13,no.4,pp.600-612,2004.[2]Z.WangandA.C.Bovik,Modernimagequalityassessment,SanRafael:Morgan&Claypool,2006.[3]Hyung-juPark,Dong-hwanHar,“Subjectiveimagequalityassessmentbasedonobjectiveimagequalitymeasurementfactors”,IEEETransactionsonConsumerElectronics,vol.57,no.3,pp.1176-1184,2011.[4]M.Cheon,J.–S.Lee,“Onambiguityofobjectiveimagequalityassessment”,ElectronicsLetters,vol.52,no.1,pp.34-35,2015.[5]S.H.Bas,M.Kim,“Anovelimagequalityassessmentwithgloballyandlocallyconsilientvisualqualityperception”,IEEETransactionsonImageProcessing,vol.25,no.5,pp.2392-2406,2016.[6]Y.Ding,S.Z.Wang,D.Zang,“Full-Referenceimagequalityassessmentusingstatisticallocalcorrelation”,ElectronicsLetters,vol.50,no.2,pp.79-81,2014.[7]PengYe,DavidDoermann,“No-Referenceimagequalityassessmentusingvisualcodebooks”,IEEETransactionsonImageProcessing,vol.21,no.7,pp.3129-3138,2012.[8]R.Fang,R.A.Bayaty,D.P.Wu,“BNBmethodforno-referenceimagequalityassessment”,IEEETransactionsonCircuitsandSystemsforVideoTechnology,vol.PP,no.99,pp.1,2016.[9]A.K.Moorthy,A.C.Bovik,“Blindimagequalityassessment:fromnaturalscenestatisticstoperceptualquality”,IEEETransactionsonImageProcessing,vol.20,no.12,pp.3350-3364,2011.[10]Ji本文档来自技高网...

【技术保护点】
一种基于显著性检测的梯度相似度图像质量评价方法，其特征在于：包括将边缘结构信息定义为梯度幅度和梯度方向，将梯度相似度定义为梯度幅度相似度和梯度方向相似度；其次，在检测边缘的基础上由显著性检测构建显著性矩阵，以对结构信息进行权重分配；最后，联合梯度相似度和显著性检测进行评价，得到一种基于显著性检测的梯度相似度图像质量评价方法，获得图像质量评价结果；所述定义边缘结构信息和梯度相似度包括以下步骤，Step1.1，针对每幅图像，将边缘结构信息定义为梯度幅度和梯度方向；针对参考图像和待测图像，将梯度相似度定义为梯度幅度相似度和梯度方向相似度；综合比较待测图像和参考图像中梯度幅度相似度和梯度方向相似度，得到图像的边缘结构失真情况；Step1.2，针对参考图像和待测图像，分别利用Scharr算子，来获得像素点的水平梯度G

【技术特征摘要】
1.一种基于显著性检测的梯度相似度图像质量评价方法，其特征在于：包括将边缘结构信息定义为梯度幅度和梯度方向，将梯度相似度定义为梯度幅度相似度和梯度方向相似度；其次，在检测边缘的基础上由显著性检测构建显著性矩阵，以对结构信息进行权重分配；最后，联合梯度相似度和显著性检测进行评价，得到一种基于显著性检测的梯度相似度图像质量评价方法，获得图像质量评价结果；所述定义边缘结构信息和梯度相似度包括以下步骤，Step1.1，针对每幅图像，将边缘结构信息定义为梯度幅度和梯度方向；针对参考图像和待测图像，将梯度相似度定义为梯度幅度相似度和梯度方向相似度；综合比较待测图像和参考图像中梯度幅度相似度和梯度方向相似度，得到图像的边缘结构失真情况；Step1.2，针对参考图像和待测图像，分别利用Scharr算子，来获得像素点的水平梯度Gh和垂直梯度Gv，然后计算参考图像和待测图像各像素点的梯度幅度G，计算公式如下，其中，Image指的是由像素点构成的图像，每个像素可有各自的颜色值，可采用三原色显示，这里的Image是一个二维矩阵，与梯度算子卷积后可以得到像素点(i,j)处的水平梯度Gh和垂直梯度Gv，并进一步算出梯度幅度G；图像质量评价中衡量参考图像和待测图像梯度幅度变化的因素，梯度幅度相似度的定义如下，其中，和对应代表参考图像x和待测图像y在像素点(i,j)处的梯度幅度，C1为预设的正常数；Step1.3，针对参考图像和待测图像，利用梯度方向描述图像的边缘方向得，其中，θ(i,j)代表像素点(i,j)的边缘方向与水平右方向的夹角；Gh(i,j)和Gv(i,j)同样是利用Scharr算子计算的图像在(i,j)点处的水平梯度和垂直梯度，假设Δθi,j为参考图像和待测图像在(i,j)点处的边缘方向差，定义式如公式(5)：其中，和分别为参考图像x和待测图像y在(i,j)点处边缘方向与水平右方向的夹角，建立参考图像和待测图像在像素点(i,j)处的梯度方向相似度，其中，代表参考图像在像素点(i,j)处的水平梯度和垂直梯度，和代表待测图像在像素点(i,j)处的水平梯度和垂直梯度，C2为预设的正常数；所述在检测边缘的基础上由显著性检测构建显著性矩阵包括以下步骤,Step2.1，将参考图像通过傅里叶变换变换到频率域，计算参考图像的振幅谱A(f)和相位谱P(f)，A(f)＝R(F[x])(7)其中，x指的是参考图像，F指的是傅里叶变换，f指的是频率域，R是取模值得到振幅谱A(f)，是取角度得到相位谱P(f)；Step2.2，将振幅谱变换为对数谱，然后计算残余谱，残余谱R(f)可以通过对数光谱L(f)和平均对数光谱之间的差来近似，L(f)＝log(A(f))(9)R(f)＝L(f)-hn(f)*L(f)(10)其中，hn(f)是局部平均滤波器，是由下式定义的n×n矩阵，Step2.3，利用残余谱和相位谱通过逆傅里叶变换得到显著图，其中，i指的是虚数单位，g(x)为高斯平滑滤波器；所述联合梯度相似度和显著性检测进行评价，得到一种基于显著性检测的梯度相似度图像质量评价方法，实现方式如下，联合梯度幅度相似度函数GM(x,y)和梯度方向相似度函数GD(x,y)，得到梯度相似性函数GMD(x,y)，GMD(x,y)＝GM(x,y)GD(x,y)(13)在GMD的基础上，引入“显著性图”，得到基于显著性检测的梯度相似度(VSGS)公式(14)：VSGS(x,y)＝GMD(x,y)*VS(x)＝GM(x,y)GD(x,y)*VS(x)(14)其中，GM(x,y)为参考图像x和待测图像y的梯度幅度相似度函数，由公式(3)得到，GD(x,y)为参考图像x和待测图像y的梯度方向相似度函数，由公式(5)得到，VS(x)为参考图像x的显著图，由公式(12)得到。2.如权利要求1所述的一种基于显著性检测的梯度相似度图像质量评价方法，其特征在于：所述联合梯度相似度和显著性检测进行评价，得到一种基于显著性检测的梯度相似度图像质量评价方法中还包括算法优化，从而获得快速VSGS算法，实现方式如下，分别截取参考图像和待测图像的中间部分x′、y′用于快速傅里叶变换，并省略所述公式(12)里的高斯平滑滤波器，得到，VS′(x′)＝F-1[exp(R(f...

【专利技术属性】
技术研发人员：杨光义，蔡静宜，王子桥，孙经纬，刘潇，彭鑫港，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42