一种多视觉敏感特征相似度的全参考图像质量评价方法

摘要

本发明涉及一种基于多视觉敏感特征相似度的全参考型图像质量评价方法。本发明的具体步骤是：(一)输入失真图像和参考图像；(二)对失真图像和参考图像提取多角度的梯度特征，并计算梯度相似度；(三)对失真图像和参考图像提取相位特征，并计算相位特征相似度；(四)对失真图像和参考图像提取锐度特征，并计算锐度特征相似度；(五)将梯度相似度、相位相似度和锐度相似度融合成最终的图像质量评价指标。本发明采用对图像提取梯度、相位和锐度等视觉敏感特征，对视觉敏感特征相似度组合得到客观评价参数，提高了全参考图像质量评价的精度。

主权项

一种基于多视觉敏感特征相似度的全参考图像质量评价方法，其特征在于包含以下步骤：(1)输入参考图像和失真图像，对失真图像和参考图像提取多角度下的梯度特征，具体步骤如下：对失真图像和参考图像分别采用0°，45°，90°，和135°方向的Sobel算子提取出梯度信息，采用如下公式：$S_0=S\otimes P_0;S_{45}=S\otimes P_{45};S_{90}=S\otimes P_{90};S_{135}=S\otimes P_{135};$$T_0=D\otimes P_0;T_{45}=D\otimes P_{45};T_{90}=D\otimes P_{90};T_{135}=D\otimes P_{135};$其中D为失真图像，S为参考图像；P₀、P₄₅、P₉₀和P₁₃₅为0°，45°，90°，和135°方向的sobel算子；表示二维卷积运算；S₀、S₄₅、S₉₀和S₁₃₅分别是参考图像S经过0°，45°，90°，和135°方向的Sobel算子P₀、P₄₅、P₉₀和P₁₃₅卷积滤波后得到的图像；T₀、T₄₅、T₉₀和T₁₃₅分别是失真图像D经过0°，45°，90°，和135°方向的Sobel算子P₀、P₄₅、P₉₀和P₁₃₅卷积滤波后得到的图像；(2)计算失真图像和参考图像提取的多角度梯度特征之间的相似度，采用如下公式，其中c值取0.01：$\begin{array}{cc}{G}_0(i,j)=\frac{2S_0(i,j)T_0(i,j)+c}{S_0{(i,j)}^2+T_0{(i,j)}^2+c}& G_{45}(i,j)=\frac{2S_{45}(i,j)T_{45}(i,j)+c}{S_{45}{(i,j)}^2+T_{45}{(i,j)}^2+c}\end{array}$$\begin{array}{cc}{G}_{90}(i,j)=\frac{2S_{90}(i,j)T_{90}(i,j)+c}{S_{90}{(i,j)}^2+T_{90}{(i,j)}^2+c}& G_{135}(i,j)=\frac{2S_{135}(i,j)T_{135}(i,j)+c}{S_{135}{(i,j)}^2+T_{135}{(i,j)}^2+c}\end{array}$(3)计算失真图像和参考图像提取的多角度梯度特征之间的相似度，将0°，45°，90°，和135°方向的梯度相似度合成最终的合成梯度相似度，采用公式如下，其中α₁＝1，α₃＝1，α₂＝0.5，α₄＝0.5：$G(i,j)={\left[G_0(i,j)\right]}^{{\alpha }_1}{\left[G_{45}(i,j)\right]}^{{\alpha }_2}{\left[G_{90}(i,j)\right]}^{{\alpha }_3}{\left[G_{135}(i,j)\right]}^{{\alpha }_4}$(4)对输入失真图像和参考图像提取相位特征，具体采用步骤和公式如下：将失真图像D和参考图像S伸缩成像素为横向和纵向像素大小相等的图像D′和S′，对图像D′和S′进行二维离散傅里叶变换，并分别得到相位，具体采用公式如下：其中Y₁(u，v)是图像D′的二维离散傅里叶变换系数；Y₂(u，v)是图像S′的二维离散傅里叶变换系数；和是Y₁(u，v)和Y₂(u，v)的相位；re(·)表示取实部运算，im(·)表示取虚部运算；(5)计算图像D′和图像S′之间的相位相似度信息，计算公式如下，其中c值取0.01：最后采用二维傅立叶反变换将相位相似度信息转换到空域，并调整其大小到原始尺寸，得到空域相位相似度P(i，j)，其中(i，j)为图像中某一像素的位置；(6)对输入失真图像和参考图像提取锐度特征，具体采用步骤和公式如下：首先，计算失真图像和参考图像(i，j)像素为中心的3×3邻域的平均灰度值，采用计算公式如下：$\overline{D(i,j)}=\frac{1}{9}\underset{u=-1}{\overset{1}{\Sigma }}\underset{v=-1}{\overset{1}{\Sigma }}D(i+u,j+v)$$\overline{S(i,j)}=\frac{1}{9}\underset{u=-1}{\overset{1}{\Sigma }}\underset{v=-1}{\overset{1}{\Sigma }}S(i+u,j+v)$然后，计算失真图像和参考图像(i，j)像素处的最大邻域灰度差值T(i，j)和S(i，j)，以最大邻域灰度差值作为图像的锐度亮度，采用公式如下：$T(i,j)=max|D(i+u,j+v)-\overline{D(i,j)}|,\forall -1\le u\le 1,-1\le v\le 1$$S(i,j)=max|S(i+u,j+v)-\overline{S(i,j)}|,\forall -1\le u\le 1,-1\le v\le 1$(7)对输入失真图像和参考图像之间计算锐度相似度，具体采用步骤和公式如下，其中c值取0.01：$H(i,j)=\frac{2S(i,j)T(i,j)+c}{S{(i,j)}^2+T{(i,j)}^2+c}$(8)组合梯度相似度、相位相似度和锐度相似度组成联合相似度判据，求其均值得到最终的相似度数值，具体公式如下：GPS_SSIM(i，j)＝[G(i，j)]^α[P(i，j)]^β[H(i，j)]^γ$GPS\_SSIM=\frac{1}{M\times N}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}GPS\_SSIM(i,j)$其中α＝1，β＝0.95，γ＝0.85，M、N分别为(i，j)的最大取值，即M为失真图像或参考图像的宽度，N为失真图像或参考图像的高度，失真图像和参考图像的宽度和高度一致。