一种基于DCT域的边缘强度压缩的图像质量客观评价方法

摘要

本发明公开了一种基于DCT域的边缘强度压缩的图像质量客观评价方法，其首先通过分别获取无失真图像和失真图像的亮度分量图的4个方向的系数矩阵，获取无失真图像和失真图像的亮度分量图的全局边缘强度，其次通过获取两个全局边缘强度中的每个8×8的半重叠块的均值、标准差和方差，获取失真图像中相对应的每个区域的敏感因子，接着通过获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵，获取两个全局边缘强度中相对应的两个半重叠块的能量相似性，最后根据敏感因子及能量相似性，获取失真图像的质量评价分数，由于本方法充分去除了人眼的视觉冗余信息，有效利用了人眼比较敏感的边缘强度，因此得到的客观评价结果与人眼主观感知能够保持很好的一致性。

主权项

一种基于DCT域的边缘强度压缩的图像质量客观评价方法，其特征在于它的处理过程为：首先，通过分别获取原始的无失真图像的亮度分量图和待评价的失真图像的亮度分量图各自的水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，获取原始的无失真图像的亮度分量图的全局边缘强度和待评价的失真图像的亮度分量图的全局边缘强度；其次，将两个全局边缘强度分别分割成多个8×8的半重叠块，再通过获取两个全局边缘强度中的每个半重叠块的均值、标准差和方差，获取待评价的失真图像中相对应的每个8×8的区域的敏感因子；接着，获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵，并获取两个全局边缘强度中的每个半重叠块的DCT系数矩阵中去除直流系数后形成的列向量，再通过获取两个全局边缘强度中的每个半重叠块对应的列向量经压缩后的所有DCT系数的平均值，获取两个全局边缘强度中相对应的两个半重叠块的能量相似性；最后，根据待评价的失真图像中相对应的每个8×8的区域的敏感因子及两个全局边缘强度中相对应的两个半重叠块的能量相似性，计算待评价的失真图像的质量评价分数；该图像质量客观评价方法具体包括以下步骤：①令f表示原始的无失真图像，令g表示待评价的失真图像，分别提取出f和g的亮度分量图；②采用水平方向高通滤波器、对角线45°方向高通滤波器、垂直方向高通滤波器和对角线135°方向高通滤波器分别对f的亮度分量图进行高通滤波处理，对应得到水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，对应记为f′₁、f′₂、f′₃和f′₄，将f′₁中坐标位置为(i,j)处的系数记为f′₁(i,j)，将f′₂中坐标位置为(i,j)处的系数记为f′₂(i,j)，将f′₃中坐标位置为(i,j)处的系数记为f′₃(i,j)，将f′₄中坐标位置为(i,j)处的系数记为f′₄(i,j)，采用水平方向高通滤波器、对角线45°方向高通滤波器、垂直方向高通滤波器和对角线135°方向高通滤波器分别对g的亮度分量图进行高通滤波处理，对应得到水平方向系数矩阵、对角线45°方向系数矩阵、垂直方向系数矩阵和对角线135°方向系数矩阵，对应记为g′₁、g′₂、g′₃和g′₄，将g′₁中坐标位置为(i,j)处的系数记为g′₁(i,j)，将g′₂中坐标位置为(i,j)处的系数记为g′₂(i,j)，将g′₃中坐标位置为(i,j)处的系数记为g′₃(i,j)，将g′₄中坐标位置为(i,j)处的系数记为g′₄(i,j)，在此，1≤i≤W,1≤j≤H，W表示f和g的宽度，H表示f和g的高度，f(i,j)表示f的亮度分量图中坐标位置为(i,j)的像素点的像素值，f(i‑3+m,j‑3+n)表示f的亮度分量图中坐标位置为(i‑3+m,j‑3+n)的像素点的像素值，g(i,j)表示g的亮度分量图中坐标位置为(i,j)的像素点的像素值，g(i‑3+m,j‑3+n)表示g的亮度分量图中坐标位置为(i‑3+m,j‑3+n)的像素点的像素值，B₁(m,n)表示5×5的水平方向高通滤波器中坐标位置为(m,n)处的元素，B₂(m,n)表示5×5的对角线45°方向高通滤波器中坐标位置为(m,n)处的元素，B₃(m,n)表示5×5的垂直方向高通滤波器中坐标位置为(m,n)处的元素，B₄(m,n)表示5×5的对角线135°方向高通滤波器中坐标位置为(m,n)处的元素；③根据f′₁和f′₃，计算f的亮度分量图在水平垂直方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为$E_f^{\mathrm{1,3}}(i,j)=|f_1^{\prime }(i,j)-f_3^{\prime }(i,j)|,$并根据f′₂和f′₄，计算f的亮度分量图在对角线方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为$E_f^{\mathrm{2,4}}(i,j)=|f_2^{\prime }(i,j)-f_4^{\prime }(i,j)|,$其中，符号“||”为取绝对值符号；同样，根据g′₁和g′₃，计算g的亮度分量图在水平垂直方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为$E_g^{\mathrm{1,3}}(i,j)=|g_1^{\prime }(i,j)-g_3^{\prime }(i,j)|,$并根据g′₂和g′₄，计算g的亮度分量图在对角线方向的边缘强度，记为将中坐标位置为(i,j)的像素点的像素值记为$E_g^{\mathrm{2,4}}(i,j)=|g_2^{\prime }(i,j)-g_4^{\prime }(i,j)|;$④根据和计算f的亮度分量图的全局边缘强度，记为E_f，将E_f中坐标位置为(i,j)的像素点的像素值记为E_f(i,j)，其中，max()为取最大值函数；根据和及E_f，计算g的亮度分量图的全局边缘强度，记为E_g，将E_g中坐标位置为(i,j)的像素点的像素值记为E_g(i,j)，⑤将E_f分割成K个尺寸大小为8×8的半重叠块，其中，符号为向下取整符号；然后计算E_f中的每个半重叠块的均值、标准差和方差，将E_f中的第n个半重叠块的均值、标准差和方差分别记为μ_{f_n}、δ_{f_n}和其中，1≤n≤K；再对E_f中的每个半重叠块进行离散余弦变换，得到每个半重叠块对应的DCT系数矩阵，将E_f中的第n个半重叠块对应的DCT系数矩阵记为F_n；最后去除E_f中的每个半重叠块对应的DCT系数矩阵中的直流系数，并将E_f中的每个半重叠块对应的DCT系数矩阵中剩余的63个DCT系数按照先行后列的顺序排列组成63×1维的列向量，将E_f中的第n个半重叠块对应的DCT系数矩阵F_n中去除直流系数后剩余的63个DCT系数按照先行后列的顺序排列组成的63×1维的列向量记为F′_n；将E_g分割成K个尺寸大小为8×8的半重叠块；然后计算E_g中的每个半重叠块的均值、标准差和方差，将E_g中的第n个半重叠块的均值、标准差和方差分别记为μ_{g_n}、δ_{g_n}和再对E_g中的每个半重叠块进行离散余弦变换，得到每个半重叠块对应的DCT系数矩阵，将E_g中的第n个半重叠块对应的DCT系数矩阵记为G_n；最后去除E_g中的每个半重叠块对应的DCT系数矩阵中的直流系数，并将E_g中的每个半重叠块对应的DCT系数矩阵中剩余的63个DCT系数按照先行后列的顺序排列组成63×1维的列向量，将E_g中的第n个半重叠块对应的DCT系数矩阵中去除直流系数后剩余的63个DCT系数按照先行后列的顺序排列组成的63×1维的列向量记为G′_n；⑥根据E_f中的每个半重叠块的均值和E_g中的每个半重叠块的均值，计算E_f和E_g中相对应的两个半重叠块的均值相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的均值相似性记为l_n，其中，C1为用于防止分母为零的常数；根据E_f中的每个半重叠块的标准差和方差及E_g中的每个半重叠块的标准差和方差，计算E_f和E_g中相对应的两个半重叠块的方差相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的方差相似性记为c_n，其中，C2为用于防止分母为零的常数；将E_f和E_g中相对应的两个半重叠块的均值相似性作为E_g中相对应的半重叠块的亮度因子，将E_f和E_g中相对应的两个半重叠块的方差相似性作为E_g中相对应的半重叠块的对比度因子，然后根据E_g中的每个半重叠块的亮度因子和对比度因子，计算E_g中的每个半重叠块的敏感因子，将E_g中的第n个半重叠块的敏感因子记为w_n，w_n＝l_n×c_n；⑦对E_f中的每个半重叠块对应的63×1维的列向量进行压缩处理，得到压缩后的列向量，将E_f中的第n个半重叠块对应的压缩后的列向量记为F″_n，F″_n＝φ×F′_n，其中，φ为63×63维的高斯随机矩阵；然后计算E_f中的每个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值，将E_f中的第n个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值记为其中，1≤k≤63，表示F″_n中的第k个DCT系数；对E_g中的每个半重叠块对应的63×1维的列向量进行压缩处理，得到压缩后的列向量，将E_g中的第n个半重叠块对应的压缩后的列向量记为G″_n，G″_n＝φ×G′_n；然后计算E_g中的每个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值，将E_g中的第n个半重叠块对应的压缩后的列向量中的所有DCT系数的平均值记为其中，G″_n(k)表示G″_n中的第k个DCT系数；计算E_f和E_g中相对应的两个半重叠块的能量相似性，将E_f中的第n个半重叠块与E_g中的第n个半重叠块的能量相似性记为e_n，$e_n=\frac{\underset{k=1}{\overset{63}{\Sigma }}(F_n^{\prime \prime }\left(k\right)-{\mu }_{F_n^{\prime \prime }})\times (G_n^{\prime \prime }\left(k\right)-{\mu }_{G_n^{\prime \prime }})+C3}{\sqrt{\underset{k=1}{\overset{63}{\Sigma }}{(F_n^{\prime \prime }\left(k\right)-{\mu }_{F_n^{\prime \prime }})}^2\times {(G_n^{\prime \prime }\left(k\right)-{\mu }_{G_n^{\prime \prime }})}^2+C3}},$其中，C3为用于防止分母为零的常数；⑧根据E_g中的每个半重叠块的敏感因子、E_f和E_g中相对应的两个半重叠块的能量相似性，计算E_g中的每个半重叠块的质量评价分数，将E_g中的第n个半重叠块的质量评价分数记为Q_n，Q_n＝w_n×e_n；然后根据E_g中的所有半重叠块的质量评价分数，计算g的客观质量评价分数，记为Q，