论文部分内容阅读
图像作为信息的重要载体,在现代人们生活当中扮演了重要的角色。而图像在获取、存储、压缩、传输等过程中,不可避免地会造成失真。最可靠的图像质量评价方法是人的主观判断,但其通常具有耗时性、昂贵性和不具有实时性的特点。因此人们研究的重点集中在了客观图像质量评价方法的设计上。客观图像质量评价方法的目标是设计出与人的主观判断一致的评价模型。依据对参考图像(无失真的原图像)的依赖程度,客观图像评价方法可以分为全参考图像质量评价、部分参考图像质量评价和无参考图像质量评价。全参考图像质量评价是在参考图像可以完全获取的情况下的评价方式。当只可获得参考图像的部分信息时,需要用到部分参考图像质量评价方法。而无参考图像质量评价则是在参考图像完全不可获取的情况下评价图像的方法。本文分别针对全参考图像质量评价和无参考图像质量评价方法进行了研究。主要工作概括如下:(1)全参考图像质量评价中的结构相似度方法,主要通过局部的方式来产生基于特定特征的相似性图,但是局部窗口的大小通常是固定的,这使得该类方法对图像的边缘区、纹理区和平滑区采取同样的权重加权,而忽略了人类视觉系统对这些区域的感知效果。为此,提出了基于感知分组策略的全参考图像质量评价方法。其通过自适应窗口的方式,即通过感知分组技术使失真区域更具显著性,来评价图像质量。其首先采用超像素的方法进行感知分组,然后基于各分组的结构相似性度量得到图像的质量。为此,文中实现了一种高效的聚类方法,并通过它对图像进行分组。该方法具有很好的泛化能力,表现在能同时处理灰度图像、彩色图像和医学图像,并且该方法也具有很低的时间复杂度。多个自然图像数据库和BrainWeb医学数据库的结果验证了方法的有效性。(2)全参考图像质量评价中的经典工程类方法采用“特征提取——特征合并”的模式进行评价,因此人们研究的着眼点聚集在特征提取和特征合并两部分。因此,如何选取视觉特征以及针对选择的特征采用何种合并策略,变得尤其重要。通常的方法是在特征提取后通过简单平均的合并方式得到图像质量。对比度作为视觉系统的底层特征,在人们认识图像等视觉信息的过程扮演了重要的角色。针对对比度特征,笔者认为其与标准方差具有某种相关性,因为两者的表象都是“范围”的量度,即对比度表示灰度的变化范围,而标准方差在图像质量的刻画中可以看作是失真严重程度的变化范围,而这种表象可能蕴含了它们内在的一种联系。有趣地是,一系列实验验证了想法的合理性。而为了更好地探索这种联系,采取了多尺度技术,因为人类视觉系统通常具有多分辨率特性,即其分辨能力容易受到观测距离、采样频率等因素的影响,与此同时,自然图像通常也具有多尺度性。总之,本文提出了基于多尺度的对比度相似方差的全参考图像质量评价方法。其首先在每个尺度上计算参考图像和失真图像的对比度相似图,然后采用标准方差进行合并,最后综合各尺度的结果以形成图像质量的评价值。实验结果显示该方法在与人的主观一致性和计算效率方面表现出较好的性能。(3)基于自然场景统计的无参考图像质量评价方法通常用某个模型来表征图像在某个变换域的系数分布,通过将该模型的参数作为特征以反映边缘分布的变化。考虑到人类视觉系统通常对图像边缘信息比较敏感,而边缘可通过梯度得到很好的反映,并且注意到对数概率能较精确的反应概率分布的非高斯特性,因此文中基于对数方向梯度的对数直方图进行研究,发现广义拉普拉斯分布能很好地拟合该直方图,并且不同程度、不同类型的失真对该分布具有不同的偏离。通过对该直方图的进一步分析,文中在四个方向上分别提取了方差、峰度、差分熵和熵四个特征。这四个方向分别为水平、垂直、主对角和副对角的对数梯度方向。考虑到自然图像的多尺度性,以上特征分别在两个尺度上提取。因此,对一幅图像总共提取32个特征。在特征提取的基础上,采用支持向量机回归的方式将特征向量映射为最终图像质量评价值。多个自然图像数据库和一组医学图像数据的结果显示,所提的基于梯度自然场景统计的无参考图像质量评价方法,同时具有预测的一致性和计算的高效性的特点。