无参考模糊图像质量评价改进算法

本文是一篇图像论文范文,图像有关毕业论文范文,关于无参考模糊图像质量评价改进算法相关专升本毕业论文范文。适合图像及数据库及算法方面的的大学硕士和本科毕业论文以及图像相关开题报告范文和职称论文写作参考文献资料下载。

摘 要 ：针对传统无参考模糊图像质量评价算法存在高计算复杂度的问题,通过改进经典的二次模糊处理算法,提出一种快速有效的无参考模糊图像质量评价方法.该算法基于人眼视觉系统（HVS）特性,利用局部方差选取人眼感兴趣图像块代替整体图像,并将感兴趣图像块通过低通滤波处理,构造模糊图像块,通过计算滤波前后图像块相邻像素差值变化大小获取原始整体图像的客观质量评价参数.仿真测试结果表明,该算法与传统整体图像二次模糊算法相比,皮尔逊相关系数提高0.01,与主观评价结果更为一致；运算速度提高一倍,降低了运算复杂度.

关 键 词 ：无参考；图像质量评价；人类视觉系统；局部方差；低通滤波；二次模糊

中图分类号： TN911.73； TP391.413

文献标志码：A

Abstract： A fast and effective quality assesent algorithm of noreference blurred image based on improving the classic Repeat blur （Reblur） processing algorithm was proposed for the high putational cost in traditional methods. The proposed algorithm took into account the human visual system, selected the image blocks that human was interested in instead of the entire image using the local variance, constructed blurred image blocks through lowpass filter, calculated the difference of the adjacent pixels between the original and the blurred image blocks to obtain the original image objective quality evaluation parameters. The simulation results show that pared to the traditional method, the proposed algorithm is more consistent with the subjective evaluation results with the Pearson correlation coefficient increasing 0.01 and less plex with half running time.

Key words： noreference； image quality assesent； Human Vision System （HVS）； local variance； lowpass filter； Repeat blur （Reblur）

0引言

在图像的获取、处理和传输的过程中,由于成像系统、处理方法和传输介质等不完善,加之物体运动、离焦等原因,不可避免地会带来某些图像的失真和降质,这样使衡量系统图像质量的优劣成为评价系统质量的重要方面,亦是当今非常重要且富有挑战的领域.在诸多评价方法中,主观评价最精准,但无法应用于数学模型,只能测试有限数量的图像样本,不易定量、准确地测量,而且太过费时费力,无法实现嵌入式处理,不适于实时应用.客观评价方法按照原始图像的有无分为全参考、半参考和无参考3种图像质量评价方法.其中全参考和半参考的方法需要原始图像的全部或者某些特征的集合作为参考来与失真图像比较.然而在很多情况下,原始图像是无法获取的,如成像系统和网络服务等,因此开展无参考图像质量评价的研究具有重要的现实意义[1].

在诸多图像失真类型中,模糊是最常见的.第一个图像模糊评价算法是在1997年为改善超分辨率提出的[2].近年来,很多学者提出基于边缘检测的评估算法[3-4],包括计算图像的边缘峰态值等方法.文献[5]提出基于同一幅图像,不同模糊程度之间差异的评价算法.还有一些学者将人类视觉系统（Human Vision System, HVS）引入评价方法中[6-7],使得评价算法更符合人类的主观视觉特性,在一定程度上提高了算法的准确度,也为以后算法的改进奠定了基础.文献[8-9]提出利用模糊图像的平均功率谱和局部结构张量的方法,但是应用受限.

以上的一些评价算法都有相对较高的运算复杂度和一定的应用局限性等一些缺点,本文针对图像模糊失真类型,基于经典的二次模糊处理算法[10],提出一种利用人类视觉系统,计算复杂度较低的改进算法.该算法对待评价图像进行人眼兴趣区提取,而后仅针对该区域采用二次模糊处理方法,获得客观质量评价参数.由于人眼在评价图像质量时对纹理细节丰富的区域较敏感,只对感兴趣区域做处理,使评价结果与主观评价有更高一致性,从而达到降低运算复杂度且提高评价准确性的目的.实验结果的皮尔逊相关系数和平均运行时间均表明本文算法的有效性.

1算法描述

改进算法流程如图1所示,主要包括提取人眼感兴趣图像块、低通滤波、计算图像相邻像素灰度差等处理过程.

1.2二次模糊处理

随着信息技术的高速发展,数字图像已经成为信息传递的主要方式.在数字图像信号的采集过程中,往往会因为各种原因导致数字图像模糊,例如采样率过低、对焦不准等.在数字图像的处理过程中,也会由于各种操作导致图像模糊,例如均值滤波等.模糊是由图像中高频成分丢失引起的,可以通过低通滤波获得,图像越模糊则其相邻像素越接近同一个灰度级.清晰图像比被模糊的图像有更丰富的细节信息,即高频分量,所以可以通过衡量图像包含高频信息的多少来评价图像的清晰程度.一幅清晰图像,尤其是纹理细节较丰富区域,相邻像素差值会很大,经过低通滤波,其相邻像素会接近同一个灰度级而使差值明显变小；反之,如果图像是模糊的,相邻像素已经接近同一灰度级,低通滤波后差值变化不会很大. 2仿真实验和性能分析

为测试本文算法性能,采用美国视频工程实验室（Laboratory for Image & Video Engineering, LIVE）提供的图像质量估计数据库进行仿真实验[11].该数据库是由29幅高分辨率标准彩像经过5种不同类型的不同程度失真图像组成：JPEG压缩图像（233）、JPEG2000压缩图像（227）、高斯模糊（Gaussian Blur,GB）图像（174）、快衰落（Fast Fading,FF）图像（174）、白噪声（White Noise,WN）图像（174）,每类失真图像中包括29幅标准图像,一共982幅图像.数据库还给出了每张图像的平均主观评分差值（Difference Mean Opinion Scores,DMOS）.其中：DMOS越小,表示图像质量越好；DMOS值越大,表示图像质量越差.

本文只选取其中174幅高斯模糊图像进行仿真实验,用所得的174个评价值与数据库中对应的174幅图像的平均主观评分差值之间皮尔逊相关系数（Correlation Coefficient, CC）来评价本文算法准确性[12].

该改进算法的系统仿真平台是Windows XP系统,CPU主频1.8GHz,内存为2GB,仿真语言采用Matlab 2012a.

为评价该算法的性能,将该算法分别与经典的基于结构相似度（Structural Similarity Index, SSIM）的全参考图像清晰度算法[13]、无参考的基于结构相似度（NoReference Structural Sharpness, NRSS）的图像清晰度评价改进算法,二次模糊（Repeat blur, Reblur）处理算法,图像质量的主题模型（Topic Model in Image Quality, TMIQ）算法[14]和感知图像盲估计（Learning a Blind Measure of Perceptual Image Quality, LBIQ）算法[15]进行比较,各算法的平均计算时间和皮尔逊相关系数值如表1所示.为更直观表示算法与主观评价值拟合程度,对比本文的改进算法与Reblur算法,分别计算两种算法的评价值与DMOS值之间散点分布如图4所示.

从表1可以看出,针对模糊失真,本文算法评价指标优于SSIM、NRSS、Reblur、TMIQ和LBIQ经典算法,皮尔逊相关系数较高,即与主观评价值有更高相关性,更符合人类的主观评价结果,且平均运行时间明显降低,降低了算法的复杂度,提高了运行效率.并且由表1可以看出,不同的HVS敏感参数λ对相关系数影响不大,不失公证性,选取λ等于0.75,避免丢失过多的纹理细节.

3结语

本文提出一种针对模糊的无参考图像质量评估算法,利用人类视觉特性,获得与主观评价一致结果,只处理人眼感兴趣图像块,与经典的结构相似度和二次模糊处理等算法相比,降低了算法复杂度,提高了运算速度,是一种准确、可靠的无参考模糊图像评价方法.

本文是一篇图像论文范文,图像有关毕业论文范文,关于无参考模糊图像质量评价改进算法相关专升本毕业论文范文。适合图像及数据库及算法方面的的大学硕士和本科毕业论文以及图像相关开题报告范文和职称论文写作参考文献资料下载。

[13]YANG C, CHEN G, XIE S. Gradient information based image quality accesent [J]. Acta Electronica Sinica, 2007, 35（7）： 1313-1317.（杨春玲,陈冠豪,谢胜利.基于梯度信息的图像质量评判方法的研究[J].电子学报,2007,35（7）：1313-1317.）

[14]MITTAL A, MURALIDHAR G S, GHOSH J, et al. Blind image quality assesent without human training using latent quality factors [J]. IEEE Signal Processing Letters, 2011, 19（2）： 75-78.

[15]TANG H X, JOSHI N, KAPOOR A. Learning a blind measure of perceptual image quality [C]// Proceedings of the 2011 IEEE Conference on Computer Vision Pattern Recognition. Piscataway, NJ： IEEE Press, 2011： 305-312.