《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 顯示光電 > 設(shè)計(jì)應(yīng)用 > 基于小波變換和HVS的彩色圖像質(zhì)量評(píng)價(jià)方法
基于小波變換和HVS的彩色圖像質(zhì)量評(píng)價(jià)方法
2015年微型機(jī)與應(yīng)用第18期
段曉杰,范鐵生,曲大鵬
(遼寧大學(xué) 信息學(xué)院,遼寧 沈陽(yáng) 110036)
摘要: 提出了一種基于小波變換和人類(lèi)視覺(jué)系統(tǒng)的圖像質(zhì)量評(píng)價(jià)方法。首先分別測(cè)得4級(jí)小波分解后高低頻分量的SSIM值并用CSF曲線加權(quán),然后對(duì)低頻分量進(jìn)行分塊DCT變換,測(cè)得每塊的中高頻分量的SSIM值作為乘性系數(shù)與前面所得結(jié)果相乘,最后對(duì)彩色圖像各個(gè)通道分別進(jìn)行加權(quán)相加。實(shí)驗(yàn)結(jié)果表明,算法與人眼主觀感受值更加吻合。
Abstract:
Key words :

  摘  要: 提出了一種基于小波變換和人類(lèi)視覺(jué)系統(tǒng)的圖像質(zhì)量評(píng)價(jià)方法。首先分別測(cè)得4級(jí)小波分解后高低頻分量的SSIM值并用CSF曲線加權(quán),然后對(duì)低頻分量進(jìn)行分塊DCT變換,測(cè)得每塊的中高頻分量的SSIM值作為乘性系數(shù)與前面所得結(jié)果相乘,最后對(duì)彩色圖像各個(gè)通道分別進(jìn)行加權(quán)相加。實(shí)驗(yàn)結(jié)果表明,算法與人眼主觀感受值更加吻合。

  關(guān)鍵詞: 小波變換;彩色圖像;質(zhì)量評(píng)價(jià)

0 引言

  現(xiàn)如今,隨著多媒體技術(shù)的發(fā)展,互聯(lián)網(wǎng)中傳輸?shù)膱D像信息不斷增多,尤其以彩色圖像為主。結(jié)構(gòu)相似度(Structural Similarity,SSIM)方法通過(guò)測(cè)量圖像結(jié)構(gòu)信息來(lái)判斷圖像質(zhì)量,評(píng)價(jià)結(jié)果與人眼主觀感受非常接近,算法實(shí)現(xiàn)復(fù)雜度較低,不少學(xué)者對(duì)此方法進(jìn)行改進(jìn)。

  參考文獻(xiàn)[1]~[5]通過(guò)Sobel算子分區(qū)、小波變換分區(qū)、contourlet多方向分區(qū)等方式對(duì)傳統(tǒng)SSIM算法進(jìn)行改進(jìn),但算法多用于灰度圖像。本文針對(duì)人類(lèi)視覺(jué)的色彩掩蔽效應(yīng),針對(duì)不同通道分別加權(quán),將算法引入彩色圖像領(lǐng)域。為了增加與主觀評(píng)價(jià)值的擬合程度,本文還將小波分解后低頻分量進(jìn)行DCT分塊,對(duì)分塊后的中高頻分量計(jì)算SSIM,增加算法的抗噪聲能力,同時(shí)對(duì)JPEG壓縮的檢測(cè)效果有很好的提升。

1 傳統(tǒng)SSIM算法

  WANG Z等人[6]提出了結(jié)構(gòu)相似度(Structural Similarity,SSIM)圖像質(zhì)量客觀評(píng)價(jià)方法,它將圖像劃分為亮度、對(duì)比度和結(jié)構(gòu)3個(gè)成分進(jìn)行比較。將這3個(gè)分量以一定比例整合,即為SSIM評(píng)價(jià)指標(biāo)。

 1.png

  SSIM算法會(huì)出現(xiàn)一些判斷失誤的情況,如圖1所示。

001.jpg

  可以看出,人眼主觀判斷的話,圖1(c)的質(zhì)量明顯高于圖1(b)的質(zhì)量,與測(cè)得的SSIM值相反。

2 人類(lèi)視覺(jué)系統(tǒng)

  人類(lèi)視覺(jué)系統(tǒng)(Human Visual System,HVS)存在諸多掩蔽效應(yīng),如亮度掩蔽、對(duì)比度掩蔽、紋理掩蔽、色彩掩蔽、頻率掩蔽等。

  對(duì)比敏感度函數(shù)[7](Contrast Sensitivity Function,CSF)是一種考慮到HVS特性的函數(shù)曲線,它是對(duì)人類(lèi)觀察圖像時(shí)視覺(jué)興趣區(qū)域的概括。學(xué)者M(jìn)ANNOS和SAKRISON經(jīng)過(guò)大量的試驗(yàn),建立了CSF的函數(shù)表達(dá)式:

  CSF(f)=2.6*(0.019 2+0.114f)exp[-(0.114f)1.1](2)

  其中,f為空間頻率。CSF曲線如圖2所示。

  可以看到,當(dāng)頻率低于40時(shí),人眼的視覺(jué)敏感度幾乎為零。

  傳統(tǒng)SSIM算法只考慮了亮度、對(duì)比度和結(jié)構(gòu),并未考慮頻率掩蔽和色彩掩蔽。

3 算法描述

  本文算法的主要步驟如下:

 ?。?)判斷圖像屬性,若為灰度圖,則直接轉(zhuǎn)到步驟(2);若為彩色圖,則提取RGB 3個(gè)通道。

  (2)對(duì)原圖和嵌入水印后的圖像分別進(jìn)行4級(jí)小波分解,分別提取低頻子帶f5和每級(jí)分解的高頻子帶。每級(jí)小波分解的高頻子帶分為L(zhǎng)L、LH和HH 3部分,對(duì)它們進(jìn)行加權(quán)相加,得到各級(jí)小波分解后的高頻和低頻子圖。

  3.png

  其中,k=1,2,3,4,小波分解后各子帶如圖3所示。

003.jpg

  (3)對(duì)各個(gè)子帶分別求SSIM值,將CSF曲線按照上述方法進(jìn)行4級(jí)小波分解,各級(jí)系數(shù)如表1所示。

005.jpg

  取各頻帶系數(shù)的平均值作為加權(quán)系數(shù),得到結(jié)果

  4.png

  (4)為了克服噪聲和壓縮攻擊對(duì)CWSSIM的影響,對(duì)小波分解后的低頻分量進(jìn)行分塊DCT變換,取每個(gè)子塊的中低頻分量,測(cè)其SSIM值作為權(quán)值:

  5.jpg

  然后與前面測(cè)得的CWSSIM值相乘,即:

  DCWSSIM=Wdct*CWSSIM(6)

  得到權(quán)值修正后的DCWSSIM,使得曲線更加聚合。

 ?。?)對(duì)彩色圖的各個(gè)通道分別進(jìn)行加權(quán),得到最終的CWSSIM:

  S_TGY[[A7YWTK$@@{M4DK`Y.png

4 仿真實(shí)驗(yàn)

  為了測(cè)試這幾種算法對(duì)彩色圖像的評(píng)價(jià)值與人眼主觀評(píng)價(jià)值DMOS的擬合程度,采用Live數(shù)據(jù)庫(kù)[8]對(duì)本文算法和相關(guān)算法進(jìn)行測(cè)試,并對(duì)客觀評(píng)價(jià)結(jié)果和DMOS分值繪制散點(diǎn)圖,進(jìn)行曲線擬合。

  首先采用Live圖庫(kù)進(jìn)行測(cè)試,橫軸表示客觀評(píng)價(jià)算法,縱軸表示DMOS值,每一點(diǎn)表示一幅圖片,如圖4所示。

004.jpg

  可以看出,PSNR、SSIM和MWSSIM方法所繪制的散點(diǎn)圖過(guò)于分散;MRWSSIM由于增加了權(quán)值,擬合效果略好;WWSSIM由于考慮了頻率的方向性,在一定程度上使得曲線更加集中,但這兩種算法在對(duì)待高斯白噪聲(圖中圓圈所示)時(shí),可能會(huì)出現(xiàn)評(píng)價(jià)不準(zhǔn)確的情況;而本文算法對(duì)高斯白噪聲的評(píng)價(jià)更接近預(yù)測(cè)曲線。

  采用VQEG評(píng)價(jià)標(biāo)準(zhǔn)對(duì)上述6種客觀評(píng)價(jià)算法作評(píng)價(jià),測(cè)試結(jié)果如表2所示。

006.jpg

  由上表可以看出,本文所用方法對(duì)于Live圖像數(shù)據(jù)庫(kù)具有最高的皮爾森相關(guān)值,同時(shí)離群率較低,WWSSIM由于考慮了頻率方向性,也取得了比前4種好的效果。

5 結(jié)論

  本算法采用小波變換的多尺度分析技術(shù),小波變換分區(qū),彌補(bǔ)了傳統(tǒng)SSIM沒(méi)有考慮到頻率掩蔽效應(yīng)的不足,并采用CSF分解曲線確定權(quán)值。由于SSIM對(duì)噪聲敏感,通常檢測(cè)的經(jīng)過(guò)JPEG壓縮的圖像值偏高,而經(jīng)過(guò)噪聲處理的圖像值偏低,本文對(duì)小波后的低頻分量再進(jìn)行DCT分塊,計(jì)算每一塊的中高頻成分的和的平均值作為乘性系數(shù),使得測(cè)得的結(jié)果曲線更加聚合。本文還考慮到了人眼的色彩掩蔽效應(yīng),對(duì)RGB圖像的3個(gè)通道分別加權(quán),使得本算法對(duì)彩色圖像的評(píng)價(jià)值更加精確。

參考文獻(xiàn)

  [1] Chen Guanhao, Yang Chunling, Xie Shengli. Gradient-based structural similarity for image quality assessment[C]. 2006 IEEE International Conference on Image Processing. IEEE, 2006: 2929-2932.

  [2] 王一秀,韓焱.基于人眼視覺(jué)特性的X線圖像質(zhì)量評(píng)價(jià)方法[J].微型機(jī)與應(yīng)用,2010,29(9):38-40.

  [3] 倪曉明.基于小波變換圖像質(zhì)量評(píng)價(jià)新算法[D].廈門(mén):廈門(mén)大學(xué),2009.

  [4] 米曾真.小波域中CSF頻率與方向加權(quán)的圖像質(zhì)量評(píng)價(jià)方法[J].電子學(xué)報(bào),2014,42(7):1273-1276.

  [5] Lu Bin, Tian Wei. Image quality assessment based on nonsubsampled contourlet transform and structural similarity[C].2013 3rd International Conference on Consumer Electronics, Communications and Networks (CECNet), IEEE, 2013: 347-350.

  [6] WANG Z, BOVIK A C, SHEIKH H R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4): 600-612

  [7] JUNG S W, LE THANH HA S J K, KO S J. A new histogram modification based reversible data hiding algorithm considering the human visual system[J]. IEEE Signal Processing Letters, 2011, 18(2):95-98.

  [8] SHEIKH H R, BOVIK A C. Image information and visual quality[J]. IEEE Transactions on Image Processing, 2006, 15(2):430-444.


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。