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)。

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

　　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。

　　其中，k=1，2，3，4，小波分解后各子帶如圖3所示。

　　（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。

　　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）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：

　　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：

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。

　　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。

　　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.