基于多尺度邊緣表達的圖片質(zhì)量評價方法
【專利摘要】本發(fā)明提供了一種基于多尺度邊緣表達的圖片質(zhì)量評價方法，該方法根據(jù)人類視覺系統(tǒng)理解自然場景時對邊緣和輪廓的嚴重依賴性，在小波域利用多尺度邊緣表達進行圖像質(zhì)量評價：首先在多尺度上計算圖像小波變換得到小波因子的模及幅角，然后再計算原圖和失真圖小波因子模的結(jié)構(gòu)相似性，即多尺度模相似算法來進行圖像的質(zhì)量評價；或者由小波因子模的局部極大值得到圖像的多尺度邊緣表達，計算多尺度邊緣的結(jié)構(gòu)相似性，即多尺度邊緣相似算法來進行圖像的質(zhì)量評價。本發(fā)明所述的圖片質(zhì)量評價方法具有良好的性能，M2S方法和M3S方法都比廣泛使用的峰值信噪比和簡單的結(jié)構(gòu)相似性方法性能更好。
【專利說明】基于多尺度邊緣表達的圖片質(zhì)量評價方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，具體地，涉及一種基于多尺度邊緣表達的圖片質(zhì) 量評價方法。

【背景技術(shù)】
[0002] 圖像質(zhì)量評價技術(shù)在許多圖像處理應(yīng)用中具有非常重要的作用，如系統(tǒng)性能評 價、圖像增強、去噪及編碼參數(shù)優(yōu)化。圖像質(zhì)量評價方法根據(jù)是否能夠得到原圖可以分為三 類：全參、半?yún)⒓盁o參方法。全參方法通常使用整張原始圖像、半?yún)⒎椒ㄟx擇性使用原始圖 像的部分特征、而無參方法無需使用原始圖像。近年許多研究者投入到利用計算機的圖像 質(zhì)量評價方案的研究當(dāng)中，但由于對人類視覺系統(tǒng)缺乏了解，圖像質(zhì)量評價任然是一項非 常有挑戰(zhàn)性的工作。
[0003] 均方誤差（MSE)和峰值性噪比（PSNR)盡管有時候與測試者的主觀評分不是特別 符合，但由于其簡單性，MSE和PSNR仍然是目前最普遍的質(zhì)量評價標準。研究者近年提出 了許多全參圖像質(zhì)量評價方法，但仍然不像MSE和PSNR那樣被廣泛采用；而由于特征提取 的復(fù)雜性，有效的半?yún)D像質(zhì)量評價方法被提出；無參圖像質(zhì)量評價方法則更難開發(fā)。
[0004] 早期許多神經(jīng)系統(tǒng)科學(xué)領(lǐng)域的工作，如D. Hubei等人在《Journal of Neuroscience》（神經(jīng)科學(xué)期刊）第160卷的第106頁至第154頁發(fā)表的論文"Receptive Fields and Functional Architecture in the Cat's Visual Cortex"和第 195卷的第215 頁至第 243 頁發(fā)表的論文"Receptive Fields and Functional Architecture of Monkey Striate Cortex" ；以及計算機視覺領(lǐng)域的工作，如T. Lindeberg在《IEEE Trans. Pattern Analysis and Machine Intelligence》（IEEE模式分析與機器智能匯刊）第12卷第3期 的第 234 頁至第 254 頁發(fā)表的論文 "Scale-Space for Discrete Signals" 和 J.H. Elder 等人在〈〈IEEE Trans. Pattern Analysis and Machine Intelligence〉〉（IEEE 模式分析與 機器智能匯刊）第20卷第7期的第699頁至第716頁發(fā)表的論文"Local scale control for edge detection and blur estimation"都表明多尺度分解技術(shù)比單尺度技術(shù)更好地 模擬人類視覺系統(tǒng)的心理生理學(xué)機制，所以多尺度分解技術(shù)有望能在自然圖像處理中取得 更令人滿意的效果。此外，一些研究工作，如J. H. Elder等人在《Vision Research》（視覺研 究）第38卷第1期的第143頁至第152頁發(fā)表的論文"Evidence for boundary-specific grouping in human vision"表明人類視覺系統(tǒng)在感知表面屬性及理解自然場景時嚴重依 賴于邊緣及輪廓。


【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于多尺度邊緣表達的圖片質(zhì) 量評價方法，該方法具有良好的性能，而且比廣泛使用的峰值信噪比和簡單的結(jié)構(gòu)相似性 方法性能更好。
[0006] 為實現(xiàn)以上的目的，本發(fā)明提供一種基于多尺度邊緣表達的圖片質(zhì)量評價方法， 該方法根據(jù)人類視覺系統(tǒng)理解自然場景時對邊緣和輪廓的嚴重依賴性，在小波域利用多尺 度邊緣表達進行圖像質(zhì)量評價：首先在多尺度上計算圖像小波變換得到小波因子的模及幅 角，然后再計算原圖和失真圖小波因子模的結(jié)構(gòu)相似性，即多尺度模相似算法來進行圖像 的質(zhì)量評價；或者由小波因子模的局部極大值得到圖像的多尺度邊緣表達，計算多尺度邊 緣的結(jié)構(gòu)相似性，即多尺度邊緣相似算法來進行圖像的質(zhì)量評價。
[0007] 該方法具體包括以下步驟：
[0008] 第一步、對圖像進行二階小波變換：首先對滿足條件的二階可微的二維平滑函 數(shù)Θ (X，y)求一階偏導(dǎo)得到小波函數(shù)ψΗχ,γ)，V2(X，y)，小波函數(shù)在尺度f的二階展開 為(X，fx, yj,則二維函數(shù)f(x，y)在尺度2」上二階小波變換可以向量形式表示為

【權(quán)利要求】
1. 一種基于多尺度邊緣表達的圖片質(zhì)量評價方法，其特征在于包括以下步驟： 第一步、對圖像進行二階小波變換：首先對滿足條件的二階可微的二維平滑函數(shù) Θ (x，y)求一階偏導(dǎo)得到小波函數(shù)vHxj)，V2(x，y)，小波函數(shù)在尺度f的二階展開 為_ν}ψ=: (X，y)，則二維函數(shù)f (X，y)在尺度2j上二階小波變換可以向量形式表示為
，其中Θ (X，y)為滿足一定條件的二階可微的二維平滑函數(shù)，二維函數(shù)f(X，y) 為所需要評價的圖像，（x，y)即為圖像的坐標，
分別為圖像f(x，y)在 尺度f上二階小波變換水平和垂直方向的小波因子，j = 1，2, 3…為正整數(shù)； 第二步、多尺度邊緣提取：對尺度2j上的圖像小波變換向量取模得Μ2?.?<Χ， y),其方向由
4 ffx，y)給出，圖像的多尺度邊緣即為圖片二階小波變換模的局部極大值，其中M2jf(x，y) 即為圖像小波變換向量 的模， ，、即為圖像小波變換向量的方向； a2> f(x> y) 第三步、計算原圖和失真圖在多尺度上小波變換模的結(jié)構(gòu)相似性，采用多尺度模相似 方法M2S，通過量化原圖及失真圖在多尺度上小波變換模的相似性，最后將多尺度上的相似 性結(jié)合來評價失真圖的圖像質(zhì)量；或者采用極大模相似方法M 3S，通過量化原圖及失真圖在 多尺度上多尺度邊緣的相似性，最后將多尺度上的相似性結(jié)合來評價失真圖的圖像質(zhì)量。
2. 根據(jù)權(quán)利要求1所述的一種基于多尺度邊緣表達的圖片質(zhì)量評價方法，其特征在 于，第一步中，所述二階可微的二維平滑函數(shù)Θ (X，y)應(yīng)滿足以下條件：
其一階偏導(dǎo)為：
Ψ'? ￥2(x，y)均值為0,故可作為小波函數(shù)，小波函數(shù)的二階展開表示為：
則函數(shù)f(x，y) e L2(R2)在尺度f的二階小波變換表示為：
其中，y)l y)分別為水平和垂直方向的小波因子； 對圖像在多尺度上利用函數(shù)Θ (X，y)進行平滑，則得到以下梯度向量描述：
其中，
即為圖像小波變換的向量表示形式，Θ (X，y)為平滑函數(shù)，f(X，y)為 一幅圖像，表示在尺度f上利用Θ (x，y)對f(x，y)進行平滑，*表示卷積操作，
和 W分別表示對X和y求偏導(dǎo)，Kx，y)和fy；)即表示fs^2關(guān)于X和 y的偏導(dǎo)在（X，y)處的值，2#卜θ2^χ，y)即為圖像小波變換的梯度描述。
3. 根據(jù)權(quán)利要求1所述的一種基于多尺度邊緣表達的圖片質(zhì)量評價方法，其特征在 于，第二步中，在尺度f上，圖像f(x，y)的小波變換向量21 I ' 1的模為： LwMx，y)」 M2jf (x, y) = -y Wgif (x, y) + W22jf (x, y) 其中，M/ (X，y；)即為圖像f (x，y)小波變換向量的模，(x，y)，W^f (X，y)分別為小波 變換向量的水平和垂直兩個方向分量； 圖像fU，y)小波變換的方向由下式給出： A"f(x, y) - arctanyt， 。 jW2，f(x，y) 其中，Α2?，y)即為小波變換向量的方向，(x，y)，Wgf (x，y)分別為小波變換向量 的水平和垂直兩個方向分量； ;Γ*θ2」(χ，y)的變量點即為M2,f(x，y)在方向A2,f(x，y)上取得局部極大值的點，圖像的多 尺度邊緣即為圖像二階小波變換模的局部極大值。
4. 根據(jù)權(quán)利要求1-3任一項所述的一種基于多尺度邊緣表達的圖片質(zhì)量評價方法，其 特征在于，第三步中，所述多尺度模相似方法M 2S，其中模的相似性通過結(jié)構(gòu)相似性進行衡 量； 用M〇2, (X，y} Md2i (X，y} (j = 1, 2, . . .，N)分別表示原圖和失真圖的小波變換的模， 其中N表示分解的層數(shù)，則在尺度f上原圖和失真圖模的平均結(jié)構(gòu)相似性表示為 MSSIM[M〇2l(x，y)i Md^x，y]]，計算分解級數(shù)為N時的多尺度模相似性：
其中，Wi為不同層數(shù)的相對權(quán)重，設(shè)為
，N為分解的層數(shù)， M〇2j (x，y)，Md2l (x，y)分別為原圖和失真圖小波變換的模，MSS頂[*，*]為一種平均結(jié)構(gòu)相 似性算法，M2S(N)即為分解級數(shù)為N時的多尺度模相似性。
5.根據(jù)權(quán)利要求1-3任一項所述的一種基于多尺度邊緣表達的圖片質(zhì)量評價方法，其 特征在于，第三步中，所述極大模相似方法M3S，其中多尺度邊緣的相似性通過結(jié)構(gòu)相似性 進行衡量； 用\1 \1〇2 (X，y；)，\1 \1 (12卜，y；)，〇 = 1，2,. . .，\)分別表示原圖和失真圖的小波變換的 模局部極大值，計算分解級數(shù)為N時的多尺度極大模相似性為：
其中，Wi為不同層數(shù)的相對權(quán)重，設(shè)為
，N為分解的層數(shù)， MM〇2l (x，y)，MMd2l (x，y)分別為原圖和失真圖小波變換模的局部極大值，MSSIM[*，*]為一 種平均結(jié)構(gòu)相似性算法，M3S(N)即為分解級數(shù)為N時的多尺度極大模相似性。
【文檔編號】G06T7/00GK104143188SQ201410320983
【公開日】2014年11月12日 申請日期:2014年7月4日 優(yōu)先權(quán)日:2014年7月4日
【發(fā)明者】翟廣濤, 閔雄闊, 楊小康, 李鐸 申請人:上海交通大學(xué)