基于梯度的彩色圖像質(zhì)量評價方法
【專利摘要】本發(fā)明公開了一種基于梯度的彩色圖像質(zhì)量評價方法，主要解決當前圖像質(zhì)量評價方法中對彩色圖像顏色失真評價效果不佳的問題。其包括：1)利用S?CIELAB色貌模型分別對原始圖像和失真圖像進行顏色感知變換，將這兩種圖像分別分解為一個亮度通道和兩個色度通道；2)利用線性卷積濾波對每一個通道進行梯度計算，獲得原始圖像和失真圖像的亮度邊緣和色度邊緣；3)計算原始圖像與失真圖像之間的亮度邊緣差異和色度邊緣差異；4)將亮度邊緣差異和色度邊緣差異進行線性融合，得到最終的質(zhì)量評價值CGBM。本發(fā)明能夠更有效、更準確地對彩色圖像進行質(zhì)量評價，可用于彩色圖像壓縮、存儲、傳輸過程中對彩色圖像的處理。
【專利說明】
基于梯度的彩色圖像質(zhì)量評價方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別是一種彩色圖像質(zhì)量評價方法，可用于彩色 圖像壓縮、存儲、傳輸過程中對彩色圖像的處理。
【背景技術(shù)】
[0002] 隨著彩色成像技術(shù)的快速發(fā)展，彩色數(shù)字圖像已被大規(guī)模應用于數(shù)據(jù)可視化領(lǐng)域 中。與灰度圖像相比，彩色圖像包含了更高的信息層次，它能夠真實而生動的描述客觀世 界。但對彩色圖像進行數(shù)字化處理時，比如在信息采集、變換處理、壓縮存儲、信道傳輸、終 端顯示等過程中，無法避免的會引入一些失真，導致圖像的顏色信息發(fā)生畸變或丟失等現(xiàn) 象，使彩色圖像的質(zhì)量發(fā)生不同程度的下降。降質(zhì)會導致彩色圖像出現(xiàn)物體間顏色雜糅、物 體邊緣色彩塊狀模糊化等現(xiàn)象，難以從圖像中獲取有效信息，這對人們認識客觀世界帶來 了很大的困擾，也為后續(xù)的彩色圖像處理系統(tǒng)和分析帶來了障礙。因此需要設(shè)計合理的彩 色圖像質(zhì)量評價算法。
[0003] 現(xiàn)有的圖像質(zhì)量評價算法多數(shù)是針對于灰度圖像而設(shè)計的，即先將彩色圖像從 RGB空間變換到灰度域后再進行評測。由于灰度圖像的像素點由標量表示，而彩色圖像的像 素點是用矢量來表示，如果將這類算法應用于彩色失真圖像，則忽略了圖像里的顏色分量 信息，得到的評價結(jié)果與主觀感知一致性較差。研究表明，在一個人觀察一幅圖像的初期， 人眼接收到的視覺信息80%為圖像的顏色信息，即使在觀察幾分鐘之后，這個百分比也可 以保持在50%左右。由此可見，色彩信息在人類感知圖像的過程中扮演著重要的角色。因 此，需要在圖像質(zhì)量評價中考慮到顏色對于圖像失真的影響。由于色彩變化的多樣性和人 類視覺對顏色感知的復雜性，這使得對彩色圖像質(zhì)量的量化評價更加困難，針對圖像色彩 失真特點設(shè)計可適用于彩色圖像的質(zhì)量評價方法是十分必要的。
[0004] Wang等人分析了圖像RGB通道的局部方差變量，先利用其概率分布構(gòu)造四元數(shù)的 系數(shù)，再根據(jù)四元數(shù)矩陣表征圖像的結(jié)構(gòu)信息，最后對矩陣進行分解，將奇異值間的相似性 作為評價測度。此類方法考慮到了各個彩色分量之間的關(guān)系，但在由亮度漂移和對比度變 化引起的顏色失真類型上結(jié)果比較差。
[0005] Xie等人從人類對圖像質(zhì)量的感知主要與圖像的亮度、信息量、對比度和噪聲有關(guān) 這一角度出發(fā)，提取了三個通道的相關(guān)特征，綜合融合后得到最終測度。此方法用到的特征 主要還是由圖像的亮度信息構(gòu)成，并沒有從色彩本身提取特征，并且此方法適用的失真范 圍有限，只適用于評價加噪和模糊圖像。由此可見，現(xiàn)行的大多數(shù)彩色圖像質(zhì)量評價方法在 性能指標上與實際使用需求仍有較大距離。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對當前圖像質(zhì)量評價方法中對彩色圖像顏色失真評價效果 不佳的問題，提出了一種基于梯度的彩色圖像質(zhì)量評價方法，以更有效、更準確地對彩色圖 像進行質(zhì)量評價，滿足更多彩色圖像的使用需求。
[0007] 實現(xiàn)本發(fā)明目的的技術(shù)方案是:將圖像的亮度邊緣和色度邊緣相結(jié)合來表征圖像 失真程度，即根據(jù)彩色圖像的邊緣信息對失真變化敏感，基于梯度特性提取每個通道亮度 邊緣和色度邊緣，再通過參考圖像和失真圖像邊緣差異和差異融合，對彩色圖像進行質(zhì)量 評價。
[0008] 其實現(xiàn)步驟包括如下：
[0009] (1)利用國際照明委員會CIE提出的S-CIELAB色貌模型分別對原始圖像R和失真圖 像D進行顏色感知變換，將這兩種圖像分別分解為一個亮度通道L和兩個色度通道(a，b)，其 中，L表示顏色的亮度，a通道的顏色是從紅色到深綠，b通道的顏色是從黃色到藍色；
[0010] (2)利用線性卷積濾波對每一個通道進行梯度計算，獲得原始圖像和失真圖像的 亮度邊緣和色度邊緣：
[0011]
[0012]
[0013]
[0014]
[0015]
[0016]
[0017] 其中，X表示濾波器的水平方向，y表示濾波器垂直方向，Lr表示原始圖像R的亮度 通道，Ld表示失真圖像D的亮度通道，表示原始圖像亮度通道的梯度幅度，表 示失真圖像亮度通道的梯度幅度;a R表示原始圖像R中紅色到深綠的顏色，aD表示失真圖像D 中紅色到深綠的顏色，K(W)，分別表示原始圖像和失真圖像中a色度通道的梯度 幅度；bR表示原始圖像R中黃色到藍色的顏色，b D表示失真圖像D中黃色到藍色的顏色， 上J)分別表示原始圖像和失真圖像中b色度通道的梯度幅度；
[0018] (3)計算原始圖像與失真圖像之間的邊緣差異參數(shù)：
[0019] 〇3a)利用結(jié)構(gòu)相似度算法SS頂中亮5
[0020] 相似度評價指標
[0021] 推導出原始圖像與失真圖像亮度通道像素點之間的亮度邊緣差異DMl，其中，x，y 分別代表原始圖像塊和失真圖像塊，μχ，μγ*別代表原始圖像塊和失真圖像塊的均值，C1S 常量；
[0022] (3b)比較原始圖像與失真圖像像素點之間紅色到深綠的顏色差異，推導出二者的 a色度邊緣差異DMa;
[0023] (3c)比較原始圖像與失真圖像像素點之間黃色到藍色的顏色差異，推導出二者的 b色度邊緣差異DMb;
[0024] (4)將亮度邊緣差異和色度邊緣差異進行線性融合，得到最終的質(zhì)量評價值CGBM:
[0025]
[0026]其中，i = 1，2，3N，N為圖像內(nèi)所有像素點的數(shù)量，ω :，ω 2，ω 3分別代表亮度通道，a 色度通道，b色度通道對失真感知影響的權(quán)重參數(shù)，CGBM結(jié)果值的范圍為[0，1]，結(jié)果越接近 1代表圖像的質(zhì)量越好。
[0027]本發(fā)明具有如下優(yōu)點：
[0028] 1)本發(fā)明與其它方法相比，在彩色圖像質(zhì)量評價準確度上有較明顯的改進，適用 于更多類型的顏色失真，而且取得了與主觀評價結(jié)果較一致的結(jié)果。
[0029] 2)本發(fā)明由于把圖像通過色貌模型變換到合適的顏色空間，與其它方法先將彩色 圖像的R，G，B色彩通道分別利用灰度域圖像的某一質(zhì)量評價算法進行計算，再把R，G，B通道 的結(jié)果進行線性疊加的方式相比，更加準確的描述了圖像的亮度與色度屬性，更具有合理 性。
[0030] 3)本發(fā)明利用色度邊緣差異對彩色圖像進行質(zhì)量評價，很好的克服了傳統(tǒng)方法中 將彩色圖像變換到灰度域進行質(zhì)量評價時丟失大量顏色信息的問題。實驗結(jié)果表明，本發(fā) 明對于顏色部分差異的計算是有效的。
【附圖說明】
[0031] 圖1是本發(fā)明的實現(xiàn)流程圖；
[0032]圖2是本發(fā)明在TID2013數(shù)據(jù)庫上選取的8種不同類型的顏色失真圖像；
[0033]圖3是利用本發(fā)明求得的圖像質(zhì)量Q與失真圖像MOS值的擬合圖；
【具體實施方式】
[0034]參照圖1，本發(fā)明的實現(xiàn)步驟如下：
[0035]步驟1.利用S-CIELAB色貌模型對圖像進行顏色感知變換。
[0036]人眼視覺系統(tǒng)對顏色的感知會隨著照明條件、觀測距離、觀測設(shè)備等環(huán)境因素的 不同而發(fā)生變化。如果將兩個相同的顏色置于不同的觀察條件下，人眼視覺系統(tǒng)對這兩個 顏色的感知是不一樣的。因此，在對彩色圖像進行處理之前，需要對原始圖像圖像和失真圖 像進行感知變換來消除不同的觀測條件對于顏色感知的影響。
[0037]本實例選取了S-CIELAB色貌模型，將原始圖像與失真圖像進變換到LAB2000HL空 間，此空間用色差公式計算出的結(jié)果與人眼感知的顏色差異匹配度比其他顏色空間高，能 較好的模擬視覺感知特性，更準確的描述顏色的色度、色相等屬性，是個感知均勻的顏色空 間。
[0038] 步驟2.利用線性卷積濾波提取原始圖像和失真圖像的亮度邊緣和色度邊緣。
[0039] 對于彩色圖像，傳統(tǒng)的基于圖像亮度進行邊緣提取的方法是不充分的，本實例利 用顏色感知變換模型將原始圖像和失真圖像分別分解為一個亮度通道L和兩個色度通道 (a，b)，其中，L表示顏色的亮度，a通道的顏色是從紅色到深綠，b通道的顏色是從黃色到藍 色；
[0040] 利用線性卷積濾波對每一個通道進行梯度計算：
[0041]
[0042]
[0043]
[0044]
[0045]
[0046]
[0047] 其中，x表示濾波器的水平方向，y表示濾波器垂直方向，Lr表示原始圖像R的亮度 通道，Ld表示失真圖像D的亮度通道，表示原始圖像亮度通道的梯度幅度，g(x.jr)表 示失真圖像亮度通道的梯度幅度;a R表示原始圖像R中紅色到深綠的顏色，aD表示失真圖像D 中紅色到深綠的顏色，芯(x,.V)，g^(x,.V)分別表示原始圖像和失真圖像中a色度通道的梯度 幅度；bR表示原始圖像R中黃色到藍色的顏色，b D表示失真圖像D中黃色到藍色的顏色， g:iUV·)，g丨ΧΛ·,.ν)分別表示原始圖像和失真圖像中b色度通道的梯度幅度；
[0048] 通過對每一個通道進行梯度計算獲得原始圖像和失真圖像的亮度邊緣和色度邊 緣。
[0049] 步驟3.計算原始圖像與失真圖像之間的邊緣差異參數(shù)。
[0050] 3.1)計算原始圖像與失真圖像亮度通道像素點之間的亮度邊緣差異DMu
[0051 ]利用結(jié)構(gòu)相似度算法SS頂中亮度相似度評價指I
[0052] 推導出原始圖像與失真圖像亮度通道像素點之間的亮度邊緣差異DMu
[0053]
[0054]其中，x，y分別代表原始圖像塊和失真圖像塊，μχ，μγ分別代表原始圖像塊和失真圖 像塊的均值，&為常量，m = 150用于調(diào)整DMl的大?。?br>[0055] 3.2)計算原始圖像和失真圖像的a色度邊緣差異DMjPb色度邊緣差異DMb:
[0056] SSIM算法中亮度相似度評價指標是在線性亮度空間內(nèi)計算差異，而在感知均勻的 彩色空間中，本實例米取Guha T等人在文獻"Learning sparse models for image quality assessmen"中提出的差異度量方式計算始圖像和失真圖像的a色度邊緣差異DMa 和b色度邊緣差異DMb:
[0057]
[0058]
[0059] 其中nu，m2為取值很小的常數(shù)，以避免分母為零或接近零時造成的奇異性，在本發(fā) 明中取mi = 0.5，m2 = 0.5。
[0060] 步驟4 ·質(zhì)量評價。
[0061] 將亮度邊緣差異和色度邊緣差異進行線性融合，得到最終的質(zhì)量評價值CGBM:
[0062]
[0063]其中，i = 1，2，3N，N為圖像內(nèi)所有像素點的數(shù)量，ω :，ω 2，ω 3分別代表亮度通道，a 色度通道，b色度通道對失真感知影響的權(quán)重參數(shù)，CGBM結(jié)果值的范圍為[0，1]，結(jié)果越接近 1代表圖像的質(zhì)量越好。
[0064] 本發(fā)明的優(yōu)點可通過以下實驗進一步說明：
[0065] 1.評測條件：
[0066]使用了烏克蘭航空航天大學的學者Nikolay Ponomarenko和其課題組建立的 TID2013圖像庫。此數(shù)據(jù)庫是目前包含失真類別最多、圖像數(shù)量最大的公開數(shù)據(jù)庫，其在已 經(jīng)得到了廣泛應用的TID2008數(shù)據(jù)庫的基礎(chǔ)之上又增加了 7種新的失真類型，并對所有失真 類型的等級增加了 1級，因此該數(shù)據(jù)庫包含了 24種失真類型，5個失真等級，共計3000幅失真 圖像和25幅原始圖像。
[0067]上述豐富的圖像內(nèi)容、全面的失真種類和大量的圖像個數(shù)都使TID2013更適合進 行質(zhì)量評價算法的驗證，除此之外，選擇此數(shù)據(jù)庫的另一重要原因是它包含了多種對顏色 感知產(chǎn)生影響的失真類型。本發(fā)明選取了此數(shù)據(jù)庫中8類關(guān)于顏色的失真類型，如表1所示。 [0068] 表1 TID2013數(shù)據(jù)庫中8種彩色失真
[0070] 表1所示的這8類失真類型的圖像如圖2所示，其中圖2a，2b，2c，2d，2e，2f，2g，2h，I 分別對應表1中的#2失真加噪，#7失真量化噪聲，#10失真JPEG壓縮，#16失真均值漂移，#17 失真對比度變化，#18失真顏色飽和度變化，#22失真顏色量化和#23失真色差和原始圖像。 [0071] 2.仿真實驗
[0072] 實驗1，一致性驗證。
[0073] 為了測試本發(fā)明提出的彩色圖像質(zhì)量客觀評價結(jié)果與主觀質(zhì)量評價的一致性，選 取Pearson線性相關(guān)系數(shù)PLCC，反映客觀評價方法預測的精確性，PLCC值越接近1，表示算法 準確度越高；
[0074] 將本發(fā)明與現(xiàn)有幾種最新的彩色圖像質(zhì)量評價方法iCID，CID，QSSIM，S-SSM和 FS頂針對于彩色失真圖像做對比實驗。結(jié)果如表2。
[0075]表2本發(fā)明和其它算法在TID2013數(shù)據(jù)庫上的CC值
[0077]從表2中可以看出，本發(fā)明在所有顏色失真類型上的結(jié)果都優(yōu)于CID，QSSM，和S-SSIM算法。與iCID算法相比，本發(fā)明在6類失真上均取得了更高的PLCC值，尤其在Contrast change這類失真中優(yōu)勢明顯。除此之外，本發(fā)明彌補了FSIM算法在Change of color saturation失真類型上的不足。綜上所述，本發(fā)明在評價準確度上與對比方法相比有較明 顯的改進，取得了與主觀評價結(jié)果相一致的結(jié)果。
[0078] 實驗2,合理性驗證。
[0079]為了驗證本發(fā)明的合理性，針對四種彩色失真，量化噪聲(#7) JPEG壓縮(#10)，圖 像的顏色量化(#22)和色差(#23)設(shè)計實驗進行分析和論證。在選取的實驗數(shù)據(jù)里，共包括 有25幅原始圖像和其對應的4種顏色失真類型，其中每種類型有5個失真程度依次增大的失 真圖像。
[0080] 首先，對每一幅失真圖像計算圖像質(zhì)量，再將屬于同一失真類型同一個失真程度 的所有失真圖像對應的Q值匯合并取其均值。同時，將屬于同一失真類型同一失真程度的所 有圖像的MOS值取均值，結(jié)果由圖3所示。
[0081] 由圖3可看出，客觀質(zhì)量評估結(jié)果Q隨著圖像失真程度的降低而增大，本發(fā)明的預 測趨勢與圖像失真程度有很好的一致性，能有效檢測出圖像質(zhì)量的變化，具有合理性。 [0082] 實驗3,顏色有效性驗證。
[0083]為了驗證本發(fā)明中顏色部分在整體評價過程中的作用，將本發(fā)明中顏色通道a和b 的權(quán)重參數(shù)ω 2和ω 3設(shè)置為〇，即只利用本發(fā)明中的亮度部分進行質(zhì)量評價，實驗結(jié)果記為 CGBM*。將所得實驗數(shù)據(jù)與利用本發(fā)明得到的實驗數(shù)據(jù)CGBM進行比較。結(jié)果如表3。
[0084]表3不同失真程度集的MOS均值與評價結(jié)果(CGBM)均值
[0086]從表3可以看出，當把本發(fā)明中的顏色部分去除后，其實驗結(jié)果在失真類型#2，# 10，#22和#23上與本發(fā)明結(jié)果幾乎保持一致，而在#16，#17和#18這三種失真上的PLCC值大 幅下降，尤其是#17的結(jié)果僅為0.3,由此可見，算法內(nèi)對于顏色部分差異的計算是有效的。
【主權(quán)項】
1. 一種基于梯度的彩色圖像質(zhì)量評價方法，包括： (1) 利用國際照明委員會CIE提出的S-CIELAB色貌模型分別對原始圖像R和失真圖像D 進行顏色感知變換，將運兩種圖像分別分解為一個亮度通道L和兩個色度通道(a, b)，其中， L表示顏色的亮度，a通道的顏色是從紅色到深綠，b通道的顏色是從黃色到藍色； (2) 利用線性卷積濾波對每一個通道進行梯度計算，獲得原始圖像和失真圖像的亮度 邊緣和色度邊緣：其中，X表示濾波器的水平方向，y表示濾波器垂直方向，Lr表示原始圖像R的亮度通道， Ld表示失真圖像D的亮度通道，放托_)，)表示原始圖像亮度通道的梯度幅度，姑托y)表示失 真圖像亮度通道的梯度幅度;3R表示原始圖像R中紅色到深綠的顏色，3D表示失真圖像D中紅 色到深綠的顏色，結(jié)知辦，始耗為分別表示原始圖像和失真圖像中a色度通道的梯度幅 度；W表示原始圖像R中黃色到藍色的顏色，bD表示失真圖像D中黃色到藍色的顏色， 公,U，.v)，觀x，.v)分別表示原始圖像和失真圖像中b色度通道的梯度幅度； (3) 計算原始圖像與失真圖像之間的邊緣差異參數(shù)： (3a)利用結(jié)構(gòu)相似度算法SSIM中亮度相似度評價指標推導出原 始圖像與失真圖像亮度通道像素點之間的亮度邊緣差異〇化，其中，x，y分別代表原始圖像 塊和失真圖像塊，μχ,μγ分別代表原始圖像塊和失真圖像塊的均值，Cl為常量； (3b)比較原始圖像與失真圖像像素點之間紅色到深綠的顏色差異，推導出二者的a色 度邊緣差異DMa; (3c)比較原始圖像與失真圖像像素點之間黃色到藍色的顏色差異，推導出二者的b色 度邊緣差異DMb; (4) 將亮度邊緣差異和色度邊緣差異進行線性融合，得到最終的質(zhì)量評價值CGBM:其中，i = 1,2,3 N，N為圖像內(nèi)所有像素點的數(shù)量，ωι，ω 2, ω 3分別代表亮度通道，a色 度通道，b色度通道對失真感知影響的權(quán)重參數(shù)，CGBM結(jié)果值的范圍為[0，1]，結(jié)果越接近1 代表圖像的質(zhì)量越好。2. 根據(jù)權(quán)利要求1所述的方法，其中步驟(3a)中推導出的原始圖像與失真圖像亮度通 道像素點之間的亮度邊緣差異DMl，表示如下：其中m = 150,用于調(diào)整DMl的大小。3. 根據(jù)權(quán)利要求1所述的方法，其中步驟(3b)中推導出的原始圖像與失真圖像像素點 之間的a色度邊緣差異DMa，表示如下：其中mi = 0.5，W避免分母為零或接近零時造成的奇異性。4. 根據(jù)權(quán)利要求1所述的方法，其中步驟(3c)中推導出的原始圖像與失真圖像像素點 之間的b色度邊緣差異DMb，表示如下：其中m2 = 0.5，W避免分母為零或接近零時造成的奇異性。
【文檔編號】G06T7/00GK105844640SQ201610171818
【公開日】2016年8月10日
【申請日】2016年3月24日
【發(fā)明人】路文, 吝冰杰, 許天驕, 孫互興, 何立火, 鄧成, 王穎, 王斌
【申請人】西安電子科技大學