部分参考型图像质量评价方法及装置.docx
PATEXPL®RER专利探索者一全球创新始于探索部分参考型图像质量评价方法及装置申请号：CN.6申请日：20130606申请（专利权）人：深圳大学地址：广东省深圳市南山区南海大道3688号深圳大学计算机与软件学院发明人：储颖,牟轩沁,纪震主分类号：G06T7/00公开（公告）号：CNB公开（公告）日：20160309代理机构：深圳市瑞方达知识产权事务所（普通合伙）代理人：张约宗,张秋红(19)中华人民共和国国家知识产权局(21)申请号CN. 6(12)发明专利(10)授权公告号CNB (45)授权公告日20160309(22)申请日20130606(71)申请人深圳大学地址广东省深圳市南山区南海大道3688号深圳大学计算机与软件学院(72)发明人储颖，牟轩沁，纪震(74)专利代理机构深圳市瑞方达知识产权事务所(普通合伙)代理人张约宗，张秋红(54)发明名称部分参考型图像质量评价方法及装置(57)摘要本发明公开了一种部分参考型图像质量评价方法及装置，该方法包括步骤：分别对参考图像和失真图像进行小波分解以获得各自的小波系数；对参考图像和失真图像各自的小波系数进行分离归一化变换以获得对应的分离归一化变换系数；获取相邻的分离归一化系数子带之间的统计独立性，并以该独立性作为特征信息；基于特征信息生成部分参考型图像质量评价指标。本发明利用了图像失真时相邻DNT系数统计依赖性变化的规律，提取了反映图像失真程度的统计独立性特征，构造了无需拟合参数的客观评价指标公式，使得对图像质量的评价更为客观。权利要求书1 .一种部分参考型图像质量评价方法，其特征在于，包括步骤:SlO0、分别对参考图像和失真图像进行小波分解以获得各自的小波系数；S200、对所述参考图像和所述失真图像各自的所述小波系数进行分离归一化变换以获得对应的分离归一化变换系数；S300获取相邻的分离归一化系数子带之间的统计独立性，并以所述统计独立性作为特征信息；S400、基于所述特征信息生成部分参考型图像质量评价指标；在所述步骤SIoo中，采用可操纵金字塔分解分别对参考图像和失真图像进行小波分解以获得各自的小波系数；选用可操纵金字塔分解，通过设定小波分解的尺度数和方向数，获得图像在尺度、方向和空间位置上的局部描述；在所述步骤S300中，通过计算相邻的分离归一化系数子带之间的互信息量来获取所述统计独立性：在所述步骤S300中，分别从尺度相邻、方向相邻和位置相邻三个方面获取相邻的所述分离归一化变换系数子带的统计独立性以作为所述特征信息。2 .根据权利要求1所述的部分参考型图像质量评价方法，其特征在于，在所述步骤S400中，根据以下公式生成所述部分参考型图像质量评价指标：工失真-严考i全部特征参考/.p*bb失真其中，D是所述失真图像和所述参考图像的城区距离，为所述失真图像的任一特征信息，为与对应的参考图像的特征信息。3 .一种部分参考型图像质量评价装置，其特征在于，包括：小波分解模块，用于分别对参考图像和失真图像进行小波分解以获得各自的小波系数；分离归一化变换模块，用于对所述参考图像和所述失真图像各自的所述小波系数进行分离归一化变换以获得对应的分离归一化变换系数；特征信息提取模块，用于获取相邻的分离归一化系数子带之间的统计独立性，并以所述统计独立性作为特征信息；图像质量评价指标生成模块，用于基于所述特征信息生成部分参考型图像质量评价指标；所述小波分解模块用户采用可操纵金字塔分解分别对参考图像和失真图像进行小波分解以获得各自的小波系数；选用可操纵金字塔分解，通过设定小波分解的尺度数和方向数，获得图像在尺度、方向和空间位置上的局部描述；所述特征信息提取模块用于通过计算相邻的分离归一化系数子带之间的互信息量来获取所述统计独立性；所述特征信息提取模块用于分别从尺度相邻、方向相邻和位置相邻三个方面提取相邻的所述分离归一化变换系数子带的统计独立性以作为所述特征信息。4 .根据权利要求3所述的部分参考型图像质量评价装置，其特征在于，所述图像质量评价指标生成模块用于根据以下公式生成所述部分参考型图像质量评价指标：D= 工失真治全部特征参考jJfc/.夕5其中，D是所述失真图像和所述参考图像的城区距离，为所述失真图像的任一特征信息，为与对应的参考图像的特征信息。说明书部分参考型图像质量评价方法及装置技术领域本发明涉及图像处理技术领域，尤其涉及一种部分参考型图像质量评价方法及装背景技术图像质量评价(IQA：ImagCQUaHtyASSeSSnlCnt)致力于研究如何用客观指标评价图像的感知质量，使其与图像主观得分高度一致。图像质量评价算法设计工作很有意义，而且有广泛的应用前景。例如，在视频质量监控领域，雇用员工进行监控的成本很高，且可靠性低，而好的图像质量评价算法可以降低成本，提高效率。一般来说，有三类典型的图像质量评价算法。按照实现程度由易到难，分别是：全参考型(FR：Full-Reference)、部分参考型(RR：Reduced-Reference)和无参考型(NR：No-Reference)IQAo如果原始图像和失真图像都是可用的，FRIQA利用这两幅图像的全部信息进行比较，计算其差异。RRIQA方法利用参考图像的部分信息(通常以一系列RR特征形式出现)预测图像质量退化程度，一般适用于仅能获取原始图像少量统计信息的应用场合，例如网络图像传输。NRTQA是最具挑战性的质量评价任务，因为没有原始图像的任何信息可供参考，适用于无法获得原始图像信息的情形，例如图像质量监控。例如，图1示出了现有的部分参考型图像质量评价系统的逻辑框图，如图1所示,从原始图像中提取的RR特征经附属信道传输，在接收端同失真图像所提取特征进行比较，得到失真图像的质量评价指标。对于性能评价，近年来，一些研究组织根据国际电信联盟的相关标准，建立了几个比较通用的图像质量主观评价数据库，主要包括：美国康奈尔大学视觉通信实验室开发的A57数据库：美国奥克拉荷马州立大学计算感知与图像质量实验室开发的CSlQ(Categorica11mageQua1ityDatabase)数据库；法国南特大学理工学院开发的IVC数据库；美国德州大学奥斯汀分校LIVE(LaboratoryforImageandVideoEngineering)实验室开发的LIVE数据库；日本富士大学MICT(MedialnformatiOnandCommuniCationTechnology)实验室开发的MICT数据库；以及芬兰坦佩雷大学与乌克兰航空航天大学开发的TID2008数据库等。各数据库基本都包括了常见的退化类型如高斯加性白噪声、高斯模糊、高频噪声、JPEG压缩失真、JPEG2000压缩失真等，以及各失真图像的主观得分(MOS：MeanOpinIonScore)。根据国际标准化组织视频质量专家组(VQEG：VideoQualityExpertsGroup)的指导标准，客观算法对主观质量的预测值存在一定的非线性，首先应当去除这种非线性因素，然后再进行相关性验证。去除非线性的函数形式有多种选择，例如多项式拟合或Logistic回归等。多数研究人员采用限制线性条件的五参数非线性Logistic模型，以及最小均方误差法对数据进行拟合，公式如下：Quality(x)=Ilogistic(2,(X-B3)+4x+B5(1)<math><mrow><mi>log<mi><mi>istic<mi><mrow><mo>(<mo><mi>τ</mi><mo>,<mo><mi>x<mi><mo>)<mo><mrow><mo>=<mo><mfrac><mn>l<mn><mn>2<mn><mfrac><mo>-<mo><mfrac><mn>l<mn><mrow><mn>l<mn><mo>+<mo><mi>exp<mi><mrow><mo>(<mo><mi>τx</mi><mo>)<mo></mrow></mrow><mfrac><mo><mo><mo>-<mo><mo>-<mo><mrow><mo>(<mo><mn>2<mn><mo>)<mo><mrow><mrow><math>其中，x代表客观RRIQA算法预测值，l,B2,3,4,B5代表IogiStiC模型拟合参数。对图像质量评价客观算法的性能一般从预测的准确性、单调性和一致性三个方面进行验证。在预测的准确性方面，客观算法的预测值与主观评分之间的差异应当越小越好。可以使用二者之间的线性相关系数CC(LinearcorrelationCoefficient)和均方根误差RMSE(RootMeanSquareError)来衡量：对于给定客观算法，CC值越高，RMSE值越低，表明其预测的准确性越高。<math><mrow><mi>CC<mi><mo>=<mo><mfrac><mrow><msub><mi>Σ</mi><mi>i<mi><msub><mrow><mo>(<mo><msub><mi>X<mi><mi>i<mi><msub><mo>-<mo><mover><mi>X<mi><mo>‾<mo><mover><mo>)<mo></mrow><mrow><mo>(<mo><msub><mi>Y<mi><mi>i<mi><msub><mo>-<mo><mover><mi>Y<mi><mo>0verBar;<mo><mover><mo>)<mo><mrow></mrow><mrow><msb><mi>Σ</mi><mi>i<mi><msub><msup><mrow><mo>(<mo><msb><mi>X<mi><mi>i<mi><msub><mo>-<mo><mover><mi>X<mi><mo>feOverBar;</mo><mover><mo>)<mo><mrow><mn>2<mn><msup><mo>·<mo><msqrt><msub><mi>ftSigma;<mi><mi>i<mi><msub><msup><mrow><mo>(<mo><msub><mi>Y<mi><mi>i<mi><msub><mo>-<mo><mover><mi>Y<mi><mo>ftOverBar;<mo><mover><mo>)<mo><mrow><mn>2<mn><msup><msqrt></mrow><mfrac><mo>-<mo><mo>-<mo><mo>-<mo><mrow><mo>(<mo><math> <mi>N<mi> <mo>=<mo> <mo>(<mo> <mi>i<mi> <mo>-<mo><mn>3<mn><mo>)<mo></mrow><mrow><math><mrow><mi>RMSE<mi><mo>=<mo><msqrt><mfrac><mn>l<mn><mfrac><munderover><mi>Σ</mi><mrow><mi>i<mi><mn>l<mn><mrow><mi>N<mi><munderover><msup><mrow><msub><mi
