图像质量评价.docx
《图像质量评价.docx》由会员分享，可在线阅读，更多相关《图像质量评价.docx（18页珍藏版）》请在冰豆网上搜索。
图像质量评价
第1章绪论
1.1引言
早期的图像处理是随由于通讯方面的要求而发展起来的，随着图像处理技术的发展，数字图像处理技术与理论已经成为计算机应用的一个重要领域，广泛应用于众多的科学与工程应用，如遥感、医学、气象、通信等。
然而随着图像处理技术的迅速发展，如何正确有效地评价一幅图像的质量好坏变得越发重要起来。
近年来，图像质量评价已经成为了图像信息工程领域内一项重要的研究课题，引起了学者的高度重视。
图像质量评价方法中客观评价方法又可以分为三类：
全参考质量评价方法、部分参考质量评价方法和无参考质量评价方法。
全参考质量评价方法需要原始图像的完整信息作为评价的参考：
部分参考质量评价方法需要原始图像的部分特征或者统计信息作为评价参考：
无参考质量评价方法则完全依赖于待评测图像本身的信息来进行质量评价，而无须原始图像的任何信息。
在很多情况下，如在网络传输中，往往无法获得发送端的原始图像信息，因此研究无参考的客观质量评价方法是很有意义的。
1.2图像质量评价
图像质量的含义主要包括两个方面：
图像的逼真度和图像的可懂度。
图像质量直接取决于成像装备的光学性能、图像对比度、仪器噪声等多种因素的影响，通过质量评价可以对影像的获取、处理等各环节提供监控手段。
为了对图像处理的各个环节进行合理评估，图像质量评价的研究已经成为图像信息工程的基础技术之一。
多少年来，人们希望能够找出图像逼真度和可懂度的定量测量方法，作为评价图像和设计图像系统的依据，但目前人们对人类视觉特性仍没有充分理解，特别是对人眼视觉的心理特性还难以找出定量的描述方法，因此图像质量评价还有待深入研究。
1.2.1主观评价方法
国际上已有成熟的主观评价技术和国际标准，例如ITU-TRec.P.910规定了多媒体应用的主观评价方法；ITU-RBT.500-11规定了电视图像的主观评价方法，就视频质量主观评价过程中的测试序列、人员、距离以及环境做了详细规定。
主观质量评分法（MOS：
MeanOpinionScore）是图像质量最具代表性的主观评价方法，它通过对观察者的评分归一化来判断图像质量。
而主观质量评分法又可以分为绝对评价和相对评价两种类型。
绝对评价是将图像直接按照视觉感受分级评分，表1.1列出了国际上规定的5级绝对尺度，包括质量尺度和妨碍尺度。
对一般人来讲，多采用质量尺度；对专业人员来讲，则多采用妨碍尺度。
表1.1绝对评价尺度
质量尺度
妨碍尺度
5分
丝毫看不出图像质量变坏
5
非常好
4分
能看出图像质量变化但不妨碍观看
4
好
3分
清楚看出图像质量变坏，对观看稍有妨碍
3
一般
2分
对观看有妨碍
2
差
1分
非常严重的妨碍观看
1
非常差
相对评价是由观察者将一批图像从好到坏进行分类，将它们相互比较得出好坏，并给出相应的评分。
相对尺度如表1.2所示。
表1.2相对评价尺度与绝对评价尺度对照
分数
相对测量尺度
绝对测量尺度
5分
一群中最好的
非常好
4分
好于该群中平均水平的
好
3分
该群中的平均水平
一般
2分
差于该群中平均水平的
差
1分
该群中最差的
非常差
评价的结果可用一定数量的观察者给出的平均分数求得。
平均分数按照公式计算得到：
式中，为图像属于第i类的分数，为判定该图像属于第i类的观察者人数。
为了保证图像主观评价在统计上有意义，参加评分的观察者至少应有20名，其中包括一般观察者和专业人员。
图像质量的主观评价方法的优点是能够真实的反映图像的直观质量，评价结果可靠，无技术障碍。
但是主观评价方法也有很多缺点，如需要对图像进行多次重复实验，无法应用数学模型对其进行描述，从工程应用的角度看，耗时多、费用高，难以实现实时的质量评价。
在实际应用中，主观评价结果还会受观察者的知识背景、观测动机、观测环境等因素的影响。
此外，主观质量评价无法应用于所有场合，如需要进行实时图像质量评价的领域。
1.2.2客观评价方法
图像质量的客观评价方法是根据人眼的主观视觉系统建立数学模型，并通过具体的公式计算图像的质量。
传统的图像质量客观评价方法主要包括均方误差（MSE，meansquarederror）和峰值信噪比（PSNR，peaksignaltonoiserate）。
均方误差法首先计算原始图像和失真图像象素差值的均方值，然后通过均方值的大小来确定失真图像的失真程度。
计算公式如下：
其中M、N为图像的长和宽，表示原始图像的象素值，表示降质后图像的象素值。
PSNR作为衡量图像质量的重要指标，基于通信理论而提出，是最大信号量与噪声强度的比值。
由于数字图像都是以离散的数字表示图像的像素，因此采用图像的最大象素值来代替最大信号量。
具体公式如下：
其中L为图像中像素的最大灰度值，一般采用255。
上述方法的优点是直观、严格，计算简单，而且可以直接应用于依据“MSE最小”原则设计的图像系统。
因此，这类方法成为应用最广泛的图像质量评价手段。
但它的缺点也是显而易见的。
文献[6]具体分析了MSE性能不稳定的原因，并指出这一缺点是方法本身的缺陷，无法克服。
PSNR只在评价白噪声失真图像时效果良好,而在其它领域也会出现如MSE一样的不稳定现象，文献[7]对此进行了深入分析。
对图像质量进行客观评价时，根据对原始无失真图像依赖程度的不同，可将图像质量的客观评价算法分成三类：
全参考（FullReference,FR）图像质量评价、半参考（ReducedReference,RR）图像质量评价和无参考（NoReference,NR）图像质量评价。
全参考图像质量评价主要是将失真图像和参考图像逐像素进行比较，得出对失真图像的评价；半参考的图像质量评价是从原始图像和失真图像中分别提取图像的有效特征，如图像的梯度和直方图，通过对有效特征进行比较，得出对失真图像的评价；无参考的图像质量评价则无需任何参考图像的信息
，直接提取失真图像的某些失真因素特征，如图像的边界强度、噪声率、模糊度等，给出失真图像的客观质量评价。
图像质量评价最终取决于观察者的感觉，所以不论采用上述哪种客观评价方法，目标都是追求客观评价结果与人的主观评价尽可能的一致，即客观评价要以主观评价为准则。
客观评价方法的优点是速度快、费用低、应用领域广，评价结果具有重现性，不受主观因素的影响。
缺点是目前只能在某些方面有限度的模仿人眼的主观视觉系统，常会出现与主观评价结果不一致的情况，不同的模型依据具体的应用领域进行不同的条件假设，难以建立适用于任何领域的数学模型。
1.3国内外研究现状
客观质量评价的早期研究主要集中在传统的误差统计方法上，如清晰度、峰值信噪比（PSNR）和均方误差（MSE）等。
随着研究的深入，人们发现这种方法忽视了图像内容对人眼的影响，不能完全反映图像的质量，因此人们采用了更多的方法在更深的层面上做了尝试。
无参考图像质量评价是一个全新的研究领域，虽然这个领域的研究尚处于探索阶段，但已吸引了很多人的关注，呈蓬勃发展之势。
目前，公开发表的关于无参考图像质量评价的论文渐渐增多，如文献提出了三个无参考质量评价指标，分别是边缘强度（Contour-Volume，简称CV）、噪声率（Noise-Rate，简称NR）和统一亮度分布（UniformIntensity-Distribution，简称UID）。
这三个参数分别就图像的边缘、噪声和亮度分布进行了分析，结果与主观的一致性较高。
文献专门研究了噪声对数字图像质量的影响，它在图像分块和噪声检测方面较文献都有改进；文献[9]研究真彩图像的色彩问题，其中色彩丰富度（CCI）与人眼对色彩的感知有很高的一致性；HuitnoLuo使用机器学习算法进行人脸质量的检测；KyungnamKim和krtyDavis利用局部统计量提出一种用于视频质量评价的方法，主要用于评价噪声和模糊的问题；殷晓丽等人提出了一种基于半脆弱性数字水印算法（WIQM）的无参考图像质量评价方法，这种方法只是针对JPEG图像作质量评价；杨守义等人还提出一种基于高阶统计量的评价方法。
无参考图像的评价方法完全脱离了对原始参考图像的依赖，其应用范围更加广泛，发展前景更加广阔，正因如此，其研究难度也是最大的。
下面介绍几个具有代表意义的典型方法。
1.3.1图像评价因子
哈尔滨工业大学和日本电器股份有限公司（NipponElectricCompany，NEC）合作，从图像增强考虑了图像边界强度、噪声和灰度分布，来制定图像质量评价的因子。
1.3.1.1边缘强度（Contour-Volume，CV）
图像的细节越丰富，图像越清晰，则图像的边缘也就越清晰。
边缘强度（CV）能够反映图像的清晰程度，数值越大，图像越清晰，反之图像模糊，这是一个图像清晰度的测量指标。
首先使用3×3的拉普拉斯窗口提取图像边缘，然后统计图像的边缘，将边缘像素值进行绝对值的叠加求得图像的边缘强度CV。
1.3.1.2噪声率（Noise-Rate，NR）
噪声是造成图像失真的一个重要因素，噪声是高频分量，能够影响CV的评价。
图像中的噪声越多，CV就会越大。
面对这类失真图像，CV的评价性能将受到很大的影响，因此无法给出正确的评价结果。
鉴于CV的这种缺陷，文献[13]提出了一种针对噪声的评价因子，即噪声率（Noise-Rate）。
噪声率是一个反映图像受噪声污染程度的评价因子，主要通过比较失真前参考图像的噪声量和失真后图像中所含噪声量的多少而确定。
由于无参考图像质量评价方法没有参考图像可以借鉴，所以通常将经滤波算法去噪后的图像作为准参考图像，计算其包含的噪声率，然后和原失真图像进行比较。
噪声的种类很多，针对不同的噪声，有不同的滤波算法。
这些滤波算法往往对去除某种特定噪声有较好的性能，而处理其他噪声时性能就大大减弱。
中值滤波算法是一种较为全面的噪声滤除算法，能够去除图像中的大部分噪声，因此文献采用中值滤波作为一种通用的滤波算法。
1.3.1.3统一亮度分布（UniformIntensity-Distribution，UID）
根据信息论，图像的像素分布越均匀，图像包含的信息就越多，因此定义图像的统一亮度分布如下：
L是图像的灰度级数，是第K级灰度的个数。
在公式中的分子和分母加上常数1是为了避免在计算过程中分母为0，而且由于1很小，不会影响UID的评价性能。
1.3.2基于掩盖的无参考图像信噪比（NPSNR）
文献[15]针对噪声对数字图像质量的影响，从噪声检测的角度,提出一种基于掩盖效应的无参考图像质量评价方法。
方法首先对图像进行分块，将图像按不同的频率成分区分开，采用的是改进后的Hosaka分块算法，新算法取消了Hosaka对图像尺寸的限制；然后检测各个子图像块的噪声；最后根据图像的污染程度，计算基于掩盖效应的无参考图像峰值信噪比NPSNR。
下面介绍具体的计算过程。
1.3.2.1分块
图像中的高频成分变化剧烈，低频成分变化缓慢。
当图像中高频成分较多时，其均方差较大，反之当图像中低频成分较多时，其均方差较小。
由于HVS的掩盖效应,变化剧烈的部分中出现的噪声不易被人眼所感知，因此，对于不同的频率子块内出现的噪声采取不同的权值，才能体现出HVS的掩盖效应，更加符合人的视觉感知。
目前，方案使用实验阈值来区分图像中的高低频成分。
首先计算失真图像（大小为M×N）如果该均方差超过设定的阈值（文献中使用的阈值为实验值300），则表明图像中存在较多的高频成分，需要继续分块，则将图像等分成四份，否则，保留图像块的大小。
重复该分块过程，直到均方差小于阈值或图像的长或宽之一小于8。
至此，图像被分成大小不
升级会员 