毕业设计 论文文献综述.docx

毕业设计 论文文献综述.docx

《毕业设计 论文文献综述.docx》由会员分享，可在线阅读，更多相关《毕业设计 论文文献综述.docx（7页珍藏版）》请在冰豆网上搜索。

毕业设计论文文献综述

成绩：

西安建筑科技大学

毕业设计（论文）文献综述

院（系）：

信息与控制工程学院

专业班级：

电子班

毕业设计论文方向：

图像质量评价

综述题目：

无参考型图像质量评价方法的研究

学生姓名：

学号：

指导教师：

20年3月25日

无参考型图像质量评价方法的研究

【摘要】：

随着计算机技术的发展以及图像处理技术在航天，通讯，探测，遥感等领域深入应用，数字图像质量评价的重要性日益增长。

图像质量评价的目标是设计算法，给出和人的主观感受相一致的评价。

文章首先概述了图像质量评价的相关知识，并从无参考图像质量度量方法和评价算法等角度对无参考图像质量评价进行分析，最后概括了无参考图像质量评价发展的现状及其发展趋势。

关键词：

无参考；主观视觉；图像质量度量；图像质量评价；图像处理

据统计，人类从自然界获取的信息中，视觉信息占75%~85%。

很多场景和事物，不管花多少笔墨都没有一幅图片表述的清楚。

如今人类已经进入信息化时代，计算机的应用更使得数字图象处理技术取得了飞速发展，虽然图像技术取得了迅速的发展，但目前有限的硬件资源使得在具体应用中仍需要在图像处理算法和设备的设计中做出某些折衷，如算法的有效性与网络带宽的折衷等。

折衷的结果势必会影响到重建图像的感观效果。

为了取得最优的选择，有必要知道折衷的结果会给图像感观造成怎样的影响。

从数据分析角度出发，图像质量评价可分为主观评价和客观评价。

人是图像的最终接收者，因此，主观质量评价是最为可靠的图像质量评价方法。

最常用的方法是MOS（MeanOpinionScore），该方法对所有的观察者给出的分数进行加权平均。

但是主观质量评价有两个很明显的缺点。

首先，该方法极费时费力。

主观质量评价方法需组织人力对图像质量进行评价，评价结果很容易受到个人主观因素的影响，并且当图像数量巨大时，该方法就更为耗费时间。

其次，该方法不能自动实现，不能嵌入实际的图像或视频处理系统中，比如流媒体播放、视频会议等。

主观质量评价主要用来作为样本训练的数据和衡量客观评价结果的好坏。

客观评价相比于主观评价更加自动、高效、易于系统集成，是目前研究的重点。

根据对原始图像的依赖程度，将客观评价分为3种：

（1）全参考型：

通过比较原始图像和待测图像之间的差异获取评价结果，如峰值信噪比，其计算直观、简单，但未考虑人类视觉因素，因此，之后提出的诸多算法均在一定程度上涉及人类视觉感知；

（2）部分参考型：

对原始图像和待测图像的部分信息进行提取、比较，获得评价结果，如基于水印提取的评价方法；（3）无参考型：

无需原始图像，直接依靠待测图像的信息获取评价结果，其便于系统嵌入，方便结果比对，是目前研究人员最为关注的图像质量评价方法。

现有的无参考型图像质量评价方法主要包含3类：

（1）从图像结构信息出发，仅考虑图像的边缘梯度、纹理细节和对比度等信息。

如Ferzli等人在2007年提出的基于Riemann张量的无参考型图像清晰度计算方法，清晰度随着图像模糊程度发生相应变化，但无法对同时受噪声和模糊污染的图像做出质量评价；Hautiere等人在2008年提出的基于可见边缘的盲对比度增强评价，通过获取可见边缘得到图像的对比度图，从而得到图像的结构评价结果，但其无法评价细节过度增强的图像。

（2）从自然景物的颜色出发，充分考虑视觉效果良好的自然景物的统计信息，获取统计差异值得到评价指标。

如Cohen等人在2010年提出的一种基于自然图像统计的评价方法以及禹晶等人在2011年提出的基于颜色恒常性的低照度图像视见度增强，从图像的颜色还原能力、色调还原能力和色彩自然度三方面来评估图像的颜色质量，但其对图像细节保真度不够敏感。

（3）从人类视觉因素出发，模拟并量化HVS模型，得到评价结果。

如Zhai等人和Liu等人分别在2006年和2009年利用HVS的对比度敏感度和掩盖效应提出了针对块效应的无参考型评价方法，取得了较好效果，但针对性过强。

当前的大部分无参考图像质量评价方法都是针对某种特定的编码方式。

估计图像的失真程度，实际上一种“盲”估计图像保真度的方法，并不是真正的评价图像质量的方法。

为了克服传统图像质量评价方法以评价保真度为目的的局限性，本文尝试把研究重点放在图像质量的主观属性的评价上。

由于研究目的不是图像的保真度，自然不存在所谓的参考图像。

按照传统的图像质量评价方法的分类准则，属于“无参考”图像质量评价。

在本文中为了和传统的方法加以区分，称为图像吸引度评价。

1无参考图像失真度量

目前，无参考图像失真度量一般是针对某一种或几种类型的失真，如模糊效应、分块效应、噪声效应等。

1.1模糊效应度量

模糊是一种常见的失真现象，其表现是边缘的平滑效应。

引起模糊的原因有很多，如图像压缩、拍摄时运动、聚焦不准、镜头失常等。

从频域的角度看，模糊往往是高频分量的不足。

模糊效应的度量一般是基于模糊会产生边缘的平滑效应的现象。

PinaMarziciano等提出通过测量边缘点宽度并以此宽度作为图像模糊度的方法。

1.2分块效应度量

分块效应一般是由离散余弦变换压缩算法带来的降质效应。

JPEG图像便是采用离散余弦变换压缩算法。

客观评价分块效应对于图像、视频压缩系统的发展、优化和评估都很重要。

分块效应的度量一般是基于相邻分块间的差异提出来的。

较早提出无参考图像分块效应度量的是ZhouWang。

他通过横向和纵向对图像进行快速傅立叶变换来估计块边缘强度。

ZhouWang等在2002年的时候又提出对JPEG图像沿水平方向计算差分信号，通过分块边缘的平均差分估计分块效应的方法。

1.3噪声效应度量

数字图像中往往存在各种类型的噪声。

产生噪声的原因可能有几种，与生成图像的方法有关，如：

图像的处理过程、图像数据的传输、获取图像数据的电子设备等。

噪声效应度量一般是通过对局部平滑度的测量进行，如XinLi认为，一个像素点如果破坏了一个局部的平滑度，则该像素点可以被认为是噪点。

通过对一个像素点与其周围八个像素点的信息比较判断其是否为噪点。

除了上述三种常见的度量方法外，还有其它一些模型。

如通过估计原始离散余弦变换系数来估计噪声的方法；利用小波系数的统计模型来计算特征的方法；基于自然场景统计对JPEG2000图像质量评价的方法等。

2.1基于函数拟合方法

函数拟合是指，在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间的关系函数表达式。

在无参考图像

质量评价中，根据从样本中提取的特征值结合图像质量的主观测试值构造预测函数，以此函数评价图像质量。

2.1.1JPEG图像评价方法

JPEG算法的压缩过程是，首先对图像分成统一大小的分块（一般是8×8分块），对每个分块采用离散余弦变换（DCT），接着对DCT系数进行压缩。

由于压缩过程中存在各种误差，因此压缩后的图像会产生模糊效应和分块效应。

ZhouWang等在2002年提出的针对JPEG图像的分块效应和模糊效应的算法便是采用函数拟合方法。

首先，从水平方向和垂直方向对图像的分块效应、模糊效应及图像的零相交比率（zero-crossingrate）进行度量，分别获得特征向量B、A和Z；接着，通过特征向量构造图像质量的评价函数：

其中，α、β、γ1、γ2、γ3为待定参数，可通过非线性回归方式得出最佳值。

非线性回归时，输入值为主观评价值；测试时，S为函数的输出值，即客观评价值

2.1.2JPEG2000图像评价方法

JPEG2000与JPEG不同，JPEG2000采用小波变换，其主要的失真效应是模糊和振铃，出现在图像中比较明显的边缘上，因此JPEG2000图像失真与图像内容有关。

对JPEG2000失真效应的度量方法也与JPEG不同，一般是基于边缘信息等。

如在2004年时，HanghangTong等使用PCA方法抽取边缘点的局部特征Ld（i,j），利用局部特征对图像失真进行度量：

构造质量评价函数：

其中，α、β、γ为待定参数，结合主观测试值，使用非线性回归方式得出最佳值；2008年时，Z.M.ParvezSazzad等也基于像素失真、边缘信息等进行失真度量，利用函数拟合方法构造质量评价函数。

2.2基于机器学习方法

基于机器学习方法的无参考图像质量评价算法的基本思路是：

在训练阶段，通过主观测试值对图像按质量进行分类；抽取反应图像质量的特征向量，以此特征向量和其所对应的图像质量类别构建质量分类器。

在测试阶段，将以同样方法抽取的特征向量作为分类器的输入值，分类器的输出值即为图像质量的客观评价值。

这类方法的特点是可以借助机器学习领域所取得的研究成果，改进客观质量评价结果。

2.2.1基于统计特征的方法

该方法以图像中的原始像素值对图像的各种失真效应进行度量，作为机器学习的原始特征向量。

HuitaoLuo提出对视觉感兴趣区域进行评价并以此作为图像质量的方法：

首先对感兴趣区域的模糊度、亮度、噪声进行度量，接着采用RBF神经网络进行质量评价。

YanweiYu等分别度量图像的分块效应和模型效应并以此作为机器学习特征，然后采用广义回归神经网络来评价JPEG图像质量。

2.2.2基于HVS特性的方法

该方法提取HVS特性作为机器学习的特征，如R.Venkatesh、Suresh等提取边缘振幅、边缘长度、背景活跃度和背景亮度作为机器学习的特征，分别使用两种机器学习方法进行质量评价：

串行可裁减径向基函数神经网络和极限学习机。

总结：

目前在工业界也已经有上市的产品用于评价图像或者视频

的视觉质量。

但是市面上的产品考虑到算法的有效性和复杂性，多采用较简单而成熟的算法，且需要很多前提条件，比如需要知道无失真图像的全部或者部分信息和图像的失真类型等。

笔者认为可以在以下几个方面进行深入研究：

1）利用精确的图像模型来进行图像质量评价是解决该课题的可行方法之一。

虽然目前还没有算法能够对图像的视觉质量信息进行建模，比如对比度、锐化程度、振铃效应、模糊等，但是在一个能够准确描述无失真图像内各种结构信息的模型的框架下，图像失真造成各种信息的丢失或改变是能够体现在模型的变化上的。

可以说图像模型为无参考型质量评价从另一个角度提供了参考信息，而这些信息就隐含在失真图像之中。

随着人们对图像信息理解程度的加深，在这个方向上肯定会有较大的飞跃。

2）由于质量评价方法与实际应用联系是非常紧密的，故可以从应用环境出发，在不同的应用条件下，采用专门针对该类条件的方法。

例如，在数码产品的应用中，由于拍摄的相片或视频大多为自然环境，故可以结合自然图像的特性进行质量评价；在视频监控中，由于背景变化较小，故可以结合感兴趣区域的划分，着重评价监控录像中感兴趣对象的视觉质量；在打印机上，由于打印的内容多为文字和公式，故应该着重评价文字或公式的清晰度，当是彩色打印时还应考虑到

颜色对人眼视觉的影响。

因此当IQA与应用结合的越来越广泛时，专业性的问题也会越来越多，而这将会给图像或视频质量评价带来新的生命力，也会将质量评价技术推向一个新的高潮。

参考文献：

[1]AbdouIE,DusuassoyNJ.Surveyofimagequalitymeasurements[C].UnitedStates:

proceedingsofACMFalljointcomputerconference,1986:

71-78.

[2]Taylor,ChristopherC,.ImagequalityassessmentwithaGaborpyramidmodelofthehumanvisualsystem[C].UnitedStates:

HumanVisionandElectronicImaging,1997.6,Proc.SPIE,Vol.3016:

58-69.

[3]WangZ,SheikhHR,BovikAC.Objectivevideoqualityassessment.In:

TheHandbookofVideoDatabase:

DesignandApplications[M].UnitedStates:

CRCPress,2003:

1041-1078.

[4]MontagED,FairchildMD.FundamentalsofHumanVisionandVisionModelinginDigitalVideoImageQualityandPerceptualCoding[M].UnitedStates:

CRCPress,BocaRaton,FL,2006.

[5]Sheikh,SabirHR,BovikMF,etal.AStatisticalEvaluationofRecentFullReferenceImageQualityAssessmentAlgorithms[J].IEEETransactionsonImageProcessing,2006,Vol.15:

3440-3451.

[6]VQEGmembers.RRNR-TVGrouptestplan[EB/OL].http:

//www.its.bldrdoc.gov/vqeg/meetings/10-04_meeting,2004.

[7]ZhouWang,AlanC.Bovik,LigangLu.WhyIsImageQualityAssessmentSoDifficult[C].UnitedStates:

IEEEInternationalConferenceonAcoustics,Speech,&SignalProcessing,2002（4）:

3313-3316.

[8]WangZ,CormackL,etal.LaboratoryforImage&VideoEngineering[EB/OL].http:

//live.ece.utexas.edu/research/quality,2002.

[9]ZhouWang,AlanC.Bovik,HamidR.Sheikh,etc.ImageQualityAssessment:

FromErrorVisibilitytoStructuralSimilarity[J].IEEE.TransactionsonImageProcessing,2004,Vol.13:

600-612.

[10]ZhouWang,BovikAC.AUniversalImageQualityIndex[J].SignalProcessingLetters,IEEE,2002（9）:

81-84.

[11]HamidRahimSheikh,AlanC.bovik.ImageInformationandVisualQuality[J].IEEETransactionsonImageProcessing,2006（15）:

430-444.

[12]ShnaydermanA,AlexanderGusev,AhmetM.Eskicioglu.AnSVD-BasedGray-ScaleImageQualityMeasureforLocalandGlobalAssessment[J].IEEETransactionsonImageProcessing,2006,Vol.15:

422-429.

[13]DeepakS.Turaga,YingweiChen,JorgeCaviedes.NoreferencePSNRestimationforcompressedpictures[J].SignalProcessing,2004（19）:

173-184.

[14]ZhouWang,HamidR.Sheikh,AlanC.Bovik.No-ReferencePerceptualQualityAssessmentofJPEGCompressedImages[C].UnitedStates:

InternationalConferenceonImageProcessing,2002,vol.1:

477-480.

[15]SheikhHR,WangZ,CormackLK,etal.BlindqualityassessmentforJPEG2000compressedimages[C].Thirty-SixthAnnualAsilomarConferenceonSignals,SystemsandComputers,2002

（2）:

1735-1739.

[16]WangZhou,SimoncelliEeroP.Reduced-referenceimagequalityassessmentusingawavelet-domainnaturalimagestatisticmodel[J].HumanVisionandElectronicImagingX,2005（5666）:

149-159.

[17]MarzilianoP,DufauxF,WinklerS,etal.ANo-ReferencePerceptualBlurMetric[C].UnitedStates:

InternationalConferenceonImageProcessing,2002（3）:

57-60.

[18]OngE,LinWS,LuZK.No-referenceJPEG-2000imagequalitymetric[C].UnitedStates:

Proceedingsofthe2003InternationalConferenceonMultimediaandExpo,2003

（1）:

545-553.

[19]ZhouWang.BlindMeasurementofBlockingArtifactinImages[C].Canada:

InternationalConferenceonImageProcessing,2000,Vol.3:

981-984.

[20]GuangtaoZhai,WenjunZhang,XiaokangYang,etc.No-referencenoticeableblockinessestimationinimages[J].SignalProcessing:

ImageCommunication,2008（23）:

417-432.

[21]XinLi.BlindImageQualityAssessment[C].UnitedStates:

InternationalConferenceonImageProcessing,2002

（1）:

449-452.

[22]TomasBrandao,MariaPaulaQueluza.No-referenceimagequalityassessmentbasedonDCTdomainstatistics[J].SignalProcessing,

2008,Vol.88:

822–833.

[23]H.R.Sheikh,A.C.Bovik,L.Cormack.No-ReferenceQualityAssessmentUsingNaturalSceneStatistics:

JPEG2000[J].IEEETransactions

onImageProcessing,2005,Vol.14:

1918-1927.

[24]HanghangTong,MingjingLi,Hong-JiangZhang,etc.NoReferenceQualityAssessmentforJPEG2000CompressedImages[C].Singapore:

InternationalConferenceonImageProcessing,2004,Vol.5:

3539-3542.

[25]Z.M.ParvezSazzad,Y.Kawayoke,Y.Horita.NoreferenceimagequalityassessmentforJPEG2000basedonspatialfeatures[J].Signal

Processing,2004（23）:

257-268.

[26]SureshS,BabuRV,KimHK.No-ReferenceImageQualityAssessmentusingModifiedExtremeLearningMachineClassifier[J].Applied

SoftComputingJournal（2007）,doi:

10.1016/j.asoc.2008.07.005.

[27]VenkateshR,SureshbS,PerkisR.No-referenceJPEG-imagequalityassessmentusingGAP-RBF[J].SignalProcessing,2007（12）:

1493-1503.

[28]YanweiYu,ZhengdingLu,HefeiLing,etal.No-ReferencePerceptualQualityAssessmentofJPEGImagesUsingGeneralRegression

NeuralNetwork[J].LectureNotesinComputerScience,2006（3972）:

638-645.

[29]LuoHui-tao.Atraining-basedno-referenceimagequalityassessmentalgorithm[C].Singapore:

InternationalConferenceonImage

Processing,2004（5）:

2973-2976.

[30]VenkateshR,PerkisR.AnHVS-BasedNo-ReferencePerceptualQualityAssessmentOfJPEGCodedImagesUsingNeuralNetworks

[C].Italy:

IEEEInternationalConferenceonImageProcessing,2005

（1）:

433-439.

[31]GastaldoP,ParodiG.No-ReferenceQualityAssessmentofJPEGImagesbyUsingCBPNeuralNetworks[C].Canada:

International

Symposiumo