CN105205820A - 一种改进的特征相似性图像质量评估方法 - Google Patents

Abstract

本发明涉及一种改进的特征相似性图像质量评估方法，属于数字图像处理技术领域。本发明首先输入一幅原始图像和一幅失真图像，分别获取两幅图像的相位一致性，然后利用两幅图像的相位一致性得到图像的特征相似性；再分别获取两幅图像的梯度图像，利用梯度图像得到两幅图像的亮度比较函数、对比度比较函数和相关系数比较函数，然后将亮度比较函数、对比度比较函数和相关系数比较函数相结合得到图像的梯度相似性；最后将图像的特征相似性和图像的梯度相似性相结合即得到失真图像质量评估的结果。本发明具有符合人类视觉系统的特点和有效识别图像边缘的特点；对运动模糊造成的失真更加敏感。

Description

一种改进的特征相似性图像质量评估方法

技术领域

本发明涉及一种改进的特征相似性图像质量评估方法，属于数字图像处理技术领域。

背景技术

随着数字图像处理技术在图像的采集、编码压缩、传输和显示等各领域的发展，图像质量对所获取信息的充分性和准确性具有决定性作用，因此建立有效的图像质量评估机制具有重要意义。

数字图像质量评估方法可以分为主观图像质量评估方法和客观图像质量评估方法。主观图像质量评估方法，曾经被认为是图像视觉质量量化的唯一“正确”的方法，然而，在实践中，主观图像质量评估通常是既费时又费力的。客观图像质量评估方法，主要是通过模拟人类视觉系统设计出一种方法来对图像质量进行评估。客观图像质量评估方法又分为全参考图像质量评估方法、半参考图像质量评估方法和无参考图像质量评估方法。目前最常用的方法是全参考图像质量评估方法。传统的全参考客观图像质量评估方法有均方误差(MeanSquareError,MSE)和峰值信噪比(PeakSignaltoNoiseRatio,PSNR)，由于其简单的计算方法和清晰的物理意义一直被广泛使用，但这些方法只是从统计意义上对图像进行分析，没有考虑到像素之间的相关性。为此，ZhouWang等人利用图像像素间的相关性提出了一种新的图像质量客观评估方法：结构相似度(StructuralSimilarity，SSIM)，该方法从图像组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性，并将失真建模为亮度、对比度和结构三个不同因素的组合，计算简单易于实现，并且其评估性能优于PSNR(或MSE)，但是忽视了图像中携带着重要信息的边缘信息，对模糊失真图像不敏感。杨春玲等人提出基于梯度特征的结构相似度GSSIM方法，该方法是在SSIM方法的基础上通过梯度来表示图像的边缘信息，弥补了SSIM方法对模糊失真图像的不足。LinZhang等人提出基于底层特征的图像质量评估方法FSIM，该方法运用相位一致性提取图像的底层特征，比较接近人类视觉系统，但其对图像失真的变化程度尤其是图像边缘信息的变化程度不敏感。

发明内容

本发明提供了一种改进的特征相似性图像质量评估方法，以用于得到一种既符合人眼视觉系统特点又能有效识别图像边缘的新的图像质量评估方法。

本发明的技术方案是：一种改进的特征相似性图像质量评估方法，首先输入一幅原始图像和一幅失真图像，分别获取两幅图像的相位一致性，然后利用两幅图像的相位一致性得到图像的特征相似性；再分别获取两幅图像的梯度图像，利用梯度图像得到两幅图像的亮度比较函数、对比度比较函数和相关系数比较函数，然后将亮度比较函数、对比度比较函数和相关系数比较函数相结合得到图像的梯度相似性；最后将图像的特征相似性和图像的梯度相似性相结合即得到失真图像质量评估的结果。

所述得到图像的特征相似性的具体步骤如下：

Step1.1、输入一幅原始图像x和一幅失真图像y；

Step1.2、通过运用高斯函数作为转换函数G₂(ω,θ_j)：

$G_2(\mathrm{\ω},{\mathrm{\θ}}_j)=\exp (-\frac{{\left(log\right(\frac{\mathrm{\ω}}{{\mathrm{\ω}}_0}\left)\right)}^2}{2{\mathrm{\σ}}_r^2})\·\exp (-\frac{{(\mathrm{\θ}-{\mathrm{\θ}}_j)}^2}{2{\mathrm{\σ}}_{\mathrm{\θ}}^2})---\left(1\right)$

其中，θ_j＝jπ/J表示滤波器的方向角，j＝{0,1,.....,J-1}，J是方向角的数量；σ_θ表示滤波器的角度带宽，ω₀是滤波器的中心频率，σ_r用于控制滤波器的带宽，ω表示信号的频率，θ表示信号的相位角；

Step1.3、通过调制ω₀和θ_j，G₂(ω,θ_j)和原始图像x，可得到一组响应其中，和分别表示偶数响应和奇数响应；

尺度为n，方向角为θ_j的局部振幅为：

$A_{n,{\mathrm{\θ}}_j}\left(x\right)=\sqrt{e_{n,{\mathrm{\θ}}_j}^2\left(x\right)+o_{n,{\mathrm{\θ}}_j}^2\left(x\right)}---\left(2\right)$

沿差方向θ_j的局部能量为：

$E_{{\mathrm{\θ}}_j}\left(x\right)=\sqrt{F_{{\mathrm{\θ}}_j}^2\left(x\right)+H_{{\mathrm{\θ}}_j}^2\left(x\right)}---\left(3\right)$

其中， $F_{{\mathrm{\θ}}_j}\left(x\right)={\mathrm{\Σ}}_n{e}_{n,{\mathrm{\θ}}_j}\left(x\right),H_{{\mathrm{\θ}}_j}\left(x\right)={\mathrm{\Σ}}_n{o}_{n,{\mathrm{\θ}}_j}\left(x\right)$ 分别表示的总和及的总和；

原始图像x的相位一致性PC(x)定义为：

$PC\left(x\right)=\frac{\underset{J}{\Σ}{E}_{{\mathrm{\θ}}_j}\left(x\right)}{\mathrm{\ϵ}+\underset{n}{\Σ}\underset{J}{\Σ}{A_n}_{,{\mathrm{\θ}}_j}\left(x\right)}---\left(4\right)$

同理，失真图像y的相位一致性PC(y)定义为：

$PC\left(y\right)=\frac{\underset{J}{\Σ}{E}_{{\mathrm{\θ}}_j}\left(y\right)}{\mathrm{\ϵ}+\underset{n}{\Σ}\underset{J}{\Σ}{A_n}_{,{\mathrm{\θ}}_j}\left(y\right)}---\left(5\right)$

其中，ε为最小正整数；

Step1.4、通过公式(4)和公式(5)分别得到原始图像x的相位一致性PC(x)和和失真图像y的相位一致性PC(y)，然后通过公式(6)得到两幅图像的特征相似性：

$S_{PC}(x,y)=\frac{2PC\left(x\right)\·PC\left(y\right)+T_1}{{\mathrm{PC}}^2\left(x\right)+{\mathrm{PC}}^2\left(y\right)+T_1}---\left(6\right)$

其中，T₁为常量。

所述得到图像的梯度相似性的具体步骤如下：

Step2.1、对输入的一幅原始图像x和一幅失真图像y分别进行sobel处理，得到原始图像的梯度幅值图像x'和失真图像的梯度幅值图像y'；

Step2.2、利用原始图像x和失真图像y求取原始图像的均值μ_x和失真图像的均值μ_y；利用Step2.1得到的原始图像的梯度幅值图像x'和失真图像的梯度幅值图像y'，分别求取梯度幅值图像x'的标准差σ_x'、梯度幅值图像y'的标准差σ_y'以及梯度幅值图像x'和梯度幅值图像y'的协方差σ_x'y'；

Step2.3、利用Step2.2得到的原始图像的均值μ_x、失真图像的均值μ_y通过公式(7)得到图像的亮度比较函数l(x，y)；利用Step2.2得到的梯度幅值图像x'的标准差σ_x'、梯度幅值图像y'的标准差σ_y'以及梯度幅值图像x'和梯度幅值图像y'的协方差σ_x'y'通过公式(8)和公式(9)得到对比度比较函数G_g(x,y)和相关系数比较函数S_g(x,y)；

$l(x,y)=\frac{2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1}{{\mathrm{\μ}}_x^2+{\mathrm{\μ}}_y^2+C_1}---\left(7\right)$

$G_g(x,y)=\frac{2{\mathrm{\σ}}_{x^{\′}}{\mathrm{\σ}}_{y^{\′}}+C_2}{{\mathrm{\σ}}_{x^{\′}}^2+{\mathrm{\σ}}_{y^{\′}}^2+C_2}---\left(8\right)$

$S_g(x,y)=\frac{({\mathrm{\σ}}_{x^{\′}{y}^{\′}}+C_3)}{{\mathrm{\σ}}_{x^{\′}}{\mathrm{\σ}}_{y^{\′}}+C_3}---\left(9\right)$

其中，C₁、C₂和C₃为常量；

Step2.4、将Step2.3得到的亮度比较函数l(x,y)、对比度比较函数G_g(x,y)和相关系数比较函数S_g(x,y)根据公式(10)的形式结合即可得到原始图像x和失真图像y的梯度特征相似性GSSIM(x,y)；

GSSIM(x,y)＝l(x,y)·C_g(x,y)·S_g(x,y)(10)。

将特征相似性和梯度相似性相结合的具体步骤如下：

Step3.1、利用Step1.3中得到的原始图像的相位一致性PC(x)、失真图像的相位一致性PC(y)通过公式(11)获得对图像x、y整体的相似性进行加权的权数PC_m(x,y)；

PC_m(x,y)＝max(PC(x),PC(y))(11)

Step3.2、将Step1.4中所得的图像的特征相似性S_PC(x,y)，Step2.4中所得的图像的梯度特征相似性GSSIM(x,y)以及Step3.1中所得的对图像x、y整体的相似性进行加权的权数PC_m(x,y)通过公式(12)得到图像质量评估得分；

$FGSIM=\frac{{\mathrm{\Σ}}_{x,y\∈\mathrm{\Ω}}{S}_{PC}(x,y)\·GSSIM(x,y)\·{\mathrm{PC}}_m(x,y)}{{\mathrm{\Σ}}_{x,y\∈\mathrm{\Ω}}{\mathrm{PC}}_m(x,y)}---\left(12\right).$

本发明的有益效果是：该图像质量评估方法具有符合人类视觉系统的特点和有效识别图像边缘的特点；该图像质量评估方法对运动模糊造成的失真更加敏感。

附图说明

图1为本发明的流程图；

图2为自然图像的原始图像；

图3为自然图像运动距离5、运动角度0的运动模糊失真图像；

图4为自然图像运动距离10、运动角度0的运动模糊失真图像；

图5为自然图像运动距离15、运动角度0的运动模糊失真图像；

图6为自然运动距离20、运动角度0的运动模糊失真图像；

图7为自然运动距离25、运动角度0的运动模糊失真图像；

图8为自然图像运动距离30、运动角度0的运动模糊失真图像；

图9为不同运动模糊程度下评估值的曲线；

图10为自然图像方差为1的高斯模糊失真图像；

图11为自然图像方差为2的高斯模糊失真图像；

图12为自然图像方差为3的高斯模糊失真图像；

图13为自然图像方差为4的高斯模糊失真图像；

图14为自然图像方差为5的高斯模糊失真图像；

图15为自然图像方差为6的高斯模糊失真图像；

图16为不同高斯模糊程度下评估值的曲线；

图17本发明方法对TID2008图像库进行图像质量评估的散点图。

具体实施方式

实施例1：如图1-17所示，一种改进的特征相似性图像质量评估方法，首先输入一幅原始图像和一幅失真图像，分别获取两幅图像的相位一致性，然后利用两幅图像的相位一致性得到图像的特征相似性；再分别获取两幅图像的梯度图像，利用梯度图像得到两幅图像的亮度比较函数、对比度比较函数和相关系数比较函数，然后将亮度比较函数、对比度比较函数和相关系数比较函数相结合得到图像的梯度相似性；最后将图像的特征相似性和图像的梯度相似性相结合即得到失真图像质量评估的结果。

所述得到图像的特征相似性的具体步骤如下：

Step1.1、输入一幅原始图像x和一幅失真图像y；

Step1.2、通过运用高斯函数作为转换函数G₂(ω,θ_j)：

$G_2(\mathrm{\ω},{\mathrm{\θ}}_j)=\exp (-\frac{{\left(log\right(\frac{\mathrm{\ω}}{{\mathrm{\ω}}_0}\left)\right)}^2}{2{\mathrm{\σ}}_r^2})\·\exp (-\frac{{(\mathrm{\θ}-{\mathrm{\θ}}_j)}^2}{2{\mathrm{\σ}}_{\mathrm{\θ}}^2})---\left(1\right)$

其中，θ_j＝jπ/J表示滤波器的方向角，j＝{0,1,.....,J-1}，J是方向角的数量；σ_θ表示滤波器的角度带宽，ω₀是滤波器的中心频率，σ_r用于控制滤波器的带宽，ω表示信号的频率，θ表示信号的相位角；

Step1.3、通过调制ω₀和θ_j，G₂(ω,θ_j)和原始图像x，可得到一组响应其中，和分别表示偶数响应和奇数响应；

尺度为n，方向角为θ_j的局部振幅为：

$A_{n,{\mathrm{\θ}}_j}\left(x\right)=\sqrt{e_{n,{\mathrm{\θ}}_j}^2\left(x\right)+o_{n,{\mathrm{\θ}}_j}^2\left(x\right)}---\left(2\right)$

沿差方向θ_j的局部能量为：

$E_{{\mathrm{\θ}}_j}\left(x\right)=\sqrt{F_{{\mathrm{\θ}}_j}^2\left(x\right)+H_{{\mathrm{\θ}}_j}^2\left(x\right)}---\left(3\right)$

其中， $F_{{\mathrm{\θ}}_j}\left(x\right)={\mathrm{\Σ}}_n{e}_{n,{\mathrm{\θ}}_j}\left(x\right),H_{{\mathrm{\θ}}_j}\left(x\right)={\mathrm{\Σ}}_n{o}_{n,{\mathrm{\θ}}_j}\left(x\right)$ 分别表示的总和及的总和；

原始图像x的相位一致性PC(x)定义为：

$PC\left(x\right)=\frac{\underset{J}{\Σ}{E}_{{\mathrm{\θ}}_j}\left(x\right)}{\mathrm{\ϵ}+\underset{n}{\Σ}\underset{J}{\Σ}{A_n}_{,{\mathrm{\θ}}_j}\left(x\right)}---\left(4\right)$

同理，失真图像y的相位一致性PC(y)定义为：

$PC\left(y\right)=\frac{\underset{J}{\Σ}{E}_{{\mathrm{\θ}}_j}\left(y\right)}{\mathrm{\ϵ}+\underset{n}{\Σ}\underset{J}{\Σ}{A_n}_{,{\mathrm{\θ}}_j}\left(y\right)}---\left(5\right)$

其中，ε为最小正整数；

Step1.4、通过公式(4)和公式(5)分别得到原始图像x的相位一致性PC(x)和和失真图像y的相位一致性PC(y)，然后通过公式(6)得到两幅图像的特征相似性：

$S_{PC}(x,y)=\frac{2PC\left(x\right)\·PC\left(y\right)+T_1}{{\mathrm{PC}}^2\left(x\right)+{\mathrm{PC}}^2\left(y\right)+T_1}---\left(6\right)$

其中，T₁为常量。

所述得到图像的梯度相似性的具体步骤如下：

Step2.1、对输入的一幅原始图像x和一幅失真图像y分别进行sobel处理，得到原始图像的梯度幅值图像x'和失真图像的梯度幅值图像y'；

Step2.2、利用原始图像x和失真图像y求取原始图像的均值μ_x和失真图像的均值μ_y；利用Step2.1得到的原始图像的梯度幅值图像x'和失真图像的梯度幅值图像y'，分别求取梯度幅值图像x'的标准差σ_x'、梯度幅值图像y'的标准差σ_y'以及梯度幅值图像x'和梯度幅值图像y'的协方差σ_x'y'；

Step2.3、利用Step2.2得到的原始图像的均值μ_x、失真图像的均值μ_y通过公式(7)得到图像的亮度比较函数l(x，y)；利用Step2.2得到的梯度幅值图像x'的标准差σ_x'、梯度幅值图像y'的标准差σ_y'以及梯度幅值图像x'和梯度幅值图像y'的协方差σ_x'y'通过公式(8)和公式(9)得到对比度比较函数G_g(x,y)和相关系数比较函数S_g(x,y)；

$l(x,y)=\frac{2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1}{{\mathrm{\μ}}_x^2+{\mathrm{\μ}}_y^2+C_1}---\left(7\right)$

$G_g(x,y)=\frac{2{\mathrm{\σ}}_{x^{\′}}{\mathrm{\σ}}_{y^{\′}}+C_2}{{\mathrm{\σ}}_{x^{\′}}^2+{\mathrm{\σ}}_{y^{\′}}^2+C_2}---\left(8\right)$

$S_g(x,y)=\frac{({\mathrm{\σ}}_{x^{\′}{y}^{\′}}+C_3)}{{\mathrm{\σ}}_{x^{\′}}{\mathrm{\σ}}_{y^{\′}}+C_3}---\left(9\right)$

其中，C₁、C₂和C₃为常量；

Step2.4、将Step2.3得到的亮度比较函数l(x,y)、对比度比较函数G_g(x,y)和相关系数比较函数S_g(x,y)根据公式(10)的形式结合即可得到原始图像x和失真图像y的梯度特征相似性GSSIM(x,y)；

GSSIM(x,y)＝l(x,y)·C_g(x,y)·S_g(x,y)(10)。

将特征相似性和梯度相似性相结合的具体步骤如下：

Step3.1、利用Step1.3中得到的原始图像的相位一致性PC(x)、失真图像的相位一致性PC(y)通过公式(11)获得对图像x、y整体的相似性进行加权的权数PC_m(x,y)；

PC_m(x,y)＝max(PC(x),PC(y))(11)

Step3.2、将Step1.4中所得的图像的特征相似性S_PC(x,y)，Step2.4中所得的图像的梯度特征相似性GSSIM(x,y)以及Step3.1中所得的对图像x、y整体的相似性进行加权的权数PC_m(x,y)通过公式(12)得到图像质量评估得分；

$FGSIM=\frac{{\mathrm{\Σ}}_{x,y\∈\mathrm{\Ω}}{S}_{PC}(x,y)\·GSSIM(x,y)\·{\mathrm{PC}}_m(x,y)}{{\mathrm{\Σ}}_{x,y\∈\mathrm{\Ω}}{\mathrm{PC}}_m(x,y)}---\left(12\right).$

实施例2：如图1-17所示，一种改进的特征相似性图像质量评估方法，首先输入一幅原始图像和一幅失真图像，分别获取两幅图像的相位一致性，然后利用两幅图像的相位一致性得到图像的特征相似性；再分别获取两幅图像的梯度图像，利用梯度图像得到两幅图像的亮度比较函数、对比度比较函数和相关系数比较函数，然后将亮度比较函数、对比度比较函数和相关系数比较函数相结合得到图像的梯度相似性；最后将图像的特征相似性和图像的梯度相似性相结合即得到失真图像质量评估的结果。

实施例3：如图1-9所示，

打开测试用例，如图2-8所示；将打开的7个测试用例分为6组：图2和图3、图2和图4、图2和图5、图2和图6、图2和图7以及图2和图8。依次对6个测试用例组做以下操作：首先在Matlab中输入一幅原始图像和一幅失真图像，分别获取两幅图像的相位一致性，然后利用两幅图像的相位一致性得到图像的特征相似性；再分别获取两幅图像的梯度图像，利用梯度图像得到两幅图像的亮度比较函数、对比度比较函数和相关系数比较函数，然后将亮度比较函数、对比度比较函数和相关系数比较函数相结合得到图像的梯度相似性；最后将图像的特征相似性和图像的梯度相似性相结合即得到失真图像质量评估的结果。

所述得到图像的特征相似性的具体步骤如下：

Step1.1、在Matlab中输入一幅原始图像x和一幅失真图像y；

Step1.2、通过运用高斯函数作为转换函数G₂(ω,θ_j)：

$G_2(\mathrm{\ω},{\mathrm{\θ}}_j)=\exp (-\frac{{\left(log\right(\frac{\mathrm{\ω}}{{\mathrm{\ω}}_0}\left)\right)}^2}{2{\mathrm{\σ}}_r^2})\·\exp (-\frac{{(\mathrm{\θ}-{\mathrm{\θ}}_j)}^2}{2{\mathrm{\σ}}_{\mathrm{\θ}}^2})---\left(1\right)$

其中，θ_j＝jπ/J表示滤波器的方向角，j＝{0,1,.....,J-1}，J是方向角的数量；σ_θ表示滤波器的角度带宽，ω₀是滤波器的中心频率，σ_r用于控制滤波器的带宽，ω表示信号的频率，θ表示信号的相位角；参数设置如下所示：ω₀＝0.55，θ_j＝6，σ_r＝2，σ_θ＝1.2，J＝4。

Step1.3、通过调制ω₀和θ_j，G₂(ω,θ_j)和原始图像x，可得到一组响应其中，和分别表示偶数响应和奇数响应；

尺度为4，方向角为θ_j＝6的局部振幅为：

$A_{n,{\mathrm{\θ}}_j}\left(x\right)=\sqrt{e_{n,{\mathrm{\θ}}_j}^2\left(x\right)+o_{n,{\mathrm{\θ}}_j}^2\left(x\right)}---\left(2\right)$

沿差方向θ_j的局部能量为：

$E_{{\mathrm{\θ}}_j}\left(x\right)=\sqrt{F_{{\mathrm{\θ}}_j}^2\left(x\right)+H_{{\mathrm{\θ}}_j}^2\left(x\right)}---\left(3\right)$

其中， $F_{{\mathrm{\θ}}_j}\left(x\right)={\mathrm{\Σ}}_n{e}_{n,{\mathrm{\θ}}_j}\left(x\right),H_{{\mathrm{\θ}}_j}\left(x\right)={\mathrm{\Σ}}_n{o}_{n,{\mathrm{\θ}}_j}\left(x\right)$ 分别表示的总和及的总和；

原始图像x的相位一致性PC(x)定义为：

$PC\left(x\right)=\frac{\underset{J}{\Σ}{E}_{{\mathrm{\θ}}_j}\left(x\right)}{\mathrm{\ϵ}+\underset{n}{\Σ}\underset{J}{\Σ}{A_n}_{,{\mathrm{\θ}}_j}\left(x\right)}---\left(4\right)$

其中，ε＝0.0001，为了避免上式出现分母为零的情况。设置n＝4，J＝4，θ_j＝6。

同理，失真图像y的相位一致性PC(y)定义为：

$PC\left(y\right)=\frac{\underset{J}{\Σ}{E}_{{\mathrm{\θ}}_j}\left(y\right)}{\mathrm{\ϵ}+\underset{n}{\Σ}\underset{J}{\Σ}{A_n}_{,{\mathrm{\θ}}_j}\left(y\right)}---\left(5\right)$

其中，ε＝0.0001，为了避免上式出现分母为零的情况。设置n＝4，J＝4，θ_j＝6。

Step1.4、通过公式(4)和公式(5)分别得到原始图像x的相位一致性PC(x)和和失真图像y的相位一致性PC(y)，然后通过公式(6)得到两幅图像的特征相似性：

$S_{PC}(x,y)=\frac{2PC\left(x\right)\·PC\left(y\right)+T_1}{{\mathrm{PC}}^2\left(x\right)+{\mathrm{PC}}^2\left(y\right)+T_1}---\left(6\right)$

其中，常量T₁＝0.85是为了避免上述公式出现分母为零的情况。

所述得到图像的梯度相似性的具体步骤如下：

Step2.1、对输入的一幅原始图像x和一幅失真图像y分别进行sobel处理，得到原始图像的梯度幅值图像x'和失真图像的梯度幅值图像y'；

Step2.2、利用原始图像x和失真图像y求取原始图像的均值μ_x和失真图像的均值μ_y；利用Step2.1得到的原始图像的梯度幅值图像x'和失真图像的梯度幅值图像y'，分别求取梯度幅值图像x'的标准差σ_x'、梯度幅值图像y'的标准差σ_y'以及梯度幅值图像x'和梯度幅值图像y'的协方差σ_x'y'；

Step2.3、利用Step2.2得到的原始图像的均值μ_x、失真图像的均值μ_y通过公式(7)得到图像的亮度比较函数l(x，y)；利用Step2.2得到的梯度幅值图像x'的标准差σ_x'、梯度幅值图像y'的标准差σ_y'以及梯度幅值图像x'和梯度幅值图像y'的协方差σ_x'y'通过公式(8)和公式(9)得到对比度比较函数G_g(x,y)和相关系数比较函数S_g(x,y)；

$l(x,y)=\frac{2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1}{{\mathrm{\μ}}_x^2+{\mathrm{\μ}}_y^2+C_1}---\left(7\right)$

$G_g(x,y)=\frac{2{\mathrm{\σ}}_{x^{\′}}{\mathrm{\σ}}_{y^{\′}}+C_2}{{\mathrm{\σ}}_{x^{\′}}^2+{\mathrm{\σ}}_{y^{\′}}^2+C_2}---\left(8\right)$

$S_g(x,y)=\frac{({\mathrm{\σ}}_{x^{\′}{y}^{\′}}+C_3)}{{\mathrm{\σ}}_{x^{\′}}{\mathrm{\σ}}_{y^{\′}}+C_3}---\left(9\right)$

其中，常量C₁、C₂和C₃是为了避免上述各式出现分母为零的情况，设置C₁＝6.5025、C₂＝58.5225，由于C₃在计算的过程中会被约掉，故在此不做设置。

Step2.4、将Step2.3得到的亮度比较函数l(x,y)、对比度比较函数G_g(x,y)和相关系数比较函数S_g(x,y)根据公式(10)的形式结合即可得到原始图像x和失真图像y的梯度特征相似性GSSIM(x,y)；

GSSIM(x,y)＝l(x,y)·C_g(x,y)·S_g(x,y)(10)。

将特征相似性和梯度相似性相结合的具体步骤如下：

Step3.1、利用Step1.3中得到的原始图像的相位一致性PC(x)、失真图像的相位一致性PC(y)通过公式(11)获得对图像x、y整体的相似性进行加权的权数PC_m(x,y)；

PC_m(x,y)＝max(PC(x),PC(y))(11)

Step3.2、将Step1.4中所得的图像的特征相似性S_PC(x,y)，Step2.4中所得的图像的梯度特征相似性GSSIM(x,y)以及Step3.1中所得的对图像x、y整体的相似性进行加权的权数PC_m(x,y)通过公式(12)得到图像质量评估得分；

$FGSIM=\frac{{\mathrm{\Σ}}_{x,y\∈\mathrm{\Ω}}{S}_{PC}(x,y)\·GSSIM(x,y)\·{\mathrm{PC}}_m(x,y)}{{\mathrm{\Σ}}_{x,y\∈\mathrm{\Ω}}{\mathrm{PC}}_m(x,y)}---\left(12\right).$

其中Ω＝255。

所得到的六幅运动模糊失真图像的评估结果如表1所示。

表1本发明方法对不同运动模糊程度下一组失真图像的质量评价值

将该方法得到的六幅运动模糊失真图像的评估结果与运用GSSIM方法和FSIM方法对同样的六幅运动模糊失真图像的评估结果进行比较所得到的曲线图如图9所示，以验证本发明方法的性能。从图中可以看出：当运动模糊的运动距离由小到大(即图像越来越模糊)时，三种方法的质量评估值都表现出减小的趋势，但数值变化的程度存在明显的差异，GSSIM方法的数值由0.5798下降到0.1305，FSIM方法数值由0.9496下降到0.8815，本发明方法由0.9111下降到0.3621，由此可以看出，本发明方法数值变化更加明显，对运动模糊表现出更好的敏感性，说明本文方法对运动模糊失真的自然图像的质量评估更加优越。

实施例4：如图2、10-17所示，

打开测试用例，如图2、10-15所示；将打开的7个测试用例分为6组：图2和图10、图2和图11、图2和图12、图2和图13、图2和图14、图2和图15。依次对6个测试用例组做以下操作：首先在Matlab中输入一幅原始图像和一幅失真图像，分别获取两幅图像的相位一致性，然后利用两幅图像的相位一致性得到图像的特征相似性；再分别获取两幅图像的梯度图像，利用梯度图像得到两幅图像的亮度比较函数、对比度比较函数和相关系数比较函数，然后将亮度比较函数、对比度比较函数和相关系数比较函数相结合得到图像的梯度相似性；最后将图像的特征相似性和图像的梯度相似性相结合即得到失真图像质量评估的结果。

所述得到图像的特征相似性的具体步骤如下：

Step1.1、在Matlab中输入一幅原始图像x和一幅失真图像y；

Step1.2、通过运用高斯函数作为转换函数G₂(ω,θ_j)：

$G_2(\mathrm{\ω},{\mathrm{\θ}}_j)=\exp (-\frac{{\left(log\right(\frac{\mathrm{\ω}}{{\mathrm{\ω}}_0}\left)\right)}^2}{2{\mathrm{\σ}}_r^2})\·\exp (-\frac{{(\mathrm{\θ}-{\mathrm{\θ}}_j)}^2}{2{\mathrm{\σ}}_{\mathrm{\θ}}^2})---\left(1\right)$

其中，θ_j＝jπ/J表示滤波器的方向角，j＝{0,1,.....,J-1}，J是方向角的数量；σ_θ表示滤波器的角度带宽，ω₀是滤波器的中心频率，σ_r用于控制滤波器的带宽，ω表示信号的频率，θ表示信号的相位角；参数设置如下所示：ω₀＝0.55，θ_j＝6，σ_r＝2，σ_θ＝1.2，J＝4。

Step1.3、通过调制ω₀和θ_j，G₂(ω,θ_j)和原始图像x，可得到一组响应其中，和分别表示偶数响应和奇数响应；

尺度为4，方向角为θ_j＝6的局部振幅为：

$A_{n,{\mathrm{\θ}}_j}\left(x\right)=\sqrt{e_{n,{\mathrm{\θ}}_j}^2\left(x\right)+o_{n,{\mathrm{\θ}}_j}^2\left(x\right)}---\left(2\right)$

沿差方向θ_j的局部能量为：

$E_{{\mathrm{\θ}}_j}\left(x\right)=\sqrt{F_{{\mathrm{\θ}}_j}^2\left(x\right)+H_{{\mathrm{\θ}}_j}^2\left(x\right)}---\left(3\right)$

其中， $F_{{\mathrm{\θ}}_j}\left(x\right)={\mathrm{\Σ}}_n{e}_{n,{\mathrm{\θ}}_j}\left(x\right),H_{{\mathrm{\θ}}_j}\left(x\right)={\mathrm{\Σ}}_n{o}_{n,{\mathrm{\θ}}_j}\left(x\right)$ 分别表示的总和及的总和；

原始图像x的相位一致性PC(x)定义为：

$PC\left(x\right)=\frac{\underset{J}{\Σ}{E}_{{\mathrm{\θ}}_j}\left(x\right)}{\mathrm{\ϵ}+\underset{n}{\Σ}\underset{J}{\Σ}{A_n}_{,{\mathrm{\θ}}_j}\left(x\right)}---\left(4\right)$

其中，ε＝0.0001，为了避免上式出现分母为零的情况。设置n＝4，J＝4，θ_j＝6。

同理，失真图像y的相位一致性PC(y)定义为：

$PC\left(y\right)=\frac{\underset{J}{\Σ}{E}_{{\mathrm{\θ}}_j}\left(y\right)}{\mathrm{\ϵ}+\underset{n}{\Σ}\underset{J}{\Σ}{A_n}_{,{\mathrm{\θ}}_j}\left(y\right)}---\left(5\right)$

其中，ε＝0.0001，为了避免上式出现分母为零的情况。设置n＝4，J＝4，θ_j＝6。

Step1.4、通过公式(4)和公式(5)分别得到原始图像x的相位一致性PC(x)和和失真图像y的相位一致性PC(y)，然后通过公式(6)得到两幅图像的特征相似性S_PC(x,y)：

$S_{PC}(x,y)=\frac{2PC\left(x\right)\·PC\left(y\right)+T_1}{{\mathrm{PC}}^2\left(x\right)+{\mathrm{PC}}^2\left(y\right)+T_1}---\left(6\right)$

其中，常量T₁＝0.85是为了避免上述公式出现分母为零的情况。

所述得到图像的梯度相似性的具体步骤如下：

Step2.1、对输入的一幅原始图像x和一幅失真图像y分别进行sobel处理，得到原始图像的梯度幅值图像x'和失真图像的梯度幅值图像y'；

Step2.2、利用原始图像x和失真图像y求取原始图像的均值μ_x和失真图像的均值μ_y；利用Step2.1得到的原始图像的梯度幅值图像x'和失真图像的梯度幅值图像y'，分别求取梯度幅值图像x'的标准差σ_x'、梯度幅值图像y'的标准差σ_y'以及梯度幅值图像x'和梯度幅值图像y'的协方差σ_x'y'；

Step2.3、利用Step2.2得到的原始图像的均值μ_x、失真图像的均值μ_y通过公式(7)得到图像的亮度比较函数l(x，y)；利用Step2.2得到的梯度幅值图像x'的标准差σ_x'、梯度幅值图像y'的标准差σ_y'以及梯度幅值图像x'和梯度幅值图像y'的协方差σ_x'y'通过公式(8)和公式(9)得到对比度比较函数G_g(x,y)和相关系数比较函数S_g(x,y)；

$l(x,y)=\frac{2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1}{{\mathrm{\μ}}_x^2+{\mathrm{\μ}}_y^2+C_1}---\left(7\right)$

$G_g(x,y)=\frac{2{\mathrm{\σ}}_{x^{\′}}{\mathrm{\σ}}_{y^{\′}}+C_2}{{\mathrm{\σ}}_{x^{\′}}^2+{\mathrm{\σ}}_{y^{\′}}^2+C_2}---\left(8\right)$

$S_g(x,y)=\frac{({\mathrm{\σ}}_{x^{\′}{y}^{\′}}+C_3)}{{\mathrm{\σ}}_{x^{\′}}{\mathrm{\σ}}_{y^{\′}}+C_3}---\left(9\right)$

其中，常量C₁、C₂和C₃是为了避免上述各式出现分母为零的情况，设置C₁＝6.5025、C₂＝58.5225，由于C₃在计算的过程中会被约掉，故在此不做设置。

Step2.4、将Step2.3得到的亮度比较函数l(x,y)、对比度比较函数G_g(x,y)和相关系数比较函数S_g(x,y)根据公式(10)的形式结合即可得到原始图像x和失真图像y的梯度特征相似性GSSIM(x,y)；

GSSIM(x,y)＝l(x,y)·C_g(x,y)·S_g(x,y)(10)。

将特征相似性和梯度相似性相结合的具体步骤如下：

Step3.1、利用Step1.3中得到的原始图像的相位一致性PC(x)、失真图像的相位一致性PC(y)通过公式(11)获得对图像x、y整体的相似性进行加权的权数PC_m(x,y)；

PC_m(x,y)＝max(PC(x),PC(y))(11)

Step3.2、将Step1.4中所得的图像的特征相似性S_PC(x,y)，Step2.4中所得的图像的梯度特征相似性GSSIM(x,y)以及Step3.1中所得的对图像x、y整体的相似性进行加权的权数PC_m(x,y)通过公式(12)得到图像质量评估得分；

$FGSIM=\frac{{\mathrm{\Σ}}_{x,y\∈\mathrm{\Ω}}{S}_{PC}(x,y)\·GSSIM(x,y)\·{\mathrm{PC}}_m(x,y)}{{\mathrm{\Σ}}_{x,y\∈\mathrm{\Ω}}{\mathrm{PC}}_m(x,y)}---\left(12\right).$

其中Ω＝255。

所得到的六幅高斯模糊失真图像的评估结果如表2所示。

表2本发明方法不同高斯模糊程度下一组失真图像的质量评价值

将该方法得到的六幅高斯模糊失真图像的评估结果与运用GSSIM方法和FSIM方法对同样的六幅高斯模糊失真图像的评估结果进行比较所得曲线图如图16所示，以验证本发明方法的性能。从图中可以看出：当加入高斯模糊的方差由小到大(即图像越模糊)时，三种方法的质量评估值都表现出减小的趋势，但数值变化的程度存在明显的差异，FGSIM方法数值变化的程度虽然不如GSSIM方法好，但相较FSIM方法有一定的提高。

本发明方法(FGSIM)对TID2008图像数据库中的失真图像进行图像质量评估并用得到评估分数与图像数据库中自带的DMOS值进行曲线拟合以验证本发明方法符合人类视觉的性能。结果如图17所示，从图中可以看出散点图较为集中，拟合效果较好，说明该算法的性能接近人类视觉系统。

采用较为常用的衡量评估方法性能的指标：皮尔逊相关系数(PearsonCorrelationCoefficient，CC)、斯皮尔曼秩相关系数(Spearmanrank-ordercorrelationcoefficient，SROCC)、KROCC(Kendallrank-ordercorrelationcoefficient)和均方根误差(RootMeanSquareError，RMSE)对评估方法的性能进一步进行衡量。其结果如下表3所示。

从表3可以看出FSIM方法的CC值，SROCC值，KROCC值最大，FGSIM方法的次之，GSSIM方法的最小；FSIM方法的RMSE值最小，FGSIM方法的次之，GSSIM方法的最大，表明FGSIM方法在具有GSSIM方法边缘识别能力的基础上同时具有FSIM方法的优点，能够有效识别图像的底层特征，使其评估结果相较于GSSIM更接近人类视觉系统。

表3图像质量评估模型对于部分TID2008图像库的性能比较

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种改进的特征相似性图像质量评估方法，其特征在于：首先输入一幅原始图像和一幅失真图像，分别获取两幅图像的相位一致性，然后利用两幅图像的相位一致性得到图像的特征相似性；再分别获取两幅图像的梯度图像，利用梯度图像得到两幅图像的亮度比较函数、对比度比较函数和相关系数比较函数，然后将亮度比较函数、对比度比较函数和相关系数比较函数相结合得到图像的梯度相似性；最后将图像的特征相似性和图像的梯度相似性相结合即得到失真图像质量评估的结果。

2.根据权利要求1所述的改进的特征相似性图像质量评估方法，其特征在于：所述得到图像的特征相似性的具体步骤如下：

Step1.1、输入一幅原始图像x和一幅失真图像y；

Step1.2、通过运用高斯函数作为转换函数G₂(ω,θ_j)：

$G_2(\mathrm{\ω},{\mathrm{\θ}}_j)=\exp (-\frac{{\left(log\right(\frac{\mathrm{\ω}}{{\mathrm{\ω}}_0}\left)\right)}^2}{2{\mathrm{\σ}}_r^2})\·\exp (-\frac{{(\mathrm{\θ}-{\mathrm{\θ}}_j)}^2}{2{\mathrm{\σ}}_{\mathrm{\θ}}^2})---\left(1\right)$

其中，θ_j＝jπ/J表示滤波器的方向角，j＝{0,1,.....,J-1}，J是方向角的数量；σ_θ表示滤波器的角度带宽，ω₀是滤波器的中心频率，σ_r用于控制滤波器的带宽，ω表示信号的频率，θ表示信号的相位角；

Step1.3、通过调制ω₀和θ_j，G₂(ω,θ_j)和原始图像x，可得到一组响应[e_n,θ_j(x),o_n,θ_j(x)]；其中，e_n,θ_j(x)和o_n,θ_j(x)分别表示偶数响应和奇数响应；

尺度为n，方向角为θ_j的局部振幅为：

$A_{n,{\mathrm{\θ}}_j}\left(x\right)=\sqrt{e_{n,{\mathrm{\θ}}_j}^2\left(x\right)+o_{n,{\mathrm{\θ}}_j}^2\left(x\right)}---\left(2\right)$

沿差方向θ_j的局部能量为：

$E_{{\mathrm{\θ}}_j}\left(x\right)=\sqrt{F_{{\mathrm{\θ}}_j}^2\left(x\right)+H_{{\mathrm{\θ}}_j}^2\left(x\right)}---\left(3\right)$

其中， $F_{{\mathrm{\θ}}_j}\left(x\right)={\mathrm{\Σ}}_n{e}_{n,{\mathrm{\θ}}_j}\left(x\right),$ $H_{{\mathrm{\θ}}_j}\left(x\right)={\mathrm{\Σ}}_n{o}_{n,{\mathrm{\θ}}_j}\left(x\right)$ 分别表示e_n,θ_j(x)的总和及o_n,θ_j(x)的总和；

原始图像x的相位一致性PC(x)定义为：

$PC\left(x\right)=\frac{\underset{J}{\Σ}{E}_{{\mathrm{\θ}}_j}\left(x\right)}{\mathrm{\ϵ}+\underset{n}{\Σ}\underset{J}{\Σ}{A}_{n,{\mathrm{\θ}}_j}\left(x\right)}---\left(4\right)$

同理，失真图像y的相位一致性PC(y)定义为：

$PC\left(y\right)=\frac{\underset{J}{\Σ}{E}_{{\mathrm{\θ}}_j}\left(y\right)}{\mathrm{\ϵ}+\underset{n}{\Σ}\underset{J}{\Σ}{A}_{n,{\mathrm{\θ}}_j}\left(y\right)}---\left(5\right)$

其中，ε为最小正整数；

Step1.4、通过公式(4)和公式(5)分别得到原始图像x的相位一致性PC(x)和和失真图像y的相位一致性PC(y)，然后通过公式(6)得到两幅图像的特征相似性：

$S_{PC}(x,y)=\frac{2PC\left(x\right)\·PC\left(y\right)+T_1}{{\mathrm{PC}}^2\left(x\right)+{\mathrm{PC}}^2\left(y\right)+T_1}---\left(6\right)$

其中，T₁为常量。

3.根据权利要求2所述的改进的特征相似性图像质量评估方法，其特征在于：所述得到图像的梯度相似性的具体步骤如下：

Step2.1、对输入的一幅原始图像x和一幅失真图像y分别进行sobel处理，得到原始图像的梯度幅值图像x'和失真图像的梯度幅值图像y'；

Step2.2、利用原始图像x和失真图像y求取原始图像的均值μ_x和失真图像的均值μ_y；利用Step2.1得到的原始图像的梯度幅值图像x'和失真图像的梯度幅值图像y'，分别求取梯度幅值图像x'的标准差σ_x'、梯度幅值图像y'的标准差σ_y'以及梯度幅值图像x'和梯度幅值图像y'的协方差σ_x'y'；

Step2.3、利用Step2.2得到的原始图像的均值μ_x、失真图像的均值μ_y通过公式(7)得到图像的亮度比较函数l(x，y)；利用Step2.2得到的梯度幅值图像x'的标准差σ_x'、梯度幅值图像y'的标准差σ_y'以及梯度幅值图像x'和梯度幅值图像y'的协方差σ_x'y'通过公式(8)和公式(9)得到对比度比较函数G_g(x,y)和相关系数比较函数S_g(x,y)；

$l(x,y)=\frac{2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1}{{\mathrm{\μ}}_x^2+{\mathrm{\μ}}_y^2+C_1}---\left(7\right)$

$G_g(x,y)=\frac{2{\mathrm{\σ}}_{x^{\′}}{\mathrm{\σ}}_{y^{\′}}+C_2}{{\mathrm{\σ}}_{x^{\′}}^2+{\mathrm{\σ}}_{y^{\′}}^2+C_2}---\left(8\right)$

$S_g(x,y)=\frac{({\mathrm{\σ}}_{x^{\′}{y}^{\′}}+C_3)}{{\mathrm{\σ}}_{x^{\′}}{\mathrm{\σ}}_{y^{\′}}+C_3}---\left(9\right)$

其中，C₁、C₂和C₃为常量；

Step2.4、将Step2.3得到的亮度比较函数l(x,y)、对比度比较函数G_g(x,y)和相关系数比较函数S_g(x,y)根据公式(10)的形式结合即可得到原始图像x和失真图像y的梯度特征相似性GSSIM(x,y)；

GSSIM(x,y)＝l(x,y)·C_g(x,y)·S_g(x,y)(10)。

4.根据权利要求3所述的改进的特征相似性图像质量评估方法，其特征在于：将特征相似性和梯度相似性相结合的具体步骤如下：

Step3.1、利用Step1.3中得到的原始图像的相位一致性PC(x)、失真图像的相位一致性PC(y)通过公式(11)获得对图像x、y整体的相似性进行加权的权数PC_m(x,y)；

PC_m(x,y)＝max(PC(x),PC(y))(11)

Step3.2、将Step1.4中所得的图像的特征相似性S_PC(x,y)，Step2.4中所得的图像的梯度特征相似性GSSIM(x,y)以及Step3.1中所得的对图像x、y整体的相似性进行加权的权数PC_m(x,y)通过公式(12)得到图像质量评估得分；

$FGSIM=\frac{{\mathrm{\Σ}}_{x,y\∈\mathrm{\Ω}}{S}_{PC}(x,y)\·GSSIM(x,y)\·{\mathrm{PC}}_m(x,y)}{{\mathrm{\Σ}}_{x,y\∈\mathrm{\Ω}}{\mathrm{PC}}_m(x,y)}---\left(12\right).$