论文研究-一种新的基于Contourlet域的无参考图像质量评价算法 .pdf

所需积分/C币:6 2019-08-27 22:31:51 1.71MB .PDF
收藏 收藏
举报

一种新的基于Contourlet域的无参考图像质量评价算法,王杰,杜海清,本文深入研究图像Contourlet域自然场景统计特性,提出一种新的基于Contourlet域的无参考图像质量评价算法。该算法首先从Contourlet域提取出��
国利技论文在线 http://www.paper.edu.cn 图1:”caps.jpg图像及其 Contourlet分解图 组(PDFB),由于该变换以轮廓段形式的基函数逼近原始图像,因此也称为离散 Contourlet变 换。DFB的优点是对丁高频部分的表现更加优秀,而LP分解的每一层将图像分解为高频部分 和低频部分, Contourlet变换很好地结合了两者的共同优点。图1所示是选取的LVE实验库中 的"caps.jpg"图像及其三层 Contour1et分解图。 2 Contourlet域提取的特征 特征选择对丁设计无参考图像质量评价算法具有非常重要的作用,它不仅需要与失真程度 有良好的一致性,而且独立于图像的内容。文献中提到的自然场景特征达到了这些要求,并且 具有较好的图像质量预测能力。我们既可以通过像素级别的低级特征,也可以通过语义级别的 髙级特征米构建模型,来设计图像质量评价算法。木文利用 Contour1et系数提取处于两者之 间的中间级别的特征,它从低级特征上捕获到对于失真敏感同时独立于内容的特征。下面详细 介绍并分析本文选取的特征。首先我们从LIVE0实验库选取一张自然图片与其相应的五种类 型失真造成的图片构成一组实验图片。对每一幅图片分别进行四层的LP尺度分解,然后再对每 个尺度进行8方向的DFB分解。 2.1 Contourlet系数对数域幅度分布特征 由于精细尺度的 contourlet系数代表的是图像中的高频分量部分,而失真主要影响的就是 图像的高频分量。对亍图像的两种主要失真方式:模糊亼减弱图像的髙颎分量,而噪声则会增 加图像的高频分量。我们选取第四尺度的 Contourlet系数的底10幅度值,作岀其概率密度曲线 计算公式如下: h(x)=pf(og10(,) 国利技论文在线 http://www.paper.edu.cn ori gina O.25 fastfading 0.05 图2:h(x)曲线图 其中θ代表第四尺度上:的随机选取的某个子带的 Contour1et系数值。图2画出了选取图片 的h(x)的曲线图。从曲线图可以看出, Contourlet系数幅度值分布呈现出高尖峰、长拖尾的非 髙斯特性,同时幅值主要集中在零值附近,表眀 Contourlet变换的稀疏性,符合人眼的视觉特 性。我们通过非对称型广义高斯模型(AGGD, asymmetric generalized Gaussian distribution mode1) 来对曲线进行建模。对图2进一步对比分析可知,自然图像的h(x)曲线表现出高尖峰、重拖尾 的非高斯特征,但是失真的存在会破坏曲线的形状。比如加性高斯白噪声的存在相当于给图像 增加了某种形式的轮廓,增加了图像的高频成分。反映到曲线上则是曲线的尖峰往图像的右方 偏移,必然导致提取特征的改变。相反的是,模糊会削弱图像的轮廓,导致高频分量的减少 因此曲线会往左移。由此可以看出,选取的第一组特征与人眼视觉特性具有很好的一致性。 22 Contourlet域方向能量分布特征 Contourθt作为一种多分辨率、多尺度的分析方法,能够提取丰富的图像的方向信息。研 宄表明,自然图像在各个方向上的能量分布呈现出特定的规律,但是失真的存在会破坏这种特 性,并且能够被人眼敏感地感知到。通过对图像进行三层LP尺度分解和8方向DFB分解得到24个 图像子带。为了简单起见,我们对每个尺度上的8方向子带分别表示为(1,2,8,分别取对角线 上的方向系数进行两两合并(27,3-6,1-8.45),这样最终提取12个特征。能量计算公式如卜 E=E(61) (2 其中E(x)表示π的平均值,而6表示一系列方向矩阵的系数,l表示值为(1,2,…12)的下标。 图3给出了原始图像及其各种失真下的图像的方向能量分布图。从图3我们发现,白噪声很随 杋地增加了各个方向上的能量幅度,但是缩小了他们之间的差异。那是由于白噪声会增加图像 的轮廓,但是同时也会同化掉能量分布。相反的是,模糊会减小能量幅度值,但是会使得主能 量的幅度更加突出,这也可以由 Contourlet对轮序髙效的表示能力和自然图像的各向异性进行 解释。并且从图对比可知,失真的程度越髙,这种变化的趋势就越明显。通过对这些方向能量 国利技论文在线 http://www.paper.edu.cn 25 Subbands 图3:从上往下,从左往右依次为:原始图像,DMOS=33.54的噪声图像1.DMOS=41.56的噪声 图像2,DMOS=40.83的模糊图像1,DMOS=69.15的模糊图像2。 国利技论文在线 http://www.paper.edu.cn 表1: Contourlet域特征向量及描述 特征向量 f5-f6 f7-f22 特征描述对数绝对值分布特征方向能量分布特征纹理区域各子带结构特征 幅度值的直方图提取出 Contourlet域方向能量特征如下: CU=/1 其中μ代表能量值的均值,σ代表能量值的标准差。于是,我们提取出(μ,c)两个方向能量特征 作为第二类特征。 2.3 Contourlet域纹理区域结构特征 枨据HVs特性可知,人眼对于视觉关注的显著区域的失真相对史加敏感。而 Contourlet变 换能够有效提取图像的边缘并分析其高维奇异性。为了利用人眼的视觉特性,我们重点选 取图像的纹理区域进行分析,并对比不同失真类型对该区域造成的影响。首先,对图像进 行4层I分解,接着对每层进行8方冋的DFB分解。对每幅图像,我们先选取最精细的第四层进 行分析,选取绝对值大于绝对均值的系数(设置微调阈值为T)构成的区域作为纹理区域。对 其他相对粗糙的尺度采用插值法冋样得到相应的纹理区域。采取和上面提到的相同的两两组合 方式,我们得到16个纹坦区域的子带。通过如下公式计算出各个子带的对数域均值,并得出各 个失真类型的子带分布折线如图3 T=E(Log10(C,D) 其中E(x)表示变量x的均值,C表示纹理区域下标为i的子带的 Contourlet系数。从图3可以看 出,原始无失真图像的均值随着尺度和了带的增加呈现岀较好的线性关系,但是失真的存在会 使得自然图像的统计特征产生不自然的变化。JPEG200压缩失真、白噪声失真、高斯模糊失 真都使得均值不同程度的偏离了对应自然图像的该值。对于JPEG2000、髙斯模糊,图像质量 越差,子带的均值减小的越多;而对于高斯白噪声则正好相反,这也验证了白喋声会増加图像 的纹理信息或者轮廓信息。从图上还可以看出,对各种失真类型而言,图像的降质不仅表现在 精细尺度上,即图像的高频分量上,而且在粗糙尺度的 Contourlet系数上也有所体现。说明该 特征能够在各个尺度上反映失真对图像结构信息造成的影响。所以相对于小波域的统计模型而 言, Contourlet域的统计分析方法可以得到更能有效进行质量评价的特征。至此我们精心设 计并提取了22维对失真敏感的自然图像统计特征。如表1所小 3无参考图像质量评价算法实现及评估 由以上分析可知,精心设计、提取的 Contourlet域提取的自然图像特征能有效的表征 图像失真程度。但是我们不能保证,对于每一·种失真类型,特征对应失真程度的变化 国利技论文在线 http://www.paper.edu.cn 图4:纹理区域子带折线分布图,从上往下,从左往右依次为:原始图像,JPEG2000夫真图 像,JPEG失真图像,模糊失真图像,噪声失真图像,FF失真图像。 国利技论文在线 http://www.paper.edu.cn 表2: Pearson线性相关系数(PLCC) PlCC JpeG2000 JPEG n Blur FF ALl PSNR 0.82650.86170.95480.77240.84790.8242 BIQ 0.86420.75710.95360.89250.73450.7526 BRISQUE0.93940.92550.96740.95960.90210.9271 本文算法0.92810.90170.91330.9689089320.9022 表3: Spearirlanl等级相关系数( SROCO) PlcC JPEG2000 JPEG wn Blur FF ALL PSNR 0.87960.85630.9676081740.88650.8178 BIQI 0.84150.78140.97210.92840.756107540 BRISQUE0.93670.92150.97190.9512088950.9365 本文算法0.92100.9207092770.96550.901209197 完全一致。因此采用两层框架方法,首先通过提取的特征向量,对图像失真类型进行 分类,判断其属于每一种失真的程度。在进行失真分类时,采用了使用径向基核函数 ( Radial basis function,RBF)的v-sⅥN分类器。然后计算每种失真类型的评价分值,最 后加权得到图像的质量评价分值。用概率p来表示每种失真类型的失真程度,这里我们只考虑 五种失真类型:白噪声失真、高斯模糊失真、JPEG2000压缩失真、JPEG压缩失真、FF失真。 对于每一种失真,采用v-SVR学习特征到质量的投影关系,然后利用v-sVR回归模型预测相应 的每种失真类型的评价分值。算法的计算公式如下 (5 其中1=1,2,5表示五种失真类型的下标,p;和q分别代表不同失真类型的占比和分值。这样, 我们得到了一个基于 Contour]et域自然图像统计特性的两阶段的通用型无参考图像质量评价 方法。通过在LIVE数据库上进行测试,对图像分类的正确率为84.3652%。我们选取了一种比较 成熟的全参考算法:PSN,几种比较的先进无参考算法:BIQI1、 BRISQUE12与本文提出的算 法进行了性能比较。性能参数如表2、3所示,表中分别列岀了算法对单种失真类型图像的性能 参数,以及整体的性能参数。 从实验结果可以看出,算法性能比全参考型算法PSNR性能提高很多,相比于目前先进的 无参考图像质量评价算法,性能不相上下。而且该算法的客观评价结果和人眼主观值的·致性 良好,是一种复杂度适中的通用型无参考图像质量评价算法。 4结论 本文通过深入研究 Contourlet域自然场景统计特性,提取岀对图像失真敏感旳 Contourlet域 图像特征,特征提取的过程中加入人眼视觉特性的考虑。借助于两阶段框架模型,先根据图像 国利技论文在线 http://www.paper.edu.cn 客观质量评价值 客观质量评价值 客观质量评价值 0.:151 002 客质量评价值 客质量讲价俏 图5:客观质量评价分值与主观DMOS值对比的散点图,从上往下,从左往右依次为 JPEG2000失真,JPEG失真,噪声失真,高斯模糊尖真,FF失真,所有失真类型 国利技论文在线 http://www.paper.edu.cn 失真类型对图像分类,再分别对每种失真类型单独进行质量评价,最后加权得出图像的客观质 量评价分值。实现了一种性能良好的通用型无参考图像质量评价算法。当然,本文的算法也有 不足之处,比如对快速衰落失真的评价性能还有待提髙,寻找更有效的¢ contourlet域特征,提 高算法整体性能,是下一步的研究方向。 参考文献( References) 1 H. R. Sheikh, A. C. Bovik. Image information and visual quality. IEEE Transactions on Image Processing, 2006, 15(2): 430-4411 2 Z. Wang, A.C. Bovik, H R. Sheikh, et al. Image quality assessment: from error visibility to structural similarity(J. IEEE Transactions on Image Processing, 2004, 13(4): 600-612 3 Li Qiang, Wang Zhou. RR Image Quality assessment using divisive normalization-based image representation]. IEEE Journal of Selected Topic in Signal Processing, 2009, 3(2) 202-211 4 Lu Wen, Gao Xinbo, et al. An image quality assessment metric based on contourletJ. In Proc. IEEE International Conference on Image Processing, San Diego, California, 2008 12-15. ⑤曾凯.无参考型自然图像质量评价算法研究D].西安,西安电子科技大学.2009 6 M.A. Saad, A.C. Bovik, C Charrier. A DCT statistics based blind image quality index IEEE Signal Processing Letters, 2010, 17(6):583-586 ∏7]路文.基于视觉感知的影像质量评价方法研究D西安:西安电子科技大学,2009 8 Do Minh N, Vetterli M. The contourlet transform: an efficient directional multiresolution image representation]. IEEE Trans Image Processing, 2005, 14(12): 2091-2106 9 Po Duncan D Y, Do Minh N Directional multiscal modeling of images using the contourlet transform[J. IEEE Trans Image Processing, 2006, 15(6 1610-1620 10 H. R. Sheikh, Z. Wang, L Cormack. LIVE Image Quality Assessment Database Release 2ol2005.htTp: //live. ece. utexas. edu/research/quality 11 A. K. Moorthy, A. C. Bovik. A two-step framework for constructing blind image quality indices J. IFEE Signal Processing Letters, 2010, 17(2): 587-599 [12 Anish Mittal, Anush K Moorthy, Alan C Bovik No-reference Image Quality Assessmen in the Spatial Domain J. IEEE Transactions on Image Processing, 2012, 21(12):4695- 4708.

...展开详情
试读 10P 论文研究-一种新的基于Contourlet域的无参考图像质量评价算法 .pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    img
    • 至尊王者

      成功上传501个资源即可获取

    关注 私信 TA的资源

    上传资源赚积分,得勋章
    最新推荐
    论文研究-一种新的基于Contourlet域的无参考图像质量评价算法 .pdf 6积分/C币 立即下载
    1/10
    论文研究-一种新的基于Contourlet域的无参考图像质量评价算法 .pdf第1页
    论文研究-一种新的基于Contourlet域的无参考图像质量评价算法 .pdf第2页
    论文研究-一种新的基于Contourlet域的无参考图像质量评价算法 .pdf第3页

    试读已结束,剩余7页未读...

    6积分/C币 立即下载 >