[发明专利]基于非线性归一化的拉普拉斯‑高斯信号的图像质量评价方法

说明书

技术领域

本发明属于图像处理领域，涉及一种图像质量全参考评价方法，具体涉及一种基于非线性归一化的拉普拉斯-高斯信号的图像质量评价方法。

背景技术

图像质量评价(Image quality assessment,IQA)算法在图像处理领域中都具有广泛的应用，包括质量监控，图像恢复和重建，算法设计与优化，资源分配，参数估计，和感知视频编码等。

图像质量评价方法的研究目前已经取得了很多出色的成果。按照是否需要参考图像作为标准，图像质量评价方法可以分为三类。第一类是全参考型的图像质量评价方法，该方法主要针对能够获得原始参考图像全部信息的条件下使用，目前已经有一些方法可以得到与人类视觉系统高度相关的预测结果。第二类是无参考的图像质量评价方法，该方法主要针对进行图像质量评价时无法获取相关原始参考图像或者视频序列的任何信息时设计。由于信息量相比于第一种缺少很多，因而难度也较大。第三类是介于这二者之间的部分参考型的图像质量评价方法。在这种情况下，对图像质量的评价可以借助于对原始图像的不完备的相关特征描述信息来进行。本发明属于全参考方法，下面将详细介绍该类方法的研究现状。

对图像质量进行评价需要三个方面的知识：自然图像统计模型，用来描述图像本身；人类视觉系统中的处理机制，用来描述图像在接受者中的被处理过程；图像退化通道模型，用来描述退化通道中图像的处理过程。目前已有的全参考图像质量评价方法可以按照所采取的方法不同分为两类：自底向上，基于对真个人类视觉系统进行功能性建模的方法；和自上而下，基于对人类视觉系统中各个过程的处理进行建模的方法。在自底向上的方法中，其中具有代表性的工作包括早期(S.Daly,“Visible difference predictor:An algorithm for the assessment of image fidelity,”Proc.SPIE,vol.1616,pp.2–15,1992.；J.Lubin,“A visual discrimination model for imaging system design and evaluation,”in Visual Models for Target Detection and Recognition,E.Peli,Ed.Singapore:World Scientific,1995,pp.245–283.；)以及后来的VSNR模型(D.M.Chandler,S.S.Hemami,and S.Member,“VSNR:a wavelet-based visual signal-to-noise ratio for natural images.,”IEEE transactions on image processing,vol.16,no.9,pp.2284–98,Sep.2007.)和MAD模型(D.M.Chandler,“Most apparent distortion:full-reference image quality assessment and the role of strategy,”Journal of Electronic Imaging,vol.19,no.1,p.011006,Jan.2010.)。其中MAD模型在这些模型中取得最好的性能效果。而自上而下的模型，由于不用考虑复杂的人类视觉处理机制，受到了广发的关注。最经典的模型是Z.Wang等人提出的SSIM模型(Z.Wang,A.C.Bovik,H.R.Sheikh,and E.P.Simoncelli,“Image quality assessment:From error measurement to structural similarity,”IEEE Trans.Image Process.,vol.13,no.4,pp.600–612,Apr.2004.)，从图像的局部亮度，对比度和结构三方面的相似度对失真图像的质量进行评价，使得图像质量评价算法的性能得到很高的提升。H.R.Sheikh与A.C.Bovik将信息理论引入到图像质量模型的构造中来，提出了基于自然图像统计特性的图像保真度测量模型IFC(H.R.Sheikh,A.C.Bovik,and G.de Veciana,“An information fidelity criterion for image quality assessment using natural scene statistics,”IEEE Trans.Image Process,vol.14,no.12,pp.2117–2128,2005.)，继而通过引入视觉噪声，对上述模型进行了改进，形成了VIF方法(H.R.Sheikh and A.C.Bovik,“Image information and visual quality,”IEEE Trans.Image Process.,vol.15,no.2pp.430-444,Feb.2006.)。在SSIM模型之后，有出现了一系列性能更好的图像质量评价模型，包括基于信息量加权的IW-SSIM模型(W.Zhou,and Q.Li."Information content weighting for perceptual image quality assessment."Image Processing,IEEE Transactions on 20.5(2011):1185-1198.)，基于相位一致性的FSIM模型(L.Zhang,L.Zhang,X.Mou,and D.Zhang,“FSIM:A Feature Similarity Index for Image Quality Assessment,”IEEE TRANSACTIONS ON IMAGE PROCESSING,vol.20,no.8,pp.2378–2386,2011.)，基于拉普拉斯-高斯信号的LOG-COR模型(X.Mou；W.Xue；C.Chen and L.Zhang"LoG acts as a good feature in the task of image quality assessment",Proc.SPIE 9023,Digital Photography X,902313,2014)和基于梯度相似性偏差的GMSD模型(W.Xue,L.Zhang,X.Mou and A.Bovik,“Gradient Magnitude Similarity Deviation:A Highly Efficient Perceptual Image Quality Index,”Image Processing,IEEE Transactions on,vol.23,no.2,pp.684,695,Feb.2014)。