[发明专利]基于显著性检测的梯度相似度图像质量评价方法及系统

说明书

本发明提供一种基于显著性检测的梯度相似度图像质量评价方法及系统，包括将边缘结构信息定义为梯度幅度和梯度方向，将梯度相似度定义为梯度幅度相似度和梯度方向相似度；其次，在检测边缘的基础上由显著性检测构建显著性矩阵，以对结构信息进行权重分配；最后，联合梯度相似度和显著性检测进行评价，得到一种基于显著性检测的梯度相似度图像质量评价方法，获得图像质量评价结果。本发明采用显著性检测的梯度结构相似性对图像质量进行评价，与峰值信噪比和简单的结构相似性算法相比，该方法的评价效果更好，其评价结果与主观评价结果的相关性更大、误差更小，尤其在评价严重失真图像时效果更优。

技术领域

本发明涉及一种图像质量评价技术方案，特别是涉及一种基于显著性检测的梯度相似度图像质量评价技术方案，属于图像处理领域。

背景技术

作为信息表达与交流的工具，数字图像获得了广泛的运用。然而，数字图像在采集、压缩、传输、处理、重建过程中难免引入噪声，造成图像的失真。对于图像的采集、管理、传输和处理系统来说，能够识别和量化图像质量等级就显得非常重要。首先，它可以用于监控质量控制系统的图像质量。第二，它可以用于在图像处理应用中使用的基准系统。第三，它可以嵌入到图像处理系统中以优化算法和参数设置。因此，如何准确评价图像质量成为数字图像处理领域的一个重要课题。

图像质量评价(IQA)一般可分为主观评价方法和客观评价方法^[1][2]。主观评价方法最终观测者为人，因而评价最为准确。然而该方法不仅繁琐、耗时和不可移植，且易受观测者的个人因素影响，很难用于实际的工程实践。相对主观评价方法，客观评价的研究目的是设计计算模型，使该种算法的评价分数和人类主观评价方法尽可能吻合，从而达到有效预测和感知图像质量的目的^[3][4]。评估方法应该完全遵循人类视觉系统(HVS)所做的主观判断的表现。根据所提供原始图像的有无，客观评价方法可分为：全参考方法、部分参考方法、无参考方法。

传统的全参考评价方法如均方误差(MSE)及峰值信噪比(PSNR)等，由于其容易实现，而且物理意义明确，应用比较广泛。但是因为其只考虑了像素之间的灰度差异，而没有利用图像任何的结构信息和像素之间的相关性，不能很好地反映人眼对图像的主观感知。

随着人们对人眼视觉系统(Human Visual System，HVS)认识的深入，研究者开始利用HVS的某些特性^[2]来设计图像质量评价方法。一种是针对HVS的各种特性构建视觉模型，通过自底向上(Bottom-up)的方法来模拟人的视觉，其中典型的方法有NQM^[3]和VSNR^[4]。由于人眼的视觉特性比较复杂，很难从底层对其进行模拟，人们又提出了自顶向下(Top-down)的方法，只考虑HVS的输入与输出之间的关系，对人眼视觉特性进行建模，根据HVS对图像的感知得到图像质量测度。典型的方法有Zhou Wang等人提出SSIM^[5]模型以及其改进MS-SSIM(多尺度结构相似性)^[6]和IW-SSIM^[7]，Sheikh等提出的IFC^[8]和VIF(视觉信息保真度)^[9]，LinZhang等提出的RFSIM^[10]和FSIM^[11]及A.Shnayderman^[12]等提出的基于SVD分解的方法，Guanhao Chen等人^[13]提出了基于边缘信息的结构相似度图像质量评价方法GSSIM。实验结果证明这些方法优于MSE和PSNR，但是同样暴露出许多问题：对于严重模糊的图像，SSIM的评价结果会出现较大偏差，主要是由于其对结构信息的建模过于简单；GSSIM模型在表现上相对于PSNR和SSIM模型有一定的改善，但是其利用的边缘信息未能充分表达图像的结构，没有考虑图像中的显著性区域等重要特征。