[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

摘要

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。

主权项

1.一种基于显著性检测的梯度相似度图像质量评价方法，其特征在于：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；所述定义边缘结构信息和梯度相似度包括以下步骤，Step1.1，针对每幅图像，将边缘结构信息定义为梯度幅度和梯度方向；针对参考图像和待测图像，将梯度相似度定义为梯度幅度相似度和梯度方向相似度；综合比较待测图像和参考图像中梯度幅度相似度和梯度方向相似度，得到图像的边缘结构失真情况；Step1.2，针对参考图像和待测图像，分别利用Scharr算子，来获得像素点的水平梯度G_h和垂直梯度G_v，然后计算参考图像和待测图像各像素点的梯度幅度G，计算公式如下，其中，Image指的是由像素点构成的图像，每个像素可有各自的颜色值，可采用三原色显示，这里的Image是一个二维矩阵，与梯度算子卷积后可以得到像素点(i,j)处的水平梯度G_h和垂直梯度G_v，并进一步算出梯度幅度G；图像质量评价中衡量参考图像和待测图像梯度幅度变化的因素，梯度幅度相似度的定义如下，其中，和对应代表参考图像x和待测图像y在像素点(i，j)处的梯度幅度，C₁为预设的正常数；Step1.3，针对参考图像和待测图像，利用梯度方向描述图像的边缘方向得，其中，θ(i，j)代表像素点(i，j)的边缘方向与水平右方向的夹角；G_h(i，j)和G_v(i，j)同样是利用Scharr算子计算的图像在(i，j)点处的水平梯度和垂直梯度，假设Δθ_i，j为参考图像和待测图像在(i，j)点处的边缘方向差，定义式如公式(5)：其中，和分别为参考图像x和待测图像y在(i，j)点处边缘方向与水平右方向的夹角，建立参考图像和待测图像在像素点(i，j)处的梯度方向相似度，其中，代表参考图像在像素点(i，j)处的水平梯度和垂直梯度，和代表待测图像在像素点(i，j)处的水平梯度和垂直梯度，C₂为预设的正常数；所述在检测边缘的基础上由显著性检测构建显著性矩阵包括以下步骤,Step2.1，将参考图像通过傅里叶变换变换到频率域，计算参考图像的振幅谱A(f)和相位谱P(f)，A(f)＝R(F[x])  (7)其中，x指的是参考图像，F指的是傅里叶变换，f指的是频率域，R是取模值得到振幅谱A(f)，是取角度得到相位谱P(f)；Step2.2，将振幅谱变换为对数谱，然后计算残余谱，残余谱R(f)可以通过对数光谱L(f)和平均对数光谱之间的差来近似，L(f)＝log(A(f))  (9)R(f)＝L(f)‑h_n(f)*L(f)  (10)其中，h_n(f)是局部平均滤波器，是由下式定义的n×n矩阵，Step2.3，利用残余谱和相位谱通过逆傅里叶变换得到显著图，VS(x)＝g(x)*F^‑1[exp(R(f)+iP(f))]²  (12)其中，i指的是虚数单位，g(x)为高斯平滑滤波器；所述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，实现方式如下，联合梯度幅度相似度函数GM(x，y)和梯度方向相似度函数GD(x，y)，得到梯度相似性函数GMD(x，y)，GMD(x，y)＝GM(x，y)GD(x，y)  (13)在GMD的基础上，引入“显著性图”，得到基于显著性检测的梯度相似度(VSGS)公式(14)：VSGS(x，y)＝GMD(x，y)*VS(x)         ＝GM(x，y)GD(x，y)*VS(x)  (14)其中，GM(x，y)为参考图像x和待测图像y的梯度幅度相似度函数，由公式(3)得到，GD(x，y)为参考图像x和待测图像y的梯度方向相似度函数，由公式(5)得到，VS(x)为参考图像x的显著图，由公式(12)得到。