基于改进的质量评价算法的图像质量检测与评价.docxVIP

基于改进的质量评价算法的图像质量检测与评价 0 质量评价psnr 图像质量评价分为主观评价和客观评价。主观评估是以人为观察者，最终接收图像。因此，评估人类（尤其是专家）的行为是相关的。然而，主观测试有限，时间长，不利于日常研究。同时，人类的视觉反应在主观感觉上有其主观感受。因此，为了形成统一的模型，有必要根据人类（尤其是时间）进行简单、简单、可靠的客观测试，并根据主观评估指标对图像和视频的质量进行客观评估。也就是说，这些客观测试的指标必须与主观评估相对应。 研究数字图像质量的传统方法是求出重建图像与原始图像的差别,将这些差别统一认为是噪波,并以峰值信噪比(PSNR, peak-signal-to-noise ratio)的分贝数作为指标客观地表征数字图像质量. 但是PSNR只是一个综合的结果,它并不能反应是哪一种原因造成图像的降质,因而在实际中很有必要再分项深入研究能表征图像降质原因的方法,也就是为常见的公认的数字图像的各种失真寻找出相应的测试方法. 而这些方法至少有下列3条原则是必需满足的:① 与主观质量评价相一致;② 能突出表征一种失真造成的后果而不受或尽量少受其他失真因素的影响;③ 对失真程度的数量表征明显,并尽量有线性的相关性等. 本文提出以PSNR为总的测试指标,以模糊系数、方块效应、运动补偿、帧速为分量的测试方案,并在文献的基础上对PSNR、模糊及方块效应提出了改进方案. 1 psnr算法中图像粗糙度 计算PSNR公式中原始图像(输入图像)的信号幅度多取255,认为原始图像信号处于理想的满幅度状态,图像中亮度(或色度)最大处为峰值255,亮度(或色度)最小处为谷值0.这些值经过处理后成了重建图像(输出图像),信号值产生了偏离,导致了图像失真. 这种计算方法约定俗成已成定式,但是仔细分析后,实际的图像很难达到如此理想的状态. 即在一幅实际图像中,并不一定(或很难)都存在最亮点或最暗点,此时若一概以输入图像的幅值为255计算则显然是不正确的. 在这种情况下应以输入图像实际存在的亮度(或色度)最大值和最小值进行计算才是正确的. 故本文建议采取如下公式计算PSNR(下列的计算以图像亮度为例): 10 log[Yo,max(k)-Yo,min(k)2/Mse] (1) 均方差为 Mse=1NΜse=1Ν∑i∑j∑i∑j[yo(i,j,k)-yi(i,j,k)]2(2) 其中,N为输入图像或输出图像第k帧的像素总数;yi(i,j,k)为输入图像第k帧的第i行、第j列的像素亮度值;yo(i,j,k)为输出图像第k帧的第i行、第j列的像素亮度值;Yo,max(k)、Yo,min(k)分别为输出图像第k帧中最大、最小像素亮度的值. 有些学者认为, 如果输入图像的幅度差达不到255,只要先归一化到255,仍可以用输入图像信号幅度为255的公式计算PSNR. 实际上,这不符合实际图像的传输幅度,而在传输过程中却免不了有非线性的存在,导致了计算误差. 因此, 直接与输入图像最大值与最小值之差相比,更能反映实际的PSNR. 2 求清晰度的方法 图像清晰度是视频图像最根本的指标,一幅图像是否清晰并被观看者认可是该图像系统成败的关键. 当然,决定图像清晰度的根本是图像的像素含量,怎样在有限的像素数的限制下取得更高的清晰度,是广大相关专业的科技工作者孜孜以求的. 图像清晰度的下降源于图像信号中高频成份的损失,一般表现为边缘模糊和细节减弱. 实用中,由于图像格式(像素数)不同,图像清晰度的客观测试只能是测量与原始图像(输入图像)相比清晰度的下降程度. 在前人研究成果的基础上,文献选择了一种求清晰度的方式,即分别对原始图像和重建图像用微分型空间滤波器提取其高频成份,再求二者的相对差值,定义为“模糊系数”. 经过实际应用,发现它存在2个问题:① 与图像清晰度下降的主观感觉相关性不好,且受图像内容影响太大,不同的图像得出的值相差较远(见表1);② 受图像方块效应的影响太大.方块效应造成了附加的垂直与水平边缘,增加了图像的高频成份,影响了测试结果. 为此,改为用斜空间滤波求模糊系数,算法流程如图1所示. 考虑到图像传输系统对边缘和细节的传输一般是无方向性的,因此斜方向边缘和细节的传输系数可以代表垂直、水平方向的细节传输,而由于输出图像的水平、垂直细节与方块效应混在一起,不易代表模糊程度,故选斜方向的微分型空间滤波器(见图2),只比较斜方向边缘和细节的传输,即可代表整个图像边缘和细节的传输系数,即模糊系数: Kblur=Si,out/Si,in(3) 其中斜边缘能量特征为 Si=∑i∑j∑i∑j|y′f(i,j,k)| (4) 其中y′f(i,j,k)为第k帧、第i行、第j列的亮度值经过斜方向微分型空间滤波器处理后得到的值. 可见,Kb