基于感知对比度的图像清晰度客观评价模型
基于视觉感知的图像增强质量客观评价算法
行频率 Fh ( x , y) 定义为 :
Fh ( x , y) =
22
∑∑
1 20
i=- 2
[ I( x
j= - 1
+
i,y
+
j)
-
I ( x + i , y - 1 + j) ]2
(4)
列频率 Fv ( x , y) 定义为 :
Fv ( x , y) =
3 收稿日期 :2007205208 修订日期 :2007208223 3 基金项目 :国家自然科学基金资助项目(10704043) ;南开大学科技创新基金资助项目 3 3 E2mail :wangxianghui @mail. nankai. edu. cn
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
区域的划分是依据canny边缘检测的结果位臵为中心采用式分别计算出该像素周围的背景平均亮度和局部空间频率fs在局部平均亮度和空间频率基础上利用式分别计算出亮度阈值和频率掩盖阈值从而导出局部区可判断该位臵存在一有效的感知跃变对增强图像所有像素位臵的跃变情况进行分析得到二值化表示的有效感知跃变分布图采用canny边缘检测算法将待分析的图像分为细节区和平滑区统计细节区内有效感知跃变数并与细节区总的像素点数相除得到该区域有效感知跃变百分数作为细节区增强效果的评判指标类似的方法计算出平滑区有效感知跃变百分数单纯考虑信息变化的绝对偏差很难获得满意的评价结果如能充分利用人眼视觉的感知特点并将其融入到评价算法为了更全面测试本文算法的性能下面将采用本文算法综合分析不同增强算法对细节的增强能力和对噪声的抑制能力globalhisto2gramequalizationadaptivehistogramequalization和文献11提出的增强算法光片原图像见图和平滑区有效感知跃变百分数p
基于人类视觉感知的图像质量评估方法
基于人类视觉感知的图像质量评估方法第一章：引言随着时代的发展，图片已经成为我们生活中不可或缺的一部分。
在数字媒体和通讯中，我们可以随处看到图像的存在。
然而，随着图像资讯的不断增加，人们对于图像的质量要求也越来越高。
对于图像质量的评估是一个重要的课题。
传统的图像质量评估方法主要是基于人工评估，其主要缺陷是主观性强，难以普及。
因此，在图像处理领域，自动图像质量评估模型的研究和探索越来越受到关注。
其中，基于人类视觉感知的图像质量评估方法成为了一种可以代替人工评估的新方法，本文将着重对该方法进行探索、研究和实践。
第二章：基于人类视觉感知的图像质量评估方法人类视觉系统是一个复杂的系统，其对于图像的评估受到多方面因素的影响。
基于人类视觉感知的图像质量评估方法就是通过对人类视觉系统的特性研究，建立数学模型来描述和预测人类视觉系统的评估结果。
这种方法已经被广泛应用于数字图像处理、视频压缩和模式识别等领域。
基于人类视觉感知的图像质量评估方法一般分为两类：全参考评估和无参考评估。
全参考评估方法是基于一张原始图像和一张被压缩或失真的图像进行评估，通过计算预处理图像和被评估图像的差异来评价图像质量。
最常见的全参考评估方法是峰值信噪比（PSNR）和结构相似性指数（SSIM）。
无参考评估方法是不需要原始图像，通过分析被评估图像自身特性来评估图像质量。
无参考评估方法被广泛运用于压缩图像、网络传输图像、无线传输和视频质量评估等。
第三章：基于人类视觉感知的图像质量评估方法的应用基于人类视觉感知的图像质量评估方法已经广泛应用于数字图像处理、视频压缩和模式识别等领域。
在数字图像处理方面，图像质量评估的目的是为了保证图像传输、显示和处理的质量。
基于人类视觉感知的图像质量评估方法可以针对不同的图像处理方法进行质量评估，获得最佳处理效果。
在视频压缩方面，基于人类视觉感知的图像质量评估方法可以为视频压缩提供帮助。
通过评估视频中的各个帧画面的质量，可以选择合适的压缩比例，保证压缩后的视频质量尽量接近原始视频，同时减少传输流量和存储空间。
piqe原理
piqe原理
PIQE原理是一种图像质量评价方法，全称为Perceptual Image QAulity Evaluator。
该方法通过模拟人的视觉系统，测量和评估图像的主观质量，可以用来衡量图像的清晰度、饱和度、对比度、噪声等方面的质量。
PIQE原理基于一种称为感知质量评价的方法，它将图像质量评价的问题转化为模拟人眼感知的问题。
该方法主要包括以下几个步骤：
1. 特征提取：首先，从图像中提取一系列特征，这些特征通常包括梯度、对比度、结构等信息。
这些特征可以反映图像的清晰度、饱和度、对比度等方面的质量。
2. 感知质量模型建立：接着，基于提取到的特征，建立感知质量模型。
该模型通常采用机器学习的方法，通过大量的图像样本，学习不同特征与人眼感知质量之间的关系。
可以使用一些经典的算法，如支持向量机（SVM）、随机森林（Random Forest）等。
3. 图像质量评估：最后，将待评估的图像输入感知质量模型，通过模型计算出图像的质量评分。
评分通常为一个连续值，代表图像的主观质量。
PIQE方法在图像质量评价、图像传输、压缩编码等领域具有广泛应用。
它可以帮助人们评估图像质量，并设计相应的优化算法，以提高图像质量的感知效果。
图像质量测评中的主观与客观评价方法研究
图像质量测评中的主观与客观评价方法研究图像质量测评是评估图像质量好坏的关键步骤，对于图像处理算法、图像压缩方法以及图像传输等领域具有重要意义。
主观评价和客观评价是目前常用的两种图像质量测评方法。
本文将深入探讨主观评价和客观评价方法的研究进展及应用情况。
1. 主观评价方法主观评价方法是通过人眼对图像质量进行主观判断，通常利用受试者对一系列已知品质图像进行排序或打分。
其中，绝对评价是最常用的方法之一，受试者需根据自己对图像质量的感知，对图像进行评分或排序。
主观评价方法具有较高的可信度，可以准确反映人眼对图像质量的主观感受，是评价图像质量的金标准。
在主观评价中，有许多常用的评价方法，如主观质量评分（Subjective Quality Assessment，SQ），主观比较评价（Subjective Comparison），以及主观排列评分（Subjective Ranking）。
其中，主观质量评分是最常用的方法之一，通过对图像质量进行打分，来判断不同品质图像之间的差异。
主观比较评价和主观排列评分则是通过对图像进行比较或排序，来判断图像的相对品质。
2. 客观评价方法客观评价方法通过计算机算法对图像进行分析，根据一系列图像特征或图像质量模型来评估图像质量。
客观评价方法具有高效、自动化等优势，可以减少主观评价的人力和时间成本。
目前，常用的客观评价方法包括结构相似性（Structural Similarity，SSIM）、峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）、视觉感知质量度量算法（Visual Perception Quality Metrics，VPQM）等。
这些方法基于图像的特征提取，模拟人眼对图像的感知过程，通过不同的数学模型对图像进行评估。
其中，SSIM是一种基于图像结构相似性的客观评价方法，通过计算图像的亮度、对比度和结构三个方面的相似性来评估图像质量。
PSNR则是通过计算图像的峰值信噪比来评估图像质量，常用于无损压缩算法的评价。
基于人眼视觉的图像质量评价
基于人眼视觉的图像质量评价上周读了Visual Signal Quality和一些基于人眼视觉的质量评价文献，对预处理前的图像质量评价方法有一些想法。
大多数人对图像质量的感觉主要受到图像的亮度、对比度、颜色、清晰度的综合影响。
评价的目的是判断图像是否需要增强，然后对相应指标进行增强处理。
1）颜色方面：我们在描述一件彩色物体时，通常是通过它的色调、饱和度和亮度进行综合评判的。
人眼对亮度较敏感，所以把亮度分离出来，单独判断。
2）亮度：通过原图像与参考图像的亮度对比函数表示原图像偏亮或偏暗。
3）对比度：通过原图像与参考图像的对比度对比函数表示图像是否过度拉伸。
4）清晰度：梯度信息可以很好的反映图像中微小的细节反差和纹理特征变化，因此可以用来评价原图像的清晰程度。
5）权重：由于人眼对亮度、对比度、清晰度敏感，对色差信号的敏感程度偏低。
所以四者分配的权值不同。
6）使用11×11且σ2=1的高斯低通滤波器，对彩色待评价图像进行模糊滤波处理，得到对应的模糊图像，并将其作为参考图像。
流程图：原图像CSIM色度比较函数饱和度比较函数GSIM模式亮度比较函数对比度比较函数梯度比较函数参考图像主要目的：明确原图像具体指标（亮度、色度、饱和度、模糊、对比度）的失真，便于接下来的图像预处理。
书中的一些方法如VIF（视觉信息保真度）、S-CIELAB模型等也能够评价图像的质量，但是不能明确指出图像具体哪方面出现问题，不利于接下来的预处理。
适合最终的质量评价（颜色预处理完成后）。
CSIM算法和GSIM算法步奏如下：1）输入原图像，使用11×11且σ2=1的高斯低通滤波器，对彩色待评价图像进行模糊滤波处理，得到对应的模糊图像，并将其作为参考图像。
2）转换色彩空间RGB-HSI，提取色调H，S，计算色调相似度、饱和度相似度。
3）将彩色图像转换为灰度图像，计算亮度相似度、对比度相似性、梯度相似性。
因为接下来的图像预处理主要是针对图像的亮度、色度、饱和度、对比度、清晰度方面，所以我没有把图像的失真类型都考虑进去。
基于视觉感知的图像质量评价研究
基于视觉感知的图像质量评价研究概述：图像质量评价是计算机视觉和图像处理领域的热门研究方向之一。
在许多应用中，如图像压缩、图像增强和图像检索等，准确评估图像的质量至关重要。
视觉感知是一种常用的评价图像质量的方法，它着眼于人类视觉系统对图像的感知，尝试模拟人类的视觉认知来进行评价。
本文将探讨基于视觉感知的图像质量评价的相关研究，并介绍几种常见的视觉感知图像质量评价算法。
一、基于视觉感知的图像质量评价方法1. 参考图像方法参考图像方法是一种常见的基于视觉感知的图像质量评价方法。
它将原始图像与参考图像进行比较，通过计算它们之间的差异来评估图像质量。
常用的参考图像方法包括结构相似度指标（SSIM）、多尺度结构相似度指标（MS-SSIM）和感知清晰度指标（PSNR-HVS）等。
这些指标通过测量图像的亮度、对比度和结构等特征来评估图像质量。
2. 感知失真方法感知失真方法是另一种常见的基于视觉感知的图像质量评价方法。
它通过模拟人类视觉系统的感知特性，测量图像经过压缩、增强或其他处理后产生的感知失真程度。
常见的感知失真方法包括感知失真度量（PDM）和感知失真显著性测量（PDM-S）等。
这些方法通常基于对图像的感知主观评价数据，通过建立感知模型来评估图像质量。
3. 无参考图像方法无参考图像方法是一种更具挑战性的基于视觉感知的图像质量评价方法。
它不需要参考图像或主观评价数据，仅通过对图像的低级特征进行分析来评估图像质量。
常用的无参考图像方法包括模糊度估计方法、对比度失真方法和细节丢失估计方法等。
这些方法通过分析图像的模糊度、对比度和细节等信息，并结合图像质量数据库来评估图像质量。
二、视觉感知图像质量评价的应用1. 图像压缩图像压缩是图像处理中常见的应用之一。
视觉感知图像质量评价方法可以帮助优化图像压缩算法，提高压缩效率同时保持图像的可视质量。
2. 图像增强图像增强是改善图像质量的重要手段。
通过视觉感知图像质量评价方法，可以评估不同图像增强算法对图像质量的影响，从而选择最适合的增强方法。
图像质量客观评价方法
图像质量客观评价方法
1. PSNR（峰值信噪比）：通过比较原始图像和失真图像之间的均方根误差（MSE）来评估图像质量的度量标准。
2. SSIM（结构相似度指数）：该指标在比较图像之前，对图像进行了多项处理，包括亮度平衡、对比度平衡和结构相似性分析，使得图像的评估结果更加贴近于实际的人眼观察。
3. VIF（可视信息嵌入度）：该方法在JPEG2000的标准中被广泛应用，可以定量地评估图像的外观质量和信息损失比例等。
4. NIQE（自然图像质量估计指标）：该指标基于自然图像的所有属性，包括对比度、清晰度、先验信息、图像失真等进行评估，可以定量地评估图像的自然度和感觉度。
5. BRISQUE（基于统计概率的图像质量评估）：该方法是基于图像所包含的局部和全局图像特征的分析，从而提出一种定量的图像质量评估方法。
6. LPIPS（线性感知的像素相似性指数）：该指标利用深度学习技术来定量地评估图像相似性，通过对图像特征的空间感知能力进行分析，减少了对图像造成干扰的因素。
基于视觉感知的图像美学评价算法研究
基于视觉感知的图像美学评价算法研究随着社交媒体和数字摄影的普及，图像美学的重要性越来越受到人们的关注。
图像美学评价算法的研究旨在发展具有视觉感知准确性和普适性的方法，以帮助人们更好地理解和欣赏图像的美学质量。
本文将探讨基于视觉感知的图像美学评价算法的研究进展，并总结现有算法的优势与不足之处。
为了实现基于视觉感知的图像美学评价算法，研究人员采用了多种方法和技术。
其中，基于机器学习的方法是最常用的方法之一。
这些方法通过训练模型，利用大量带有美学标签的图像数据，使算法能够学习并预测图像的美学质量。
这些模型通常会包括一些人工提取的图像特征，如颜色、对比度、纹理等，并结合机器学习算法来进行学习和预测。
然而，这种方法存在一定的局限性，即依赖于已有的标注数据集以及提取的特征集合的有效性。
另一种常用的方法是基于深度学习的方法。
深度学习算法可以自动地从原始像素数据中学习和提取特征，并能够更好地捕捉到图像的抽象特征。
这些方法通常使用卷积神经网络 (CNN) 架构来进行图像美学评价。
通过训练大规模的图像数据集，使得网络能够学习到图像的低层次特征（如边缘、纹理等）和高层次特征（如物体、场景等），从而实现对图像美学的综合评价。
相较于传统的基于机器学习的方法，基于深度学习的方法能够更好地捕捉到图像的复杂特征，提高了美学评价的准确性。
此外，为了提高算法的准确性，研究人员还尝试将视觉感知的因素与人类的美学感知进行关联。
他们进行了一系列的心理实验，通过收集人类主观评价的数据，探索图像特征与人类美学感知之间的关系。
例如，研究人员发现某些特定的颜色组合和对比度在视觉感知上与美学品味相关联。
这些实验结果可以用来建立与人类美学感知相关的指标和准则，并作为算法评价的参考。
然而，当前的基于视觉感知的图像美学评价算法在实际应用中仍然存在一些问题。
首先，虽然基于机器学习和深度学习的方法在图像美学评价方面取得了一定的成功，但缺乏对算法的解释性。
这意味着，虽然算法可以对美学质量进行预测，但我们无法准确知道算法是基于哪些特征或因素进行的决策。
面向人眼视觉感知特性的图像质量评价
面向人眼视觉感知特性的图像质量评价面向人眼视觉感知特性的图像质量评价在如今信息时代，图像已经成为人们不可或缺的一部分。
无论是在社交媒体上分享生活照片，还是在科学研究中使用高精度图像，图像的质量对于我们的生活和工作都至关重要。
因此，为了能够准确评估图像的质量，我们需要了解人眼视觉感知特性的基本原理，并将其应用于图像质量评价。
人的视觉系统是非常复杂和精密的，它包括了眼球、视网膜、视神经和大脑的多个部分。
在视觉感知中，我们通常关注的是明暗、颜色和纹理等方面。
然而，我们对不同特性的感知能力是不同的，这也决定了图像质量评价中的不同权重。
明暗对比度是人们对图像质量的一个重要指标。
较高的对比度可以使图像更加清晰和生动，而较低的对比度则可能导致图像变得模糊或失真。
在图像质量评价中，我们可以通过计算图像的平均灰度值和最大对比度来衡量图像的明暗对比度。
颜色对于人类视觉感知同样至关重要。
不同的颜色在视觉上也产生不同的效果。
例如，红色和蓝色是较为显眼的颜色，而灰色和黑色则使图像看起来更加柔和。
在图像质量评价中，我们可以使用色彩空间模型（例如RGB或Lab颜色空间）来将图像转换为颜色信息，然后计算颜色的平均值、颜色分布的均匀性等指标。
此外，纹理也是人眼感知图像质量的一个重要因素。
纹理可以提供更多的图像细节和特征，使图像看起来更加真实和自然。
在图像质量评价中，我们可以使用纹理特征提取方法，如局部二值模式或方向梯度直方图等，来量化图像中的纹理信息，并进一步评估图像的质量。
需要强调的是，人眼视觉感知特性的图像质量评价需要结合机器学习和人类主观评价的方法。
机器学习可以通过训练大量的图像样本来建立一个模型，来预测人类主观评价图像质量的结果。
这样，在进行图像质量评价时，我们可以利用机器学习模型来代替传统的客观评价指标。
综上所述，面向人眼视觉感知特性的图像质量评价是一个复杂而又重要的研究方向。
通过了解人眼视觉感知的基本原理，我们可以设计出更加准确和可靠的图像质量评价指标。
基于人类视觉系统的图像质量评价研究
基于人类视觉系统的图像质量评价研究随着数字图像处理技术的发展和应用，图像质量评价问题愈发突显。
人类视觉系统是完成图像质量评价的重要因素，而基于人类视觉系统的图像质量评价研究因此得以开展。
一、人类视觉系统与图像质量评价人类视觉系统是评价图像质量的最终判断因素。
在进行图像质量评价时，需要针对人类视觉系统的特性进行考虑。
这包括色彩感知、对比度感知、清晰度感知、视觉疲劳等多个方面。
1. 色彩感知色彩感知是人类视觉系统的基本特性之一，也是图像质量评价中重要的考量因素。
色彩感知受到光强度、光谱分布等多个因素的影响，同时也存在个体差异。
2. 对比度感知对比度感知是指人类视觉系统对图像中亮度差异的感知能力。
对比度感知存在最小可辨认度，即人类视觉系统在一定条件下能够感知的最小亮度差异。
此外，对比度感知还会随着观察距离的变化而受到影响。
3. 清晰度感知清晰度感知是指人类视觉系统对图像中细节清晰程度的感知能力。
清晰度感知会受到多种因素的影响，如拍摄设备的分辨率、图像压缩等。
4. 视觉疲劳视觉疲劳是指人类视觉系统长时间接受同一刺激后出现的疲劳现象，也是图像质量评价中需要考虑的因素之一。
二、基于人类视觉系统的图像质量评价指标基于人类视觉系统的图像质量评价指标主要包括主观评价和客观评价两种。
1. 主观评价主观评价是指由人类参与，对图像质量进行的评价方式。
主观评价可以通过询问或者评分来获得。
常见的主观评价指标包括：(1) 顺应度：用于评价图像的自然程度和真实感。
(2) 锐度：评价图像的清晰度和细节表现。
(3) 对比度：评价图像中亮度和暗度之间的差异，以及图像的明暗效果。
2. 客观评价客观评价是指通过计算机算法等自动化方式，对图像质量进行的评价方式。
客观评价可以通过计算图像的特定指标来获得。
常见的客观评价指标包括：(1) 峰值信噪比（PSNR）：是指信号与噪声的比值，用于评价加入噪声后信号的失真情况。
(2) 结构相似性（SSIM）：评价在颜色、亮度、对比度等方面，图像与参考图像之间的相似程度。
mr图像质量评价标准
mr图像质量评价标准在数字图像处理和计算机视觉领域，图像质量评价是一项非常重要的工作。
在实际应用中，我们需要对图像的质量进行客观的评价，以便于选择合适的图像处理方法和算法，保证图像的清晰度和准确性。
本文将介绍一些常见的图像质量评价标准，帮助大家更好地理解图像质量评价的方法和原理。
首先，图像质量评价的标准可以分为主观评价和客观评价两种。
主观评价是指通过人眼观察和感知来评价图像的质量，这种评价方法具有一定的主观性和不确定性，但是可以反映出人类的真实感知。
客观评价则是通过计算机算法和数学模型来评价图像的质量，这种评价方法更加客观和准确，可以得到定量的评价结果。
常见的图像质量评价指标包括，峰值信噪比（PSNR）、结构相似性指标（SSIM）、均方误差（MSE）、感知质量评价指标（PQI）等。
这些指标可以从不同的角度评价图像的质量，如清晰度、对比度、色彩饱和度等方面。
在实际应用中，我们可以根据具体的需求选择合适的评价指标，综合考虑图像的各个方面特征。
PSNR是衡量图像重建质量的常用指标，它可以用来评价图像的失真程度。
PSNR值越高，表示图像的失真程度越小，质量越好。
SSIM是一种结构相似性指标，它可以评价图像的结构信息损失程度，对于一些结构比较重要的图像，SSIM指标更能反映出图像的质量。
MSE是均方误差，它可以评价图像的像素级别的差异，对于一些细节比较重要的图像，MSE指标更能反映出图像的质量。
PQI是感知质量评价指标，它可以从人类感知的角度评价图像的质量，更能反映出人类的真实感知。
总的来说，图像质量评价是一个非常重要的工作，它可以帮助我们选择合适的图像处理方法和算法，保证图像的清晰度和准确性。
在实际应用中，我们可以根据具体的需求选择合适的评价指标，综合考虑图像的各个方面特征，以便于得到准确的评价结果。
希望本文介绍的图像质量评价标准可以帮助大家更好地理解图像质量评价的方法和原理，为实际应用提供参考。
主客观一致的图像感知质量评价方法
主客观一致的图像感知质量评价方法2023-11-10•引言•图像质量评价模型•图像质量评价实验•图像质量评价模型优化•结论与展望01引言1研究背景与意义23随着数字图像技术的快速发展，图像质量评价在诸多领域具有广泛的应用价值，如电子商务、社交媒体、遥感监测等。
然而，现有的图像质量评价方法往往基于客观指标，难以与人类视觉系统对图像的感知一致。
因此，研究主客观一致的图像感知质量评价方法具有重要的理论和应用价值。
研究现状与问题研究内容与方法研究内容研究方法02图像质量评价模型基于客观的评价模型空间域质量评价频率域质量评价模型训练基于主观的评价模型评分法给观察者提供一些标准化的评分选项，如五级评分法，让观察者对图像质量进行评分。
描述法给观察者提供一些描述性的词汇或选项，如模糊、噪点等，让观察者选择或填写，以表达其对图像质量的感知。
直接观察法价图像质量，如清晰度、色彩饱满度等。
对客观和主观评价结果进行统计分析，如计算相关系数、回归分析等，以评估两者的一致性。
统计分析将客观和主观评价结果以图表的形式进可视化分析根据主客观一致性分析结果，对图像模型优化010203主客观一致性分析03图像质量评价实验实验数据集010203DIV2K Flickr-100K ImageNet实验方法PSNRSSIMHuman Vision SystemPSNR和SSIM的结果分析PSNR和SSIM的结果表明，基于深度学习的图像超分辨率模型在客观评价上取得了较好的性能。
然而，这些客观评价方法并不能完全反映人类的视觉感知。
要点一要点二Human Vision System的结果分析人类视觉系统评价结果表明，不同的人对图像质量的评价存在差异，且一些细微的差别可能会影响评价结果。
此外，人类视觉系统对图像的某些特征较为敏感，如边缘、纹理等。
实验结果与分析04图像质量评价模型优化优化目标与方法保持主观评价结果与模型预测结果的一致性，提高模型预测的准确性。
基于人类视觉系统的图像信息感知和图像质量评价
基于人类视觉系统的图像信息感知和图像质量评价基于人类视觉系统的图像信息感知和图像质量评价近年来，随着数字图像处理技术的快速发展，对图像信息感知和图像质量评价的要求也越来越高。
而人类视觉系统作为自然界中最为复杂、最为强大的信息处理系统之一，成为了研究图像信息感知和图像质量评价的重要参考。
人类视觉系统由眼睛、视觉神经和大脑组成。
眼睛作为视觉感受器官，接收外界光线，并将其转化为神经信号。
这些信号经由视觉神经传输到大脑皮层，进而被分析、解读和理解。
视觉系统通过视网膜上的视杆细胞和视锥细胞感知到不同的光线强度和颜色，然后融合成我们所看到的图像。
在图像信息感知方面，人类视觉系统具有许多独特的特点和能力。
其中最重要的是色彩感知、对比度感知和辨识能力。
色彩感知是指人们对图像中的色彩信息的感知能力。
人类视觉系统对于色彩的敏感度高于对其他信息的敏感度，可以感知出细微的色彩差异。
对比度感知是指人们对图像中明暗变化的感知能力。
人类视觉系统对于图像中的高对比度区域和低对比度区域具有较好的感知能力，能够准确地辨识出不同明暗区域之间的边界。
辨识能力是指人们对于复杂图像中物体的识别和辨认能力。
人类视觉系统具有较强的辨识能力，能够快速准确地辨识出图像中的物体，并将其与记忆中的模式进行匹配。
在图像质量评价方面，人类视觉系统的感知特性也是非常重要的参考。
人眼感知图像质量时，主要关注以下几个方面：细节信息、对比度、亮度和色彩平衡。
图像的细节信息是指图像中的纹理和边缘等细节信息的清晰度和精度。
人眼对于图像细节信息的敏感度很高，失真或模糊的细节会影响到图像质量的感知。
对比度是指图像中不同亮度区域之间的差异程度。
适当的对比度可以使图像更加清晰明亮，而过高或过低的对比度会影响到图像质量的评价。
亮度是指图像的整体亮度水平。
人眼对于亮度变化也有一定的感知能力，图像过亮或过暗都会对图像质量产生影响。
色彩平衡是指图像中不同颜色之间的平衡关系。
人眼对于色彩的感知能力较高，失真或过鲜艳的色彩会影响到图像质量的评价。
基于HVS的主客观图像质量评价方法
模型建立
基于人类视觉系统（HVS）的客 观图像质量评价模型，旨在模拟 人类对图像质量的感知和评判过 程。
特征提取
利用图像处理技术，从原始图像 中提取与人类视觉感知相关的特 征，如色彩、纹理、结构等。
质量评估
根据提取的特征，结合HVS的特 性，采用适当的算法对图像质量 进行量化评估。
基于HVS的客观图像质量评价实验
02
HVS基本理论
HVS定义与特性
总结词
HVS（Human Visual System）指的是人类视觉系统，是用于描述人类视觉感知的模型。
详细描述
HVS是一种复杂的生理和心理过程，涉及到眼球结构、神经传导、大脑皮层处理等多个环节。它具有多种特性， 包括视觉感知的加性性、视觉感知的非线性、视觉感知的掩蔽效应等。这些特性对于理解人类如何感知和解释图 像信息至关重要。
研究内容概述
• 本文将介绍基于HVS的主客观图像质量评价方法的 研究现状、主要挑战以及未来的研究方向。首先， 我们将概述HVS的基本原理和特性，以及如何将其 应用于图像质量评价。接着，我们将详细介绍几种 基于HVS的主客观图像质量评价方法，包括全参考 、无参考和半参考评价方法。最后，我们将讨论这 些方法的优缺点、应用场景和未来的发展方向。
在不同平台和设备上对各种图像质量评价 方法进行比较研究，以评估其在实际应用 中的性能和可靠性。
结合深度学习技术
拓展应用领域
利用深度学习技术对图像质量进行评价， 通过训练大量数据来提高评价的准确性和 鲁棒性。
将基于HVS的图像质量评价方法拓展到其 他领域，如视频质量评价、医学影像质量 评价等，以推动相关领域的发展。
学模型，且不同算法的评估结果可能存在差异。
03
结合人眼对比度敏感视觉特性的视频质量客观评价
结合人眼对比度敏感视觉特性的视频质量客观评价姚军财;刘贵忠【期刊名称】《光学精密工程》【年(卷),期】2016(024)003【摘要】结合人眼对亮度、色度、对比度以及运动目标的感知特性,提出了一种基于人眼对视频内容感知的视频质量客观评价方法.该方法将视频分为空域和时域信息分别描述,并利用人跟感知特性,从视频的亮度、色度、对比度以及目标运动4个方面提取特征,计算其强度.然后以人眼对比度敏感值作为强度的权重因子求和,构建人眼感知视频内容模型.最后,分别以此模型模拟人眼感知源视频和失真后的视频,计算每对应单元的所有像素之间和运动矢量之间的强度差;以强度差作为视频质量评价的分数,构建视频质量客观评价模型.采用LIVE数据库中的6个源视频和48个测试视频进行了质量评价实验,并与视频质量专家组(VQEG)推荐的5个较好的视频质量客观评价模型进行了对比分析.结果表明:提出模型的视频质量评价结果与主观评价结果之间的线性相关性系数达到0.8705,显示了较好的一致性,评价效果优于5个典型的模型.【总页数】9页(P659-667)【作者】姚军财;刘贵忠【作者单位】西安交通大学电子与信息工程学院,陕西西安710049;陕西理工学院物理与电信工程学院,陕西汉中723000;西安交通大学电子与信息工程学院,陕西西安710049【正文语种】中文【中图分类】TN919.81;R339.14【相关文献】1.人眼对比度敏感视觉特性的实验测量方法 [J], 申静2.一种基于人眼对比度敏感视觉特性的图像自适应量化方法 [J], 姚军财;刘贵忠3.用 LCD 显示器测量人眼亮度对比度敏感视觉特性 [J], 姚军财;申静;何军锋;谭毅4.基于人眼对比度敏感视觉特性的图像质量评价方法 [J], 姚军财5.基于人眼对比度敏感视觉特性的彩色图像水印技术研究 [J], 申静因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSNR与SSIM联合的图像质量评价模型
基于PSNR与SSIM联合的图像质量评价模型一、本文概述随着数字图像处理技术的快速发展，图像质量评价在多个领域，如医学影像分析、视频编码优化、图像恢复和增强等，都扮演着至关重要的角色。
然而，如何准确、全面地评价一幅图像的质量仍然是一个挑战。
传统的图像质量评价方法，如基于像素误差的方法（如均方误差MSE和峰值信噪比PSNR），虽然在某些情况下能够提供有用的信息，但它们往往忽略了图像的结构信息和人类视觉系统的感知特性。
因此，开发新的图像质量评价模型，以更准确地模拟人类视觉感知，成为了当前研究的热点。
本文提出了一种基于PSNR（Peak Signal-to-Noise Ratio）与SSIM（Structural Similarity Index）联合的图像质量评价模型。
该模型结合了PSNR在像素级别误差度量和SSIM在结构相似性度量上的优势，通过一种优化的融合策略，实现了对图像质量更全面、更准确的评价。
本文首先介绍了PSNR和SSIM的基本原理和计算方法，然后详细阐述了如何将这两种方法联合起来构建新的评价模型，并通过实验验证了该模型的有效性和优越性。
本文还讨论了该模型在不同应用场景下的潜在应用价值和未来研究方向。
二、PSNR与SSIM原理详解图像质量评价是图像处理领域的一个重要研究内容，旨在评估图像的质量，为图像增强、去噪、压缩等后续处理提供指导。
在众多图像质量评价指标中，峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）和结构相似性指标（Structural Similarity Index，SSIM）是两种广泛使用的评价方法。
本文将详细解析PSNR和SSIM的原理及其在图像质量评价中的应用。
PSNR是一种基于像素误差的图像质量评价方法，它通过对图像像素值进行统计和比较，计算原始图像与处理后图像之间的信噪比来评价图像质量。
PSNR的计算公式为：PSNR = 20 * log10(MA_I) - 10 * log10(MSE)其中，MA_I表示图像像素值的最大可能值，对于8位灰度图像，MA_I为255。
可见光与红外彩色融合图像感知清晰度评价模型
可见光与红外彩色融合图像感知清晰度评价模型近年来，随着计算机软硬件的发展，图像处理技术得到了迅速发展，用于计算机视觉应用的图像处理技术也变得日益重要。
融合图像和多光谱图像的出现使图像处理技术可以更加有效地处理复杂的图像问题。
可见光和红外彩色融合图像是多光谱化图像处理的一种重要技术。
可见光和红外彩色融合图像是指将可见光图像和红外图像融合在一起，其中可见光图像包含视觉上可辨认的物体信息，而红外图像可提供更多物理信息，能更准确地对物体进行识别和分类。
可见光和红外彩色融合图像可用于农业作物识别、城市景观分析、水域污染和植物监测等多种领域，因此具有极大的应用价值。
为了更准确地评价融合图像的质量，必须提出一种可见光与红外彩色融合图像感知清晰度评价模型。
本文的目的是建立一个针对可见光和红外彩色融合图像的感知清晰度评价模型，并与其他模型进行系统对比。
首先，建立可见光和红外彩色融合图像感知清晰度评价模型，研究中使用可见光图像和红外图像，使用基于水平和垂直方向的梯度和卷积模块来计算图像轮廓特征。
然后，将红外图像和可见光图像的轮廓特征进行相加，计算梯度幅度和方向，并利用这些特征来计算图像的清晰度。
最后，将图像的清晰度和感知清晰度进行比较，估计图像的清晰度。
研究中，为了评估模型的准确性，本文采用可见光/红外彩色融合图像集上的四种指标，并与传统的模型、可见光模型以及红外图像模型进行比较，发现本文提出的模型具有最高的准确性。
本文提出的模型，针对可见光和红外彩色融合图像，采用梯度幅度和方向等图像轮廓特征来评价图像感知清晰度，模型评估结果表明本模型具有明显的优越性。
本文的研究可为今后融合图像的处理提供新的研究方向，丰富其在计算机视觉中的应用，为不同领域的应用降低门槛。
总之，本文提出了一种针对可见光和红外彩色融合图像的感知清晰度评价模型，并与传统的模型进行系统对比，表明本模型具有比较高的准确性。
本文的研究可为今后融合图像的处理提供新的研究方向，丰富其在计算机视觉中的应用，为不同领域的应用降低门槛。
基于视觉感知的图像质量评价技术研究
基于视觉感知的图像质量评价技术研究随着数字图像的广泛应用，人们对图像质量评价的要求逐渐提高。
对于一张图片来说，不仅仅要清晰度高，而且还需要视觉效果好。
然而，如何对一张图片的视觉效果进行定量的评价呢？这就需要依靠图像质量评价技术。
图像质量评价技术是一门研究如何通过计算机算法，模拟人眼对图像的感知能力，从而对图像进行质量评价的学科。
图像质量评价技术的目标是让计算机能够自动地、准确地评价图像的视觉质量，从而提高图像的应用性能和视觉效果。
其应用范围广泛，包括数字图像的压缩、传输、储存等诸多领域。
在图像质量评价技术中，基于视觉感知的评价方法是一种比较常见的方法。
与传统的图像质量评价方法相比，基于视觉感知的评价方法更加符合人的视觉感知方式。
人的视觉感知方式具有局部性、非线性、噪声敏感、对比度敏感等特点，而基于视觉感知的评价方法正是考虑到了这些特点。
基于视觉感知的图像质量评价技术主要分为主观评价和客观评价两种方法。
主观评价方法是指通过人眼主观感受来评价图像的视觉质量。
主观评价方法对实验环境、评价者以及评价方法等方面要求较高，但是其评价结果比较准确可靠。
客观评价方法是指通过计算机算法来评价图像的视觉质量。
客观评价方法不需要人参与评价过程，可以自动地对大量的图像进行评价，因此更加高效。
基于视觉感知的图像质量评价技术涉及到许多技术领域，其中最重要的是图像处理和信号处理。
在图像处理方面，常用的算法包括灰度共生矩阵法、小波变换法、人工神经网络法等。
而在信号处理方面，常用的算法包括峰值信噪比法、结构相似性法、多尺度结构相似性法等。
基于视觉感知的图像质量评价技术在数字图像的处理、传输、存储等领域都有很大的应用前景。
在数字图像压缩领域，基于视觉感知的评价方法可以根据人眼的感知特点，对压缩算法的效果进行更为真实有效的评价。
在数字图像传输领域，基于视觉感知的评价方法可以对传输过程中的误码、丢包、码率等因素进行评价。
在数字图像存储领域，基于视觉感知的评价方法可以通过对图像质量的评价，提高图像压缩和存储的效率和可靠性。
基于视觉感知的图像质量评估技术研究
基于视觉感知的图像质量评估技术研究随着图像处理、图像传输等技术的快速发展，图像质量评估成为一项非常重要的研究方向。
准确地评估图像质量对于许多领域非常关键，例如图像储存、图像传输、医学图像诊断等。
本文将针对基于视觉感知的图像质量评估技术进行一番探讨。
一、图像质量评估的概述图像质量评估是指通过一些指标和技术来量化地度量图像的质量。
一般来说，图像质量评估可以分为主观评估和客观评估两种。
主观评估指的是通过人类观察、测试、调查等手段来评估图像的质量，是最直接的一种评估方法，但是它受到诸如个体差异、测试条件等因素的影响较大。
客观评估指的是通过计算机算法对图像进行评估，其主要优点在于结果的客观性较强。
二、基于视觉感知的图像质量评估技术基于视觉感知的图像质量评估技术是目前应用最广泛的客观评估方法之一。
这种评估方法主要利用人类视觉特性和知觉机制，通过模拟人类视觉处理过程来评估图像质量。
该方法主要包括以下几个方面：1. 颜色空间转换由于人类视觉系统对于不同颜色的敏感程度是不同的，因此，将图像转换到颜色空间来进行质量评估具有较好的效果。
常见的颜色空间包括RGB、YUV等。
颜色空间转换的目的是为了更好地模拟人类对于颜色的感知。
2. 空间域和频域特征提取空间域和频域特征提取是基于视觉感知的图像质量评估中非常重要的一步。
一般来说，这里提取的特征包括灰度、对比度、清晰度等。
这些特征的提取能够充分地反映图像的细节和质量。
3. 人类视觉模型基于人类视觉模型的图像质量评估是基于视觉感知的图像质量评估中的一个重要环节。
这种评估方法主要是利用人类视觉系统的结构和特性，结合颜色空间转换和特征提取，构建图像的视觉特性模型，从而计算出图像的质量分数。
4. 机器学习算法机器学习算法在基于视觉感知的图像质量评估中也应用较为广泛。
机器学习算法主要是指利用一些经验数据来帮助构建图像质量评估的模型。
其主要优点在于可以避免繁琐的特征提取和人类视觉模型的构建。
一种图像感知质量评价模型
第19卷第12期2007年12月计算机辅助设计与图形学学报JOURNAL OF COMPU TER 2AIDED DESIGN &COMPU TER GRAPHICSVol 119,No 112Dec 1,2007收稿日期:2007-03-20;修回日期:2007-07-241基金项目:国家自然科学基金(60672072);浙江省自然科学基金(Y106505);宁波市科技攻关项目(2005B100016)1韦学辉,女,1981年生,博士研究生,主要研究方向为多媒体技术、图像质量评价与视频质量评价1李均利,男,1972年生,博士,教授,主要研究方向为图像度量、图像识别、图像编码、图像质量评价、图像匹配与检索等(li 1junli @vip 11631com )1陈 刚,男,1963年生,博士,教授,主要研究方向为分形几何、小波分析、图像编码、图像度量、图像检索、图像加密等1一种图像感知质量评价模型韦学辉1) 李均利2) 陈 刚2)1)(浙江大学数学系 杭州 310027)2)(宁波大学信息科学与工程学院 宁波 315211)(icerosew @1631com )摘要 在观察者观看和评价图像质量的过程中,提取对主观质量评价有重要影响的信息,并构建了一种图像感知质量评价模型1首先在主观评价过程中提取感知亮度、频率以及边缘3种重要信息;然后构造人眼视觉系统对3种信息的响应函数,并通过线性回归分析将函数拟合成为所需的图像感知质量评价模型;最后,分析了模型的预测值与主观质量评价方法给出的质量分数之间的Pearson 相关系数和Spearman 等级相关系数,分别为01966和019491与其他一些有代表性的客观图像质量评价方法相比较,该模型具有明显的优越性1关键词 图像质量;人眼视觉系统;Pearson 相关系数;Spearman 相关系数中图法分类号 TN919181A PerceptionB ased Image Q uality Assessment ModelWei Xuehui 1) Li J unli 2) Chen G ang 2)1)(Depart ment of M athematics ,Zhejiang U niversity ,Hangz hou 310027)2)(School of Inf ormation Science and Engi neeri ng ,Ni ngbo U niversity ,Ni ngbo 315211)Abstract Three important pieces of information are drawn out from the process of subjective image quali 2ty estimation 1For each of the information ,a model is established and also a function is found out to simulate its work on the human visual system 1Then a multi 2linear regression analysis is used to integrate these func 2tions into an equation and used as our perception based image quality assessment model 1Experimental results show that our estimation closely approximates human subjective tests such as mean opinion score ,with high Pearson and Spearman correlation coefficients of 01966and 019491It is a significant improvement over some typical objective image quality estimations such as peak signal 2to 2noise ratio 1K ey w ords image quality ;human visual system ;Pearson correlation coefficient ;Spearman correlation co 2efficient 数字技术的提高,特别是压缩技术的应用、各种媒体传播方式的交叉以及视频和图像观看者观察环境的改变,都需要图像的传播者能够提供满足观察者期望的图像质量1图像质量评价就是评价图像经过各种技术处理(如压缩处理)后图像的质量1图像质量评价方法可以分为2类:主观评价方法和客观评价方法,其中最可信赖的是主观评价方法1主观图像质量评价方法通过图像的观察者来评估图像质量,最常用的主观评价方法是平均意见分(mean opinion score ,MOS )1然而主观评价方法(如MOS )的评价过程烦琐、缓慢,并且容易受到诸多因素(如观察环境,观察者的主观感受等)的影响,代价昂贵,因此它对大多数应用者来说都不适用1传统的客观质量评价方法具有计算方便、易于优化的特点,并且此类评价方法有明显的物理意义,如MSE和PSNR等方法1传统的客观质量评价方法的缺点是它与视觉感知质量之间没有必然的联系1许多动态信号测试方法(如Coekonowski相关,Quality Index[1]和Pratt Edge等)通过图像的某些特征信息来衡量图像质量,但是没有考虑到人眼视觉系统(human visual system,HVS)的特点1最近几年,基于感知质量的图像质量评价方法逐渐成为研究的重点1这类图像质量评价方法通过HVS的某些特点,如视觉灵敏度函数(contrast sensitivity function,CSF),来体现图像的感知质量1如在DCT域内应用CSF来评价图像质量的HVS AN[2]和HVS L2N[3];基于HVS的图像质量评价方法[4]和基于掩盖效应的感知域图像质量评价方法[5]则是在小波变化域上应用CSF 评价图像质量1将图像三构件模型与模拟主观评价模式的模糊积分相结合的评价方法[627]在图像质量评价领域也取得了较好的成绩1本文首先描述了观察者们观看和评估图像的过程以及在此过程中图像的某些信息对HVS的刺激;然后建立模型模拟图像的重要信息和HVS对它们的响应函数,并通过多元线性回归分析将这些响应函数拟合为一个质量评价模型PBAM(perception based image quality assessment model);最后通过与MOS的Pearson相关系数和Spearman相关系数考察模型的功能,并与一些有代表性的客观图像质量评价方法进行比较11 感知质量评价过程观察者观看某幅图像或者外界景物时,首先映入眼内的是图像或者外界景物的明亮程度,也就是说,图像或景物的明暗程度是图像对人眼的第一个刺激1图像的明暗程度可以用亮度信息来描述1作为对HVS的第一个刺激,图像的亮度信息对图像质量评价是最重要的一个信息,观察者将会在整体上对图像是否含有很多的变化和细节获得一个认识1变化和细节的复杂性可以用图像的频域信息描述,所以频域信息是对HVS的第二个刺激1不同的频域信息会给HVS带来不同的刺激:高频信息使得图像细节被HVS感知;中间频域的信息使得图像细节的形状被感知;而低频信息则一向被认为是最重要的图像信息,它使得图像中的某些动作和边缘信息对人眼敏感1通常,用CSF来描述这些功能1为区分2幅相似图像在细节方面的差异,观察者需要仔细地观看它们,特别是图像的重要区域1在图像的各种区域中,边缘区域信息对HVS是最敏感的,也就是说边缘区域是图像的重要区域1如上所述,包括亮度、频域以及边缘在内的3种图像信息在质量评价中起到了重要作用1因此,给出模型模拟这3种信息,构造人眼对3种信息的响应函数并将这些响应函数拟合起来模拟,即可感知质量评价过程1假设Q是最终的图像感知质量, Q1,Q2和Q3分别代表对参考图像和测试图像在3种信息之间的差异,函数f1,f2和f3是HVS对3种信息的响应函数;则Q可以表示为Q=a+ a1f1(Q1)+a2f2(Q2)+a3f3(Q3),其中a,a1,a2和a3是常数12 模型设计211 感知亮度模型Web-Fechner提出了亮度的改变引起HVS反应的理论,指出如果一幅图像f(x,y)感知亮度的改变设为ΔS(x,y),则有ΔS(x,y)=kΔf(x,y)f(x,y)1对该式进行积分可得S(x,y)=k ln(f(x,y))+ k0=(k′lg f(x,y))+k0,其中,k′=k ln10,k0是常数,k是随图像平均亮度的变化而变化的常数1在本文实验中,当图像的平均亮度太大或者太小时k值较小,在亮度信息>192或者<64时,设k=015;其他情况下设k=11于是,参考图像f1(x,y)与测试图像f2(x,y)之间的感知亮度差异可以表示为Q=∑(S1(x,y)-S2(x,y))2 M N= ∑k1lg(f1(x,y))-k2(lg(f2(x,y)))2 M N,其中M和N分别表示图像的长度和宽度1212 频域模型通常用CSF来描述HVS与频域信息之间的关系1虽然不同实验给出的CSF的表达式不同,但是所有的实验都表明CSF是频率函数,并且具有带通滤波器的性质1函数的灵敏度随着频率的过高或过低逐渐降低1在实验中,我们采用Nigan等提出的CSF表达式H(r)=(0131+0169r)・exp(-0129r),其中,r=R2f+C2f ,R f和C f分别表示图像f(x, y)在空间域上的垂直和水平方向频率1这种CSF的图像如图1所示1145112期韦学辉等:一种图像感知质量评价模型图1 视觉灵敏度函数图2 参考图像根据对比度的阈值,将空间频率r 分为5个部分,根据不同频率对图像质量影响的不同,将各个部分的CSF 函数H (r )简化为h (r ):1)极度平坦区1r ∈[0,015)时,图像内容极度平坦,图像任意的细微区别都很容易被觉察到,这段频率对图像质量测量起作用1设h (r )=1-H (r ),并将其记为区域A 12)平坦区1r ∈[015,1),图像内容平坦,但与极度平坦区相比较,图像间的差异不是很容易被觉察1设h (r )=H (r ),并记为区域B 13)目标区1处于频率的中间即r ∈[1,6),通常有观察者感兴趣的目标,是最重要的区域1设h (r )=1,并记为区域C 14)复杂区1r ∈[6,14],图像区域中有很多细节,不易区分图像间的差异,但它们仍然对图像质量评价起作用1设h (r )=H (r ),并记为区域D 15)极度复杂区1r >14,区域中包含了太多的细节信息以至于很难区分图像在这个区域中的差异,因此这个区域对于图像质量评价基本不起作用1设h (r )=0,并记为区域E 1参考图像f 1(x ,y )与测试图像f 2(x ,y )频率上的差异可表示为Q 2=∑(f 1(x ,y )h 1(r )-f 2(x ,y )h 2(r ))2 MN 1213 边缘模型我们用梯度幅度来提取图像的边缘信息1图像f (x ,y )的梯度定义为Δf =G xG y =5f Π5x 5f Π5y,则梯度幅度定义为mag (Δf )=|G 2x +G 2y|1Π2=|(5f Π5x )2+(5f Π5y )2|1Π21 用离散最小二乘阈值选择法来确定边缘阈值1如果图像在某点的梯度幅度大于这个阈值,则该点为图像边缘点;否则,该点就不是边缘点1于是,参考图像边缘点集E 1(x ,y )和测试图像边缘点集E 2(x ,y )的差异定义为Q 3=∑E 1(x ,y )-E 2(x ,y )2 M N 1214 模型的响应函数和函数拟合为获取3种模型与主观评价值之间的函数关系,先用国际广播通信联盟的推荐500(CCIR 500)[6]的决策分类尺度对图像进行主观评价,以获取这些图像的MOS 值1图像的MOS 值Y 获得方法如下:在一定的实验条件下,假设第i 个人对第k 幅图像给出的分数记作A (i ,k ),那么第k 幅图像最终的MOS 值为Y k =1n∑n i =1A (i ,k ),其中n 为观察者的个数1我们用如图2所示的8幅参考图像,采用不同的压缩方法,包括J PEG 压缩、小波压缩和分形压缩等,对每幅参考图像进行不同程度的压缩,每幅参考图像获取15幅失真图像[829]1对每一组图像分别计算出失真图像与参考图像之间的视2451计算机辅助设计与图形学学报2007年觉亮度差异Q 1、频率差异Q 2以及边缘差异Q 3,并考察3种模型与主观评价值MOS 之间的关系1根据图3～5中感知亮度差异点、频率差异点和边缘差异点的分布情况,拟合视觉亮度信息、频率信息以及边缘信息对HVS 的响应函数f 1,f 2和f 31图3～5中横坐标表示由视觉亮度模型、频率模型和边缘模型计算出来的差值以每组为单位归一化到[0,1]后的值,f 1(x )=5104-3152x -11108x 2+10149x 3,f 2(x )=5103-0132x -6153x 2+2177x 3,f 3(x )=3163-11110x -71169x 2+78163x 31图5 边缘差异点分布图图3 感知亮度差异点分布图图4 频率差异点分布图从图3可以看出,感知亮度差异点的分布有很好的规律性,它们均匀而密集地分布在函数f 1曲线的附近1同样从图4也可以看出,频率差异点的分布也有良好的规律性,它们也均匀分布在函数f 2曲线的附近1但是图5中边缘差异点的分布就没有规律性1人眼会对亮度和频率信息的反应比人眼对边缘差异的反应更具有规律性是因为:HVS 对亮度和频率信息的刺激做出的反应是比较直接的,更接近于HVS 的本能反应,受主观和外界因素的影响比较小;而边缘的差异则在很大程度上依赖于观察者在观看图像时是否足够认真细致,观看环境的光线是否充足等诸多条件的制约,因此随机性和主观性的因素比较多,规律性比较差1对3种响应函数的数据进行回归诊断并去除其中的强影响点和异常点后,采用线性回归的方式将三方面信息的响应函数进行拟和作为人眼对图像的感知质量,可以得到回归方程Q =-01620+01643f 1(Q 1)+01485f 2(Q 2)+0105f 3(Q 3)1其中,Q 表示图像的感知质量,f 1,f 2和f 3前面的系数是由多元线性回归分析得出的结果,它能在一定程度上反映3种信息在图像质量评价中的重要性1在感知质量评价过程中,感知亮度信息是对人眼的第一刺激,而频率信息是对HVS 的第二刺激,由此,二者在图像质量评价过程中起到的作用也是最重要的1图像的边缘信息则是对上面两部分信息的补充和完善,而且正如在感知质量评价过程中提及,图像频率信息中包含了图像边缘的部分信息1用逐步线性回归法对上面的结果继续进行分析,可以得到方程Q =-01459+01653f 1(Q 1)+01486f 2(Q 2)1在这个方程中,边缘信息由于对目标函数值MOS 的贡献较小而被忽略1在保证评价模型精确度的同时,考虑到计算复杂度,我们采用该方程作为基于感知的图像质量评价模型,并记作PBAM 13 相关性分析从图6中可以看出,PBAM 的预测值与MOS值之间有很好的一致性1分析客观质量评价方法的预测值与MOS 的评价值之间的相关性可以判断主客观方法间的一致性,同时还可以判定客观质量评价方法的性能1Pearson 相关系数是最常用的相关性判断方法;Spearman 等级相关作为视频质量专家组提出的判断客观视频质量评价方法性能的标准,是用来测试MOS 与客观评价值之间等级次序的345112期韦学辉等:一种图像感知质量评价模型一致性的1本文实验中不但用到了Pearson相关系数而且还用到了Spearman等级相关系数1Pearson 相关系数和Spearman等级相关系数都是区间[-1, 1]中的值,而且如果2种相关系数的绝对值越接近于1,则说明对应的客观质量评价方法与主观评价方法之间的一致性越好,也就是说对应的客观质量评价方法越能反映人眼对图像的感知质量1我们选择几类有代表性的客观质量评价方法与PBAM在Pears on相关系数和Spearman等级相关系数上进行比较,总共选取了包括普遍应用的PSNR等在内的6类共21种客观评价方法:1)基于像素差异1平均绝对误差(mean abs olute error,MAE),均方差(mean square error,MSE)等12)基于信噪比的方法1信噪比(SNR),峰值信噪比(PSNR)等13)基于相关性的方法1Coekonowski相关(Co2 ekonowski correlation,CC),质量索引(quality in2 dex,Q I)14)基于边缘的方法1Pratt边缘检测法(Pratt edge measure,PEM)15)基于频率的方法1通过测量傅里叶变换后的相位和光谱来评价图像质量16)基于HVS的方法1在DCT域上结合CSF 评价图像质量的HVS绝对值范数(HVS AN)和HVS L2范数(HVS L2N)1图6 PBAM预测值与MOS值的关系图通过图7我们可以看出,SNR与PSNR在针对压缩失真时具有很好的Pearson相关系数1由表1可知,它们的绝对值分别为01870和01853,但是, PBAM的Pearson相关系数为01966,远远优越于SNR和PSNR的表现1而在Spearman等级相关上表现最好的是HVS绝对值范数和HVS L2范数,如图7所示,它们的Spearman等级相关系数的值分别为01955和01957,而PBAM的Spearman等级相关系数分别为01949,如表1所示1表1中,#表示不显著1由图7和表1还可以看出,大多数评价方法的Pearson相关系数和Spearman相关系数都不能保持很好的一致性,但是PBAM在2种相关系数上却都有很好的表现1图7 数据相关性分析表1 几种评价方法的相关系数值方法Pearson Spearman方法Pearson Spearman RMES-01762-01861QI-01034# 01609 MAE-01745-01846PEM-01439-01442 MIN-01848-01900SME-01752-01753 MRE-01631-01916SPE-01456-01578 MSE-01597-01861WSE-01790-01760 MSS2NR 01547 01783BSME-01782-01754 SNR 01870 01863BSPE-01428-01573 PSNR 01853 01869BWSE-01737-01709 NCC 01137#-01141#HVS AN-01644-01955IF-012793#-01060#HVS L2N-01683-01957 CC-01698-01704PBAM 01966 019494 结 论本文首先描述了观察者观看图像和评价图像质量的过程,对3种在观看过程中对HVS产生主要刺激的信息———感知亮度信息、频率信息和边缘信息建立了相应的数学模型1根据3种信息与主观评价质量分数之间的关系,构造HVS对3种信息的响应函数1通过多元线性回归分析将3种响应函数拟合成基于感知的图像质量评价模型1考虑到3种信息中边缘信息稳定性和重要性不足,以及它对主观质量影响的规律性不足的问题,在保证评价方法精确度的基础上减少计算量,对质量评价模型进行重新构造1最后应用HVS对感知亮度信息和频率信息4451计算机辅助设计与图形学学报2007年的响应函数构造图像的感知质量评价模型PBAM1为考查PBAM的性能,将它与一些有代表性的客观质量评价方法在与主观图像质量值和MOS之间的Pearson相关系数和Spearman等级相关系数进行比较1结果表明,PBAM具有很好的Pearson相关系数与Spearman等级相关系数,分别为01966和01949;并且在2种相关性上保持了很好的一致性1因此,本文模型在对图像质量评价具有很好的性能1参 考 文 献[1]Wang Zhou,Bovik Alan C1A universal image quality index[J]1IEEE Signal Processing Letters,2002,9(3):77-80[2]Eskicioglu A M,Fisher P S1Image quality measures and theirperformance[J]1IEEE Transactions on Communications,1995,43(12):2959-2965[3]Avcibas I,Sankur B,Sayood K1Statistical evaluation of imagequality measures[J]1Journal of Electronic Imaging,2002,11(2):206-223[4]Wei Chongkui,Cheng Lizhi1An image quality measure schemein the perceptual field via masking[J]1Journal of Image andGraphics:A,2004,9(2):195-200(in Chinese)(魏崇奎,成礼智1一种基于掩盖效应的感知域图像质量评价方法[J]1中国图象图形学报:A版,2004,9(2):195-200)[5]Ding Xuxing,Zhu Rihong,Li Jianxin1A criterion of imagequality assessment based on property of HVS[J]1Journal of Image and Graphics:A,2004,9(2):190-194(in Chinese)(丁绪星,朱日宏,李建欣1一种基于人眼视觉特性的图像质量评价[J]1中国图象图形学报:A版,2004,9(2):190-194)[6]Li J unli,Chen G ang,Chi Zheru,et al1Image coding qualityassessment using fuzzy integrals with a three2component image model[J]1IEEE Transactions on Fuzzy Systems,2004,12(1):99-106[7]Li J unli,Chen G ang,Man Jiaju1Fuzzy integral based objectiveassessment of coding quality of color image[J]1Journal of Com2 puter2Aided Design&Computer Graphics,2005,17(8):1823 -1827(in Chinese)(李均利,陈 刚,满家巨1客观评价彩色图像编码质量的模糊积分方法[J]1计算机辅助设计与图形学学报,2005,17(8):1823-1827)[8]Li J unli,Chen G ang,Chi Zheru1A fuzzy image metric with ap2plication to fractal coding[J]1IEEE Transactions on Image Processing,2002,11(6):636-643[9]Wei Xuehui,Li J unli,Chen G ang1An image quality estimationm odel based on HVS[C]ΠΠProceedings of IEEE TENCON2006, Hong K ong,2006:283-286545112期韦学辉等:一种图像感知质量评价模型。