《Most apparent distortion: full-reference image quality assessment and the role of strategy》论文翻译

最近主要研究质量评估这方面的论文了,这里主要记录一篇全参考质量评估的论文。论文下载:链接:https://pan.baidu.com/s/1SfnoWNIbz_x4piDSsq1lJw  提取码:49h6。废话不多说。

摘要

        我们提出采用多种策略来确定 人类视觉系统(HVS)的图像质量。因此,我们提出了一种质量评估方法(MAD), 该方法试图显式地模拟这两种不同的策略。局部亮度和对比度掩码用于估计高质量图像中基于检测的感知失真,而空间频率分量的局部统计量的变化则被使用 于估计低质量图像中基于外观的感知失真。

2、 背景

 现代图像质量评估方法一般可分为以下几类:1、基于HVS性质的方法;2、基于图像结构测量的方法  ;3.基于其他质量评估方法。

3、算法

 3.1、高质量图像检测策略

 步骤1:计算扭曲可见的位置

如下图所示,I_{dst}为失真图像,I_{org}为原始图像,像素值的范围为[0,2^{n}](如:0~255)。图像大小为:MxN。那么我们可以依次计算如下:

  • 感知亮度

首先需要将像素转化为亮度图像,计算公式如下:

   L=(b+kI)^{r}

其中:L——亮度图像

           b、k、r——为常数。对于8bit的RGB图像来说,一般b=0,k=0.02874,r=2.2

然后, 我们考虑了非线性HVS对亮度的响应,通过将亮度转换为感知亮度(相对亮度),计算公式如下:

 \hat{L}=\sqrt[3]{L}

其中Lˆ表示相对亮度,是CIELAB颜色空间中使用的L粗略近似。

最终,误差图像可以表示为:\hat{L_{err}}= \hat{L_{org}} - \hat{L_{dst}}

  •  对比敏感度函数

 我们通过使用CSF对比度灵敏度函数的模型来考虑空间频率的近阈值灵敏度变化。CSF的计算公式如下:

  

 

其中: f表示每个视角度的周期中的径向空间频率;\theta \subseteq [-\pi ,\pi ]f_{\theta }=f/[0.15cos(4\theta )+0.85]

 通过使用CSF函数对原始图像和误差图像进行滤波,这个滤波是在频域中进行的,具体计算公式如下:

 I^{'}=F^{-1}[\check{H}(u,v)\times F[\hat{L}]]

其中,F[\cdot ] ,F^{-1}[\cdot ] 表示DFT和逆DFT,\check{H}(u,v)是基于傅里叶版本的H(f,\theta )

 此时,I^{'}_{org}I^{'}_{err}表示原始和错误图像,其值与感知亮度和感知对比度成线性比例。I^{'}_{err}可以被认为是 图像中的失真,HVS可以检测到这些失真是否是在统一的背景下观看的,而不是在图像上观看。

  • 对比度掩模法

 为了计算图像的存在会降低失真的可检测性,我们采用了一种简单的对比度掩蔽的域度量。 首先,计算局部对比图 ,通过将I^{'}_{org}划分为16X16块且相邻块之间有75%的重叠,然后计算每个块的RMS对比度, 其中RMS对比度是在光度域中测量的。计算I^{'}_{org}块p的均方根对比度的计算公式如下:

 C_{org}(p)=\tilde{\sigma }_{org} (p) / \mu _{org}(p)

 

同理,可以计算误差图的RMS对比度,计算公式如下:

 

 最后,我们使用两个局部对比度映射C_{org}(p)C_{err}(p)来计算局部失真可见性映射,计算公式如下:

  《Most apparent distortion: full-reference image quality assessment and the role of strategy》论文翻译_第1张图片

 步骤2:将可见性映射与局部错误相结合

 我们使用局部可见度加权的MSE来测量亮度域以确定感知失真。这里我们定义了由于视觉检测而产生的感知失真d,计算公式如下:

  《Most apparent distortion: full-reference image quality assessment and the role of strategy》论文翻译_第2张图片

 其中,D(p)是为16X16块p通过计算的局部MSE而得到的,计算公式如下:

 

《Most apparent distortion: full-reference image quality assessment and the role of strategy》论文翻译_第3张图片

 3.2、基于外观的低质量图像策略

 为了对这种基于外观的策略进行建模,我们采用了一种基于多尺度log-Gabor滤波器局部响应统计的方法。

 第一步:应用log-Gabor分解

原始图像和失真图像首先使用log-Gabor滤波器组分解成一组子图像。 获得子图像的滤波是通过计算机在频域进行的 ,计算图像DFT乘积二维频率响应的的逆DFT得到,具体计算过程如下:

 

其中:G_{s,o}(r,\theta )是空间尺度指数s和方向指数o的滤波器。 参数r=\sqrt{(u/M/2)^2+(v/N/2)^2}为归一化径向频率,\theta =arctan(v/u)为方向。 参数rs表示标度的归一化中心频率,\sigma _{s}/r_{s}计算带宽。 参数u_{0}是滤波器的中心取向,\sigma _{0}是角扩展。 因为log-Gabor滤波器已经被证明可以近似原始皮层的反应 ,参数rs、\sigma _{s}u_{0}\sigma _{0}可以被选择来匹配从哺乳动物视觉系统获得的相应估计。

 通过频域乘法对原始图像和失真图像进行log-Gabor分解。无论是原始图像还是失真图像,其中每个子带\left \{ {c}'_{s,0} \right \}都与图像大小相同。 利用五个尺度s=1,...,5和四个方向o=1,...,4,因此,每幅图像产生20个子带。这种分解被应用于原始图像Iorg和失真图像Idst,以产生\left \{ {c}'^{org}_{s,0} \right \}\left \{ {c}'^{dst}_{s,0} \right \}子带集很有效。

 第2步:比较子带统计

 在计算\left \{ {c}'^{org}_{s,0} \right \}\left \{ {c}'^{dst}_{s,0} \right \}后,将原始图像的局部子带与失真图像的相应局部子带统计量进行比较,定义局部统计差图p 为块间重叠75%的每16X16块,块相应子带的标准差、偏度和峰度的差异系数是通过计算的,具体计算公式如下:

  《Most apparent distortion: full-reference image quality assessment and the role of strategy》论文翻译_第4张图片

其中:\sigma ,\varsigma ,\kappa 分别对应于尺度s和取向o的16X16子带系数的标准差、偏度和峰度。一般ws=0.5, 0.75, 1, 5, 6。

 最终,给出了低质量状态下感知失真的标量值为:

 

《Most apparent distortion: full-reference image quality assessment and the role of strategy》论文翻译_第5张图片

 3.3、两种战略的适应性结合

 为了捕捉交互策略,我们提出了使用加权几何均值的策略,计算如下:

其中:a的计算公式如下:

              

一般,\beta _{1}取值为0.467,\beta _{2}的取值为0.130

你可能感兴趣的:(论文翻译,图像处理)