基于均勻色差空間向量分解模型的彩色圖像質(zhì)量評價方法

楊　楊,明　軍, 閻　妍

(安徽大學(xué) 電子信息工程學(xué)院,安徽 合肥　230039)

基于均勻色差空間向量分解模型的彩色圖像質(zhì)量評價方法

楊楊,明軍, 閻妍

(安徽大學(xué) 電子信息工程學(xué)院,安徽 合肥230039)

摘要:針對三要素(亮度、色調(diào)和飽和度)空間方法缺乏視覺均勻色差思想的支持,而均勻色差空間方法又需要其他有效評價模型的補充,該文立足于圖像的兩個基本屬性,即光特性(亮度、色調(diào)和飽和度)和結(jié)構(gòu)特點,結(jié)合反映彩色空間特性的均勻色差空間模型以及空間向量分解模型,提出了均勻色差空間向量分解模型.實驗結(jié)果表明基于均勻色差空間向量分解模型較傳統(tǒng)評價方法和單項模型更能夠全面地評價彩色圖像質(zhì)量.

關(guān)鍵詞:彩色圖像;均勻色差;空間向量分解;彩色圖像質(zhì)量評價

圖像質(zhì)量評價在圖像領(lǐng)域中有至關(guān)重要的作用.隨著基于視覺特性的數(shù)字視頻技術(shù)的快速發(fā)展,傳統(tǒng)客觀評價方法無法反映這些數(shù)字視頻的視覺感受效果,也無法滿足系統(tǒng)設(shè)計、優(yōu)化和度量的要求,因此研究人員開始探索結(jié)合人眼視覺特性的客觀評價方法,旨在研究符合人眼主觀視覺感受的客觀圖像質(zhì)量評價標(biāo)準(zhǔn),作為評價和設(shè)計圖像的依據(jù)[1-4].

目前,研究人員較為認(rèn)可的客觀圖像質(zhì)量評價方法有:基于視覺感知[5]和結(jié)構(gòu)化[6]的圖像質(zhì)量評價方法.實驗表明它們在一定范圍具有有效性,但也具有一定的局限性.作者深入分析發(fā)現(xiàn)視覺感知評價方法缺乏對空間相似結(jié)構(gòu)的考慮,而結(jié)構(gòu)化評價方法缺乏對HVS (human visual system)模型的考慮.為此,作者在文獻[7]中已將兩種方法融會貫通,提出了一種空間向量分解模型.該模型通過將誤差圖像投影到標(biāo)準(zhǔn)圖像上,將誤差圖像分解為均值分量、交變相似分量和交變垂直分量.實驗結(jié)果表明直流分量和相似分量對人眼質(zhì)量評價影響很小,而垂直分量是決定視覺的主要因素,因此應(yīng)該利用垂直分量來評價圖像質(zhì)量.

隨著彩色圖像應(yīng)用的日益廣泛,彩色圖像的質(zhì)量評價問題也日益突出[8-10].為了完整地描述彩色圖像必須采用三個要素:亮度、色調(diào)和飽和度.因此,彩色三要素與視覺感知的均勻性是彩色圖像質(zhì)量評價的關(guān)鍵.均勻色差的思想來源于色度學(xué)中XYZ計色制的JND(just noticeable difference)思想,希望通過主觀視覺實驗,建立數(shù)學(xué)變換方法,使得亮度、色調(diào)和飽和度變化與視覺感受呈線性關(guān)系.其中,最新的均勻色差標(biāo)準(zhǔn)為CIEDE2000色差公式[11-13].作者利用最新的CIEDE2000色差公式,并通過主觀實驗對均勻色差值ΔE和視覺感受的關(guān)系進行分段線性化,在文獻[14]中介紹了一種均勻色差空間模型,此模型主要利用彩色圖像的特性,而空間向量分解模型則考慮圖像的空間結(jié)構(gòu)特性,從概念來說這兩者具備互補關(guān)系,將兩者正確結(jié)合應(yīng)該有助于彩色圖像質(zhì)量的評價.為此作者將空間向量分解模型進一步擴展到均勻色差空間,提出均勻色差空間向量分解模型.

1空間向量分解模型

由于視覺感知評價方法(HVS基本模型)缺乏對空間相似結(jié)構(gòu)的考慮,而結(jié)構(gòu)化評價方法缺乏對HVS模型的考慮,文獻[7]從圖像空間相似性角度著手,將誤差圖像投影到標(biāo)準(zhǔn)圖像上,建立了一種空間向量分解模型.該模型將誤差圖像分解為均值分量、交變相似分量和交變垂直分量.

2均勻色差空間模型

黑白圖像一般用亮度參數(shù)描述其屬性,然而為了完整地描述彩色圖像必須采用3個要素:亮度、色調(diào)和飽和度.因此,彩色三要素與視覺感受的均勻性是彩色圖像質(zhì)量評價的關(guān)鍵.最新的均勻色差標(biāo)準(zhǔn)為CIEDE2000色差公式,它實際上是對Weber-Fechner定律在亮度、色調(diào)和飽和度方面進行補充,因而它具有計算簡單、與主觀視覺感受相吻合并且能夠分析彩色圖像的特點.CIEDE2000色差公式給出了總色差ΔE與亮度差ΔL′、色調(diào)差ΔH′和飽和度差ΔC′的關(guān)系,表達式如下

(1)

在印刷等行業(yè),由美國國家標(biāo)準(zhǔn)局采納并推行了一種NBS色差單位的視覺感受標(biāo)準(zhǔn),此標(biāo)準(zhǔn)給出了ΔE與主觀視覺感受間的關(guān)系.為此,作者在CIEDE2000色差空間的基礎(chǔ)上,結(jié)合NBS色差單位,采用一種分段線性化的方法,通過對視覺感受對應(yīng)區(qū)間位置參數(shù)的選擇,確定不同均勻色差值ΔE與主觀視覺感受的對應(yīng)關(guān)系.主觀等級Q定義如下

(2)

表1為ΔE與主觀感覺分級表[14].

表1　ΔE與主觀感覺分級表[14]

3均勻色差空間向量分解模型

作者將空間向量分解模型與均勻色差空間模型相結(jié)合,考察誤差圖像交變垂直分量的亮度、色調(diào)和飽和度,提出均勻色差空間向量分解模型的圖像質(zhì)量評價方法,其實質(zhì)是對傳統(tǒng)圖像質(zhì)量評價方法在結(jié)構(gòu)和彩色方面進行補充.圖2為均勻色差空間向量分解模型流程.

均勻色差空間向量分解模型的流程如下:

(1) 給定標(biāo)準(zhǔn)圖像s0=(R0,G0,B0)和損傷圖像s1=(R1,G1,B1),可得誤差圖像為

se=s1-s0=(Re,Ge,Be).

(3)

(2) 計算標(biāo)準(zhǔn)圖像均值及其均值的相似分量.標(biāo)準(zhǔn)圖像均值為

考慮到標(biāo)準(zhǔn)圖像三基色取值范圍為[0,255],為了確保提取的均值分量為灰度圖像,從而需要令μr=μg=μb.而在μr,μg,μb中,提取三者的最小值作為均值分量,相當(dāng)于提取出共有部分,故其均值相似分量為

μ0=min(μ0r,μ0g,μ0b).

(4)

(3) 計算誤差圖像均值及其均值相似分量.誤差圖像均值為

注意到誤差圖像三基色取值范圍為[-255,255],基于(4)式相同原理可得其均值相似分量為

(5)

(4) 由標(biāo)準(zhǔn)圖像和誤差圖像的均值相似分量,可得標(biāo)準(zhǔn)圖像和誤差圖像的交變分量為

(6)

(5) 依據(jù)空間向量投影原理,可得彩色誤差圖像三基色交變相似分量為

(6) 經(jīng)計算,可得三基色交變相似分量系數(shù)為

為了保證投影的顏色相似,交變相似分量系數(shù)定義為

(7)

(7) 經(jīng)計算,可得誤差圖像三基色的交變相似分量和交變垂直分量為

(8)

(9)

(10)

4實驗

為了考察傳統(tǒng)客觀評價模型、空間向量分解模型、均勻色差空間模型和均勻色差空間向量分解模型各自的適用范圍,以及與主觀視覺感受的吻合度.實驗采用了國際知名的圖像和視頻工程實驗室(LIVE)提供的圖像庫[15].利用相關(guān)系數(shù)(CC)來考察不同客觀圖像質(zhì)量評價模型與主觀評分(DMOS)的吻合度, CC值越大說明客觀評價模型性能越好.表2列出了5種客觀評價模型和主觀評價分?jǐn)?shù)的相關(guān)系數(shù).由表2可知,均勻色差空間向量分解模型的CC值都高于其他幾種評價模型,說明該模型更加符合人眼視覺特性,這是因為均勻色差空間向量分解模型同時考慮了圖像的結(jié)構(gòu)和彩色特性.

表2　幾種客觀評價模型和主觀評價分?jǐn)?shù)的相關(guān)系數(shù)

5結(jié)束語

為了設(shè)計適用于彩色圖像的評價模型,作者將空間向量分解模型,進一步擴展到與人眼視覺感受較為吻合的均勻色差空間中,提出了均勻色差空間向量分解模型.對LIVE圖像庫進行了大量實驗,實驗結(jié)果表明作者提出的均勻色差空間向量分解模型能更為全面地考察彩色圖像質(zhì)量.

參考文獻：

[1]Soundararajan R, Bovik A C. Survey of information theory in visual quality assessment[J]. Signal, Image and Video Processing, 2013, 7: 391-401.

[2]Bovik A C. What you see is what you learn[J]. IEEE Signal Processing Magazine, 2010, 27(5): 117-123.

[3]Shao F, Lin W S, Gu S B, et al. Perceptual full-reference quality assessment of stereoscopic images by considering binocular visual characteristics[J]. IEEE Transactions on Image Processing, 2013, 22(5): 1940-1953.

[4]Zhang L, Zhang L, Mou X Q , et al. FSIM: a feature similarity index for image quality assessment[J]. IEEE Trans Image Processing, 2011, 20(8): 2378-2386.

[5]Nadenau M J, Winkler S, Alleysson D, et al. Human vision models for perceptually optimized image processing[J]. IEEE Trans Image Process, 2003, 12: 58-70.

[6]Wang Z, Bovik A C, Sheikh R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Trans Image Processing, 2004, 13(4): 600-612.

[7]楊楊, 明軍,俞能海. 基于彩色空間視覺相似分解的圖像質(zhì)量評價方法[J]. 中國科學(xué)技術(shù)大學(xué)學(xué)報, 2013, 43(7): 100-105.

[8]Xu X Y, Chen Q, Zhu Q H. The research of digital color image quality metrics[J]. Lecture Notes in Electrical Engineering, 2013, 178(3): 403-407.

[9]Kolaman A, Yadid O. Quaternion structural similarity: a new quality index for color images[J]. IEEE Transaction on Image processing, 2012, 21(4): 1526-1536.

[10]Niveditta T, Swapna D. A new method for color image quality assessment[J]. International Journal of Computer Applications, 2011, 15(2): 10-17.

[11]Luo M R, Cui G, Rigg B.The development of the CIE2000 colour-difference formula:CIEDE2000[J]. Color Res, 2001, 26: 340-350.

[12]Kuehni R G. CIEDE2000, milestone or final answer[J]. Color Res, 2002, 27: 126-127.

[13]Luo M R, Cui G, Rigg B. Further comments on CIEDE2000[J]. Color Res, 2002, 27: 127-128.

[14]Yang Y, Jun M, Yu N H. Color Image quality assessment based on CIEDE2000[EB/OL].[2015-04-09].Advances in Multimedia.http://www.hindawi.com/journals/am/2012/273723/.

[15]Sheikh H R, Wang Z, Cormack L,et al.Live image quality assessment database release 2[EB/OL]. [2015-04-09].http://live.ece.utexas.edu/research/quality.

(責(zé)任編輯鄭小虎)

Color image quality assessment based on uniform color

difference space vector decomposition model

YANG Yang, MING Jun, YAN Yan

(School of Electronics and Information Engineering, Anhui University, Hefei 230039, China)

Abstract:In general, the image quality assessment (IQA) methods which are based on the three elements space lack the support of uniform color difference space. Similarly, the IQA methods which are based on the uniform color difference space need complement of other effective evaluation model. Based on the two attributes of image, namely the optical characteristics (brightness, hue and saturation) and structure characteristic, uniform color difference space vector decomposition model was proposed by combining the space vector decomposition model and uniform color difference model. The experimental results showed that uniform color difference space vector decomposition model could be more consistent with subjective visual perception.

Key words:color image; uniform color difference; space vector decomposition; color image quality assessment

中圖分類號：TP391.4

文獻標(biāo)志碼:A

文章編號:1000-2162(2015)05-0063-05

作者簡介：楊楊(1980-),女,安徽合肥人,安徽大學(xué)講師,博士.

基金項目:國家自然科學(xué)基金資助項目(11374289,60872162);安徽大學(xué)青年基金資助項目(KJQN1012);安徽大學(xué)博士啟動基金資助項目(J01001319)

收稿日期：2015-01-13

doi:10.3969/j.issn.1000-2162.2015.05.011