基于CSF和仿射重建模型的噪聲圖像質(zhì)量評(píng)價(jià)

崔光茫,馮華君,徐之海,李 奇,陳躍庭

(浙江大學(xué) 現(xiàn)代光學(xué)儀器重點(diǎn)實(shí)驗(yàn)室,浙江 杭州 310027)

?

基于CSF和仿射重建模型的噪聲圖像質(zhì)量評(píng)價(jià)

崔光茫,馮華君,徐之海,李 奇,陳躍庭

(浙江大學(xué) 現(xiàn)代光學(xué)儀器重點(diǎn)實(shí)驗(yàn)室,浙江 杭州 310027)

針對(duì)無(wú)參考噪聲圖像質(zhì)量評(píng)價(jià)問(wèn)題,提出基于視覺(jué)對(duì)比度敏感函數(shù)(CSF)和仿射重建模型的噪聲圖像質(zhì)量評(píng)價(jià)方法.引入CSF對(duì)待評(píng)價(jià)噪聲圖像進(jìn)行濾波,利用圖像分塊技術(shù),建立基于最優(yōu)化問(wèn)題求解的仿射重建模型,得到圖像信號(hào)成分,估計(jì)出殘差信號(hào)圖像.計(jì)算各分塊的噪聲強(qiáng)度點(diǎn)分布,選取噪聲強(qiáng)度點(diǎn)數(shù)量分布最多的區(qū)間,最終的噪聲圖像質(zhì)量評(píng)價(jià)算子由該強(qiáng)度區(qū)間內(nèi)的所有強(qiáng)度點(diǎn)的均值計(jì)算得到.在LIVE、TID2008及CSIQ數(shù)據(jù)庫(kù)上開(kāi)展評(píng)價(jià)算法主客觀一致性評(píng)估實(shí)驗(yàn),與其他幾種評(píng)價(jià)算法進(jìn)行對(duì)比,比較算法客觀評(píng)價(jià)性能的表現(xiàn).實(shí)驗(yàn)結(jié)果表明,提出的算法具有很好的準(zhǔn)確性和主客觀評(píng)價(jià)一致性.

噪聲圖像質(zhì)量評(píng)價(jià); 對(duì)比度敏感函數(shù)(CSF); 仿射重建模型; LIVE數(shù)據(jù)庫(kù)

隨著數(shù)字成像系統(tǒng)及多媒體影像技術(shù)的發(fā)展,光學(xué)數(shù)字圖像逐漸成為存儲(chǔ)信息的重要方式.數(shù)字圖像在傳輸、顯示、壓縮等過(guò)程中圖像質(zhì)量容易受到噪聲、模糊、塊效應(yīng)等因素的影響,降低了信息的有效性.圖像質(zhì)量評(píng)價(jià)(image quality assessment,IQA)對(duì)于圖像處理算法性能優(yōu)劣和系統(tǒng)參數(shù)優(yōu)化指標(biāo)的選擇有著重要的意義,Bovik等[1-5]在該領(lǐng)域開(kāi)展了大量深入的研究.其中,主觀圖像質(zhì)量評(píng)價(jià)是最直觀可靠的圖像質(zhì)量評(píng)價(jià)方法,但需要花費(fèi)大量的時(shí)間和人力成本,評(píng)價(jià)人員需要一定的專(zhuān)業(yè)背景,不適用于實(shí)際的系統(tǒng)應(yīng)用.近年來(lái),客觀圖像質(zhì)量評(píng)價(jià)方法成為該領(lǐng)域的主要研究?jī)?nèi)容.

根據(jù)所需信息量的多少,圖像客觀評(píng)價(jià)算法可以分為全參考圖、半?yún)⒖紙D和無(wú)參考圖質(zhì)量評(píng)價(jià)方法[1].其中,半?yún)⒖紙D評(píng)價(jià)算法只用單幅失真圖像就能夠得到最終的圖像評(píng)價(jià)結(jié)果,在實(shí)際應(yīng)用中往往難以獲取參考圖像,該類(lèi)圖像評(píng)價(jià)算法在這樣的應(yīng)用場(chǎng)合有著重要的實(shí)用意義.近年來(lái),Saad等[6-8]提出一些適用于各類(lèi)失真類(lèi)型的通用無(wú)參考圖像評(píng)價(jià)方法,同時(shí)更多的算法設(shè)計(jì)針對(duì)于某種特定失真類(lèi)型,常見(jiàn)的失真包括JPEG壓縮退化、模糊退化、噪聲退化等.對(duì)于壓縮退化類(lèi)型的圖像,Suthaharan等[2-3,9-10]提出對(duì)應(yīng)的評(píng)價(jià)算法來(lái)評(píng)估因圖像壓縮算法而引起的圖像退化程度.此外,Narvekar等[4-5,11]提出很多有效的清晰度評(píng)價(jià)算子,對(duì)由模糊引起的圖像失真進(jìn)行清晰程度的評(píng)價(jià).噪聲是圖像退化中重要的因素,通常圖像噪聲被簡(jiǎn)化認(rèn)為是加性高斯白噪聲,基于此種噪聲模型,Pastor等[12-14]提出一些圖像噪聲估計(jì)方法.噪聲估計(jì)算法往往忽略了人眼視覺(jué)系統(tǒng)對(duì)噪聲圖像的主觀敏感程度,不能很好地評(píng)估噪聲圖像質(zhì)量對(duì)于觀測(cè)者的主觀感受.目前很少有針對(duì)噪聲圖像的無(wú)參考客觀評(píng)價(jià)算法提出.

本文基于視覺(jué)對(duì)比敏感函數(shù)和仿射重建模型,提出針對(duì)噪聲圖像的無(wú)參考圖像質(zhì)量評(píng)價(jià)方法.將噪聲圖像進(jìn)行視覺(jué)對(duì)比敏感函數(shù)濾波,濾波圖像反映了人眼視覺(jué)對(duì)不同頻率內(nèi)容的響應(yīng)差異；利用圖像分割算法,結(jié)合仿射模型求解噪聲圖像信號(hào),從而估計(jì)殘差信號(hào)圖像；從噪聲殘差信號(hào)圖像中得到圖像噪聲強(qiáng)度點(diǎn)分布,選取噪聲強(qiáng)度點(diǎn)數(shù)量分布最多的區(qū)間并計(jì)算其中所有噪聲強(qiáng)度點(diǎn)的均值,從而得到最終的噪聲圖像質(zhì)量評(píng)價(jià)結(jié)果.

1 視覺(jué)對(duì)比度敏感函數(shù)濾波

人眼是各種成像鏈路中圖像質(zhì)量最終的感知者,可以稱(chēng)為最復(fù)雜的圖形圖像處理系統(tǒng).目前,針對(duì)人眼視覺(jué)系統(tǒng)(human visual system, HVS)盡管沒(méi)有一個(gè)全面、深入的理論認(rèn)識(shí),但生理學(xué)及心理學(xué)在這方面已經(jīng)取得了一系列的發(fā)現(xiàn),建立了多種HVS模型,模擬了視覺(jué)感知的顯著特性,主要包括視覺(jué)敏感度帶通效應(yīng)、視覺(jué)非線性特性以及視覺(jué)多通道及掩蓋效應(yīng).其中,視覺(jué)對(duì)比度敏感函數(shù)(contrast sensitivity function, CSF)表征了HVS視覺(jué)敏感度帶特性,反映了HVS對(duì)于不同空間頻率下的對(duì)比敏感程度差異,由于CSF能夠結(jié)合主觀視覺(jué)感受,已經(jīng)被應(yīng)用到很多圖像質(zhì)量評(píng)價(jià)方法中[15-16].學(xué)者們提出了多種CSF模型,雖然各種模型有著不同的形式,但基本上都認(rèn)為人眼對(duì)比敏感度是空間頻率的函數(shù),并具有帶通濾波器的特性.本文采用Miyahara等[17]提出的CSF模型,表示如下：

CSF(w)=1.5exp(-σ2w2/2)-exp(-2σ2w2).

(1)

圖1 對(duì)比度敏感函數(shù)特性曲線Fig.1 Characteristic curve of contrast sensitivity function

由圖1的CSF特性曲線形狀可以看出,CSF曲線在中頻區(qū)域處的對(duì)比敏感度最大；在低頻和高頻區(qū)域,敏感度明顯下降.當(dāng)空間頻率>15(周期/(°))時(shí),HVS的對(duì)比敏感程度幾乎變?yōu)榱?

定義輸入的待評(píng)價(jià)噪聲圖像為G,如圖2(a)所示.對(duì)圖像G進(jìn)行CSF濾波,得到濾波后的圖像I：

I=G?CSF.

(2)

濾波圖像I如圖2(b)所示,結(jié)合了人眼基于內(nèi)容的敏感性特征,反映了人眼視覺(jué)對(duì)不同頻率內(nèi)容的響應(yīng)差異,體現(xiàn)了HVS對(duì)噪聲圖像的主觀感受能力,使得最終的評(píng)價(jià)結(jié)果能夠更加接近于主觀感知.

2 噪聲圖像仿射重建模型

2.1 噪聲圖像分割

圖像中不同強(qiáng)度區(qū)域所表現(xiàn)的噪聲特性是不同的,圖像分割算法可以根據(jù)圖像內(nèi)容將其分為若干近似強(qiáng)度分塊,對(duì)各自分塊中的噪聲水平分別進(jìn)行評(píng)估.該研究采用分水嶺圖像分割算法[18]對(duì)CSF濾波后的噪聲圖像進(jìn)行近似區(qū)域分割,分割后像素相近區(qū)域被分至同一分塊,各分割塊大小相當(dāng)、互不相交.對(duì)于濾波圖像I,定義處理得到的分割塊集合為Ψi,則兩者關(guān)系可以表示為

I=∪iΨi.

(3)

式中：i為總的分割塊數(shù)目,∪ 為圖像塊并集.同時(shí)各個(gè)分塊區(qū)域無(wú)交叉,即Ψi∩Ψj=? (當(dāng)i≠j).圖像分割結(jié)果如圖3(a)所示.

2.2 仿射信號(hào)重建模型

噪聲圖像包含了圖像信號(hào)成分和圖像噪聲及信號(hào)殘差成分,如何實(shí)現(xiàn)信號(hào)圖像和噪聲殘差圖像的有效分離,是對(duì)噪聲圖像質(zhì)量進(jìn)行評(píng)價(jià)的關(guān)鍵.仿射信號(hào)重建技術(shù)通過(guò)圖像信號(hào)最優(yōu)化問(wèn)題求解,得到仿射重建矩陣,從而重建得到圖像信號(hào)成分,實(shí)現(xiàn)了噪聲殘差圖像的有效獲取.

對(duì)于2.1節(jié)得到的任意圖像區(qū)域分割塊Ψ,仿射重建模型可以描述為如下形式的最優(yōu)化問(wèn)題：

(4)

(5)

式中：L∈R3×m為坐標(biāo)矩陣,第一行為縱向坐標(biāo),第二行為橫向坐標(biāo),第三行全為1,每一列對(duì)應(yīng)一個(gè)像素的空間位置,與圖像I相對(duì)應(yīng).

此時(shí)的懲罰方程可以簡(jiǎn)化表示為

(6)

最優(yōu)化問(wèn)題可以表示為

(7)

(8)

令式(8)中倒數(shù)置零,則有

LTΦL-LTI=0.

(9)

為了求解Φ,可將式(9)轉(zhuǎn)換為矩陣方程BXC=D的最佳逼近問(wèn)題：

(10)

利用線性代數(shù)中的矩陣最佳逼近問(wèn)題的求解方法,該方程的最小二乘解為

X=B+DC+.

(11)

式中：B+和C+分別為B和C的廣義逆矩陣.

由此可得式(9)中Φ的最小二乘解為

(12)

式中：LT為矩陣L的轉(zhuǎn)置矩陣,L+為矩陣L廣義逆矩陣.圖像I的仿射重建信號(hào)Isig(見(jiàn)圖3(b))可以表示為

Isig=Φ*×L.

(13)

圖3 圖像仿射重建模型結(jié)果Fig.3 Result of image affine reconstruction model

2.3 噪聲強(qiáng)度點(diǎn)分布估計(jì)

噪聲殘差信號(hào)圖像如圖3(c)所示,可以由濾波噪聲圖像I和仿射重建的信號(hào)圖像Isig來(lái)估計(jì)得到：

Ires=I-Isig.

(14)

殘差圖像中各分塊的殘余信息表征了該區(qū)域的噪聲水平,一個(gè)分割塊能夠估計(jì)出一個(gè)對(duì)應(yīng)的噪聲強(qiáng)度點(diǎn),計(jì)算殘差圖像各分塊區(qū)域的噪聲標(biāo)準(zhǔn)差,可得圖像噪聲強(qiáng)度分布圖.一般來(lái)說(shuō),圖像噪聲強(qiáng)度在一定標(biāo)準(zhǔn)差范圍內(nèi)分布,將整個(gè)分布范圍等分為若干小的噪聲強(qiáng)度區(qū)間.在實(shí)驗(yàn)中,定義標(biāo)準(zhǔn)差區(qū)間步長(zhǎng)為0.01,繪制出類(lèi)似于噪聲強(qiáng)度直方圖的分布情況,如圖4所示.圖中，I為噪聲強(qiáng)度，N為噪聲強(qiáng)度點(diǎn)數(shù)量.噪聲強(qiáng)度點(diǎn)分布圖中統(tǒng)計(jì)了不同噪聲強(qiáng)度區(qū)間內(nèi)分布的噪聲強(qiáng)度點(diǎn)個(gè)數(shù),反映了圖像噪聲的分布特性.

圖4 噪聲強(qiáng)度點(diǎn)分布Fig.4 Distribution of noise intensity samples

3 噪聲圖像評(píng)價(jià)算子

在殘差信號(hào)圖像中,包含了噪聲成分和部分殘余信號(hào)成分,反映到整個(gè)噪聲強(qiáng)度點(diǎn)分布情況中來(lái)看,分布數(shù)量最多的區(qū)間內(nèi)的強(qiáng)度點(diǎn)即屬于噪聲成分,而其他分布的區(qū)間認(rèn)為是殘余信號(hào)成分.噪聲成分的強(qiáng)度是評(píng)價(jià)噪聲圖像質(zhì)量的重要指標(biāo),考慮噪聲強(qiáng)度點(diǎn)數(shù)量分布最多的區(qū)間中的所有強(qiáng)度點(diǎn)均值,可得如下所示的評(píng)價(jià)算子：

(15)

式中：Nmax為噪聲強(qiáng)度點(diǎn)數(shù)量分布最多的區(qū)間中噪聲強(qiáng)度點(diǎn)總個(gè)數(shù),V(i)為該噪聲區(qū)間的估計(jì)噪聲強(qiáng)度點(diǎn)標(biāo)準(zhǔn)差.

為了使得噪聲圖像的評(píng)價(jià)數(shù)值在一個(gè)合適的區(qū)間范圍內(nèi),最終的評(píng)價(jià)算子通過(guò)對(duì)數(shù)操作算子得到噪聲評(píng)價(jià)算子：

NoiseMetric=-10×log M.

(16)

整個(gè)算法的實(shí)施流程圖如圖5所示.

圖5 噪聲圖像評(píng)價(jià)算法流程圖Fig.5 Flowchart of assessment method for noisy images

4 實(shí)驗(yàn)結(jié)果及分析

由美國(guó)TEXAS大學(xué)視頻工程實(shí)驗(yàn)室提供的LIVE (Laboratory for Image and Video Engineering)圖像數(shù)據(jù)庫(kù)[19]是通用的圖像質(zhì)量評(píng)價(jià)庫(kù),被廣泛應(yīng)用于圖像質(zhì)量評(píng)價(jià)算法性能評(píng)估[20-21].LIVE數(shù)據(jù)庫(kù)由982張參考圖像及失真圖像組成,圖像失真類(lèi)型涵蓋了JPEG壓縮失真、JPEG2000壓縮失真、高斯模糊失真、高斯白噪聲噪聲失真以及Rayleigh衰落(fast fading,FF)通信模型下的JPEG200比特流傳輸誤差失真.LIVE庫(kù)提供了對(duì)應(yīng)失真圖像的主觀差異評(píng)分?jǐn)?shù)值(difference mean opinion score,DMOS),用以測(cè)試圖像評(píng)價(jià)方法主客觀一致性的優(yōu)劣.在實(shí)驗(yàn)中,將其中174幅高斯白噪聲圖像用來(lái)評(píng)價(jià)提出的噪聲圖像評(píng)價(jià)算法的性能.圖6中顯示了數(shù)據(jù)庫(kù)中部分的噪聲失真圖像.

圖6 LIVE數(shù)據(jù)庫(kù)部分噪聲圖像Fig.6 Sample noisy images on LIVE data base

采用Ferzil等[22]描述的圖像客觀質(zhì)量評(píng)價(jià)結(jié)果與圖像主觀評(píng)分值的關(guān)系模型,將這些噪聲圖像的評(píng)價(jià)數(shù)值與對(duì)應(yīng)的DMOS分?jǐn)?shù)值進(jìn)行擬合,可得如下所示的擬合方程：

(17)式中：β1、β2、β3、β4分別為須擬合得到的模型參數(shù),DMOSp為由NoiseMetric預(yù)測(cè)得到的主觀差異評(píng)價(jià)數(shù)值.實(shí)驗(yàn)中估計(jì)的模型參數(shù)數(shù)值為：β1=-5.940 2,β2=1.082×103,β3=-65.092 9,β4=28.422 8.算法評(píng)價(jià)點(diǎn)分布及擬合曲線如圖7所示.

利用式(17),可由算法噪聲圖像質(zhì)量評(píng)價(jià)值NoiseMetric得到預(yù)測(cè)主觀評(píng)價(jià)值,預(yù)測(cè)評(píng)價(jià)值DMOSp與主觀評(píng)價(jià)值DMOS的關(guān)系如圖8所示.

圖7 評(píng)價(jià)算法計(jì)算結(jié)果及擬合曲線Fig.7 Assessment algorithm results and fitting curve

圖8 預(yù)測(cè)主觀評(píng)價(jià)值和主觀評(píng)價(jià)值關(guān)系Fig.8 Relationship between predicted subjective scores and subjective scores

從圖8可以看出,由本文方法預(yù)測(cè)得到的主觀評(píng)價(jià)數(shù)值和LIVE數(shù)據(jù)提供的主觀評(píng)價(jià)數(shù)值有很好的一致性.為了更加客觀地評(píng)價(jià)算法性能,引入幾種量化的客觀評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)算法的優(yōu)劣,包括均方根誤差(root mean squared error,RMSE)、Pearson線性相關(guān)系數(shù)(linear Pearson’s correlation coefficient,CC)以及Spearman等級(jí)相關(guān)系數(shù)(Spearman’s rank ordered correlation coefficient ,ROCC).

(18)

CC指標(biāo)表征了算法的線性程度,CC評(píng)價(jià)值越大越好,具體定義如下：

(19)

ROCC主要側(cè)重于表現(xiàn)預(yù)測(cè)模型的單調(diào)性,指標(biāo)值越大表明算法單調(diào)性越好.ROCC的具體計(jì)算方法如下：

(20)

式中：RXi、RYi分別為預(yù)測(cè)主觀評(píng)價(jià)值和主觀評(píng)價(jià)值分別按由小到大或由大到小的順序排序后，對(duì)于第i個(gè)評(píng)價(jià)值在各自序列中的序號(hào).在實(shí)驗(yàn)中,比較2種全參考圖圖像質(zhì)量算法的結(jié)構(gòu)相似度(structural similarity index metric,SSIM)[23]和峰值信噪比(peak signal to noise ratio, PSNR)以及2種針對(duì)通用失真類(lèi)型的無(wú)參考圖像質(zhì)量評(píng)價(jià)方法BIQI(blind image quality index)[24]和BLIINDS(blind image integrity Notator using DCT statistics)[6].各種算法的客觀性能評(píng)價(jià)結(jié)果如表1所示.其中,BIQI和BLIINDS評(píng)價(jià)算法的數(shù)據(jù)引用文獻(xiàn)[8]的數(shù)據(jù). Moorthy等[8]提供了BIQI和BLIINDS算法針對(duì)LIVE數(shù)據(jù)中的所有失真圖像類(lèi)型的評(píng)價(jià)數(shù)據(jù),本文只選取其中的噪聲失真圖像性能評(píng)價(jià)結(jié)果數(shù)據(jù)作為比較.

表1 幾種圖像質(zhì)量評(píng)價(jià)算法LIVE數(shù)據(jù)的評(píng)價(jià)性能結(jié)果

從表1的比較結(jié)果可以得到,2種全參考圖評(píng)價(jià)方法PSNR和SSIM的性能會(huì)優(yōu)于無(wú)參考圖的評(píng)價(jià)方法,但是該類(lèi)算法有著明顯的應(yīng)用局限性,在很多無(wú)法獲取參考圖像的實(shí)際應(yīng)用場(chǎng)景中不能有效適用.在比較的幾種無(wú)參考圖像質(zhì)量評(píng)價(jià)算法中,本文算法針對(duì)噪聲圖像建立的評(píng)價(jià)模型,各項(xiàng)性能指標(biāo)均優(yōu)于適用于通用失真的BIQI和BLIINDS方法.本文提出方法的性能表現(xiàn)比較接近前2種全參考圖像評(píng)價(jià)算法.綜合來(lái)看,本文所建立的噪聲圖像模型算法更加適用于無(wú)參考圖應(yīng)用場(chǎng)景下的噪聲圖像評(píng)價(jià),具有很好的主客觀一致性和準(zhǔn)確性能評(píng)估表現(xiàn).為了更好地驗(yàn)證算法的適用性,在TID2008數(shù)據(jù)庫(kù)和CSIQ數(shù)據(jù)庫(kù)上進(jìn)行算法的性能評(píng)估.TID2008(Tampere Image Database 2008)數(shù)據(jù)庫(kù)[25]由25幅參考圖像及1 700幅失真圖像組成,包括17種失真類(lèi)型；CSIQ (categorical image quality database)數(shù)據(jù)庫(kù)[26]包含了6種類(lèi)型的失真圖像,共有30幅參考圖像和866幅失真圖像.選取2個(gè)圖像數(shù)據(jù)庫(kù)中的高斯白噪聲失真圖像來(lái)驗(yàn)證算法性能.利用上述的RMSE、CC和ROCC 3種客觀評(píng)價(jià)指標(biāo)來(lái)評(píng)估算法表現(xiàn),TID2008數(shù)據(jù)庫(kù)和CSIQ數(shù)據(jù)的具體比較結(jié)果分別如表2、3所示.

表2 TID2008數(shù)據(jù)庫(kù)評(píng)價(jià)結(jié)果

表3 CSIQ數(shù)據(jù)庫(kù)評(píng)價(jià)結(jié)果

從表2、3的比較結(jié)果可以看出, PSNR算法對(duì)于2個(gè)數(shù)據(jù)庫(kù)的評(píng)價(jià)都有著很好的指標(biāo)性能.本文方法和其他2種全參考圖像質(zhì)量評(píng)價(jià)算法相比,評(píng)價(jià)指標(biāo)稍差,但各項(xiàng)數(shù)據(jù)比較接近.與適用于通用失真的BIQI算法比較來(lái)看,本文方法的評(píng)價(jià)有著較優(yōu)異的評(píng)價(jià)結(jié)果.考慮到本文算法沒(méi)有利用任何參考圖信息,直接從噪聲圖像中計(jì)算得到評(píng)價(jià)數(shù)值,在TID2008和CSIQ圖像數(shù)據(jù)庫(kù)上的表現(xiàn)較優(yōu)異,該算法具有廣泛的適用性,能夠滿(mǎn)足噪聲圖像的質(zhì)量評(píng)價(jià)需求.

5 結(jié) 語(yǔ)

噪聲圖像質(zhì)量評(píng)價(jià)是圖像處理分析領(lǐng)域的一個(gè)重要的問(wèn)題,現(xiàn)有的圖像噪聲估計(jì)算法往往忽略了人眼視覺(jué)對(duì)于噪聲圖像的敏感特性.本文的創(chuàng)新之處在于,將視覺(jué)敏感函數(shù)和信號(hào)仿射重建模型引入噪聲圖像質(zhì)量評(píng)價(jià)方法中,建立無(wú)參考的噪聲圖像質(zhì)量評(píng)價(jià)模型,提出噪聲圖像評(píng)價(jià)算子.在LIVE數(shù)據(jù)庫(kù)和TID2008及CSIQ圖像數(shù)據(jù)庫(kù)上對(duì)算法進(jìn)行準(zhǔn)確性和主客觀一致性評(píng)估實(shí)驗(yàn),并與其他幾種圖像質(zhì)量方法進(jìn)行比較.實(shí)驗(yàn)結(jié)果表明,采用本文提出的算法能夠?qū)o(wú)參考圖的噪聲圖像進(jìn)行有效的評(píng)價(jià),具有很好的主客觀一致性和準(zhǔn)確性.本文所述的算法模型框架對(duì)其他的圖像質(zhì)量評(píng)價(jià)方法有著重要的應(yīng)用價(jià)值和啟發(fā)意義.下一步的工作是優(yōu)化算法的計(jì)算效率,優(yōu)化程序,加速算法的運(yùn)行速度,使其能夠滿(mǎn)足實(shí)時(shí)在線系統(tǒng)的要求.

[1] BOVIK A C, WANG Zhou. Modern image quality assessment [M]. New York: Morgan and Claypool, 2006．

[2] SUTHAHARAN S. No-reference visually signifcant blocking artifact metric for natural scene images [J]. Signal Processing, 2009, 89(8): 1647-1652．

[3] MARZILIANO P, DUFAUX F, WINKLER S, et al. Perceptual blur and ringing metrics: application to JPEG2000 [J]. Signal Processing: Image Communication, 2004, 19(2): 163-172．

[4] NARVEKAR N D, KARAM L J. A no-reference image blur metric based on the cumulative probability of blur detection (CPBD) [J]. IEEE Transactions on Image Processing, 2011, 20(9): 2678-2683．

[5] CHEN Ming-Jun, BOVIK A C. No-reference image blur assessment using multi-scale gradient [J]. EURASIP Journal on Image and Video Processing, 2011, 2011(1): 1-11．

[6] SAAD M A, BOVIK A C, CHARRIER C. A DCT statistics-based blind image quality index [J]. IEEE Signal Processing Letters, 2010, 17(6): 583-586．

[8] MOORTHY A K, BOVIK A C. Blind image quality assessment: from natural scene statistics to perceptual quality [J]. IEEE Transactions on Image Processing, 2011, 20(12): 3350-3364．

[9] BARLAND R, SAADANE A. Reference free quality metric for JPEG-2000 compressed images [C]∥ International Symposium on Signal Processing and its Applications. Australia: IEEE, 2005, 1:351-354.

[10] TONG Hang-hang, LI Ming-jing, ZHANG Hong-jiang, et al. No-reference quality assessment for JPEG2000 compressed images [C]∥Proceeding of IEEE International Conference on Image Processing. Singapore: IEEE, 2004, 5: 3539-3542．

[11] 張?zhí)祆?馮華君,徐之海,等. 基于強(qiáng)邊緣寬度直方圖的圖像清晰度指標(biāo)[J]. 浙江大學(xué)學(xué)報(bào)：工學(xué)版,2014, 48(2): 312-320． ZHANG Tian-yu, FENG Hua-jun, XU Zhi-hai, et al. Sharpness metric based on histogram of strong edge width [J]. Journal of Zhejiang University: Engineering Science,2014, 48(2): 312-320．

[12] PASTOR D. A theoretical result for processing signals that have unknown distributions and priors in white Gaussian noise [J]. Computational Statistics and Data Analysis, 2008, 52(6): 3167-3186．

[13] JIANG Ping, ZHANG Jian-zhou. Fast and reliable noise estimation algorithm based on statistical hypothesis tests [C]∥Visual Communications and Image Processing.San Diego : IEEE, 2012:1-5．[14] LIU Xin-hao, TANAKA M, OKUTOMI M. Noise level estimation using weak textured patches of a single noisy image [C]∥19th IEEE International Conference on Image Processing. Orlando: IEEE , 2012: 665-668．

[15] KARUNASEKA S A, KINGSBURG N G. A distortion measure for blocking artifacts in image based on human visual sensitivity [J]. IEEE Transactions on Image Processing, 1995, 4(6): 713-724．

[16]張量,王怡影,明軍,等. 基于掩蓋效應(yīng)圖像質(zhì)量評(píng)價(jià)方法的研究[J]. 合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版,2013, 36(6): 696-699． ZHANG Liang, WANG Yi-ying, MING Jun, et al. Research on image quality evaluation method based on masking effect [J]. Journal of Hefei University of Technology: Natural Science, 2013, 36(6): 696-699．

[17] MIYAHARA M, KOTANI K, ALGAZI V. Objective picture quality scale (PQS) for image coding [J]. IEEE Transactions on Communications, 1998, 46(9): 1215-1226．

[18] VINCENT L, SOILLE P. Watersheds in digital spaces: an efficient algorithm based on immersion simulations [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991, 13(6): 583-598．

[19] SHEIKH H R, ZHOU Wang, CORMACK L, et al. LIVE image quality assessment database release 2 [EB/OL]. [2006-03-15]. http:∥ live.eoe.utexas.edu/research/quality/．

[20] 王宇慶,朱明. 評(píng)價(jià)彩色圖像質(zhì)量的四元數(shù)矩陣最大奇異值方法[J]. 光學(xué)精密工程,2013, 21(2): 469-478． WANG Yu-qing, ZHU Ming. Maximum singular value method of quaternion matrix for evaluating color image quality [J]. Optics and Precision Engineering, 2013, 21(2): 469-478．

[21] 王勇,王宇慶,趙曉暉.圖像質(zhì)量客觀評(píng)價(jià)的復(fù)數(shù)矩陣結(jié)構(gòu)相似度方法[J].儀器儀表學(xué)報(bào), 2014, 35(5): 1118-1129． WANG Yong, WANG Yu-qing, ZHAO Xiao-hui. Objective image quality assessment based on complex matrix structure similarity [J]. Chinese Journal of Scientific Instrument, 2014, 35(5): 1118-1129．

[22] FERZIL R, KARAM L J. A no-reference objective image sharpness metric based on the notion of just noticeable blur (JNB) [J]. IEEE Transactions on Image Processing, 2009, 18(4): 717-728．

[23] WANG Zhou, BOVIK A C, SHEIKH H R, et al. Image quality assessment: from error visibility to structural similarity [J]. IEEE Transactions on Image Processing, 2004, 13(4): 600-612．[24] MOORTHY A K, BOVIK A C. A two-step framework for constructing blind image quality indices [J]. IEEE Signal Processing Letters, 2010, 17(5): 513-516．

[25] PONOMARENKO N, LUKIN V, ZELENSKY A, et al. TID2008: a database for evaluation of full-reference visual quality assessment metrics [J]. Advances of Modern Radioelectronics, 2009(10): 30-45．

[26] ERIC C L, DAMON M C. Most apparent distortion: full-reference image quality assessment and the role of strategy [J]. Journal of Electron Imaging, 2010, 19(1): 143-153．

Image quality assessment method for noisy images based on CSF and affine reconstruction model

CUI Guang-mang, FENG Hua-jun, XU Zhi-hai, LI Qi, CHEN Yue-ting

(StateKeyLaboratoryofOpticalInstrumentation,ZhejiangUniversity,Hangzhou310027,China)

An image quality assessment method based on contrast sensitive function (CSF) and affine reconstruction model was proposed for no-reference noisy image quality assessment. The visual contrast sensitivity function was introduced to apply the filtering process for noisy image. The image segmentation algorithm was utilized and the affine reconstruction model was applied to solve the optimal problem. Then image signal was obtained and the residual signal image was estimated from the input image and the signal image. The noise intensity sample of each block was calculated to select the interval with the most noise samples falling in. The final noise image assessment metric was obtained by the mean value of all the noise intensity samples belonging to the selected interval. Experiments were conducted on LIVE, TID2008 and CSIQ image data base in order to evaluate the subjective and objective consistency of the proposed method. The objective performances were assessed compared with other image quality assessment methods. Experimental results illustrate that the presented algorithm has a good performance on accuracy and subjective and objective consistency．

quality assessment on noisy images；contrast sensitive function(CSF)；affine reconstruction model；LIVE data base

2014-12-10. 浙江大學(xué)學(xué)報(bào)(工學(xué)版)網(wǎng)址： www.journals.zju.edu.cn/eng

國(guó)家自然科學(xué)基金資助項(xiàng)目(61178064).

崔光茫(1989-)，男，博士生，從事光學(xué)成像、圖像質(zhì)量評(píng)價(jià)等的研究.ORCID：0000-0002-1997-6084. E-mail：nycgm@163.com 通信聯(lián)系人：馮華君，男，教授，博導(dǎo).ORCID：0000-0002-5606-6637. E-mail：fenghj@zju.edu.cn

10.3785/j.issn.1008-973X.2016.01.021

TP 391

A

1008-973X(2016)01-0144-07