基于雙向過濾法的塊效應下無參考圖像質(zhì)量評價

馬 璐，楊文飛

（1. 宿州職業(yè)技術學院 計算機信息系，安徽 宿州 234000；2. 南京大學 電子科學與工程學院，江蘇 南京 210023；3. 宿州學院 外國語學院，安徽 宿州 234000）

在對圖像進行處理的過程中，為了保存更多的圖像信息，也為了占用更少的內(nèi)存空間，需要進行圖像壓縮處理，在圖像壓縮處理過程中必然會產(chǎn)生圖像信息的丟失，稱之為圖像失真［1］。圖像質(zhì)量評價（image quality assessment，IQA）逐漸成為衡量圖像質(zhì)量的重要指標，其中結構相似性（structural similarity，SSIM）是比較有代表性的全參考質(zhì)量評價方法［2］。SSIM 是目前公認準確性較高的評價方法，其主要原理是從圖像的亮度、對比度和圖像結構3 個方面進行組合定義SSIM 指數(shù)，該方法的優(yōu)點是計算相對簡單、容易理解并且適合不同場景，同時準確度相對較高；其缺點是要假定場景物體的結構信息與光的強度等之間是獨立的、互不受影響，而實際中卻存在相關性，所以SSIM 指數(shù)存在一定的誤差。

目前，基于無參考圖像質(zhì)量評價的研究有多種。如Kirenko 等［3］先通過Sobel 算子對圖像邊界進行判斷，再對相鄰像素進行歸一化梯度計算，估算出塊邊緣的強度。Li 等［4］提出將從失真圖像中提取的感知相關圖像特征指數(shù)作為新的索引方法，該方法優(yōu)點在于不需要對主觀判斷評分進行收集與訓練，缺點是在不同的圖像數(shù)據(jù)庫下效果并不理想。鄭江云等［5］利用塊邊界之間像素灰度差異值創(chuàng)建模型得到評價值。程姍等［6］利用直方圖提取圖像的邊界，同時利用LBP 得到圖像紋理信息特征，由此共同得出失真圖像融合特征。李博文等［7］采用圖像顯著性建立編碼字典，通過稀疏矩陣系數(shù)與FV 向量構建評價模型進行評價，雖然該方法對顯著性圖像有不錯的評價能力，但對圖像的要求有許多的局限性。

針對塊效應下無參考圖像的評價方法既可以從空間域中入手，也可以通過轉(zhuǎn)換到頻域上進行處理，如果從頻域入手進行研究能夠很好地解決邊緣的真實性，且可以有效地進行統(tǒng)計；缺點是對數(shù)學要求比較高，多種轉(zhuǎn)換交錯使用難以理解，同時增加了計算成本。通過空間域進行研究，對邊界信息分析與提取比較簡單，容易理解和操作，但不足之處在于真實邊界與所產(chǎn)生的塊效應假邊界混合在一起，分辨出因塊效應所生成假邊界是難點。綜上所述，本文提出以空間域和頻域相結合的方式，利用其各自的優(yōu)點進行互補來對圖像中的邊界進行識別，然后利用邊界特征統(tǒng)計出塊效應強度。

1 評價方法原理

通過空間域?qū)K效應下無參考圖像進行評價主要是利用圖像的邊界提取信息，然后統(tǒng)計像素信息特征，從而反映出圖像受塊效應污染強度大小進行評價。雖然該方法比較簡單、易懂，但塊效應下的圖像邊界易出現(xiàn)混淆。

塊效應強度和圖像之間的關系［5］表現(xiàn)為：

1）圖像在經(jīng)過DCT 壓縮后會產(chǎn)生許多矩形模塊。

2）塊效應強度越強，所產(chǎn)生的矩形模塊越多，邊界所受干擾越大。

依據(jù)這個特征，提出一種雙向過濾法（bidirectional filtration）。第一步先通過空間域?qū)υ紙D像進行一次邊界檢測及提取，由于檢測和提取過程中人為因素的影響，有時并不能很好地對弱邊界進行合理劃分；第二步按照塊模塊特征同時利用變換域把空間域轉(zhuǎn)換到頻域中，過濾掉弱邊界頻率，保留有效邊界信息特征。該方法能準確找出圖像邊界信息特征，有效解決圖像邊界問題。

1.1 通過空間域?qū)ふ疫吔?/h3>

通過空間域?qū)D像邊界進行初步定位，再運用圖像處理找出邊界，利用圖像梯度提取邊界特征，雖然Robert 算子、Sobel 算子和Laplacian 算子等能夠提取邊界特征，但它們?nèi)菀资茉肼暩蓴_，定位效果不理想。本文在Canny 邊緣檢測基礎上進行改進，不使用高斯濾波器運算，而利用Sobel 算子進行過濾，同時對其進行改進增加倍數(shù)，建立新的內(nèi)核：

其中Sx、Sy分別為X方向與Y方向計算出的圖像梯度強度大小，然后得出圖像梯度強度大小S和方向θ：

然后在Non- maximum Suppression 中規(guī)定方向進行抑制，如圖1 所示。

圖1 邊緣抑制方向圖Fig. 1 Direction diagram of edge suppression

由上式得出方向θ是梯度變化最強的方向，沿著梯度方向?qū)ふ蚁袼攸c局部最大值，比較它前面和后面的梯度值進行，從而獲得清晰邊緣，塊效應所產(chǎn)生的假邊界逐漸被消除，保證極大削弱假邊界存在可能性。

1.2 通過非下采樣Contourlet 變換［8］（NSCT）

上一步得出的圖像通過NSCT 在Contourlet 變換技術上進行改進，NSCT 由兩個步驟所構成：

1）通過原始圖像對其進行NSP 操作，得到分解后的分析子帶見圖2。

圖2 二維子帶圖Fig. 2 Diagram of two dimensional subband

2）該子帶通過方向濾波器進行多次濾波（NSFB），見圖3。

圖3 非下濾波組構造圖Fig. 3 Construction diagram of non-lower filtering group

選取閾值范圍大小，獲取最終邊界位置。此時所呈現(xiàn)出圖像的邊界位置被認為是真邊界。

2 構建評價模型

由原始圖像中邊界像素統(tǒng)計集L1與經(jīng)過雙向過濾法得出的邊界像素統(tǒng)計集L2得到評價值Q：

利用塊效應邊緣灰度值通過均方差運算得到客觀評價值。因大多數(shù)對塊效應的圖像質(zhì)量評價都是以塊邊緣像素灰度的差異進行分析得到，找到區(qū)域并提取有效區(qū)域，所以對區(qū)域內(nèi)的圖像邊界進行掃描，通過原始圖像得到塊邊界的灰度值F（i，j），同時可以得到F（i，j+ 1）。求其均方差為

同理對經(jīng)過雙向過濾法得到的邊界得到像素集F1（i，j），求其均方差為

式中，i和j分別是該區(qū)域內(nèi)的行和列，M和N分別是區(qū)域總行數(shù)和總列數(shù)。通過公式（1）得到Q評價值，若Q= 0，表示塊效應不存在，圖像質(zhì)量很好；若Q＞ 0，表示塊效應存在，其值的大小確定了塊效應的強弱。L2值越小、差值越大表明Q值越大，塊效應越嚴重；L2值越大、差值越小表明Q值越小，則塊效應越弱。

3 實驗測試與分析

公共數(shù)據(jù)庫主要使用LIVE 數(shù)據(jù)庫與TID2013 數(shù)據(jù)庫，為了說明該方法的普遍性與魯棒性，分別從每個數(shù)據(jù)庫中挑選出20 個壓縮圖像進行測試。這40 個圖像都存在塊效應污染，同時這40 個圖像還有在不同壓縮比率下生成的300 多個圖像，為了從直觀上表明該方法的有效性，建立了評價值Q與DMOS的散點圖，并與SSIM 方法［9］進行對比，圖像質(zhì)量評價結果的優(yōu)劣一般通過MOS或DMOS表示。由圖4 可知，通過SSIM 方法散點圖與相對Q 模型比較發(fā)現(xiàn)本文建立的平均值散點更加集中，獨立點少，評價效果較好。

從LIVE 圖像質(zhì)量評價數(shù)據(jù)庫中選取圖像進行比較。該算法對LIVE2 JPEG 子庫圖像的性能評價結果見表1，在TID2013JPEG 子庫圖像的性能評價結果見表2。評價指標為線性相關系數(shù)（linear correlation coefficient，LCC）和秩相關系數(shù)［10］（Spearman's rank ordered correlation coefficient，SROCC），分別預測算法的準確性。

圖4 不同算法散點圖Fig. 4 Scatter plots of different algorithms

表1 L IVE2 JPEG 子庫圖像的性能評價Tab. 1 Performance evaluation of L IVE2 JPEG sublibrary image

表2 TID2013JPEG 子庫圖像的性能評價Tab. 2 Performance evaluation of TID2013JPEG sublibrary image

本文所選擇的是從LIVE 與TID2013 公共數(shù)據(jù)庫中隨機挑選的壓縮圖像，對評價方法而言具有一定的普遍性。由表1 和表2 可知，基于雙向濾波法的評價模型得出的評價值Q與SSIM 模型進行對比，無論是LCC值還是SROCC值都要比傳統(tǒng)的SSIM值略高，且對于TID2013 數(shù)據(jù)庫中的圖像差距更大，說明本文方法更可靠。

4 結語

本文提出了一種基于雙向過濾法的塊效應下無參考圖像質(zhì)量評價方法，該方法以空間域和頻域相結合的方式，利用其各自的優(yōu)點進行互補來對圖像中的邊界進行識別，然后利用邊界特征統(tǒng)計出塊效應強度。該方法能準確找出圖像邊界信息特征，有效解決圖像邊界問題。實驗測試結果表明，與SSIM 模型相比，該方法對塊效應下的無參考圖像的評價結果更加有效與準確。模型具有一定的魯棒性。