无参考图像质量评价方法研究

图像采集时要考虑很多方面的因素, 比如光照、角度, 分辨率, 有无遮掩物等, 所以采集到的图像质量上就会相差很多, 采集到的图像可以用不同的等级来标识, 质量等级的不同, 使得图像在机器识别的结果上有很大的差别, 所以在一些图像识别的应用领域引入图像质量评价机制是很有必要的。

一、图像质量评价研究的现状

考虑到图像质量评价的重要性, 近年来, 很多学者开始越来越注重对这一方面的研究, 比如ISO国际标准化组织针对图像质量分类制定了ISO19794-5标准, 国际民间航空组织也制定了一个用于图像评价的ICAO/MRTD标准。目前, 国内外有一些科研机构和高校也开始对图像质量评价算法进行研究, 像国内的微软亚洲研究院、清华大学、浙江大学、复旦大学等, 国外的像得克萨斯大学、国际电信联盟视频质量专家小组等。

二、无参考图像质量评价研究

目前对无参考图像质量评价的方法大致是这样的:首先对图像的失真情况进行度量, 然后将度量结果与人眼的直观判断相结合, 给出一个最终的质量评价值。

(一) 无参考图像的失真度量方法

对无参考图像失真情况的度量, 目前由于条件的限制, 只能对几种失真情况进行估量:

1. 噪声效应的度量

由于图像的处理方法, 采集图像的设备, 电子图像数据的传输等因素, 目前采集到的图像大多存在着各种类型的噪声, 通过对图片局部边缘平滑度的测量来进行度量, 有学者认为, 如果有像素点破坏了局部边缘的平滑度, 那么这个像素点就可以被认为是噪声点。

2. 模糊效应的度量

引起图像模糊的因素很多, 主要有取景时位移、传输压缩、聚焦异常等。模糊从频域的角度, 可以认为是高频分量过低。它也是一种边缘的平滑效应的现象。有学者提出可以通过测量边缘点宽度来作为其度量方法[1]。

3. 分块效应的度量

分块效应是基于两个或多个相邻图像模块间的差异提出来的一种度量方法。生活中常见的JPG格式的图像就是采用离散余弦变换压缩算法。2002年时有学者提出沿图像的水平方向来计算差分信号, 然后通过对模块边缘的差分值求平均来估计分块效应的方法[2]。后来也有学者提出一种各个图像模块边界差异的计算方法[3]。除了这三种比较典型的图像失真度量方法外, 还有后来学者提出的一些度量的方法, 比如利用Gabor小波系数模型来计算的度量方法[4]。

(二) 无参考图像质量评价方法

目前, 在图像识别研究领域, 对无参考图像质量评价的研究还处于比较落后的阶段, 没有一个统一的图像质量评价体系。对图像失真的度量, 从某种程度上说并不能等同于人的主观感受, 还需要将图像失真算法的度量结果与人的主观测试值相结合。这样才能更准确的对图像质量进行评价, 目前的研究中多采用以下两种方法。

1. 基于函数拟合的图像质量评价方法

该方法主要是基于大量观察数据, 利用数理统计方法建立自变量和因变量之间关系的表达式。应用在无参考图像质量评价中, 就是结合样本中提取的特征值和人眼的主观评估值来构造一个用于图像质量评估的测试函数。这种方法多用于JPEG格式的图像和JPEG2000格式的图像的质量评价。

2. 基于机器学习的图像质量评价方法

随着图像识别应用领域的快速发展, 基于机器学习的算法在这一研究领域逐渐得到了重视。该方法在无参考图像质量评价应用中的思路是:先用大量的代表性的图像进行训练, 训练时采用人眼的主观评估值对图像质量进行分类, 提取反应各类图像质量的特征向量, 并构造相对应的图像质量分类器用于测试, 在测试阶段, 先用同样的方法提取特征向量, 并作为图像质量分类器的输入值, 然后根据分类器的测试结果来判断图像的质量等级。这种方法目前研究的较多, 按照训练特征数据的不同, 又可以大致分为两类。

(1) 基于HVS特征的识别方法

这种方法是通过提取图像的HVS特征作为机器学习的数据, 比如有学者提出提取图像的边缘长度、振幅、背景亮度等特征作为机器学习的数据, 然后训练分类器用于图像的质量分类, 实验多采用支持向量机的机器学习方法, 这里列出几种该方法的实验统计结果, 如表1所示。

(2) 基于统计特征的识别方法

该方法是通过对图像的原始像素进行各种失真程度的估量, 并把度量的结果作为机器学习的原始特征向量, 比如有学者对视觉比较敏感的区域, 像模糊程度、噪声、图像亮度等进行度量, 也有学者度量图像的分块效应和模型效应, 然后用基于支持向量机的统计学习方法进行质量评价。

(三) 无参考图像质量评价的难点分析

一般来说图像质量的好坏, 或者图像质量评价系统的优劣我们主要还是靠人类的视觉系统来判断, 但是视觉系统是一个比较复杂的系统, 在判断图像质量的等级时又涉及到生理、心理等多方面的因素, 人类对视觉系统经过了多年的研究, 然后没有充分的理解其机理, 而人眼对图像的识别过程也很难用数学模型或物理模型来描述。传统的图像质量评价方法中由于没有充分考虑人眼视觉的特性, 往往造成系统的评价结果和人的主观评价不一致。

三、总结和展望

本文对无参考图像质量评价进行了研究, 主要从图像失真的度量方法、评价方法、评价难度等几个方面, 虽然目前这方面的研究还比较落后, 没有一个统一的图像质量评价体系。但随着图像处理和人工智能的发展, 会有更多的学者加入到这一领域的研究, 今后, 无参考图像质量评价技术也会有更大的发展。

摘要：本文分析了图像质量评价的发展现状, 并对无参考图像质量评价进行了重点研究, 包括图像失真度量, 图像质量的价方法等, 为今后无参考图像质量评价方法的研究提供了理论基础。

关键词：图像质量,无参考,评价

参考文献

[1] Pina Marziliano.A No-Reference Perceptual Blur Metric[C].International Conference on Image Processing, 2012, Vol. (3) :57-60.

[2] Zhou Wang.No-Reference Perceptual Quality Assessment of JPEG Compressed Images[C].International Conference on Image Processing, 2012, vol (1) :477-480.

[3] Guangtao Zhai.No-reference noticeable blockiness estimation in images[J].Signal Processing:Image Communication, 2014, Vol. (23) :417-432.

[4] H.R.Sheikh, Z.Wang.Blind quality assessment for JPEG2000 compressed images[C].Thirty-Sixth Annual Asilomar Conference on Signals, Systems and Computers, 2013, Vol. (2) :1735.