分區(qū)域多標(biāo)準(zhǔn)的全參考圖像質(zhì)量評(píng)價(jià)算法

曹清潔，史再峰，張嘉平，李杭原，高?靜，姚素英

?

分區(qū)域多標(biāo)準(zhǔn)的全參考圖像質(zhì)量評(píng)價(jià)算法

曹清潔1, 2，史再峰1, 3，張嘉平1，李杭原1，高?靜1, 3，姚素英1

(1. 天津大學(xué)微電子學(xué)院，天津 300072；2. 天津師范大學(xué)數(shù)學(xué)科學(xué)學(xué)院，天津 300387； 3. 天津市成像與感知微電子技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津 300072)

圖像質(zhì)量評(píng)價(jià)在圖像采集、圖像壓縮、圖像傳輸?shù)阮I(lǐng)域有著廣泛的應(yīng)用，一直是圖像處理領(lǐng)域的研究熱點(diǎn)之一．本文提出了一種模擬人的視覺感知過程中的對(duì)不同區(qū)域敏感度不同的特點(diǎn)，針對(duì)待評(píng)圖像進(jìn)行分區(qū)域采用不同標(biāo)準(zhǔn)的全參考型圖像質(zhì)量評(píng)價(jià)算法．該算法首先對(duì)圖像顏色空間由RGB轉(zhuǎn)換到Y(jié)IQ，使之更符合人類視覺特性；再對(duì)其亮度空間進(jìn)行數(shù)學(xué)形態(tài)學(xué)的膨脹計(jì)算預(yù)處理，并用邊緣檢測(cè)算子標(biāo)記出圖像中所有的邊緣像素點(diǎn)；根據(jù)5×5的鄰域內(nèi)是否包含邊緣點(diǎn)將圖像分為紋理區(qū)和平滑區(qū)域．針對(duì)包含邊緣特征的紋理區(qū)域的結(jié)構(gòu)參數(shù)采用梯度進(jìn)行描述，參考圖像和失真圖像在像素點(diǎn)的方差表述像素點(diǎn)失真的敏感性；對(duì)于平滑區(qū)域的像素點(diǎn)采用對(duì)比度作為表征結(jié)構(gòu)信息的變量，并使用基于視覺顯著性的綜合策略；結(jié)合失真和參考圖像的視覺顯著性矩陣、結(jié)構(gòu)相似性矩陣SCR()、色彩飽和度相似性矩陣，可分別得到紋理區(qū)和平滑區(qū)的圖像質(zhì)量評(píng)價(jià)分區(qū)域結(jié)果．取兩個(gè)分區(qū)域結(jié)果的均值，可得到最后的全圖像質(zhì)量評(píng)價(jià)指標(biāo)SMC-IQA．該算法在CSIQ、TID2008和TID2013等3個(gè)通用的圖像質(zhì)量評(píng)價(jià)數(shù)據(jù)庫上進(jìn)行了實(shí)驗(yàn)．實(shí)驗(yàn)結(jié)果表明與主流的圖像質(zhì)量評(píng)測(cè)方法相比較，本文所提出的分區(qū)域多標(biāo)準(zhǔn)的全參考圖像質(zhì)量評(píng)價(jià)算法與主觀評(píng)價(jià)的結(jié)果具有更好的一致性，更符合人類視覺系統(tǒng)的特性．

全參考圖像質(zhì)量評(píng)價(jià)；分區(qū)域；形態(tài)學(xué)；邊緣檢測(cè)

圖像在采集、存儲(chǔ)、傳輸過程中，噪聲等各種因素會(huì)破壞圖像的細(xì)節(jié)，進(jìn)而導(dǎo)致圖像質(zhì)量下降且影響人眼對(duì)接收到的圖像的理解[1]．因此，建立與人眼主觀評(píng)價(jià)一致的圖像質(zhì)量評(píng)價(jià)模型，可以在圖像處理算法結(jié)果比較、圖像處理系統(tǒng)性能優(yōu)化等方面發(fā)揮重要作用[2]．根據(jù)參考圖像可以利用的程度，圖像質(zhì)量評(píng)價(jià)(image quality assessment，IQA)方法可以分為全參考評(píng)價(jià)、部分參考評(píng)價(jià)和無參考評(píng)價(jià)等3類方法．

在全參考圖像質(zhì)量評(píng)價(jià)中，最常用的方法是均方差(mmean squared error，MSE)和峰值信噪比(peak signal-to-noise ratio，PSNR)[3]．這兩種方法是根據(jù)圖像的像素級(jí)特征進(jìn)行評(píng)價(jià)的，計(jì)算較簡(jiǎn)單，但是這兩種方法是純數(shù)學(xué)模型，所得結(jié)果與人眼的主觀感知有較大差距．近些年來，在圖像質(zhì)量評(píng)價(jià)模型研究中，研究者越來越關(guān)注人類視覺系統(tǒng)的特性對(duì)評(píng)價(jià)結(jié)果的影響．2004年，Wang等[4]提出結(jié)構(gòu)相似性指標(biāo)算法(structural similarity index，SSIM)，從圖像亮度、對(duì)比度和結(jié)構(gòu)三方面的相似性的角度來評(píng)價(jià)失真圖像的質(zhì)量．隨后一系列基于SSIM的改進(jìn)型算法被提出，2011年，Wang等[5]提出了信息加權(quán)結(jié)構(gòu)相似性(information content weighted-SSIM，IW-SSIM). Yang等[6]將韋伯-費(fèi)希納定律和SSIM相結(jié)合提出了相似度分解模型．對(duì)于結(jié)構(gòu)特征，文獻(xiàn)[7]中采用梯度來衡量圖像的結(jié)構(gòu)相似性，文獻(xiàn)[8]中首先計(jì)算參考圖像和失真圖像的顯著性圖像，再計(jì)算邊緣檢測(cè)圖像之間的漢明距離，用漢明距離來表示兩幅圖像間的結(jié)構(gòu)相似性．Sheikh等[9]將信息論引入圖像質(zhì)量評(píng)價(jià)中，提出了信息保真度(information fidelity criterion index，IFC)．IFC通過比較參考圖像和失真圖像間的共享信息得到最終的圖像質(zhì)量評(píng)價(jià)結(jié)果．文獻(xiàn)[9]將IFC與人類視覺系統(tǒng)(human visual system，HVS)相結(jié)合，提出了視覺信息保真(visual information fidelity，VIF)評(píng)價(jià)算法．對(duì)于彩色圖像，色彩信息的變化會(huì)對(duì)圖像質(zhì)量評(píng)價(jià)的結(jié)果帶來較大的影響[10]，不同的色彩空間可以得到不同的衡量色彩差異的變量，一些色彩空間更符合人類視覺系統(tǒng)的主觀感知規(guī)律，如CIE、YIQ等．文獻(xiàn)[7]從視覺注意機(jī)制角度對(duì)圖像質(zhì)量評(píng)價(jià)算法進(jìn)行了改進(jìn)，根據(jù)視覺注意前期觀察具有隨機(jī)性，提出了一種基于雙隨機(jī)窗口的圖像質(zhì)量評(píng)價(jià)模型．最近，基于HVS對(duì)不同視覺特征的響應(yīng)不同的理論，人們提出了許多IQA指標(biāo)，如視覺信噪比(visual signal-to-noise ratio，VSNR)[11]和稀疏學(xué)習(xí)方式(sparse learning way，SlW)[12]．

基于結(jié)構(gòu)相似性的SSIM及其拓展的方法評(píng)價(jià)圖像時(shí)，忽略了圖像的邊緣信息且對(duì)模糊和壓縮等失真類型的評(píng)價(jià)效果較差．?dāng)?shù)字圖像理論指出在重現(xiàn)圖像亮度的時(shí)候，只要保證圖像亮度對(duì)比度不變，就能給人以真實(shí)的感覺，而基于梯度相似性的圖像評(píng)價(jià)方法忽略了非邊緣區(qū)域的對(duì)比度特征，因此本文提出一種分區(qū)域多標(biāo)準(zhǔn)的全參考圖像質(zhì)量評(píng)價(jià)算法(sub-regional and multi criteria image quality assessment，SMC-IQA)．本算法的創(chuàng)新之處概括為以下兩點(diǎn)：首先結(jié)合形態(tài)學(xué)膨脹的理論對(duì)圖像進(jìn)行預(yù)處理；再將圖像劃分為紋理區(qū)域和平滑區(qū)域，分別使用梯度和對(duì)比度表征結(jié)構(gòu)信息．結(jié)合視覺對(duì)不同區(qū)域失真的敏感度不同，平滑區(qū)域使用方差來表示各像素點(diǎn)失真對(duì)最后圖像質(zhì)量評(píng)價(jià)的影響程度．綜合紋理區(qū)域和平滑區(qū)域的圖像質(zhì)量評(píng)價(jià)結(jié)果，得到最后的圖像質(zhì)量評(píng)價(jià)參數(shù)．

1?分區(qū)域多標(biāo)準(zhǔn)的全參考圖像質(zhì)量評(píng)價(jià)算法

SMC-IQA算法的流程如圖1所示．首先分別對(duì)參考圖像和失真圖像進(jìn)行色彩空間的轉(zhuǎn)換和圖像豎直方向的膨脹，然后分別計(jì)算圖像中各像素點(diǎn)的對(duì)比度、梯度以及色彩飽和度，最后綜合紋理區(qū)和平滑區(qū)的評(píng)價(jià)結(jié)果，得到圖像質(zhì)量評(píng)價(jià)參數(shù)．

RGB是三原色空間，并不符合人類視覺系統(tǒng)對(duì)色彩的直觀感知，因此本文采用文獻(xiàn)[13]所提出色彩空間，將圖像變換到Y(jié)IQ色彩空間上．其中通道包含了圖像的亮度信息，和通道包含了圖像的色彩飽和度信息．

???(1)

人眼分辨景物細(xì)節(jié)的能力稱為人眼分辨率，因?yàn)槿搜鄣目臻g分辨率有限，因此對(duì)一些很細(xì)小的紋路很難看清楚．一般來說，人眼對(duì)于高亮度區(qū)域中的噪聲敏感性較低[14]．因此本文分別對(duì)參考圖像和失真圖像的亮度通道在豎直方向上以3個(gè)像素點(diǎn)為單位進(jìn)行線型膨脹，目的是消除縱向上長(zhǎng)度小于3的紋路．變換后得到新的亮度變量new．預(yù)處理后，再將圖像劃分為紋理區(qū)域(texture region，TR)和平滑區(qū)域(smooth region，SR)，定義平滑區(qū)域?yàn)?×5的范圍內(nèi)未檢測(cè)為邊界的像素點(diǎn)的集合，其余區(qū)域?yàn)榧y理區(qū)．考慮到Sobel算子對(duì)灰度漸變和噪聲較多的圖像處理效果較好，本文中使用的是Sobel邊緣檢測(cè)算子，如式(2)和式(3)所示．

圖1?SMC-IQA方法的流程

Fig.1?Flow chart of SMC-IQA

(2)

(3)

(4)

式中：()和()分別為水平和豎直方向的梯度；new()是經(jīng)過形態(tài)學(xué)變換后的亮度通道；()為綜合計(jì)算水平方向和豎直方向梯度所得到的像素點(diǎn)的梯度幅度．

對(duì)于平滑區(qū)域的像素點(diǎn)采用對(duì)比度表征結(jié)構(gòu)信息，其計(jì)算過程為

???(5)

???(6)

式中：BYnew()為像素點(diǎn)的背景亮度；CR()為像素點(diǎn)的對(duì)比度．

由相似性計(jì)算方程(7)，分別將參考圖像的梯度、對(duì)比度、通道和通道的色彩飽和度帶入r()，將失真圖像的梯度、對(duì)比度、通道和通道的色彩飽和度帶入d()進(jìn)而分別得到參考圖像和失真圖像的梯度相似性矩陣G()、對(duì)比度相似性矩陣CR()和通道和通道的色彩相似性矩陣I()和Q()．

???(7)

人類視覺系統(tǒng)對(duì)每個(gè)像素點(diǎn)變化的敏感程度不同，一些像素點(diǎn)的特征變化更容易引起注意．每個(gè)像素點(diǎn)的視覺顯著性不是由該像素點(diǎn)自身特征所決定的，而是由它與周圍環(huán)境相比較所產(chǎn)生的特征所決定．人眼對(duì)圖像邊緣、輪廓信息的失真很敏感并且人眼對(duì)低頻端的敏感度高于高頻端[15]．因此對(duì)于紋理區(qū)域不采用視覺顯著性算法，我們認(rèn)為該區(qū)域中所有像素點(diǎn)都是圖像的輪廓信息，人眼對(duì)于該區(qū)域中所有像素點(diǎn)失真的關(guān)注度相同．對(duì)于紋理區(qū)域本文采用如式(8)所示的方差來衡量像素點(diǎn)所處環(huán)境，進(jìn)而表示人類對(duì)于該像素點(diǎn)失真的敏感性．其中，r()和d()分別是參考圖像和失真圖像在像素點(diǎn)的方差，二者的值越大越說明周圍的圖像結(jié)構(gòu)越雜亂，雜亂區(qū)域的失真容易被人眼忽視，也就是說，VS數(shù)值越接近于1，說明該像素點(diǎn)的失真越容易被察覺，該像素點(diǎn)的視覺顯著性越高．

???(8)

結(jié)合失真和參考圖像的視覺顯著性矩陣VS()、紋理區(qū)域的結(jié)構(gòu)相似性矩陣G()、平滑區(qū)域的結(jié)構(gòu)相似性矩陣CR()、色彩飽和度相似性矩陣I()和Q()，可以分別得到紋理區(qū)和平滑區(qū)的圖像質(zhì)量評(píng)價(jià)結(jié)果，具體如式(9)和式(10)所示．

?????(9)

?????(10)

式中為紋理區(qū)域中像素點(diǎn)的個(gè)數(shù)．對(duì)平滑區(qū)和紋理區(qū)所得評(píng)價(jià)結(jié)果取平均值，進(jìn)而得到最后的失真圖像質(zhì)量評(píng)價(jià)結(jié)果，如式(11)所示．

?????(11)

2?實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)使用3個(gè)最新的標(biāo)準(zhǔn)IQA測(cè)試庫CSIQ[16]、TID2008[17]和TID2013[18]來評(píng)測(cè)該算法的總體性能，3個(gè)數(shù)據(jù)庫的詳細(xì)信息如表1所示．其中TID2013數(shù)據(jù)庫含有的失真類型最多，參與的觀察者也最多，因此該庫的評(píng)測(cè)結(jié)果最具權(quán)威性．

表1?IQA測(cè)試標(biāo)準(zhǔn)庫

Tab.1?Benchmark datasets for IQA indices

當(dāng)失真圖像與參考圖像客觀評(píng)價(jià)分值與主觀分值(mean opinion scores，MOS)或差分主觀分值(differential mean opinion scores，DMOS)接近時(shí)，則認(rèn)為客觀評(píng)價(jià)算法符合人類視覺系統(tǒng)的感知特性．圖2為本文所提出的SMC-IQA算法在3個(gè)數(shù)據(jù)庫中的散點(diǎn)圖，從圖中可以看出散點(diǎn)均集中于擬合曲線周圍，這說明SMC-IQA算法評(píng)分與主觀MOS評(píng)分具有較好的一致性．

為了定量地衡量出SMC-IQA評(píng)價(jià)算法的性能，本文采用視頻質(zhì)量專家組(video quality experts group，VQEG)[19]提出的4個(gè)評(píng)價(jià)指標(biāo)來進(jìn)行計(jì)算．其中斯皮爾曼等級(jí)相關(guān)系數(shù)(spearman rank-order correlation coefficient，SROCC)和肯德爾等級(jí)相關(guān)系數(shù)(kendall rank order correlation coefficient，KROCC)為預(yù)測(cè)單調(diào)性的指標(biāo)，皮爾森線性相關(guān)系數(shù)(pearson linear correlation coefficient，PLCC)和均方根誤差(root mean squared error，RMSE)為預(yù)測(cè)準(zhǔn)確性的指標(biāo)．其中PLCC和RMSE需要使用非線性回歸方法，本文采用的非線性回歸方程[18]，如式(12)所示．

圖2?SMC-IQA 散點(diǎn)圖

???(12)

一個(gè)性能好的IQA方法應(yīng)具有較高的SROCC、KROCC、PLCC值和較低的RMSE值．將SMC-IQA算法和一些主要的IQA算法進(jìn)行定量的比較，結(jié)果如表2所示．

由表2可以看出，本文的SMC-IQA算法在4個(gè)數(shù)據(jù)庫中表現(xiàn)穩(wěn)定且結(jié)果較好，4個(gè)指標(biāo)在各數(shù)據(jù)庫中均為前兩名．雖然SLY評(píng)價(jià)方法在TID2008數(shù)據(jù)庫中的部分指標(biāo)優(yōu)于本算法，但是它在其他兩個(gè)數(shù)據(jù)庫尤其是含有最多失真類型的TID2013數(shù)據(jù)庫中表現(xiàn)較差．

根據(jù)數(shù)據(jù)庫中失真圖像的數(shù)量，對(duì)各算法指標(biāo)加權(quán)平均后的結(jié)果如圖3所示．藍(lán)色為SROCC的值，紅色為KROCC的值，灰色為PLCC的值，黃色為RMSE的值．從表2的6種算法的加權(quán)平均值比較結(jié)果可以看出，SMC-IQA的SROCC、KROCC、PLCC的值最高，RMSE的值最低，這說明SMC-IQA的性能優(yōu)于其他評(píng)價(jià)方法．

圖3?6種算法的加權(quán)平均值比較

為了進(jìn)一步分析每一步處理對(duì)算法的優(yōu)化，表3中列出在CSIQ數(shù)據(jù)庫中無形態(tài)學(xué)重構(gòu)和對(duì)于結(jié)構(gòu)特征不分區(qū)域采取全梯度和全對(duì)比度評(píng)價(jià)后所得出的定量衡量結(jié)果．

表2?3個(gè)數(shù)據(jù)庫上IQA指標(biāo)的性能比較

Tab.2?Performance comparison of IQA indices on three benchmark databases

從表3的結(jié)果中可以看出，SMC-IQA完整算法的4個(gè)定量衡量結(jié)果均為最優(yōu)，這說明形態(tài)學(xué)縱向膨脹的應(yīng)用和分區(qū)域結(jié)構(gòu)評(píng)價(jià)方法均對(duì)最終評(píng)價(jià)結(jié)果產(chǎn)生了有益的影響．

表3?SMC-IQA算法論證

Tab.3?SMC-IQA algorithm demonstration

3?結(jié)?語

本文提出了一種分區(qū)域多標(biāo)準(zhǔn)的全參考圖像質(zhì)量評(píng)價(jià)算法，結(jié)合形態(tài)學(xué)的理論，提出了縱向上形態(tài)學(xué)膨脹的圖像預(yù)處理方法．同時(shí)，綜合對(duì)比度和梯度的優(yōu)勢(shì)，提出了分區(qū)域多標(biāo)準(zhǔn)的結(jié)構(gòu)評(píng)價(jià)方法，平滑區(qū)域的結(jié)構(gòu)特征采用對(duì)比度表示，紋理區(qū)域的結(jié)構(gòu)特征采用梯度表示．結(jié)合人類視覺系統(tǒng)特性，平滑區(qū)域使用方差表示人類視覺系統(tǒng)對(duì)該區(qū)域中各像素點(diǎn)失真的敏感度．綜合平滑區(qū)域和紋理區(qū)域的圖像質(zhì)量評(píng)價(jià)結(jié)果，對(duì)兩個(gè)區(qū)域的結(jié)果取平均值，得到最后的圖像質(zhì)量評(píng)價(jià)結(jié)果．3個(gè)大型數(shù)據(jù)庫中的測(cè)試結(jié)果表明，SMC-IQA和其他經(jīng)典圖像質(zhì)量評(píng)價(jià)方法和2015年提出的SLY算法相比，精確度更高，且算法中每個(gè)步驟對(duì)結(jié)果均起到了優(yōu)化效果．實(shí)驗(yàn)結(jié)果證明，SMC-IQA與主觀評(píng)價(jià)算法具有更好的相關(guān)性，更接近于人類視覺系統(tǒng)的實(shí)際感受．

［1］ 衛(wèi)津津，金志剛. 非主觀值訓(xùn)練的盲視頻質(zhì)量評(píng)價(jià)算法[J]. 天津大學(xué)學(xué)報(bào)：自然科學(xué)與工程技術(shù)版，2016，49(6)：562-566.

Wei Jinjin，Jin Zhigang. Blind video quality assessment strategy without subjective scores training[J]. Journal of Tianjin University：Science and Technology，2016，49(6)：562-566(in Chinese).

［2］ 李?釗，史再峰，李斌橋，等. 基于視覺顯著性與對(duì)比度特性的圖像質(zhì)量評(píng)價(jià)[J]. 南開大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，48(6)：46-52.

Li Zhao，Shi Zaifeng，Li Binqiao，et al. Image quality evaluation based on visual saliency and contrast characteristics[J]. Journal of Nankai University：Natural Science Edition，2015，48(6)：46-52(in Chinese).

［3］ 溫?陽，夏小妹，楊?琳. 基于視覺注意的全參考彩色圖像質(zhì)量評(píng)價(jià)方法[J]. 計(jì)算機(jī)測(cè)量與控制，2017，25(6)：279-281.

Wen Yang，Xia Xiaomei，Yang Lin. A method of full reference color image quality assessment based on visual attention[J]. Journal of Computer Measurement and Control，2017，25(6)：279-281(in Chinese).

［4］ Wang Z，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.

［5］ Wang Z，Li Q. Information content weighting for perceptual image quality assessment[J]. IEEE Transactions on Image Processing，2011，20(5)：1185-1198.

［6］ Yang Y，Ming J. Image quality assessment based on the space smilarity decomposition model[J]. Signal Processing，2016，120(3)：797-805.

［7］ Shi Z F，Chen K X，Pang K，et al. A perceptual image quality index based on global and double-random window similarity[J]. Digital Signal Processing，2017，60(1)：277-286.

［8］ 閆鈞華，朱?可，張婉怡，等. 基于顯著性圖像邊緣的全參考圖像質(zhì)量評(píng)價(jià)[J]. 儀器儀表學(xué)報(bào)，2016，37(9)：2140-2148.

Yan Junhua，Zhu Ke，Zhang Wanyi，et al. Full reference image quality assessment based on significant image edge[J]. Journal of Instrumentation，2016，37(9)：2140-2148(in Chinese).

［9］ Sheikh H R，Bovik A C. Image information and visual quality[J]. IEEE Transactions on Image Processing，2006，15(2)：430-444.

［10］ Shi Z F，Zhang J P，Cao Q J，et al. Full-reference image quality assessment based on image segmentation with edge feature[J]. Signal Processing，2018，145(4)：99-105.

［11］ Chandler D M，Hemami S S. VSNR：A wavelet-based visual signal-to-noise ratio for natural images[J]. IEEE Transactions on Image Processing，2007，16(9)：2284-2298.

［12］ Yuan Y，Guo Q，Lu X. Image quality assessment：A sparse learning way[J]. Neurocomputing，2015，159(4)：227-241.

［13］ Yang C C，Kwok S H. Efficient gamut clipping for color image processing using LHS and YIQ[J]. Optical Engineering，2003，42(3)：701-711.

［14］ 宋瓊瓊，賈振紅. 基于人眼視覺特性的自適應(yīng)中值濾波算法[J]. 光電子·激光，2008，19(1)：128-130.

Song Qiongqiong，Jia Zhenhong. Adaptive median filter algorithm based Oil human visual system[J]. Journal of Optoelectronics·Laser，2008，19(1)：128-130(in Chinese).

［15］ 付?偉，顧曉東. 基于人眼視覺特性的EZW圖像編碼改進(jìn)算法[J]. 微電子學(xué)與計(jì)算機(jī)，2010，27(3)：47-50.

Fu Wei，Gu Xiaodong. Improved EZW image encoding algorithm based on HVS[J]. Microellectronics & Computer，2010，27(3)：47-50(in Chinese).

［16］ Larson E C，Chandler D M. Most apparent distortion：Full-reference image quality assessment and the role of strategy[J]. Journal of Electronic Imaging，2010，19(1)：011006 1-21.

［17］ Ponomarenko N，Lukin V，Zelensky A，et al. TID2008-adatabase for evaluation of full-reference visual quality assessment metrics[J]. Advances of Modern Radioelectron，2009，10(4)：30-45.

［18］ Ponomarenko N，Ieremeiev O，Lukin V，et al. Color image database TID2013：Peculiarities and preliminary results[C]// Proceeding of European Workshop on Visual Information Processing. Paris，F(xiàn)rance，2013：106-111.

［19］ VQEG. Final Report from the Video Quality Experts Group on the Validation of Objective Models of Video Quality Assessment [EB/OL]. http：//www.vqeg.org，2000-03-15.

Sub-Regional and Multiple Criteria Full-Reference Image Quality Assessment

Cao Qingjie1, 2，Shi Zaifeng1, 3，Zhang Jiaping1，Li Hangyuan1，Gao Jing1, 3，Yao Suying1

(1. School of Microelectronics，Tianjin University，Tianjin 300072，China； 2. School of Mathematical Sciences，Tianjin Normal University，Tianjin 300387，China； 3. Tianjin Key Laboratory of Imaging and Sensing Microelectronic Technology，Tianjin 300072，China)

Image quality assessment is widely used in image collection，image compression，and image transmission. It is one of the research hotspots in image processing. This article proposes a full-reference image quality assessment algorithm，which simulates human visual perception with varying sensitivity to different regions. With this method，image color space was transformed from RGB to YIQ for consistency with the human visual system. A morphological dilation method was used during pretreatment，and all edge pixels were marked by edge detection operators. Thereafter，the image was segmented into texture region and smooth region according to whether or not the edge points were included in the 5×5 neighborhood. A gradient value was used to assess the structural parameters of the texture region. The variance in reference image and distorted image at a pixel level was used to assess pixel distortion. For pixels in the smooth region，the contrast value was used to assess the structure features，and a synthesis strategy based on visual salience was adopted. The image quality assessment results can be obtained by combining the visual saliency matrix，structure similarity matrix SCR()，and color saturation matrix of distortion and reference images. The final image quality assessment index(SMC-IQA)was the mean of the results from two kinds of regions. Experiments were conducted on the CSIQ，TID2008，and TID2013 databases. Compared with state-of-the-art image quality assessment methods，experiment results show that this algorithm is closer to subjective assessment index by the human visual system.

full-reference image quality assessment；sub-region；morphology；edge detection

10.11784/tdxbz201806030

TP391.41

A

0493-2137(2019)06-0625-06

2018-06-14；

2018-11-15.

曹清潔（1978—??），女，博士研究生，講師，qingjiecao@tjnu.edu.cn．

史再峰，shizaifeng@tju.edu.cn.

國家自然科學(xué)基金資助項(xiàng)目(61674115)；天津市自然科學(xué)基金資助項(xiàng)目(17JCYBJC15900).

the National Natural Science Foundation of China(No.61674115)，the Natural Science Foundation of Tianjin，China(No.17JCYBJC15900).

(責(zé)任編輯：王曉燕)