基于多尺度边缘结构相似性的图像质量评价 3

合集下载

遥感图像配准技术与精度评定方法

遥感图像配准技术与精度评定方法引言：遥感图像是通过卫星、飞机等空中平台获取的地球表面的影像数据，它在各个学科领域中有着广泛的应用。

在实际应用中，遥感图像配准技术是一项关键的技术，它能够将多幅图像进行几何校正，以确保它们在同一坐标系下具有一致的几何特征，进而提高遥感影像的解译和分析的准确性。

本文将介绍遥感图像配准技术的原理和方法，并探讨相应的精度评定方法。

一、遥感图像配准技术原理遥感图像配准技术的基本原理是通过提取图像中的特征点，并通过匹配这些特征点来实现图像的几何校正。

根据匹配的原理和方法的不同，遥感图像配准技术可以分为点特征匹配法、区域特征匹配法和基于控制点的配准法等。

1. 点特征匹配法点特征匹配法是基于图像中的离散像素点进行配准的方法。

它通过寻找同一地物的相应像素点，并计算它们之间的几何变换关系来实现图像配准。

这种方法的优点是计算简单，但对于遥感图像中存在复杂地物和纹理的情况，点特征匹配法的效果较差。

2. 区域特征匹配法区域特征匹配法是基于图像中的纹理和结构信息进行配准的方法。

它通过提取图像中的区域特征，并计算它们之间的相似性来实现图像配准。

这种方法的优点是对遥感图像中的复杂地物和纹理有较好的适应性，但计算复杂度较高。

3. 基于控制点的配准法基于控制点的配准法是通过已知位置的控制点来实现图像配准。

它通过提取图像和参考影像中的控制点，并计算它们之间的变换关系来实现图像配准。

这种方法的优点是精度较高，但需要准确的控制点信息。

二、遥感图像配准技术方法遥感图像配准技术的方法多种多样，下面将介绍几种常用的方法。

1. 特征点提取与匹配该方法通过使用特征点检测算法（如SIFT、SURF等）来提取图像中的特征点，再使用特征点匹配算法（如RANSAC等）来进行特征点的匹配，以实现图像的配准。

2. 多尺度配准该方法通过使用金字塔多尺度图像处理方法，将原始图像金字塔进行分解，然后将不同层次的图像进行配准，逐步实现图像的几何校正。

lpips评价指标

lpips评价指标LPIPS（Learned Perceptual Image Patch Similarity）是一种常用的评价指标，它通过学习感知图像块之间的相似度来评估图像的质量。

LPIPS的设计目标是尽可能地与人类视觉系统的感知相一致，在很多图像质量评估任务中表现出了很好的性能。

LPIPS指标的核心思想是通过计算图像的感知距离来评估图像的相似性。

为了实现这一目的，LPIPS使用了预训练的卷积神经网络（CNN），该网络在大规模图像数据库上进行了训练，以学习感知距离。

具体来说，LPIPS基于多尺度CNN特征计算图像的感知距离，即通过计算图像在不同尺度下的CNN特征之间的差异来度量图像的相似性。

这种基于CNN特征的感知距离被认为是与人类感知系统的相似性最高的。

LPIPS指标在很多图像质量评估任务中显示出了很好的性能。

例如，在图像失真评估中，LPIPS可以准确地评估合成图片与原始图片之间的失真程度。

在图像超分辨率任务中，LPIPS可以评估生成的高分辨率图片与真实高分辨率图片之间的相似性。

在风格转换任务中，LPIPS可以评估生成的风格转换图片与目标风格的一致性。

在图像检索任务中，LPIPS可以评估查询图片与数据库中图片之间的相似性。

与传统的评价指标相比，LPIPS具有很多优势。

首先，LPIPS利用了预训练的CNN模型来学习感知距离，这使得它能够更好地与人类感知系统的感知一致性。

其次，LPIPS是一个无参的评价指标，不需要依赖于大量的样本数据进行调优。

此外，LPIPS还考虑了多尺度特征的差异，从而能够更好地捕捉图像的细节信息。

然而，LPIPS也存在一些局限性。

首先，LPIPS只能用于评估图像的感知质量，而不能评估其他方面的质量，比如结构准确性和语义一致性。

其次，LPIPS在某些场景下可能会受到图像特定信息的影响，比如颜色信息和纹理信息。

最后，LPIPS不能解决所有的图像质量评估任务，对于特定的任务和数据集可能需要进一步的调优和改进。

基于权重池的多尺度图像质量评估方法

2021573随着数字成像和通信技术的迅速普及，图像质量评估（IQA）已成为许多应用程序中的重要问题，例如图像获取、传输、压缩、恢复和增强，且在通信、处理和显示系统的评估、控制、设计和优化中具有广泛的应用。

由于主观IQA方法无法在许多情况下（例如实时和自动化系统）简便，常规地使用，因此有必要设计客观IQA算法以自动、有效地测量图像质量。

同时，客观的预计评估结果应在统计上与人类观察者保持一致。

“一致”是指算法的质量评估应与人类的判断密切相关，无论图像的失真类型，图像的内容或失真的强度如何。

随着计算机技术基于权重池的多尺度图像质量评估方法朱惠娟，宗平，丛玉华南京理工大学紫金学院计算机学院，南京210046摘要：图像质量评估往往以人类的主观评估为最终衡量标准，然而人工评估耗时繁琐，又无法应用在对图像或者视频序列进行实时质量评估的系统中，因此一种旨在模仿人类主观性的预测图像质量算法具有重要的价值。

针对上述问题，设计了一种用于局部图像质量评估的卷积神经网络，通过将特征学习和回归都集成到一个优化过程中，从而形成一种更有效的图像质量评估模型。

根据人类的视觉习惯，利用眼动仪的视点分布图生成基于视觉重要性的权重池，利用高斯比例混合模型构造基于图像信息内容的权重池，实验证明权重池的设计可以获得最佳的整体性能。

对原始图像进行低通滤波和下采样，下采样过程中采用权重系数衰退策略，利用多尺度的图像进行加权质量综合评估，实验结果证明多尺度评估方式有效地改进了评估模型。

提出的方法在LIVE等数据库上可以达到优秀的性能，且具有不错的泛化能力。

关键词：图像质量评估；权重池；感受野；多尺度评估文献标志码：A中图分类号：TP183doi：10.3778/j.issn.1002-8331.2008-0365Multi-scale Image Quality Assessment Method Based on Weight PoolZHU Huijuan,ZONG Ping,CONG YuhuaCollege of Computer Science,Nanjing University of Science and Techonlogy Zijin College,Nanjing210046,ChinaAbstract：Image quality assessment often takes human subjective evaluation as the final measurement standard.However, manual assessment is time-consuming and cumbersome,and it cannot be applied to real-time images or video sequences. In the quality assessment system,therefore,a predictive image quality algorithm that aims to imitate human subjectivity has important value.In response to the above problems,this paper designs a convolutional neural network for local image quality assessment,which forms a more effective image quality assessment model by integrating feature learning and regression into an optimization process.According to human visual habits,this paper uses the eye tracker’s viewpoint distribution map to generate a weight pool based on visual importance.Experiments show that the design of the weight pool can achieve the best overall performance.The original image is low-pass filtered and down-sampled.The weight coefficient decay strategy is used in the down-sampling process,and the multi-scale image is used for weighted quality comprehensive assessment.The results prove that the multi-scale assessment method effectively improves the assessment model.The method in this paper can achieve excellent performance on the LIVE database and has good generalization ability.Key words：image quality assessment;weight pool;receptive field;multi-scale assessment基金项目：江苏省高校自然科学研究面上项目（18KJB520023）；国家自然科学基金（61170035，61272420，81674099，61502233）；南京理工大学紫金学院2019年度一般科研项目（2019ZRKX0401005，2019ZRKX0401006）。

基于Contourlet域梯度结构相似度的无参考图像质量评价

（ＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ４５０００１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｃｏｎｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍｈａｓｄｒａｗｎｔｒｅｍｅｎｄｏｕｓａｔｔｅｎｔｉｏｎｉｎｔｈｅｒｅｓｅａｒｃｈｏｆｍｕｌｔｉ．ｓｃａｌｅａｎｄｍｕｌｔｉ — ｄｉｒｅｃｔｉｏｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ．Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｉｔｉｎｔｏｉｍａｇｅｑｕａｌｉｔｙａｓｓｅｓｓｍｅｎｔａｎｄｐｒｏ — ｖｉｄｅｓａｎｅｗｉｍａｇｅａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅｃｏｎｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍａｎｄｇｒａｄｉｅｎｔｓｔｒｕｃｔｕｒａｌｓｉｍｉ－ｌａｒｉｔｙｗｉｔｈｏｕｔｓｔａｎｄａｒｄｉｍａｇｅｓ．ｗｈｉｃｈｉＳｃａｌｌｅｄＮＲＣＴＧＳＳＩＭ．ＴｈｉｓｍｅｔｈｏｄｃｏｎｓｔｒｕｃｔｓａｒｅｆｅｒｅｎｃｅｉｍａｇｅｂｙａＧａｕｓｓｉａｎｌｏｗ— ｐａｓｓｆｉｌｔｅｒａｎｄａｓｓｅｓｓｅｓｔｈｅｉｍａｇｅｑｕａｌｉｔｙｂｙｃｏｍｐｕｔｉｎｇｗｅｉｇｈｔｉｎｇｇｒａｄｉｅｎｔｓｔｒｕｃｔｕｒａｌｓｉｍｉｌａｒｉｔｙｅｉｔｈｅｒｉｎ￣ｅｑｕｅｎｃｙｓｕｂ－ｂａｎｄｓｏｒｉｎｄｉｒｅｃｔｉｏｎｓｕｂ－ｂａｎｄｓ．Ｔｈｅｎｅｗｍｅｔｈｏｄｃｏｎ —

基于视觉感知的图像质量评价研究

基于视觉感知的图像质量评价研究概述：图像质量评价是计算机视觉和图像处理领域的热门研究方向之一。

在许多应用中，如图像压缩、图像增强和图像检索等，准确评估图像的质量至关重要。

视觉感知是一种常用的评价图像质量的方法，它着眼于人类视觉系统对图像的感知，尝试模拟人类的视觉认知来进行评价。

本文将探讨基于视觉感知的图像质量评价的相关研究，并介绍几种常见的视觉感知图像质量评价算法。

一、基于视觉感知的图像质量评价方法1. 参考图像方法参考图像方法是一种常见的基于视觉感知的图像质量评价方法。

它将原始图像与参考图像进行比较，通过计算它们之间的差异来评估图像质量。

常用的参考图像方法包括结构相似度指标（SSIM）、多尺度结构相似度指标（MS-SSIM）和感知清晰度指标（PSNR-HVS）等。

这些指标通过测量图像的亮度、对比度和结构等特征来评估图像质量。

2. 感知失真方法感知失真方法是另一种常见的基于视觉感知的图像质量评价方法。

它通过模拟人类视觉系统的感知特性，测量图像经过压缩、增强或其他处理后产生的感知失真程度。

常见的感知失真方法包括感知失真度量（PDM）和感知失真显著性测量（PDM-S）等。

这些方法通常基于对图像的感知主观评价数据，通过建立感知模型来评估图像质量。

3. 无参考图像方法无参考图像方法是一种更具挑战性的基于视觉感知的图像质量评价方法。

它不需要参考图像或主观评价数据，仅通过对图像的低级特征进行分析来评估图像质量。

常用的无参考图像方法包括模糊度估计方法、对比度失真方法和细节丢失估计方法等。

这些方法通过分析图像的模糊度、对比度和细节等信息，并结合图像质量数据库来评估图像质量。

二、视觉感知图像质量评价的应用1. 图像压缩图像压缩是图像处理中常见的应用之一。

视觉感知图像质量评价方法可以帮助优化图像压缩算法，提高压缩效率同时保持图像的可视质量。

2. 图像增强图像增强是改善图像质量的重要手段。

通过视觉感知图像质量评价方法，可以评估不同图像增强算法对图像质量的影响，从而选择最适合的增强方法。

总结图像配准算法

图像配准定义为：对从不同传感器、不同时相、不同角度所获得的两幅或多幅图像进行最佳匹配的处理过程⑵。

图像配准需要分析各分量图像上的几何畸变，然后采用一种几何变换将图像归化到统一的坐标系统中。

在配准过程中，通常取其中的一幅图像作为配准的标准，称之为参考图像；另一幅图像作为配准图像。

图1-2图像配准方法分类特征空间搜索策略相似性度量刚性变换仿射变换投影变换多项式变换局部变换灰度特征区域特征线特征点特征穷尽搜索逐级求精树图匹配动态规划互相关函数绝对差和相位相关 Hausdorff 距手工配准半自动配准自动配准图1-1图像配准的基本流程搜索空间根据配准使用的特征，图像配准的方法大致可分为三类：（1）基于图像灰度的配准算法。

首先从参考图像中提取目标区作为配准的模板，然后用该模板在待配准图像中滑动，通过相似性度量（如相关系数法、差的平方和法、差的绝对值法、协方差法）来寻找最佳匹配点。

（2）基于图像特征的配准算法。

该算法是以图像中某些显著特征（点、线、区域）为配准基元，算法过程分为两步：特征提取和特征匹配。

首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集。

然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。

对于非特征像素点利用插值等方法作处理推算出对应匹配关系，从而实现两幅图像之间逐像素的配准。

（3）基于对图像的理解和解释的配准算法。

这种配准算法不仅能自动识别相应像点，而且还可以由计算机自动识别各种目标的性质和相互关系，具有极高的可靠性和精度。

这种基于理解和解释的图像配准涉及到诸如计算机视觉、模式识别、人工智能等许多领域。

不仅依赖于这些领域中理论上的突破，而且有待于高速度并行处理计算机的研制。

从自动化角度来看，可以将配准过程分为自动、半自动和手动配准。

存在问题：如何提高图像的配准速度将是大范围遥感图像自动配准问题的要点；选取何种自动配准方案以保证图像的配准精度将是大范围遥感图像自动配准问题的另一要点。

超分辨率图像重建技术的使用技巧及图像质量评价

超分辨率图像重建技术的使用技巧及图像质量评价随着科技的进步，图像处理技术在各个领域都发挥着重要的作用。

而超分辨率图像重建技术作为图像处理中的一个重要方向，被广泛应用于医疗影像、监控视频、卫星图像等领域。

本文将介绍超分辨率图像重建技术的使用技巧，并探讨常用的图像质量评价方法。

一、超分辨率图像重建技术的使用技巧1. 数据准备与预处理使用超分辨率图像重建技术前，首先需要准备清晰度较低的图像作为输入。

通常情况下，我们可以通过降采样或者图像压缩等方式得到这样的输入图像。

另外，在预处理阶段，可以使用锐化、去噪等方法增强图像的细节，以提高超分辨率重建的效果。

2. 选择合适的超分辨率图像重建算法超分辨率图像重建技术包括基于插值的方法、基于样本的方法以及基于深度学习的方法等。

选择合适的算法是至关重要的。

基于插值的方法包括双三次插值、双线性插值等，速度较快但效果一般。

基于样本的方法则是通过图像补丁的匹配来恢复细节，效果较好但复杂度较高。

基于深度学习的方法则是目前应用最广泛的方法，通过训练神经网络提取图像特征，实现更好的超分辨率重建效果。

3. 超参数设置不同的超分辨率图像重建算法有不同的超参数需要设置。

超参数的选择会直接影响到图像重建的结果。

对于基于插值的方法，常见的超参数包括插值倍数，而对于基于样本的方法和基于深度学习的方法，常见的超参数包括神经网络的层数、卷积核的大小等。

为了获得更好的重建效果，需要根据实际情况进行合理调整。

4. 后处理超分辨率图像重建之后，图像可能出现锐化过度、伪影等问题。

为了改善这些问题，需要进行后处理。

通常可以使用模糊、去伪影等方法来平衡图像细节和平滑度，以获取更好的视觉效果。

二、图像质量评价方法1. 主观评价主观评价是人眼对图像质量的直观感受，通常通过人工观看图像并给出评分来进行。

主观评价可以通过专家评价或者大量受试者的平均分来得到最终结果。

然而，主观评价存在主观性强、时间消耗长、成本高等问题。

fsim指标

fsim指标
FSIM（Feature Similarity Index Measure）是一种用于评估图像质量的指标。

它利用特征相似性进行质量评价，主要考虑了图像的结构和纹理信息。

FSIM指标基于人类视觉系统（HVS）的特性，认为图像中的特征对于感知图像质量非常重要。

这些特征包括边缘、角点、纹理等，它们在图像中起着关键作用。

FSIM通过比较两幅图像的特征相似性来评估它们的质量。

它采用了一种多尺度的策略，在不同的尺度上提取特征，并比较这些特征的相似性。

这样做的好处是能够同时考虑图像的细节和整体结构。

FSIM指标的计算过程包括以下几个步骤：
1.特征提取：在输入的两幅图像中，使用滤波器组提取特征。

这些特征可以
是边缘、角点、纹理等。

2.特征描述：对于提取的特征，使用描述子进行描述。

描述子可以是SIFT、
SURF、ORB等。

3.特征匹配：比较两幅图像的特征描述，找出匹配的特征点。

可以使用最近
邻距离或者其他算法进行匹配。

4.特征相似性度量：根据匹配的特征点，计算它们之间的相似性度量。

可以
使用SSIM、NCC等度量方法。

5.质量评估：将所有尺度上的相似性度量进行平均，得到最终的质量评估结
果。

总之，FSIM指标是一种综合考虑了图像结构和纹理信息的评估方法，具有较好的可靠性和准确性。

它能够有效地评估图像质量，并被广泛应用于图像处理和计算机视觉领域。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于多尺度边缘结构相似性的图像质量评价33于　彤1,马社祥133,刘铁根2(1.天津理工大学计算机与通信工程学院,天津300384;2.天津大学精密仪器与光电子工程学院,天津300072)摘要:基于结构相似度(SS IM)的图像质量评价方法是从视觉区域提取图像的结构性信息,但在评价模糊较严重的图像时存在其局限性,因此本文将图像边缘和SS IM相结合,提出了基于多尺度边缘结构相似度(M ESS)的图像质量评价方法。

实验结果表明,由于M ESS考虑了边缘信息对于人眼感知结构信息的重要性,评价结果比SS IM更加符合人眼视觉感知特性。

关键词:边缘检测;图像质量评价结构相似度(SS IM);多尺度边缘结构相似(M ESS)中图分类号:TP391 文献标识码:A 文章编号:100520086(2009)0620843204Im age qu ality assessm ent b ased on mu ltiscale edge stru ctu re similarityYU T ong1,MA She2xiang133,LIU Ting2gen2(1.School of C omputer and C ommunication Engineering Tianjin University of T echnology,Tianjin300384,China;2.C ollege of Precision Instrument and Optoelectronics Engineering,Tianjin300072)Abstract:The structural similarity(SS I M)based image quality assessment extracts the structural infor2 mation from a visual region,but the evaluation result is limited especially when the image is vague. Therefore,an image quality assessment based on multiscale edge structure similarity(M ESS)using im2 age edge combined with the structural similarity is presented.The results show that since the importance of edge information for the human eyes is considered in perceiving structural information,the M ESS is more accordant with the characteristics of human visual perception than SS I M.K ey w ords:image quality assessment;edge detection;SS I M;M ESS1　引　言图像边缘是图像中最基本的特征,是分析理解图像的基础。

边缘检测[1]是数字图像分析处理的前提,检测结果的优劣影响着图像压缩、计算机视觉和模式识别的应用,所以对它的研究具有理论和现实意义。

图像质量评价方法大体可分成主观和客观两大类。

主观评价方法虽然符合图像的实际观察质量,但是受不同的观察者、图像类型和观测环境等因素影响较大,评价过程繁琐,加之人的视觉心理因素很难用准确的数学模型来表示,致使评价结果不够精确。

传统的客观评价方法均方误差(MS E)、峰值信噪比(PS N R)直观、严格,但求得的结果常与人的主观视觉效果不一致[2],因此一直在努力寻找可以取代MS E、PS N R的更接近主观评价的图像质量评价方法,并把它标准化。

Wang等人[3,4]提出了基于结构相似度(S S IM)的图像质量评价方法,利用人类视觉系统(HVS)的功能特性,建立相应的评价模型,有效地避免了从低层次上模拟HVS的整体功能的缺陷,且计算简单,易于系统实现。

然而Chen[5]等人通过实验验证了Wang等人所述方法在评价模糊较严重的图像时存在其局限性。

因此,本文提出了基于多尺度边缘结构相似度(M ES S)的图像质量评价方法,实验结果表明,MESS方法比PSNR和SSIM更加符合人眼视觉感知特性。

2　基于二进小波变换的图像边缘提取图像的边缘就是图像中灰度变换剧烈的点,通常就是信号中突变点。

定义θ(x,y)为高斯函数,则 φ1(x,y)=5θ(x,y)5x,φ2(x,y)=5θ(x,y)5y(1)为小波函数。

对尺度进行2j离散化可得二进小波函数Ψ12j(x,y)=12jφ1(x2j,y2j),Ψ22j(x,y)=12jφ2(x2j,y2j)(2)则函数f(x,y)在尺度2j上的二进小波变换为W12j f(x,y)=f3Y12j(x,y)、W22j f()x,y=f3Ψ22j(x,y)(3)小波变换在尺度2j上的模为 M2j f(x,y)=|W12j f(x,y)|2+|W22j f(x,y)|2(4)幅角为光电子・激光第20卷第6期　2009年6月 Journal of Optoelectronics・Laser Vol.20No.6　J un.2009 3收稿日期:2008210212　修订日期:2009201219　3　基金项目:国家自然科学基金仪器专项基金资助项目(60627002)　33E2m ail:masx@ A 2jf (x ,y )=arctan W 12jf (x ,y )W 22jf (x ,y )(5)小波变换模的局部极大值点刻画出图像信号突变点的位置,即图像边缘的位置,因此二进小波变换模的局部极大值检测对应图像的边缘检测。

3　基于M ESS 的图像质量评价方法3.1　基于SSIM 的图像质量评价方法设原始图像为X 、失真图像为Y 。

首先,分别提取原始图像和失真图像的亮度变化信息,然后提取图像的对比度变化信息,进而再提取图像的结构变化信息,并对以上提取的3种变化进行相似性比较,最后对其比较结果进行综合,从而得到一种相似性度量指标,并以此指标作为图像质量好坏的评价尺度[3,4,6],如图1所示。

图1　SSIM 系统框图Fig.1　Di agram o f SSIM m easu rem ent system3.2　基于M ESS 的图像质量评价方法由于基于SS IM 的评价方法在评价模糊较严重的图像时存在其局限性。

因此,本文将图像边缘引入到SS IM 中用来构建图像质量度量指标,将图像边缘的结构变化代替S S IM 中结构变化,提出了基于MESS 的图像质量评价方法,工作流程如图2所示。

图2　MESS 流程图Fig.2　MESS flow ch art 设原始图像为X 、失真图像为Y ,分别提取原始图像X 和失真图像Y 的亮度变化信息l (x ,y )和图像的对比度变化信息c (x ,y ),再利用二进小波变换对原始图像X 和失真图像Y 分别进行3层小波变换,得的各尺度下的边缘,尺度分别为2j (j=1,2,3),然后利用大尺度和小尺度下的边缘关联性进行融合,得到原始图像的多尺度边缘^X 和失真图像的多尺度边缘^Y ,进而再提取图像的边缘结构变化信息e s (x ,y ),并对以上提取的3种变化进行相似性比较,最后对其比较结果进行综合,从而得到图像边缘结构相似性的评价指标M ESS 。

M ESS 算法将图像划分为N ×N 的图像块,图像块的总数为M 。

M ESS 包含l (x ,y )、c (x ,y )和e s (x ,y )3部分,即MESS (x ,y )=[l (x ,y )]α[c (x ,y )]β[e s (x ,y )]γ(6) l (x ,y )=2μxμy +c 1μ2x +μ2y +c 1(7) c (x ,y )=2σx σy +c 2σ2x +σ2y +c 2(8) e s (x ,y )=θxy +c 3θx θy +c 3(9)其中:u s 和u y 表示图像X 、Y 的灰度均值;σx 和σy 表示图像X 、Y 的灰度方差;σxy 表示图像X 、Y 的灰度协方差;θx 和θy 表示边缘图像^X 和^Y 的灰度方差;θxy 表示边缘图像^X和^Y 的灰度协方差。

α,β,γ>0这3个参量用来调整亮度、对比度和边缘结构变化的权重;c 1、c 2和c 3为了防止当分母接近零时产生不稳定现象所添加的常数。

当α=β=γ=1、c 1=c 2=c 3=0时有 MES S (x ,y )=[l (x ,y )]α[c (x ,y )]β[e s (x ,y )]=4u x u y σx σy θxy(u 2x +u 2y )(σ2x +σ2y )θxy(10)4　实验结果及其分析选择Lena 、Peppers 和G oldhill 8bit 灰度图像作为实验图像,分别加入均值u =0.01、方差σ2=0.005的高斯噪声和运用均值滤波进行模糊处理,得到失真图像,如图3、4和5所示。

采用PS N R 、S S IM 和M ESS 方法中的各个组成部分及其组合方式分别对3组图像的质量进行评价,结果如表1所示。

表1　评价结果T ab.1　T h e assessm ent resu lt Met hodImages PS N RS S I MM ES Slce sLena(b )22.950.99620.95280.99980.99790.9551(c )23.540.85080.46410.99990.99590.4661Peppers(b )23.060.98980.94960.99960.99930.9506(c )23.270.86580.47550.99990.99580.4775G oldhill(b )22.960.99470.94790.99980.99820.9499(c )23.470.85260.45370.99990.99580.4557 从实验结果可以看出:基于M ESS 的评价方法表现出与图像质量主观感觉结果相一致的结果,有效地克服了传统PS N R 算法存在的客观评价与主观评价结果不相吻合甚至相互矛盾的缺陷,实现了图像质量的主客观评价结果相一致。

更重要的是,对于添加高斯噪声的失真图像,S S IM 和M ESS 评价结果相差不大;对于模糊图像,M ES S 的评价值比S S IM 要小很多。