基于视觉感兴趣度和视觉系统特性融合的图像质量评价方法
基于人类视觉系统的融合图像质量评价方法的研究
ｓｍｅ ｔ ， ｔｉ ｍｅ ｏ ｓ ｂｉ ｅ ｔｅ ｄｒｃ ｌｔ ｎ ｈｐ ｂ ｔ ｅ ｅ ｅａｕ ｔ ｎ ｍｅ ｓｒ ｄ ｔｅ ｒａ ａ ｉ ｍｅ ｈ ｓ ｔ ｄ ｅｔ ｌ ｈ ｓ ｈ ｉ ｔ ｒ ａｉ ｓ ｉ ｅ ｈ ａ ｓ ｅ ｅ ｏ ｗｅ ｎ ｔ ｖ ａｉ ａ ｕｅ ａ ｌ ｈ ｌ ｏ ｎ ｈ ｅ
维普资讯
２ ０ 年第１ ０８ 期
中图分类 号 ：Ｎ １ Ｔ ９１ 文献标识码 ： Ａ 文章编号 ：０９ ５２ ２０ ｝１ ０５ ４ １０ —２５ （０ ８０ —０８ —０
基 于人类视觉系统 的融合图像质量评价方法的研究
张秀琼
（ 乐山师范学院计算机 系，乐山 ６４０ ） １０４
类 图像 的不 同融合 算法的质 量评价表 明该 方 法是一种 实用 、有效的 图像 融合质 量评 价方法 。
关键词 ：图像融合 ； 图像质量度量 ； 人类视觉系统 ； 比敏感性 函数 对
Ｓ ｕ ｙ ｏ ｈ ｕ ｅ ｍ ａ ｅ ｑ ａｉｙ ｅ ａ ｕ ｔｏ ａ ｅ ｎ ｔ ｄ ｎ ｔ ｅ ｆ ｓ ｄ ｉ ｇ ｕ ｌ ｖ ｌ ａ ｉｎ ｂ ｓ ｄ ｏ ｔ
ｐ ｒ ｅ ｔａ ｓ ｌ ｆ ｈ ｍ ｎ ． ３ ｅ ｅ ｐ ｒ ｎ ｓ ｏ ｉ ｅｅ ｔ ｋｎ ｓ ｏ ａ ｅ ａ ｄ ｉ ｇ ｕ ｉｎ ｌ ｏ ｉ ｍｓ ｅｃ ｐｕ ｌ ｒ ｕ ｔ ｏ ｕ ａ ｓ ＂ ｘ ｅｉ ｔ ｆ ｄｆ ｒｎ ｉｄ ｆ ｉ ｇ ｓ ｎ ｍａ ｅ ｆ ｓ ａ ｒ ｈ ｅ ｓ ｈ ｍｅ ｍ ｏ ｇ ｔ
０ 引言
随着 图像 和计算 技 术 的飞 速发 展 ， 用 人类 视 利 觉信 息来 进 行 状 况 估 计 和决 策 制 定 的情 况 Ｅ益 增 ｔ 多， 多传感 器 图像 融合 即是其 中一个 重 要 现象 。随 着 越来越 多 图像融合 技 术 的使 用 ， 价这 些 融 合 算 评 法 的性 能也变 得非 常重要 。
PNR对图像质量评价的优缺点
PNR对图像质量评价的优缺点？并试图规划一种方案克服SNR的缺点？答：峰值信噪比PSNR (Peak Signal to Noise Ratio) ,有些文献中也称为峰-峰信噪比的定义如下:给定一幅大小为M ×N 的数字化图象f ( x , y)和参考图象 f 0 ( x , y) ,则图象f的PSNR为引入另一常用质量评价指标均方误差MSE ,其中MSE的表达式为则其中f max是函数f ( x , y)的最大灰度值,例如,常用的8bit的灰度图象中,则f max的最大值为255. 而在彩色数字图象中,由于图象的颜色用RGB3基色的组合表示,每个颜色分量需用一个字节表示,于是相应的峰值信噪比可以表示为3个变量MSE( R) ,MSE( G) ,MSE( B)分别为3个基色分量的均方差.也有人将上式称为彩色图象的平均峰值信噪比,因为上式等价于其中PSNR R、PSNR G、PSNR B分别为图象的R、G、B 帧的峰值信噪比.PSNR优点：便于计算和理解,能大致反映图象质量.一般情况下,PSNR 的值高的图象质量相对较高,通常,当PSNR 值在28以上时,图象质量差异不太显著,当高于35～40时,则肉眼分辨不出差异.PSNR缺点：,PSNR有时反映图象质量与人眼观察的图象质量情况并不完全相符.实验表明,在同一幅图象中分别在图象高频部分、中低频部分、低频部加入白噪声干扰时,在高频部分加入干扰时图象质量优于其它两种情况,但三者的峰值信噪比相同.有理由认为PSNR 并不是一个很好的图象质量评价指标。
由于PSNR的局限性,人们仍在不断的探讨,试图找出更接近人视觉特征的评价指标.目前新的图象质量评价标准大多数为基于人眼视觉系统(HVS)的测量方法,以期更接近人眼的主观视觉.新标准大致可以分为两类:基于视觉感知的测量方法和基于视觉兴趣的测量方法.1.基于视觉感知的图象评价方法较早也较成功的有基于刚辨差(JND ,Just Notice Difference)的视觉感知方法.由于人眼分辨亮度差异的能力与背景亮度有关,在宽阔的常用背景亮度变化范围内,人眼的JND为常数;当背景亮度较强或较弱时,人眼的分辨能力减弱,即JND 增大.该方法基于此原理达到对图象质量定量测量的目的.2.基于视觉兴趣的图象质量评价方法的思想是将图象分为感兴趣区(ROI ,Region of Interest) 和不感兴趣区,并由感兴趣程度对其设定加权值.整幅图象的视觉质量往往取决于感兴趣区的质量,不感兴趣区质量的降质则影响较小.例如,假设测试图象中只有一个感兴趣区A1 ,其面积为S1 ,不感兴趣区A2,面积为S2,图象总面积为S = S1 + S2 .则由此可定义一个自己的均方误差IMSE:其中:λ1、λ2分别为A1和A2的加权值,并满足λ1 S1 +λ2 S2 = S ,加权值λ1越大,表示人眼对该区的兴趣程度越大.可以看出,当S1 = 0 ,λ2 = 1或S2 = 0 ,λ 1 = 1 时, IMSE退化为MSE.该方法能较好的与人眼的主观视觉相符合.。
计算机视觉的图像质量评价方法(四)
计算机视觉的图像质量评价方法一、引言在当今数字时代，图像已经成为人们生活中不可或缺的一部分，无论是在社交媒体上分享生活瞬间，还是在医学影像诊断、安防监控等领域，图像都发挥着重要的作用。
然而，随着图像的广泛应用，如何评价图像的质量成为了一个亟待解决的问题。
对于计算机视觉领域来说，图像质量评价方法的研究具有重要意义，可以帮助人们更好地理解和应用图像信息。
二、图像质量评价方法的发展历程图像质量评价方法的发展经历了多个阶段，最早期的方法是基于人眼主观评价的，即通过人工观察图像来评价图像质量。
这种方法受制于个体主观因素，难以达到客观的评价标准。
随着计算机技术的发展，一些客观评价方法也相继出现，如基于图像特征的评价方法、基于机器学习的评价方法等。
这些方法在一定程度上提高了图像质量的评价准确性，但仍存在一定局限性。
三、图像质量评价方法的研究现状目前，图像质量评价方法的研究已经进入了一个全新的阶段，随着深度学习技术的不断发展，基于深度学习的图像质量评价方法逐渐成为研究的热点。
深度学习技术可以从大量的图像数据中学习到有效的特征表示，进而实现对图像质量的准确评价。
同时，一些基于人类视觉系统特性的图像质量评价方法也取得了一定的成果，通过模拟人眼的感知机制来评价图像的质量。
四、基于深度学习的图像质量评价方法基于深度学习的图像质量评价方法主要基于卷积神经网络（CNN）进行研究。
CNN可以有效地学习图像的局部特征和全局特征，对于图像质量评价具有很好的表现。
研究者们通过建立大量的图像数据集，训练深度神经网络模型，从而实现对图像质量的准确评价。
这种方法不仅提高了图像质量评价的准确性，还能够实现对不同场景下图像质量的自适应评价。
五、基于人类视觉系统特性的图像质量评价方法基于人类视觉系统特性的图像质量评价方法主要是通过模拟人眼的感知过程来评价图像的质量。
人眼对于图像的感知受到亮度、对比度、色彩等多个因素的影响，因此研究者们通过对这些因素进行建模，设计了一系列的图像质量评价算法。
计算机视觉的图像质量评价方法(七)
计算机视觉的图像质量评价方法随着人工智能和计算机视觉技术的飞速发展，图像质量评价方法变得越来越重要。
对于图像处理和图像识别领域来说，如何准确评价图像的质量对于算法的优化和应用的效果有着至关重要的影响。
在这篇文章中，我们将探讨一些常见的计算机视觉的图像质量评价方法。
一、主观评价方法主观评价方法是指人类观察者通过肉眼直接对图像进行评价的方法。
这种评价方法的优点在于能够直观反映图像质量，但缺点是受到主观因素和个体差异的影响。
在实际应用中，主观评价方法通常需要进行大量的实验，以获取更为客观的结果。
最常见的主观评价方法是MOS（Mean Opinion Score）方法，即通过对一组观察者进行一定数量的实验，然后对他们的评价进行平均，来得到图像质量的评分。
二、客观评价方法客观评价方法是指通过计算机算法对图像进行评价的方法。
这种方法的优点在于能够快速、准确地评价大量的图像，但缺点是往往难以完全模拟人类的感知过程。
常见的客观评价方法包括 PSNR（Peak Signal-to-Noise Ratio）、SSIM （Structural Similarity Index）、VIF（Visual Information Fidelity）等。
这些方法都是基于对比原始图像和处理后图像的像素值的差异来评价图像质量的。
然而，这些方法往往难以准确地捕捉到人类对图像质量的真实感知。
三、混合评价方法混合评价方法是指结合主观评价和客观评价的方法。
这种方法的优点在于能够兼顾到图像质量的客观度和主观度，但缺点是需要较大的成本和复杂的实验设计。
在实际应用中，研究者往往会结合主观评价和客观评价的方法，来得到更为全面的图像质量评价结果。
四、新兴评价方法随着深度学习和神经网络技术的发展，一些新兴的图像质量评价方法也开始受到关注。
基于深度学习的图像质量评价方法能够模拟人类的感知过程，能够更准确地评价图像的质量。
同时，一些基于强化学习的图像质量评价方法也开始出现，这些方法能够根据实际应用场景的反馈来不断优化评价模型，进一步提高评价的准确度。
一种基于视觉特性的图像质量评价指标
Ｔ ｅ ａ ｇ ｒ ｈ ｅ ｐ ｏｔ ｈ ｏ ｔｎ ｒ ｐ ｒ ｆ ｈ ｏｉ ｍ ｘ ｌ ｉ ｔ ｅ ｉ ｌ ｔ ｓ ｍｐ ｒ ｔ ｏ ｅ ｔ ｏ ａ ｐ ｙ ＨＶＳ ｓ ｃ ｓｍｕｔ－ｈ ｎ ｅ ｔ ｃｕ ｅ， ｓ ｉ ｇ ｅｆｃ ｎ ａ ｄ — ａ ｓｐ ｏ ｅ ｆ ｏ ｔａ ｔ ｕ ｈ ａ ｌ ｃ ａ ｎ ｌｓ ｕ ｔｒ ｍａ ｋ ｎ ｆ ｔａ ｄ ｂ ｎ ｐ ｒ ｐ ￣ｙｏ ｎ ｒ ｓ ｉ ｒ ｅ ｓ ｃ
ＹＡＮＧ － ｉ Ｄｉｗｅ Ｓ ＨＥＮ ａ —ｏ ｇ Ｙｕ ｎ ｔｎ Ｌ ｎ ． ｉ ＸＩ ＩＨｏ ｇ ｗｅ 。 ＯＮＧ ｈ ｏ Ｃａ。 Ｓ ＨＥＮ ｎ ．ｕ Ｙｏ ｇ １ｏ
（ ．Ｓｈ ｏ ｏ ｔｅ ａｃ ｎ ｈｓ ｓ Ｃ ｉａＵ ｉ ｒ ｔ ｏ ｅｓｉ ｃｓ Ｗｕ ａ ３０ ４ １ ｃ ｏｌ ｆ ｈ ｍ ｔｓａｄＰ ｙｉ ， ｈｎ ｎｖ ｓｙ ｆ ｏｃ ｎｅ ， ｈｎ４ ０ ７ ； Ｍａ ｉ ｃ ｅ ｉ Ｇ ｅ ２ ａｕｉ ｆ ｃａ ｉ ｌ Ｅｅｔ ｎｃＩｆ ｍａｏ ，Ｃ ｉａＵ ｉｅ ｉ ｆ ｅｓｉ ｃｓ ．Ｆ ｃｌｙｏ ｈ ｃ ＆ ｌｃ ｏｉ ｎｏ ｔ ｎ ｈｎ ｎｖｒ ｔ ｏ ｏｃｅ ｅ，Ｗｕ ａ ３ ０ ４ ｔ Ｍｅ ｎ ａ ｒ ｒ ｉ ｓｙ Ｇ ｎ ｈ ４０７） ｎ
第２ ７卷 第 １ １期 ２１ ０ １ Ｒ０Ｃ Ｓ Ｉ Ｉ ＡＬ Ｐ Ｅ Ｓ ＮＧ
Ｖｏ ． ７ Ｎｏ １ １２ ． ．１ ＮＶ ０１ Ｏ ．２ １
一
种 基 于视 觉 特 性 的 图像 质 量 评 价 指 标
杨迪 威 沈远彤 李宏伟 熊 超 沈永珞
库进行性 能 比较实验 ，结果表 明本文所设计 指标 比峰值信噪 比 ＰＮ 、结构 相似度 ＳＩ 法具有更好 的稳定性 和主 客观评 ＳＲ Ｓ Ｍ算
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。
图像融合评价方法
图像融合评价方法图像融合的评价标准对图像的观察者而言，图像的含义主要包括两个方面：一是图像的逼真度，另一个是图像的可懂度。
图像的逼真度是描述被评价图像与标准图像的偏离程度，通常使用归一化均方差来度量。
而图像的可懂度则是表示图像能向人提供信息的能力。
多少年来，人们总是希望能够给出图像逼真度和可懂度的定量测量方法，以作为评价图像质量和设计图像系统的依据。
当前图像融合效果的评价问题一直没有得到很好的解决，原因是同一融合算法对不同类型的图像，其融合效果不同；同一融合算法对同一图像观察者感兴趣的部分不同，则认为效果不同：不同的应用方面，对图像各项参数的要求不同，导致选取的评价方法不同。
目前评价图像融合效果的方法可分为两类：即主观的评价方法和客观的评价方法。
在许多融合应用中，最终的用户都是人，人眼的视觉特性也是非常重要的考虑因素。
然而在人为评价融合方法的过程中，会有很多主观因素影响评价结果。
同时，由于图像融合往往作为特定任务的预处理部分，因而融合性能的评价取决于能否提高后续任务的性能。
这就需要研究通用的、综合考虑主客观因素的图像融合质量评价标准，使计算机能够自动选取适合当前图像的、效果最佳的算法，从而为不同场合下选择不同的算法或同一融合算法中不同融合规则提供依据。
在实际应用中，如何评价图像融合算法的性能是一个非常复杂的问题。
衡量融合图像的效果时，应遵循以下原则：(1)合成图像应包含各源图像中所有的有用信息；(2)合成图像中不应引入人为的虚假信息，否则会妨碍人眼识别或后续的目标识别过程；(3)在时空校准等前期处理效果不理想时，算法还应保持其可靠性和稳定性。
另外，可靠和稳定还包含这样的含义，无论在什么气候条件下算法的性能都不会有太大的变化；(4)算法应将原始图像中的噪声降到最低程度；(5)在某些应用场合中应考虑到算法的实时性，可进行在线处理，到目前为止，评价图像融合算法性能的方法可分为两类，即主观的评价方法和客观的评价方法。
图像处理中的图像质量评价算法
图像处理中的图像质量评价算法图像处理是计算机视觉领域中的热门技术之一，其主要目的是对数字图像进行处理和分析，以提取有用的信息，改善图像的质量或实现特定的任务。
在实际应用中，我们经常需要对图像进行质量评价，以衡量处理结果的好坏。
本文将介绍图像质量评价算法中的一些常见方法和技术。
一、人眼主观评价法人眼是最常用的图像质量评价工具之一。
在这种方法中，根据受试者的主观感受，评估图像的质量。
通常，受试者会被要求将图像分为五个等级：极佳、好、一般、差、极差。
然后，将受试者的评分进行统计和分析，获得最终的质量评估结果。
人眼主观评价法的优点是易于理解和使用，可以得到比较准确的结果。
但是，它需要大量的人力和时间，并且只能得到一个相对的质量评估结果，缺乏客观性。
二、均方误差法均方误差法是一种经典的图像质量评价方法，早在上世纪50年代就被广泛应用于图像处理领域。
其核心思想是比较原始图像和处理后的图像之间的像素值之差。
均方误差可以通过以下公式计算：MSE = 1/N * ∑(i=1 to N) (xi-yi)^2其中，N代表像素数目，xi和yi分别表示原始图像和处理后图像中的像素值。
均方误差法的优点是计算简单，易于实现。
但是，它没有考虑视觉系统的感知差异，有时不能反映出人眼的真实感受。
三、结构相似性指数（SSIM）法结构相似性指数（SSIM）是一种模拟人眼感知过程的图像质量评价方法，可以更好地反映人类视觉的敏感性和感知机制。
其基本原理是通过比较两张图像之间的结构相似性来评估图像质量，其中结构相似性是指一组窗口像素之间的互相关系数。
SSIM指数可以通过以下公式计算：SSIM(x,y) = [l(x,y)*c(x,y)*s(x,y)] ^ α其中，l(x,y)、c(x,y)、s(x,y)分别表示亮度、对比度和结构相似性，α是一个权重参数。
SSIM法的优点是可以更好地反映人眼的感知结果，并且与其他评价方法相比，结果更具有客观性和可重复性。
图像处理技术的图像质量评估与评价方法
图像处理技术的图像质量评估与评价方法在图像处理技术的发展过程中，图像质量评估与评价方法起着至关重要的作用。
图像质量评估是指对经过处理的图像进行质量判断和评估的过程，通过对图像质量的准确评估，可以帮助人们选择最佳的图像处理算法和优化图像处理的结果。
本文将介绍图像质量评估的相关概念、常用方法以及评价指标。
我们来了解一些图像质量评估的基本概念。
图像质量评估分为参考图像质量评估和无参考图像质量评估两种方法。
参考图像质量评估是通过将经处理的图像与原始图像进行比较，从而评估图像质量。
而无参考图像质量评估则是直接对图像进行评估，无需参考标准。
图像质量评估还可以分为主观评价和客观评价两种方法。
主观评价是通过人类视觉系统进行评价，通常需要一些受试者对图像进行评分。
客观评价则是通过计算机算法进行评价，使用各种图像质量评估指标衡量图像的质量。
接下来，我们将介绍一些常用的图像质量评估方法。
首先是主观评价方法，这些方法通常需要人类主观感受来评价图像质量。
其中，有意见分数法、比较评定法、排序方法等。
意见分数法是通过要求评价者给出一定的分数来评价图像质量。
比较评定法是让评价者选择哪个图像质量更好或更差。
排序方法是让评价者对一组图像进行排序，从而确定图像质量的优劣。
这些方法可以得到相对准确的图像质量评价结果，但需要耗费时间和人力资源。
除了主观评价方法，还有一些客观评价方法被广泛应用于图像质量评估。
其中，结构相似性指数（SSIM）是一种常用的客观评价指标。
SSIM通过比较图像的亮度、对比度和结构等特征来评估图像质量。
另一个常用的客观评价指标是峰值信噪比（PSNR），它是通过计算图像中的信号与噪声之比来评估图像质量。
还有一些其他的客观评价指标，如均方误差（MSE）、感知亮度误差（LPIPS）等。
这些客观评价指标可以通过计算机算法自动进行评价，具有快速、准确的特点。
除了上述方法，还有一些特殊场景下的图像质量评估方法。
例如，在图像压缩领域，可以使用压缩比、编码效率等指标来评估图像质量。
基于视觉感知的图像美学评价算法研究
基于视觉感知的图像美学评价算法研究随着社交媒体和数字摄影的普及，图像美学的重要性越来越受到人们的关注。
图像美学评价算法的研究旨在发展具有视觉感知准确性和普适性的方法，以帮助人们更好地理解和欣赏图像的美学质量。
本文将探讨基于视觉感知的图像美学评价算法的研究进展，并总结现有算法的优势与不足之处。
为了实现基于视觉感知的图像美学评价算法，研究人员采用了多种方法和技术。
其中，基于机器学习的方法是最常用的方法之一。
这些方法通过训练模型，利用大量带有美学标签的图像数据，使算法能够学习并预测图像的美学质量。
这些模型通常会包括一些人工提取的图像特征，如颜色、对比度、纹理等，并结合机器学习算法来进行学习和预测。
然而，这种方法存在一定的局限性，即依赖于已有的标注数据集以及提取的特征集合的有效性。
另一种常用的方法是基于深度学习的方法。
深度学习算法可以自动地从原始像素数据中学习和提取特征，并能够更好地捕捉到图像的抽象特征。
这些方法通常使用卷积神经网络 (CNN) 架构来进行图像美学评价。
通过训练大规模的图像数据集，使得网络能够学习到图像的低层次特征（如边缘、纹理等）和高层次特征（如物体、场景等），从而实现对图像美学的综合评价。
相较于传统的基于机器学习的方法，基于深度学习的方法能够更好地捕捉到图像的复杂特征，提高了美学评价的准确性。
此外，为了提高算法的准确性，研究人员还尝试将视觉感知的因素与人类的美学感知进行关联。
他们进行了一系列的心理实验，通过收集人类主观评价的数据，探索图像特征与人类美学感知之间的关系。
例如，研究人员发现某些特定的颜色组合和对比度在视觉感知上与美学品味相关联。
这些实验结果可以用来建立与人类美学感知相关的指标和准则，并作为算法评价的参考。
然而，当前的基于视觉感知的图像美学评价算法在实际应用中仍然存在一些问题。
首先，虽然基于机器学习和深度学习的方法在图像美学评价方面取得了一定的成功，但缺乏对算法的解释性。
这意味着，虽然算法可以对美学质量进行预测，但我们无法准确知道算法是基于哪些特征或因素进行的决策。
- 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)。
的研 究 一般 都是 基 于客观 方法进 行 的 。传 统 的经典
客 观质 量 评 价 方 法 有 均 方 根 误 差 方 法 （ Ｍ Ｓ Ｅ ） 和 峰
值 信 噪 比的 方 法 （ Ｐ Ｓ Ｎ Ｒ） ， 这 些 方 法 利 用 统 计 学 原 理， 只考虑 了图像像 素点 随机误 差 造成 的 图像 降质 ，
视觉 敏感 度 、 多 通 道特 性 和 掩 盖 效 应 等 。虽 然 人类
方法（ Ｓ Ｓ Ｉ Ｍ） … 从 图像 的亮度 、 对 比度 和结 构信 息 进 行 对 比综合 汇 聚得 到 图像 质 量 ， 这 种方 法 把 图像 作 为一个 整体 进 行质 量 评 价 ， 在 一 定 程度 上对 图像 质 量评 价方 法 的发展 起 了很 大 的 推动 作 用 ， 但 是 这 种
随着数 字化 和信 息 化 的发 展 ， 数 字 图像 处 理 技
术越 来越 多地 应 用 于人 们 的 日常 生 活 和工 作 中 ， 与
方法 没有 考虑 人 眼 的视 觉 特性 ， 在一 些情 况 下 难 以
得到 与主 观评 价非 常一致 的结 果 。 因此 寻 找可 以结
此同时， 与这 些 相关 的 问题 ， 例 如 图像 编码 压 缩 ， 通 过 互联 网传输 以及对 图像 进行处 理 等技术 中出现 的 失 真 降质 问题 ， 越 来越 影 响到人 们 的工作 和研 究 ， 这 就要 求 对现 有 图像 处理 算 法 进 行 优 化 ， 对 已有 的 同
类视 觉 主观感 受 。
类算法进行选择 ， 这就对图像质量评价方法提出了 更 高 的要求 。 图像 质 量评 价一般 可 以分 为主 观方法 和 客观 方法 。由于 主观方 法在 实 际应用 时需 要非 常
多 有经 验 的 观测 者 ， 操 作 过 程 非 常 繁琐 ， 耗 费 时 间
虽 然 在一定 的时 间里 得 到 了 广泛 的应 用 ， 但 是 由于 所 有 的 自然 图像 都是 具有 结构 特性 而不 是独 立 的像
多， 因而 图像 质量 发 生 变 化 的 区域 是 否 在 注 意 点 区 域 对视 觉感 知结 果影 响很 大 。视 觉感 兴趣 机 制是人 们 在复 杂 的视 觉 场景 中能 够快速 筛选 出其 中重要视 觉信 息 并进行 处 理 的视 觉 特性 。
２ ０ １ ３年 １ Ｏ月 １ ２日收到 ， １ Ｏ月 ３ ０日修改 第一作者简介 ： 李 贵 民， 男， 讲师 ， 研 究方 向： 计算 机 图形 图像 处 理 计算机信息管理 。Ｅ － ｍ ａ ｉ ｌ ： ｙ ｏ ｌ ａ ｎ ｄ ａ ｘ ａ ＠１ ６ ３ ． ｔ ｏ ｍ。
视觉特性对 图像质量都会 产生相应 的影响 ， 但是 由 于Ｈ Ｖ Ｓ非常 复杂 ， 到 目前 为止 还没 有找 到 可用 于 数 学计算 的精确的视觉系统模型。现有图像质量评价
⑥
２ ０ １ ４ Ｓ ｃ ｉ ． Ｔ ｅ ｃ ｈ ． Ｅ ｎ ｇ ｒ ｇ ．
基于视觉感兴趣 度和视觉 系统特性融合的 图像质量评与技术学院 ， 电气与控制工程学院 ， 西安科技 大学 ， 西安 ７ １ ０ ０ ５ ４）
摘
要
在 对视 觉感 兴趣 度和人类视觉系统特性深入分析研 究的基础上 ， 提 出了一种 基于视 觉感 兴趣 度和 视觉 系统特性 相
合人 类视 觉特 性 的新 的图像 质量 评价 方法 显得 愈加
重要 。
针对 此 问题 ， 本 文通 过 对 人类 视 觉 系 统 特性 进
行深 入 的研究 ， 提 出一 种 结 合 视 觉感 兴趣 度 和视 觉 特性 的图像质 量评 价 新 方 法 ， 以达 到 更 加 准确 地 对 图像 进行 质量 评价 的 目的 ， 使 评 价 结 果更 加 符 合 人
第 １ ４卷
第 ７期
２ ０ １ ４年 ３月
科
学
技
术
与
工
程
Ｖｏ Ｉ ． １ ４ Ｎ ｏ ． ７ Ｍａ ｒ ．２ ０ １ ４
１ ６ ７ １ —１ ８ １ ５ （ ２ ０ １ ４ ） ０ ７ — ０ ２ ３ ６ — ０ ５
Ｓｃ ｉ ｅ ｎ ｃ ｅ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ａ ｎ ｄ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎｇ
长、 费 用大 ， 而且 测试 结果 容易 受 到外界 环境 和测试 条 件 的影 响 ， 稳定 性 和实 时评价 很难 做 到 ， 因此现有
１ 视 觉 感 兴 趣 度 和 ＨＶＳ特 性
人 的视 野 虽 然 说非 常 广 阔 ， 但是 注 意 力 往往 集
中的范 围很小 ， 只有 被视 网膜 中央 凹感 知 的 区域 才 是人 的注 意 力 集 中 的 区域 。通 常 我 们 在 观 察 图像 时， 在注 意 点投 入 的时 间较 多 ， 获 取 的 细 节 信 息 较
融合 的图像 质量评价 新方法。该 方法首先根 据影响视觉感 兴趣度 的五个 因子进行 综合得 到感 兴趣度 因子 ， 结合结构 相似 性
方法得 到感 兴趣 度模 型。然后利用小波分解后的子频带 图像进行质量评价 ， 对结果 进行视 觉敏 感度加权 ， 在此 基础上得 到评 价 算法。通过实验验证所提 出的算法的正确性 ， 其 测试 结果 并与视觉主观感受保持很好 的一致性。 关键词 图像质量评价 中图法分类号 视觉感兴趣度 视觉 系统（ Ｈ Ｖ Ｓ ） Ａ 小波分 解 对 比敏感度 结构相似性 Ｔ Ｐ ３ ９ １ ． ４ １ ； 文献标志码
人 类视 觉 系统特 性 （ Ｈ Ｖ Ｓ ） 主 要 有 视 觉 非线 性 、
素 点简 单 的集 合 ， 对 图像 像 素 误差 进 行 简 单 数 理 统
计并 不 能模 拟人 对 图像 的主观感 受 。近 年来 提 出的 结构 相 似度 理论 和基 于结 构相 似度 的图像 质 量评 价