基于经验模态分解的无参考全色图像质量评价方法与流程

本申请涉及图像质量评价技术领域，具体地说，涉及一种基于经验模态分解的无参考全色图像质量评价方法。

背景技术：

图像质量评价是一个经典的研究课题，其目标是设计算法，给出和人的主观感受相一致的评价值。人类通过视觉获得的外界信息量约占人类获得总信息量的75％，图像是人类感知和机器模式识别的重要信息源，其质量对所获取信息的充分性和准确性起着决定性的作用。图像质量评价的研究已成为图像信息工程的基础技术之一。

目前数字图像质量的评价可以分为主观评价和客观评价。

由于图像的最后观察者通常都是人眼，因此，人们一开始便研究图像质量的主观评价测试方法。主观评价方法是通过设计实验，由具有分类统计意义组成的观测者群对图像质量进行评价。通过主观测试评价图像质量通常被认为是比较准确而且可靠的评价结果。但是主观评价测试不仅繁琐、耗时而且实行起来相当昂贵，而且还会受到观测者专业背景、心理和动机等主观因素的影响，并且不能结合到其他算法中使用。这使得在很多情况下都不方便进行主观测试。

因此，数字图像质量的客观评价已经越来越为人们所重视，从是否需要原始参考图像(认为是无失真的或者是具有“完美”质量的)的角度来说，可以将图像质量评价方法分为三种：全参考型(fullreference，fr)、部分参考型(reducedreference，rr)、无参考型(noreference，nr)。

fr图像质量方法需要提供完全的原始参考图像信息，被用来作为评价失真图像质量的参照。fr型图像质量评价方法的特点是数学含义清晰，便于实现，能够捕获像素层面的微小失真。rr图像质量评价方法不需要提供完整的原始参考图像信息，只利用部分的原始图像信息来估计失真图像的视觉感知质量。nr算法可以分为针对失真类型的算法和基于机器学习的算法两种。这类方法的特点是无需参考图像，灵活性强。近年来，nr图像质量评价被越来越多的学者所关注。

图像质量评价算法的研究趋势呈现从单纯的客观评价算法转化为主、客观相结合的评价算法，且无参考算法开始成为研究热点。而且近年来，面向任务需求的图像质量评价算法逐渐增多，主要原因是在不同的应用场合下对图像质量进行评价的侧重点有所不同。有些场合更注重图像在细节上的刻画，而有些场合则注重图像在结构上的清晰度。再者，不同的评价方法对于压缩、模糊、加性噪声等不同失真类型和图像内容(自然场景、人物、指纹、编织袋等)的敏感度也不同。

技术实现要素：

有鉴于此，本申请所要解决的技术问题是提供了一种基于经验模态分解的无参考全色图像质量评价方法，提供针对模糊这种失真类型的图像质量评定。在无需原图或者原图的统计参数作为参考的情况下，利用基于综合感知差的客观评价函数，对经emd分解后的各层图像细节图进行统计评价，以正确感知图像的实际质量水平。

为了解决上述技术问题，本申请有如下技术方案：

一种基于经验模态分解的无参考全色图像质量评价方法，其特征在于，包括：

针对原始待处理图像，计算所述原始待处理图像的局部最大值像素点集合和局部最小值像素点集合；

分别对所述局部最大值像素点集合和所述局部最小值像素点集合进行插值处理，获得最大值像素点包络曲面和最小值像素点包络曲面；

针对所述最大值像素点包络曲面和所述最小值像素点包络曲面求取代数均值，作为均值曲面；

根据均值曲面和原始待处理图像数据，计算出使得所述最大值像素点包络曲面和所述最小值像素点包络曲面趋于一致的一个本征模态函数分量，作为第一本征模态函数分量，作为第1层细节图；

根据第一本征模态函数分量和所述原始待处理图像，计算出新的待处理图像，以新的待处理图像为基础计算出第n本征模态函数分量和余量结果，获取到n层细节图，其中n≥2；

统计所述n层细节图的图像信息，利用基于综合感知差的评价函数估计图像质量水平。

优选地，其中：

针对原始待处理图像，计算所述原始待处理图像的局部最大值像素点集合和局部最小值像素点集合，进一步为：

针对原始待处理图像，依次在3x3邻域内选择最大值像素点和最小值像素点，图像边界处延展预设宽度，获得所述原始待处理图像的局部最大值像素点集合和局部最小值像素点集合。

优选地，其中：

分别对所述局部最大值像素点集合和所述局部最小值像素点集合进行插值处理，获得最大值像素点包络曲面和最小值像素点包络曲面，进一步为：

通过三次样条插值方法对所述局部最大值像素点集合和所述局部最小值像素点集合进行插值处理，获得最大值像素点包络曲面和最小值像素点包络曲面。

优选地，其中：

根据均值曲面和原始待处理图像数据，计算出使得所述最大值像素点包络曲面和所述最小值像素点包络曲面趋于一致的一个本征模态函数分量，作为第一本征模态函数分量，作为第一层细节图，进一步为：

利用原始待处理图像数据i(x,y)减去代数均值曲面mi(x,y)后，判断其结果h1(x,y)是否满足本征模态函数分量的条件，若不满足，则须将h1(x,y)作为新的被处理图像，利用h2(x,y)＝h1(x,y)-m1i(x,y)重复求取均值曲面mi(x,y)的过程，重复k次后，当mki(x,y)趋于零，最大值像素点包络曲面和最小值像素点包络曲面趋于一致，hk+1(x,y)＝hk(x,y)-mki(x,y)，第1本征模态函数分量c1＝hk+1(x,y)，作为第1层细节图。

优选地，其中：

根据第一本征模态函数分量和所述原始待处理图像，计算出新的待处理图像，以新的待处理图像为基础计算出第n本征模态函数分量和余量结果，获取到n层细节图，进一步为：

将第1本征模态函数分量c1从原始待处理图像中分离出来，用原始待处理图像与第1本征模态函数分量c1的差作为新的被处理图像，以新的待处理图像为基础，依次获得第2、3…n层细节图，直到差值余量呈单调趋势或处于预设数值范围时停止，得到n层细节图和余量结果。

优选地，其中：

统计所述n层细节图的图像信息，利用基于综合感知差的评价函数估计图像质量水平，进一步为：

利用综合感知差的评价函数dgp估计图像质量水平，其中综合感知差的评价函数dgp为：

其中，h代表图像的熵，g代表平均梯度，dhp代表图像亮度信息，dhp由图像的累计直方图分布统计特性表征，dhp具体体现为：

其中，n为分解后的细节图层数，l为图像的灰度级数，c(l)为输入图像累计直方图分布函数，c0(l)为标准图像累计直方图分布函数。

优选地，其中：

所述输入图像累计直方图分布函数的获取方法为：

设ml是图像中具有灰度级l的像素数目(0≤l≤l-1，0≤ml≤m)，l为灰度级总数，m为图像像素总数，则其归一化灰度直方图概率密度函数为：

由此得到输入图像累计直方图分布函数：

优选地，其中：

所述标准图像累计直方图分布函数的获取方法为：

对经过经验模态分解方法分解后得到的n层细节图像累计直方图求平均，得到标准图像直方图累计直方图分布函数：

优选地，其中：

所述图像的熵h通过以下函数获得：

其中，p(l)为归一化灰度直方图概率密度函数。

优选地，其中：

所述平均梯度g，通过以下函数获得：

其中，和分别为(x,y)点像素灰度在其行、列方向上的梯度，m×n为图像大小。

与现有技术相比，本申请所述的方法，达到了如下效果：

第一，本发明所述基于经验模态分解的无参考全色图像质量评价方法，在图像质量评价领域引入了经验模态分解方法，该方法具有自适应性的特点，能更好地保留原有图像的信号特征，准确衡量图像的纹理和边缘信息，对图像质量水平具有更强的解析力。

第二，本发明所述基于经验模态分解的无参考全色图像质量评价方法，利用了基于综合感知差的客观评价函数，涵盖了图像的熵、平均梯度、亮度视觉信息，充分评价了图像的亮度、灰度和细节层次等多项指标，得到的图像质量评价结果更具说服性。

第三，本发明所述基于经验模态分解的无参考全色图像质量评价方法，在无需原图或原图统计参数作为参考的情况下，统计了emd分解后各个细节图的图像信息，其评价结果与均值、标准差等传统评价方法相比，与人眼的主观视觉感知结果更具一致性和准确性。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明所述基于经验模态分解的无参考全色图像质量评价方法的流程图；

图2为本发明所述基于经验模态分解的无参考全色图像质量评价方法的应用实施例的流程图。

具体实施方式

如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。此外，“耦接”一词在此包含任何直接及间接的电性耦接手段。因此，若文中描述一第一装置耦接于一第二装置，则代表所述第一装置可直接电性耦接于所述第二装置，或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。

实施例1

参见图1所示为本申请所述一种基于经验模态分解的无参考全色图像质量评价方法的流程图，该基于经验模态分解的无参考全色图像质量评价方法包括：

步骤101、针对原始待处理图像，计算原始待处理图像的局部最大值像素点集合和局部最小值像素点集合；

步骤102、分别对局部最大值像素点集合和局部最小值像素点集合进行插值处理，获得最大值像素点包络曲面和最小值像素点包络曲面；

步骤103、针对最大值像素点包络曲面和最小值像素点包络曲面求取代数均值，作为均值曲面；

步骤104、根据均值曲面和原始待处理图像数据，计算出使得最大值像素点包络曲面和最小值像素点包络曲面趋于一致的一个本征模态函数分量，作为第一本征模态函数分量，作为第1层细节图；

步骤105、根据第一本征模态函数分量和原始待处理图像，计算出新的待处理图像，以新的待处理图像为基础计算出第n本征模态函数分量和余量结果，获取到n层细节图，其中n≥2；

步骤106、统计n层细节图的图像信息，利用基于综合感知差的评价函数估计图像质量水平。

本发明所述基于经验模态分解的无参考全色图像质量评价方法，在图像质量评价领域引入了经验模态分解方法，该方法具有自适应性的特点，能更好地保留原有图像的信号特征，准确衡量图像的纹理和边缘信息，对图像质量水平具有更强的解析力。

本申请所涉及的基于经验模态分解的综合感知差无参考全色图像质量评价方法主要针对模糊类型的失真图像进行质量评定，例如经复原处理后的图像质量评价。经验模态分解方法可以将任何复杂信号分解为有限的且具有一定物理意义的几个本征模态函数(intrinsicmodefunctions，imf)分量。该方法并不预设基(函数)，而是预先选择好判据，基于信号本身所包含的特征尺寸进行分解，得到有限阶内模函数，因而每阶imf都有着比较明确的物理意义。该方法对数据没有平稳性和线性的要求，具有自适应性的特点，能更好地保留原来信号的特征。

上述步骤101中，针对原始待处理图像，计算所述原始待处理图像的局部最大值像素点集合和局部最小值像素点集合，进一步为：针对原始待处理图像，依次在3x3邻域内选择最大值像素点和最小值像素点，图像边界处延展预设宽度，获得原始待处理图像的局部最大值像素点集合和局部最小值像素点集合。

上述步骤102中，分别对局部最大值像素点集合和局部最小值像素点集合进行插值处理，获得最大值像素点包络曲面和最小值像素点包络曲面，进一步为：通过三次样条插值方法对局部最大值像素点集合和局部最小值像素点集合进行插值处理，获得最大值像素点包络曲面和最小值像素点包络曲面。

上述步骤104中，根据均值曲面和原始待处理图像数据，计算出使得最大值像素点包络曲面和最小值像素点包络曲面趋于一致的一个本征模态函数分量，作为第一本征模态函数分量，作为第一层细节图，进一步为：

利用原始待处理图像数据i(x,y)减去代数均值曲面mi(x,y)后，判断其结果h1(x,y)是否满足本征模态函数分量的条件，若不满足，则须将h1(x,y)作为新的被处理图像，利用h2(x,y)＝h1(x,y)-m1i(x,y)重复求取均值曲面mi(x,y)的过程，重复k次后，当mki(x,y)趋于零，最大值像素点包络曲面和最小值像素点包络曲面趋于一致，hk+1(x,y)＝hk(x,y)-mki(x,y)，第1本征模态函数分量c1＝hk+1(x,y)，作为第1层细节图。

上述步骤105中，根据第一本征模态函数分量和原始待处理图像，计算出新的待处理图像，以新的待处理图像为基础计算出第n本征模态函数分量和余量结果，获取到n层细节图，进一步为：

将第1本征模态函数分量c1从原始待处理图像中分离出来，用原始待处理图像与第1本征模态函数分量c1的差作为新的被处理图像，以新的待处理图像为基础，依次获得第2、3…n层细节图，直到差值余量呈单调趋势或处于预设数值范围时停止，得到n层细节图和余量结果。

上述步骤106中，统计所述n层细节图的图像信息，利用基于综合感知差的评价函数估计图像质量水平，进一步为：

利用综合感知差的评价函数dgp估计图像质量水平，其中综合感知差的评价函数dgp参见式(1)：

其中，h代表图像的熵，g代表平均梯度，dhp代表图像亮度信息，dhp由图像的累计直方图分布统计特性表征，dhp越小，图像的亮度视觉感知效果越好，dhp越大，图像的亮度视觉感知效果越差。dhp具体体现为：

其中，n为分解后的细节图层数，l为图像的灰度级数，c(l)为输入图像累计直方图分布函数，c0(l)为标准图像累计直方图分布函数。直方图反映了图像总体灰度的分布情况。视觉效果好的图像，其直方图会均匀地显示图像高光、暗调和中间调信息，且密度范围适中。

dgp同dhp一样，dgp越小，处理图像与理想图像的差距越小，亮度感知也越好，图像质量评价能力也越高。由于dgp所涉及的评价参数不需要原始参考图像，因此为无参考的客观评价方法。

进一步地，所述输入图像累计直方图分布函数的获取方法为：

设ml是图像中具有灰度级l的像素数目(0≤l≤l-1，0≤ml≤m)，l为灰度级总数，m为图像像素总数，则其归一化灰度直方图概率密度函数为：

由此得到输入图像累计直方图分布函数：

进一步地，所述标准图像累计直方图分布函数的获取方法为：

对经过经验模态分解方法(emd)分解后得到的n层细节图像累计直方图求平均，得到标准图像直方图累计直方图分布函数：

进一步地，图像灰度分布越均匀，灰度级层次越多，熵值越大，图像的熵h通过以下函数获得：

其中，p(l)为归一化灰度直方图概率密度函数。

进一步地，所述平均梯度g，通过以下函数获得：

其中，和分别为(x,y)点像素灰度在其行、列方向上的梯度，m×n为图像大小。平均梯度能够反映图像对微小细节反差表达能力。平均梯度越大，表示图像层次越多，图像越清晰，反差越好，反之，图像越模糊。

实施例2

以下提供本发明的一种应用实施例，参见图2，一种基于经验模态分解的综合感知差无参考全色图像质量评价方法，包括：

步骤201、输入待处理图像。

步骤202、求图像的局部极大值点集合和局部极小值点集合。

具体过程为：对待处理图像在3×3邻域内选择最大值像素点和最小值像素点，边界处以延展一定宽度，获得图像的局部极大值点集合和局部极小值点集合。

步骤203、分别对局部最大值点集合和局部最小值点集合进行插值处理，求得最大值点包络曲面和最小值点包络曲面。

具体方法为：通过三次样条插值方法对局部最大值点集合和局部最小值点集合进行插值，获取最大值点包络曲面和最小值点包络曲面。

步骤204、求最大值点包络曲面和最小值点包络曲面的代数均值，作为均值曲面。

步骤205、用输入图像数据减去均值。

步骤206、判断是否满足每层的迭代停止条件。是，则转步骤207；否，则用步骤205中的结果，转步骤202进一步计算。

具体的迭代停止条件为是否满足本征模态函数分量的条件，即均值曲面是否趋于0，最大值点包络曲面和最小值点包络曲面是否趋于一致。

步骤207、将结果作为分解得到的第i层细节图。

步骤208、从待处理图像中减去此层信息。

步骤209、判断是否满足图像emd分解结束条件。是，则转步骤210；否，则将步骤208结果作为待处理图像转至步骤201，进而计算第i+1层细节图。

具体的emd分解结束条件为输入图像与细节图像的差值余量基本上呈单调趋势或很小，可视为测量误差。

步骤210、得到n层细节图和余量结果。

步骤211、统计emd分解后各个细节层中的图像灰度信息。

步骤212、利用基于综合感知差的评价函数估计图像质量水平，具体的图像质量评价函数如下式(即前述式(1))所示。

其中，其中，h代表图像的熵，g代表平均梯度，dhp代表图像亮度信息，dhp由图像的累计直方图分布统计特性表征，dhp越小，图像的亮度视觉感知效果越好，dhp越大，图像的亮度视觉感知效果越差。对上式中各个变量的计算方法请参见实施例1。

通过以上各实施例可知，本申请存在的有益效果是：

第一，本发明所述基于经验模态分解的无参考全色图像质量评价方法，在图像质量评价领域引入了经验模态分解方法，该方法具有自适应性的特点，能更好地保留原有图像的信号特征，准确衡量图像的纹理和边缘信息，对图像质量水平具有更强的解析力。

第二，本发明所述基于经验模态分解的无参考全色图像质量评价方法，利用了基于综合感知差的客观评价函数，涵盖了图像的熵、平均梯度、亮度视觉信息，充分评价了图像的亮度、灰度和细节层次等多项指标，得到的图像质量评价结果更具说服性。

第三，本发明所述基于经验模态分解的无参考全色图像质量评价方法，在无需原图或原图统计参数作为参考的情况下，统计了emd分解后各个细节图的图像信息，其评价结果与均值、标准差等传统评价方法相比，与人眼的主观视觉感知结果更具一致性和准确性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。