基于DCT域纹理结构相似度的模糊图像质量评价

王 威，刘 婧，杨蔚蔚，李 骥

（长沙理工大学计算机与通信工程学院，长沙410114）

基于DCT域纹理结构相似度的模糊图像质量评价

王 威，刘 婧，杨蔚蔚，李 骥

（长沙理工大学计算机与通信工程学院，长沙410114）

结构相似度（SSIM）是一种衡量2幅图像相似度的重要指标，但是SSIM对于严重模糊的图像评价结果准确度不高。在基于SSIM的图像质量评价方法基础上，考虑到纹理信息是图像的重要组成部分以及人眼对图像的纹理信息部分十分敏感，提出基于离散余弦变换（DCT）域的纹理结构相似度质量评价（TSSIM）。该评价方法在DCT域中提取图像的纹理信息，并通过改进SSIM中的结构信息来确定纹理区域的失真，计算TSSIM值。实验结果表明，该方法得到的Pearson相关系数为0.893 42，Spearman等级相关系数为0.925 07，比SSIM的评价结果更准确，符合人眼的主观感受。

结构相似度；人类视觉系统；离散余弦变换域；纹理结构相似度；Pearson相关系数；Spearman等级相关系数中文

1 概述

图像质量评价是对图像压缩与处理系统优劣的评价。在图像处理过程中，如何对图像处理结果进行质量评价是一个值得重点关注的问题。当前经常使用的评价方法可以分为主客观这2种常见的类型。其中可信度最高的评价方法是数字图像的主观评价（DMOS）方法［1］，但这种方法容易受到客观条件的影响，比如观察者自己的情绪、知识背景和自身疲劳程度等因素，而且操作起来更加复杂、成本高、很难嵌入到实时的图像处理系统中。所以，图像质量的客观评价方法目前已成为研究热点。

最常用的客观评价方法是均方差（Mean Square Error，MSE）和峰值信噪比（Peak Signal to Noise Ratio，PSNR）［2］，这类方法是基于像素域对参考图像和真实图像之间的误差进行简单的数字统计。它们计算简单，物理意义比较明确，但没有考虑到像素间的相关性，不能充分地考虑人眼视觉特性，因此评价结果与人的主观感知不能完全一致。随着研究的深入，一些学者开始利用HVS的某些特性对图像进行质量评价。文献［3-4］提出了结构相似度（Structure Sim ilarity，SSIM）［5］的客观评价方法。SSIM是一种自顶向下的过程，从整体上效仿人类视觉系统（Human Visual System，HVS）的性能，没有模拟HVS各个低阶组成结构的复杂过程，算法简单，实验结果表明该方法的性能优于PSNR和目前一些经典的基于HVS的评价方法。但是，SSIM对于严重模糊图像的评价结果并不十分准确。针对SSIM方法自身的不足，出现了一系列改进算法：基于梯度的结构相似度（Gradient-based Structure Sim ilarity，GSSIM）［6］，多尺度结构相似度［7］，基于频域的结构相似度［8］以及将SSIM与其他图像质量评价算法加权结合［9］等，这些改进算法对于严重模糊图像的评价取得了较好的发展。

在SSIM评价方法的基础上，考虑纹理信息对人眼主观感受的影响以及DCT变换在图像领域的广泛使用，本文提出一种基于DCT域的纹理结构相似度（Texture Structure Sim ilarity，TSSIM）的模糊图像质量评价方法。

2 基于结构相似度的图像质量评价方法

随着研究的深入，一些学者开始利用HVS的某些特性对图像进行质量评价，文献［5］提出了结构相似度（SSIM）图像质量评价方法。该方法包含了自然图像和失真图像分别在亮度、对比度、结构信息3个部分的比较，这3个部分均可由单独的函数来表示，通常使用的计算方法如下，用C1，C2，C3增加计算结构的稳定性。

综合以上计算结果，可以得到模型的评判方法：

其中，ux和uy对应为自然图像与质降图像中局部像素块的平均亮度值；σx和σy则表示为2幅图像中局部像素块的量度标准差；σxy为2幅图像中对应像素块的亮度相关系数。参数α，β，γ均大于0，以调整3个部分所占的比重，一般都取1；C1，C2，C3为较小的值。

整幅图像的平均结构相似度为：

其中，N为图像块的数量。

SSIM质量评价算法框图如1所示，X和Y分别表示原始图像和失真图像。

图1 SSIM评价算法框图

3 TSSM模糊图像质量评价方法

因为SSIM在计算过程中使用的是空间域的统计信息，不能反映出图像中人眼所感受到的微小细节反差，所以对于模糊图像，SSIM的评价值并不非常准确［10］。但是研究表明人眼对图像的纹理信息部分十分敏感，因此可以将纹理作为图像的主要结构信息，用来评价图像的清晰程度，基于此本文提出了基于DCT域的纹理结构相似度模糊图像质量评价方法。

3.1 纹理图像提取

纹理图像的提取有许多方法，最常见的是小波变换。小波变换对纹理进行多分辨率表示，能在更精细的尺度上分析纹理，并且符合人类视觉特征。但是，小波变换多应用于标准或规则纹理图像，而对于背景更复杂的自然图像，由于某一纹理区域内的像素并非处处相似，因此往往效果不佳。另外，也存在计算量大的问题。基于此本文采用在DCT域中提取纹理图像。

DCT域中离散余弦变换系数的值可以有效反映图像的模糊程度，并且离散余弦具有集中在某一局部区域的性质，少许DCT系数便可以反映出图像的特征，所以可以将在DCT域中提取反映图像特征的那一小部分系数作为图像的纹理信息。因此，本文的重点在于纹理图像的提取，将图像进行DCT变换得到系数矩阵，提取系数矩阵中可反映图像特征的少量DCT系数即对角线向量；然后，将对角线矩阵转化成对角线矩阵；最后，对对角线矩阵进行DCT逆变换得到纹理图像。其纹理图像获取的具体过程如下：

步骤1 对原始图像和模糊（降质）图像进行DCT变换，从而得到DCT系数矩阵G：

步骤2 提取系数矩阵G的对角向量S：

S=（g11，g22，…，grr），r=m in（m，n）

步骤3 将所得对角向量S转换成对角线矩阵SS：

步骤4 对矩阵SS再进行DCT反变换，这样就得到了原始图像和降质图像的纹理图像，从而给出了纹理结构信息这一指标：

其中，x和y分别为原始图像和降质图像的纹理图像；θxy表示图像x和y的灰度协方差；θx和θy表示图像x和y的灰度方差。

3.2 纹理结构相似度算法原理

将SSIM模型即式（4）中的s（x，y）用式（6）中的纹理结构信息t（x，y）代替，得到基于纹理的结构相似度（TSSIM）。

整幅图像基于纹理的结构相似度可以由各子图像块的TSSIM的均值得到：

其中，N为图像块的数量。

该算法结构框图如图2所示。其中，X为原始图像；Y为失真图像；T（x）和T（y）分别为原始图像和失真图像的纹理图像。

图2 TSSIM评价算法框图

4 实验数据及结果分析

本文的仿真实验是在美国TEXAS大学LIVE图像质量评价数据库中的高斯模糊图像（Gblur）库［11］中145幅图像上进行的（实验环境：PC；OS：W indows XP；CPU：2.71 GHz；RAM：2 GB；Software：Matlab 7.0）。该图像库中的145幅不同程度失真图像的平均主观评分差值（DMOS）均已给出。为了测试本文提出的图像质量评价结果与主观感知的一致性，选择了以下2个判定准则：（1）用Pearson相关系数，预测评价方法的准确性；（2）用Spearman等级相关系数，预测评价方法的一致性。

针对LIVE图像质量评价数据库中提供的高斯模糊图像库失真类型，将所提出的方法与全参考型的PSNR，MSSIM和WBCT（W avelet-based Contourlet Transform）［12］方法进行比较。由实验结果可以看出，本文方法相对现有方法有较大的改进，相对于PSNR在Pearson相关系数评价值上提升了11个百分点，在Spearman等级相关系数评价值上提升了14个百分点，并且与主观评价值具有较好的一致性。表1给出了前文提出的不同图像质量评价模型相对于本文方法在Gblur图像库上的实验结果。

表1 不同质量评价模型对Gblur图像库性能比较

为了进一步计算TSSIM对模糊图像的有效性，分别对Lena图像和Boat图像进行不同程度的模糊，如图3和图4所示，利用TSSIM算法进行测试，测试结果如表2所示。

图3 Lena原始图像与不同程度的模糊图像

图4 Boat原始图像与不同程度的模糊图像

表2 TSSIM算法对模糊图像实验的评价值

从图3和图4的3幅不同模糊程度的图像来看，图3（b）和图4（b）效果最好，图3（d）和图4（d）效果最差。其中，图3（b）和图4（b）的TSSIM值分别为0.841 31和0.922 41，图3（d）和图4（d）值分别为0.627 84和0.669 69。因为SSIM在计算过程中使用的是空间域的统计信息，不能反映出图像中人眼所感受到的微小细节反差，而纹理作为图像的主要结构信息，可以用来评价图像的清晰程度，所以图中的数据大小关系与图3和图4的视觉效果一致。

5 结束语

本文在SSIM的基础上提出了基于纹理的SSIM图像质量评价方法。该方法利用图像的纹理信息作为结构信息，由亮度、对比度、纹理3个因子决定，计算这3个因子的乘积得到了图像质量的综合指标TSSIM。仿真实验结果证明，TSSIM算法优于PSNR算法和MSSIM算法，并且克服了SSIM算法评价模糊图像时客观结果与主观感受相矛盾的缺点，是一种比较好的图像质量评价方法。为了进一步优化和改进本文方法，将从纹理信息的提取入手，寻找更适合的相似性度量方法，获得更好的图像质量评价方法，并将其运用到无参考的图像质量评价上。

［1］ Sheikh H R，Sabir M F，Bovik A C.A Statistical Evaluation of Recent Full Reference in Image Quality Assessment Algorithm s［J］.IEEE Transactions on Im age Processing，2006，15（11）：3440-3451.

［2］ Avcibas I I，Sankur B，Sayood K.Statistical Evaluation of Image Quality Measure Measures［J］.Journal of Electronic Image，2002，11（2）：206-213.

［3］ Wang Zhou，Bovik A C.Why is Image Quality Assessment So Difficult？［C］//Proceedings of IEEE International Conference on Acoustics，Speech and Signal Processing.Washington D.C.，USA：IEEE Press，2002：3313-3316.

［4］ Wang Zhou，Lu Ligang，Bovik A C.Rate Scalable Video Coding Using a Foveation-based Human Visual System［C］//Proceedings of IEEE International Conference on Acoustics，Speech and Signal Processing. Washington D.C.，USA：IEEE Press，2001：1785-1788.

［5］ Wang Zhou，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）：606-612.

［6］ 杨春玲，陈冠豪，谢胜利.基于梯度信息的图像质量评判方法的研究［J］.电子学报，2007，35（7）：1313-1317.

［7］ Wang Zhou，Simoncelli E P，Bovik A C.Multi-scale Structural Similarity for Image Quality Assessment［C］// Proceedings of IEEE Asilomar Conference on Signals，Systems and Computers.Washington D.C.，USA：IEEE Press，2003：1398-1402.

［8］ 李 航，路 羊，崔慧娟，等.基于频域的结构相似度的图像质量评价方法［J］.清华大学学报：自然科学版，2009，49（4）：559-562.

［9］ 佟雨兵，张其善，常 青，等.基于NN与SVM的图像质量评价模型［J］.北京航空航天大学学报，2006，32（9）：1031-1034.

［10］ Cadik M，Slavik P.Evaluation of Two Principal Approaches to Objective Image Quality Assessment［C］//Proceedings of the 8th International Conference on Information Visualisation.Washington D.C.，USA：IEEE Press，2004：513-518.

［11］ Sheikh H R，W ang Z.Cormack L，et al.Live Image Quality Assessment Database Release2［EB/OL］.（20014-04-29）.http：//live.ece.utexas.edu/research/ quality.

［12］ 高新波，王体胜.一种基于WBCT的自然图像质量客观评价方法［J］.电子学报，2008，36（2）：303-308.

编辑 顾逸斐

Blur Image Quality Assessment Based on DCT Domain Texture Structure Similarity

WANG Wei，LIU Jing，YANG Weiwei，LI Ji
（School of Computing and Communication Engineering，Changsha University of Science&Technology，Changsha 410114，China）

Structure Similarity（SSIM）is an important indicator of measuring the similarity of two images，but there still remain some deficiencies when assessing badly blurred images.In this paper，a new method using image texture combines with SSIM，which takes the importance of the texture information to images and human eye perception structure into account.The algorithm combines texture features in Discrete Cosine Transform（DCT）domain with SSIM to acquire the Texture Structure Similarity（TSSIM）.Experimental results for Pearson correlation coefficient is 0.893 42，and the Spear man rank correlation coefficient is 0.925 07，which show that the proposed method works better in the aspect of subjective visual impression than SSIM.

Structure Similarity（SSIM）；Human Visual System（HVS）；Discrete Cosine Transform（DCT）domain；Texture Structure Similarity（TSSIM）；Pearson correlation coefficient；Spear man rank correlation coefficient

Wang Wei，Liu Jing，Yang Weiwei，et al.Blur Image Quality Assessment Based on DCT Domain Texture Structure Simlarity［J］.Computer Engineering，2015，41（11）：253-256.

1000-3428（2015）11-0253-04

A

TP391.4

10.3969/j.issn.1000-3428.2015.11.043

国家“973”计划基金资助项目（613XXX0301）；中国博士后科学基金资助项目（2013M 542467）。

王 威（1974-），男，教授，主研方向：视频图像处理，信息融合；刘 婧、杨蔚蔚，硕士研究生；李 骥，讲师、博士。

2014-10-21

2014-12-12 E-m ail：123410932@qq.com

王 威，刘 婧，杨蔚蔚，等.基于DCT域纹理结构相似度的模糊图像质量评价［J］.计算机工程，2015，41（11）：253-256.