基于Gabor小波变换的无参考图像模糊度评价❋

曾泽兴，曾庆宁，蔡晓东，朱利伟，田 柯

（桂林电子科技大学信息与通信学院，桂林541004）

基于Gabor小波变换的无参考图像模糊度评价❋

曾泽兴，曾庆宁，蔡晓东，朱利伟，田 柯

（桂林电子科技大学信息与通信学院，桂林541004）

当前的各种图像质量评价方法中，模糊是最常考虑的因素之一。针对模糊度量，基于Gabor小波提出了一种新的评价方法。首先利用Gabor小波提取图像高频信息，把原图像分割成高频和低频部分；然后分别对这两部分进行像素点误差累计，算出两部分的差值平均；最后结合这两个值算出模糊度。该方法结合了人类视觉系统模型和误差累计的思想。实验结果表明，模糊质量评价结果与人主观评价结果的相关系数为0.7836，异常值比为0.0443，说明这是一种有效的模糊评价方法。

Gabor小波；图像质量；模糊图像；无参考；模糊度评价；人脸视觉系统模型

1 引 言

近些年来，随着图像处理技术的发展，该领域的研究已吸引了研究人员的广泛关注，国内外已有许多科研机构和商业公司投身其中，如美国泰克公司研制的图像质量分析仪已经被广泛应用。另外IBM等就图像视频质量评价问题也展开了深入研究［1］。在评价图像质量时，最常考虑的影响因素是模糊。已存在的评价图像模糊度方法中很多都需要参考图像，这极大的限制了这些方法的应用范围。

2 相关工作

图像质量的评价分为两大类［2］，一类是主观评价法，另外一类是客观评价法。在图像模糊度评估方法中，均方误差（Mean Square Error，MSE）、峰值信噪比（Peak Signal to Noise Ratio，PSN）和结构相似度（Structural Similarity，SSIM）等作为经典方法被广泛使用。MSE和PSNR，主要是计算参考图像和模糊图像的像素差平均值，通过这个值来判断图像的模糊度。由于这些方法不考虑像素点之间的关系，也不考虑人类视觉系统的特点，这导致了其结果与人类主观结果有很大的差距。为解决这一问题，Wang等提出了SSIM方法，该方法是在亮度、对比度和结构三个层次上作比较的。实验表明，SSIM的检测结果与人的主观评价有很高的相关性。然而，对于有很多平坦区域的模糊图像，该方法的检测效果并不好。

人类视觉系统模型（Human Vision System Model，HVS）认为，人类视觉系统对图像的边缘和轮廓更加敏感；另一方面，边缘轮廓对模糊很敏感，所以大多数的模糊图像质量评估方法都用到了边缘检测。其中已提出了很多基于边缘锐度分析的方法，比如Marziliano等［3］分析了边缘宽度；Caviedes等［4］利用了局部边缘峰度；Chuang［5］通过拟合图像梯度幅值为正态分布来评价模糊程度；L.Firestone［6］统计图像中高于某个固定阈值的频率成分之和，获取的和作为频率阈值大小；N.B.Nill［7］构造一个调制转换函数来计算归一化图像功率谱的权值，最后得出图像模糊度的度量；Ong［8］利用canny边缘检测获取边缘像素点，再通过估计边缘平均宽度来评价模糊程度。然而HVS是一个特别复杂的系统，模拟HVS组成和结构的算法通常会导致过高的复杂性和计算量［9］。

3 算法实现

HSV认为，人类视觉系统对图像中的边缘和轮廓更加敏感，而边缘和轮廓也就是图像的高频信息，MSE和PSNR的重要思想是误差累计。结合以上两点，提出了一种新的图像模糊度评价方法：利用Gabor提取图像高频信息，从而把原图像分成两部分（高频与低频），分别进行点误差累计，算出两部分差值平均，最后结合这两个值得出模糊度。算法实现的具体流程如图1所示。

图1 算法实现流程

3.1 提取Gabor特征

二维Gabor小波变换是图像的多尺度表示和分析的有力工具，二维Gabor滤波器的函数形式可以表示为［10］：

3.2 自适应二值化

对于提取的Gabor高频振幅图像做自适应二值化，设G为Gabor提取后的高频振幅图像，平均像素值m（i，j）和方差ε（i，j）计算如下：

其中p是指邻近像素点（i，j）的像素点个数为半径，则像素点（i，j）处的局部二值化阈值为t（i，j）＝m（i，j）＋ε（i，j）。Gabor滤波后振幅图的水平二值化图B：

3.3 计算绝对差平均值

利用获得的二值图B，找出原图中对应的高频成分，定义为H，即H＝s＆B；对应其他区域定义为L，即L＝S－H。图像S中像素点的水平绝对差值定义为：

水平差平均值为：

垂直绝对差值：

垂直差平均值：

类似的，通过公式（2）（3）可以分别求出图像L的水平差平均值Lh－mean和垂直差平均值Lv－mean，则图像H的差值平均为Hmean＝（Hh－mean＋Hv－mean）/2，图像L的差值平均为Lmean＝（Lh－mean＋Lv－mean）/2。最后，提出一种新的评价方式，模糊图像质量评估（Blurred Image Quality Assessment，BIQA）：

4 实验结果与分析

为了测试所提算法的性能，这里用到了美国德克萨斯大学提供的图像质量评估数据库（The Laboratory of Image and Video Engineering，LIVE）［11］。LIVE数据库包含不同方法处理成不同类型和不同程度的失真图像，数据库还给出了每张图像的平均主观评分差值（Difference Mean Opinion Scores，DMOS），其中：DMOS越小，表示图像质量越好；DMOS值越大，表示图像质量越差。

由于所提方法是针对图像模糊提出的，故这里只选取其中174幅高斯模糊图像进行仿真实验。所提的算法，参考了MSE和PSNR方法用到了点误差累计；同时MSE、PSNR和SSIM都是经典的质量评估方法，故这里在性能方面与这三个方法作比较。

根据视频质量专家组（Video Quality Experts Group，VQEG）［12－13］的建议，利用非线性映射，把不同图像质量度量模型算出的图像分数（Video Quality Rating，VQR）转化为DMOSP，见公式（11），

要评价图像质量检测模型的有效性，根据VQEG标准，需要比较DMOSP和DMOS之间的四个不同指标，这四个指标分别是相关系数（Correlation Coefficient，CC）、平均绝对误差（Mean Absolute Error，MAE），均方根误差（Root Mean Square Error，RMSE）和异常值比（Outlier Ration，OR）。CC的值越大，非线性映射DMOSP和DMOS有更高的相关性；MAE和RMSE的值代表DMOSP和DMOS的残差，值越小说明评价模型的表现越优异；OR的值表示DMOSP和DMOS的一致性，值越小则评价模型越好。

表1 算法比较

从表中可以看出，相对于其他三种算法，所提出的算法CC值最大，也就是评估值和主观评价值有更高的相关性，更加符合人类视觉系统；其他参数比较接近，但表现也是比较靠前的。需要说明的是，MSE、PSNR和SSIM这些方法是有参评价模型，需要一张参考图像，这就在很大程度上限制了它们的应用范围。为了更加直观的看出所提算法的表现，把所提算法BIQA算出的模糊度与主观评价值做比较，绘制成图2所示。

图2 BIQA相对于DMOS的离散点图

可以看出，离散点比较集中，变化趋势相同，所提算法BIQA与主观评价有较高的一致性。在图像比较模糊或者比较清晰时，离散点都能区分开来。图中更多离散点集中在中间部分，说明该算法对一般模糊图像的区分度有待提高。

5 结束语

针对图像模糊质量检测，提出一种新的无参考评价方法，结合Gabor特征提取和点误差累计，结果表明该方法要优于经典的均方误差、峰值信噪比和结构相似度等算法，是一种有效的无参考模糊质量检测方法。

［1］ Wang Z，Liang L，and Alan C B.Video quality assessment using structural distortion measurement［C］.//International Conference on Image Processing.Rochester：NY，USA，2002.

［2］ 魏政刚，袁杰辉，蔡元龙.一种基于视觉感知的图像质评价方法［J］.电子学报，1999，27（4）：79－82.

Wei Zhenggang，Yuan Jiehui，Cai Yuanlong.APicture Quality Evaluation Method Based on Human Perception［J］.ACTA ELECTRONICA SINICA，1999，27（4）：79－82.

［3］ Marziliano P，Dufaux F，Winkler S，Ibrahimi T.A no referenc e perceptual blur metric［C］.//International conference on image processing.Rochester：NY 2002.

［4］ Caviedes J，Gurbuz S.No reference sharpness metric based on local edges Kurtosis［C］.//IEEE international conference on image processing.Rochester：NY，2002.

［5］ Yun Chung Chung，Jung MingWang，Bailey R R，et al.A nonparametric blur measure based on edge analysis for image processing applications［J］.IEEE conf Cybern intell syst 2004（1）：356－360.

［6］ Firestone L，Talsamia N，Preston K，et al.Comparison of autofocusmethods of automated microscopy［J］.Citometry：1991（12）：195－206.

［7］ Nill N B，Bouzas B H.Objective image quality measure derived from digital image power spectra［J］.Opt，Eng：1992，4（31）：813－825.

［8］ Ong E P，Yun Chung Chung，Jung Ming Wang，et al.No reference qualitymetric formeasuring image blur［C］.//In Proc IEEE int.Conf.Image processing，sp：2003.

［9］ Zhou Wang，Bovik，A C，LuLi gang.Why is image quality assessment so difficult［C］.//IEEE International Conference on Acoustics.Speech and Signal Processing：Orlando，USA，2002.

［10］ Lades M，Vorbruggen JC，Buhmann J，et al.Distortion invariant object recognition in the dynamic link architecture［C］.//IEEE Transactions on Computers：1993.

［11］ Sheikh H R，Bovik A C，Cormack L，et al.LIVE image quality assessment database 2［EB/OL］.2005.Available：http：//live.ece.utexas.edu/research/quality.

［12］ Video Quality Experts Group，Final report from the video quality experts group on the validation of objectivemodels of video quality assessment［］，VQEG，Mar，2000.

［13］ Video Quality Experts Group，Final report from the video quality experts group on the validation of objectivemodels of video quality assessment［］，（2003－08）http：//www.vqeg.org/.

Evaluation on No－reference Image Blur Metric Based on Gabor Wavelet Transform

Zeng Zexing，Zeng Qingning，Cai Xiaodong，Zhu Liwei，Tian Ke
（School of Information and Communication，Guilin University of Electronic Technology，Guilin 541004，China）

The ambiguity is one of the factorsmost frequently considered in a variety of image quality assessmentmethods.This paper proposes a new evaluationmethod to detect the blur based on the Gabor wavelet.Firstly，the Gabor Wavelet is used to extract the high－frequency information of image.Then the original image is divided into high frequency and low frequency.Secondly，the two frequencies of image pixel point error are accumulated separately，and the average difference is calculated at the same time.Finally，the blur degree is calculated combining with these two values.Themethod combines the idea of the Human Visual System Model and cumulative error.The experimental results show that the correlation coefficient of the blur evaluation results and themanual evaluation results is 0.7836 and the outlier ration is 0.0443，and themethod is effective.

Gabor wavelet；Image quality；Blurred image；No－reference；Blurmetric；HVSM

10.3969/j.issn.1002－2279.2015.05.012

TP39

A

1002－2279（2015）05－0047－03

国家科技支撑计划课题（2012BAH20B01，2014BAK11B02）；广西高校科学技术研究项目（2013YB092）；广西自然科学基金项目（2012GXNSFAA053232 2013GXNSFAA019326）

曾泽兴（1987－），男，广西省贵港市人，硕士研究生，主研方向：图像处理、人脸识别。

2015－02－04