一種基于圖像內容的圖像評價方法

李 宗， 徐家品

（四川大學 電子信息學院，四川 成都 610064）

0 引言

給定一幅圖像，圖像質量好壞通過人工來判定比較容易。但人工評定效率很低，不同人有不同的評判。這種主觀的評價方法無法適用于海量圖片的評定。因此客觀的、有明確的數學表達的圖像質量評價方法的建立十分有必要。

文中提出一種有效的圖像質量評價方法。從圖像的顏色豐富程度、局部特征豐富程度以及是否背景豐富、是否包含多個子圖等信息進行綜合質量評價。通過對互聯網上抽取的1600萬張進行測試，文中方法對圖像質量的評價有效地改進了后續圖像處理的效果，改善了圖像搜索的體驗效果。

1 相關工作

圖像質量評價包括主觀評價和客觀評價兩方面。主觀評價是用人眼觀察判斷圖像的好壞。德克薩斯大學有這樣一個學術界公認的主觀評價數據庫[1]；美國國家圖像解譯度分級標（NIIRS[2]，National Imagery Interpretability Rating Scale)，其分為可見光，雷達，紅外，多光譜圖像的評價。客觀評價是對圖像通過計算得到一個評價值，分為有參考和無參考兩類。現今，業界對圖像質量客觀評價的研究還主要停留在個別的、細分的領域，而且大多都是有參考的客觀評價。目前圖像質量的客觀評價內容可分為3個方面：噪聲量、模糊度、曝光度。

為了得到一個圖像質量的綜合評價，可以結合曝光情況對清晰度和噪聲程度的值按一定比例加權后得到一個最終的評價值。

文中方法是基于單幅圖像的絕對圖像質量評價方式，對于大部分圖像都能從展示效果和后續圖像處理的角度進行有效的質量評價。

2 方法討論

文中從以下幾個方面入手，對質量分級、內容分類處理：判斷圖像是否為純色背景；判斷圖像是是否為簡單圖像（包括顏色簡單和局部特征較少）。

2.1 圖像是否為純色背景

判斷圖像是否為純色背景的前提是，首先從圖像中將背景提取出來。背景是否能夠恰當提取，會對該項判斷的準確性有一定的影響。現有的前背景提取方法有：2004年J Sun[3]提出使用泊松方程進行區域提取的方法；2008年A levin[4]采用鄰近區域方程進行圖像分層的方法。2008年Y Tai[5]在文章中提出二值分層的方式獲取特征區域的邊界。目前的算法，在大多數情況還很難從圖像中提取出準確的圖像背景，但是也可以進行一些簡單的判斷。

采用的圖像區域的判定方法：對原圖的灰度圖用 canny邊緣檢測后得到邊緣二值圖，通過兩次膨脹和一次腐蝕變換后對其求連通塊。然后根據連通塊的特性判斷此連通塊是否為背景。具體的連通區域判斷依據為：連通區域的面積率；連通區域的標準方差；連通區域中的洞的個數以及區域中的洞占區域的面積率；連通區域是否處于圖像的邊緣位置。背景區域提取以后采用背景區域的面積大小、面積率、背景區域的標準方差等信息綜合判定背景區域是否為相對純色區域，如圖1所示，圖 1(b)中黃色區域表示提取的背景區域，通過判定為純色背景，圖 1(d)中陰影區域表示提取的背景區域，通過判定為非純色背景圖像。

圖1 圖像純色背景判斷

2.2 圖像是否構圖簡單

2.2.1 圖像是否接近自然圖像色彩分布

有關自然圖像的統計分布研究也非常的廣泛，如 Fergus[6]從大量的自然圖像中，求得統計的平均梯度分布，如圖2所示。圖2中的中間部分代表了圖像的平滑區域，圖2中的兩邊拖尾代表了圖像的細節部分，可見，自然圖像中大部分區域是比較平滑的。同時也說明通過圖像的強度統計信息來判定圖像的質量好壞是可行的。

圖2 圖像統計平均梯度分布

為了計算方便，采用圖像的直方圖信息來討論。從大量的圖像的直方圖中分析得知。直方圖統計信息比較糟糕的主要有以下3種情況：①圖像本身所含帶的信息太少；②計算機生成圖像；③圖像拍攝時欠曝或者過曝。下面列舉了幾類圖像的示例。直方圖分布是否合理：該判斷是分析圖像的直方圖分布，得出圖像直方圖分布與圖像質量之間的對應關系。如圖3，圖4和圖5所示，可以明顯的看出來3類圖像所對應的直方圖分布的差別很大。圖 3和圖4是用相機實際拍攝的圖像，圖5是用計算機生成的圖像。實際判斷時，通過分析直方圖分布的主峰個數，主峰寬度等實現。使用直方圖統計信息進行判斷時，沒法區分這3類圖像。不過在圖像搜索時，可將這些圖像一并處理。

其實現方法為：①掃描圖像直方圖，獲得最高峰的位置和高度；②設定一個閾值線將直方圖劃分為多個隔離的峰，統計各個峰的位置、峰高、峰寬和峰所占的面積；③合并峰頂距離較小的峰；④統計圖像中的顏色數和濾波后的顏色數（濾波的高度閾值為 MAX(10.0，總像素/1000)；⑤通過圖像濾波顏色數和峰的個數、寬度、面積等判斷項綜合判定是否符合自然圖像彩色分部要求。

圖3 欠曝圖像與其直方圖

圖4 過曝圖像與其直方圖

圖5 計算機生成的非自然圖像與其直方圖

2.2.2 圖像局部特征是否豐富

圖像局部特征是相對于圖像全局特征而言的，指在圖像局部區域提取的特征，包括圖像中的特殊點、脊、邊、斑點等等。由于局部特征大多具有良好的旋轉不變性、灰度不變性、幾何不變性等，近幾年對圖像特征的研究發展非常的迅速，成為很多圖像處理技術的基礎，比如圖像拼接、圖像三維重建、圖像搜索等。現有的圖像特征算法有 Moravec角點、Harris角點、SIFT特征、SURF特征、MSER特征等。

圖像局部特征的復雜度，很大程度上代表了圖像所帶信息的復雜度。考慮采用圖像局部特征的有效個數來判定圖像的信息豐富程度。上述的圖像特征算法各有不同的特征，在實際的運用中可以根據實際情況來選擇合適的圖像局部特征進行該項判斷。

在實際應用中，使用圖像搜索特征提取一致的算法，無需重復特征提取。這里，以SIFT算法為例來展示的結果。步驟為：①高斯金字塔分層；②層間求差值；③在本層的 3×3矩陣和相近兩層的3×3矩陣的26個點中判斷是否為極值點，如果是極值點判斷為斑點，否者則不是斑點。由圖6可見，圖6（a）中有效的特征點數有 89個，圖 6（b）中圖像的特征點數有 15個，兩圖的信息復雜度差別也可由此得來。

圖6 圖像局部特征提取

3 結果及分析

為了檢測上面判定項的有效性，從互聯網上隨機的下載了1600萬多張圖像。規定圖像最長邊大于 100，尺度過小的圖像所能容納的信息較少，可以直接判斷為簡單圖。

表1 圖像搜索系統測試結果

在判斷圖像局部特征是否豐富時，該方法召回率達96%，準確率達96%，其判斷時間跟選擇的局部特征有關，用搜索一樣的具體特征算法，其時間可忽略。

4 結語

從實驗結果可見，各種圖像的存在會影響搜索的效果。作為一個普適性的圖像搜索引擎，一刀切的將該部分數據丟棄是不合理的，需要在圖像搜索算法實現時將這部分圖像區分處理，比如簡單圖像優先和簡單圖像匹配等[7-10]。可以明顯地感覺到該方法無論從數據還是實驗效果上都極大地改善了圖像搜索判別效率。

[1]BOVIK A C.Subjective Image Quality Assessment-LIVE Image Quality Assessment Database[DB/OL].（2010-09-17）[2011-10-10].http://live.ece.utexas.edu/research/quality/subjective.htm.

[2]LEACHTENAUER J C.National Imagery Interpretability Rating Scales Overview and Product Description[C]//ASPRS/ACSM Annual Convention & Exposition Technical Papers.Bethesda: ASPRS/ACSM, 1996:262-272.

[3]SUN J, JIA J, TANG C K, et al.Poisson Matting[C]//Siggraph’04.USA:ACM,2004:315-321.

[4]LEVIN A, LISCHINSKI D, WEISS Y.A Closed-form Solution to Natural Image Matting[J].IEEE Transactions on Pattern Analysis and Machine Intelligence.2008, 30(02):228-242.

[5]TAI Y, DU H, BROWN M S, et al.Image/video Deblurring Using a Hybrid Camera[C]// Computer Vision and Pattern Recognition.Anchorage: Proc.IEEE Conf.USA:IEEE,2008:1-8.

[6]FERGUS R, SINGH B, HERTZMANN A, et al.Removing Camera Shake from a Single Photograph[J].ACM Transactions on Graphics,2006(25):787-794.

[7]李鵬,田東平,張楠.基于混沌序列的數字圖像隱藏技術[J].信息安全與通信保密,2007(06):222-225.

[8]張磊,趙維.基于DCT的圖像低頻域數字水印方法[J].信息安全與通信保密,2007(03):85-86.

[9]胡玉暉.基于局部子區域的活動輪廓圖像分割方法[J].通信技術,2010，43(02):68-70.

[10]李強,王喆.基于小波分析的圖像壓縮[J].通信技術,2010,43(08):236-238,241.