摘要

        本文提出了一種基於目標感知的無參考影象銳度/模糊度評價方法。與現有的無參考影象銳度/模糊度演算法不同，該演算法能夠預測影象不同區域的相對模糊度，且與人類視覺的主觀感知有較好的相關性。

前言

1.研究意義：

        影象中的模糊是由於空間域高頻率的資訊衰減產生的，通常發生在過濾或視覺資料壓縮階段。影象的模糊度和銳度是成反比，因此，影象的模糊度量也可以用來測量銳度。

2.概念：

• 主觀評價：主觀質量評價被認為是最可靠的，因為在許多應用場合，最終是使用者來判斷是否準確。一般是通過選擇若干個人進行主觀測試評價，統計計算得到質量評分。
• 參考評價：給定原始影象，通過對比參考，完成度量。
• 半參考評價：給定原始影象的部分資訊或區域性特徵，完成度量。
• 無參考評價：沒有任何原始影象的資訊參考。

無參考評價是目前影象質量評價（IQA）演算法最大的挑戰之一，但應用也是最為廣泛。

JNBM演算法

• 人類視覺系統HVS在檢測邊緣模糊過程中，會存在臨界的模糊閾值，這個閾值稱為JNB (Just Noticeable Blur)。而HVS的模糊識別度是主觀的，客觀的模糊閾值JNBs是由區域性對比度決定。 JNB是在高於JND對比度前提下，影象區域性邊緣的感知模糊對應的最小值。The JNB is the minimum amount of perceived blurriness around an edge given a contrast higher than the JND.

JND概念

“just noticeable difference”(JND)是指在相對背景強度下能夠產生感官體驗變化的刺激強度的最小值。換句話說，使標準觀察者能夠檢測到強度變化的最小對比度。the notion of “just noticeable difference” (JND). By definition, the JND is the minimum amount by which a stimulus intensity must be changed relative to a background intensity in order to produce a noticeable variation in sensory experience.

• 視覺系統中的資訊是用對比度來表示的，並不是光強的絕對值大小。光照強度的相對變化才能反映視覺資訊。

HVS模糊主觀實驗

為了研究HVS對影象模糊的響應，我們進行了主觀實驗，以獲得模糊感知與可見模糊(JNBs)相關的結果。在邊緣周圍引入特定對比度的情況下，估計HVS無法檢測的最大值模糊度，即特定對比度下的模糊閾值。

• 給定背景光照強度以及前景強度，對比度  ，和的取值列表為{0，30，60，80，128，192，255}，兩者不能相等。
• 前景區域使用矩形覆蓋，並且使用不同標準差的低通高斯濾波器進行處理，標準差σ 從0.1到0.95取6個值，濾波器大小7x7。
• 逐漸增大濾波器的標準差，直到人的主觀效能夠檢測到模糊為止。此時，標準差σ 表示的模糊程度記為JNB的模糊閾值（可見模糊），記為σJNB .
• 共18名志願者進行主觀測試，對27種從20到255範圍的不同對比度影象進行模糊檢測，統計每一種對比度下的檢測結果，並求出歸一化直方圖，它是關於標準差 的模糊失真的概率函式。從直方圖中選擇模糊檢測概率為63%對應的標準差作為該對比度下的模糊閾值.
• 公式如左下圖所示：

感知模糊概率求和模型

• 給定單一對比度，主觀評價得到區域性邊緣的 JNB閾值;而感知模糊度量需要考慮影象空間中的所有邊緣畫素的模糊概率。
• 單個邊緣畫素的模糊概率公式如下所示：

Perceptual Sharpness Metric感知銳度度量

基於感興趣區域的模糊度量的基礎，從而統計整個圖片的清晰程度。

• 步驟：

1. Divide into blocks(分塊)：每一塊可以認為是一個感興趣區域，其大小為64x64，論文中給出了64的緣由。
2. 對每一個block進行sobel運算元的邊緣檢測，設定一個block閾值，T為畫素個數的20%，大於閾值的認為是edge block，否則為smooth block，這裡只考慮水平方向的邊緣。
3. 計算每一個block的邊緣畫素的寬度 ，根據對比度求出 ，統計求和，得到該block的模糊度量值 ：
4. 根據每一個block的模糊值，計算整個影象的模糊值，表示如下：
5. 計算清晰度S：；L表示總的blocks減去平滑的blocks；

論文的程式碼百度雲地址：Matlab_JNBM，密碼：z91u