摘要
本文提出了一种基于目标感知的无参考图像锐度/模糊度评价方法。与现有的无参考图像锐度/模糊度算法不同，该算法能够预测图像不同区域的相对模糊度，且与人类视觉的主观感知有较好的相关性。
前言
1.研究意义：
图像中的模糊是由于空间域高频率的信息衰减产生的，通常发生在过滤或视觉数据压缩阶段。图像的模糊度和锐度是成反比，因此，图像的模糊度量也可以用来测量锐度。
2.概念：
- 主观评价：主观质量评价被认为是最可靠的，因为在许多应用场合，最终是用户来判断是否准确。一般是通过选择若干个人进行主观测试评价，统计计算得到质量评分。
- 参考评价：给定原始图像，通过对比参考，完成度量。
- 半参考评价：给定原始图像的部分信息或局部特征，完成度量。
- 无参考评价：没有任何原始图像的信息参考。
无参考评价是目前图像质量评价（IQA）算法最大的挑战之一，但应用也是最为广泛。
JNBM算法
- 人类视觉系统HVS在检测边缘模糊过程中，会存在临界的模糊阈值，这个阈值称为JNB (Just Noticeable Blur)。而HVS的模糊识别度是主观的，客观的模糊阈值JNBs是由局部对比度决定。 JNB是在高于JND对比度前提下，图像局部边缘的感知模糊对应的最小值。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)是指在相对背景强度下能够产生感官体验变化的刺激强度的最小值。换句话说，使标准观察者能够检测到强度变化的最小对比度。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.
- 视觉系统中的信息是用对比度来表示的，并不是光强的绝对值大小。光照强度的相对变化才能反映视觉信息。
HVS模糊主观实验
为了研究HVS对图像模糊的响应，我们进行了主观实验，以获得模糊感知与可见模糊(JNBs)相关的结果。在边缘周围引入特定对比度的情况下，估计HVS无法检测的最大值模糊度，即特定对比度下的模糊阈值。
- 给定背景光照强度
以及前景强度
，对比度
，
- 前景区域使用矩形覆盖，并且使用不同标准差的低通高斯滤波器进行处理，标准差σ 从0.1到0.95取6个值，滤波器大小7x7。
- 逐渐增大滤波器的标准差，直到人的主观性能够检测到模糊为止。此时，标准差σ 表示的模糊程度记为JNB的模糊阈值（可见模糊），记为σJNB .
- 共18名志愿者进行主观测试，对27种从20到255范围的不同对比度图像进行模糊检测，统计每一种对比度下的检测结果，并求出归一化直方图，它是关于标准差 的模糊失真的概率函数。从直方图中选择模糊检测概率为63%对应的标准差作为该对比度下的模糊阈值
.
- 公式如左下图所示：
感知模糊概率求和模型
- 给定单一对比度，主观评价得到局部边缘的 JNB阈值;而感知模糊度量需要考虑图像空间中的所有边缘像素的模糊概率。
- 单个边缘像素的模糊概率公式如下所示：
Perceptual Sharpness Metric感知锐度度量
基于感兴趣区域的模糊度量的基础，从而统计整个图片的清晰程度。
- 步骤：
- Divide into blocks(分块)：每一块可以认为是一个感兴趣区域，其大小为64x64，论文中给出了64的缘由。
- 对每一个block进行sobel算子的边缘检测，设定一个block阈值，T为像素个数的20%，大于阈值的认为是edge block，否则为smooth block，这里只考虑水平方向的边缘。
- 计算每一个block的边缘像素的宽度
，根据对比度求出
，统计求和，得到该block的模糊度量值 ：
- 根据每一个block的模糊值，计算整个图像的模糊值，表示如下：
- 计算清晰度S：
；L表示总的blocks减去平滑的blocks；