No-reference quality metric for contrast-distorted image based on
gradient domain and HSV space
摘要
问题：在图像采集和处理过程中，由于对比度失真的产生，对比度的IQA成为一个主要问题。
提出：本文提出了一种新的无参考/盲图像质量评价(IQA)方法来评价图像对比度。本研究旨在探讨对比失真与视觉感知质量之间的相互关系。将梯度域上的局部二值模式(LBP)描述子与HSV颜色空间上的颜色矩相结合，得到综合质量度量。采用支持向量回归(SVR)对预测模型进行训练。
介绍
HSV：给定一个视觉信号，人类视觉系统(HVS)首先迅速产生全局感知，然后逐渐聚焦于特定的局部区域，对图像质量进行感知，如其边缘信息[33]。
Q. Jiang, F. Shao, W. Lin, G. Jiang, Blique-tmi: blind quality evaluator for tone-
mapped images based on local and global feature analyses, IEEE Trans. Circuits
Syst. Video Technol. 29 (2019) 323–335.
当我们评估给定图像的对比度时，它的边缘信息是很重要的。一般来说，高对比度图像的边缘更清晰，细节更多，可以传递很多信息，这些可以在灰度上看到。此外，人们感知到的信息大多是彩色信息，它补充了一些细节和相对于灰度图像的信息。这表明有必要将灰度和彩色信息结合起来作为对比失真的表征。
双网络分支：
首先，梯度域对图像边缘进行表征，在灰度上反映图像质量;梯度域的结构随着对比度失真的发生而发生变化。考虑到HVS的敏感性，需要表示梯度图的空间结构，包括强度和分布。
其次，色彩对图像对比效果影响较大，提供的彩色图像具有更大的动态范围。色彩失真随着对比失真的发生而变化，导致视觉感知不良。为了量化图像的色彩程度，我们引入了HSV色彩空间，包括颜色明度(表示明暗程度)和颜色饱和度(表示颜色相对于自身亮度的丰富程度)。并且，我们用色彩空间通道的统计分布来表征失真，从而有效地估计图像感知质量。
关于对比度失真：梯度域结合LBP
从图3可以看出，高对比度的图像显示出更多的细节，使图像更加清晰。图3(a)为原始灰度图像，图3(b)-(d)为对比度变化后的对应图像，且失真程度不断增大。我们可以发现图像边缘在灰度上由于对比度失真而变得模糊。为了计算灰度失真，结合梯度域和LBP来表示灰度图像的失真，如下图所示。
HSV颜色空间的颜色矩
色彩信息在人类对自然场景的自然感知中也起着重要作用。实验表明，在人类感知自然场景的第一瞬间，80%的感知信息是色彩信息，而在2分钟[34]后，这一比例可保持在50%左右。
Lihuo He, Xinbo Gao, Wen Lu, Xuelong Li, Tao Dacheng, Image quality assessment based on S-CIELAB model, Signal Image Video Process., 5, 2011, pp.283–290.
图5(a)为原始彩色图像，图5(b)-(d)为对比度失真的对应图像，且对比度在减小。为此，我们引入HSV颜色空间来表示失真图像的色彩信息，这符合人类视觉系统的特点。
利用色矩对其分布进行表征，如图4所示。
为了更好地观察HSV颜色空间的变化，我们在图6中展示了三通道映射，图6是图5中对应图像HSV颜色空间中三通道的图解。
为了更直观地观察三个通道，我们对三个分量进行直方图统计，如图7所示。横坐标表示像素值，纵坐标表示像素值在通道映射中出现的频率。可以发现饱和度和数值图的统计分布特征不同
从概率论我们知道，一个概率分布的唯一特征是它的矩。如果我们把图像的颜色分布解释为概率分布，那么颜色分布也可以用它的矩来表征。因此，颜色矩通常被用作一种有效的、通用的图像检索工具。在这个工作中，我们利用它来表示带有对比度失真的颜色分布。
在[31]中，提出了每个颜色通道的中心矩来存储颜色分布信息。此外，研究证明颜色分布信息主要存储在较低阶矩中，因此，我们选择一阶到四阶中心颜色矩作为颜色信息的描述符。第一个矩是平均值，它存储图像的平均颜色。 第二个是方差，表示标准差。第三和第四个中心矩分别是每个颜色通道的偏度和峰度。
图8为图5所示图像的饱和度通道和明度通道的色矩特征。可以看出，颜色矩的绝对值随对比度畸变的变化而变化，且两者呈正相关关系。这表明，我们提出的色矩特征可以有效地表示具有不同对比度失真的图像。
实验结果
