摘 要： 提出了一种基于小波变换和人类视觉系统的图像质量评价方法。首先分别测得4级小波分解后高低频分量的SSIM值并用CSF曲线加权，然后对低频分量进行分块DCT变换，测得每块的中高频分量的SSIM值作为乘性系数与前面所得结果相乘，最后对彩色图像各个通道分别进行加权相加。实验结果表明，算法与人眼主观感受值更加吻合。
关键词： 小波变换；彩色图像；质量评价
0 引言
现如今，随着多媒体技术的发展，互联网中传输的图像信息不断增多，尤其以彩色图像为主。结构相似度（Structural Similarity，SSIM）方法通过测量图像结构信息来判断图像质量，评价结果与人眼主观感受非常接近，算法实现复杂度较低，不少学者对此方法进行改进。
参考文献[1]~[5]通过Sobel算子分区、小波变换分区、contourlet多方向分区等方式对传统SSIM算法进行改进，但算法多用于灰度图像。本文针对人类视觉的色彩掩蔽效应，针对不同通道分别加权，将算法引入彩色图像领域。为了增加与主观评价值的拟合程度，本文还将小波分解后低频分量进行DCT分块，对分块后的中高频分量计算SSIM，增加算法的抗噪声能力，同时对JPEG压缩的检测效果有很好的提升。
1 传统SSIM算法
WANG Z等人[6]提出了结构相似度（Structural Similarity，SSIM）图像质量客观评价方法，它将图像划分为亮度、对比度和结构3个成分进行比较。将这3个分量以一定比例整合，即为SSIM评价指标。
SSIM算法会出现一些判断失误的情况，如图1所示。
可以看出，人眼主观判断的话，图1（c）的质量明显高于图1（b）的质量，与测得的SSIM值相反。
2 人类视觉系统
人类视觉系统（Human Visual System，HVS）存在诸多掩蔽效应，如亮度掩蔽、对比度掩蔽、纹理掩蔽、色彩掩蔽、频率掩蔽等。
对比敏感度函数[7]（Contrast Sensitivity Function，CSF）是一种考虑到HVS特性的函数曲线，它是对人类观察图像时视觉兴趣区域的概括。学者MANNOS和SAKRISON经过大量的试验，建立了CSF的函数表达式：
CSF（f）=2.6*（0.019 2+0.114f）exp[-（0.114f）1.1]（2）
其中，f为空间频率。CSF曲线如图2所示。
可以看到，当频率低于40时，人眼的视觉敏感度几乎为零。
传统SSIM算法只考虑了亮度、对比度和结构，并未考虑频率掩蔽和色彩掩蔽。
3 算法描述
本文算法的主要步骤如下：
（1）判断图像属性，若为灰度图，则直接转到步骤（2）；若为彩色图，则提取RGB 3个通道。
（2）对原图和嵌入水印后的图像分别进行4级小波分解，分别提取低频子带f5和每级分解的高频子带。每级小波分解的高频子带分为LL、LH和HH 3部分，对它们进行加权相加，得到各级小波分解后的高频和低频子图。
其中，k=1，2，3，4，小波分解后各子带如图3所示。
（3）对各个子带分别求SSIM值，将CSF曲线按照上述方法进行4级小波分解，各级系数如表1所示。
取各频带系数的平均值作为加权系数，得到结果
（4）为了克服噪声和压缩攻击对CWSSIM的影响，对小波分解后的低频分量进行分块DCT变换，取每个子块的中低频分量，测其SSIM值作为权值：
然后与前面测得的CWSSIM值相乘，即：
DCWSSIM=Wdct*CWSSIM（6）
得到权值修正后的DCWSSIM，使得曲线更加聚合。
（5）对彩色图的各个通道分别进行加权，得到最终的CWSSIM：
4 仿真实验
为了测试这几种算法对彩色图像的评价值与人眼主观评价值DMOS的拟合程度，采用Live数据库[8]对本文算法和相关算法进行测试，并对客观评价结果和DMOS分值绘制散点图，进行曲线拟合。
首先采用Live图库进行测试，横轴表示客观评价算法，纵轴表示DMOS值，每一点表示一幅图片，如图4所示。
可以看出，PSNR、SSIM和MWSSIM方法所绘制的散点图过于分散；MRWSSIM由于增加了权值，拟合效果略好；WWSSIM由于考虑了频率的方向性，在一定程度上使得曲线更加集中，但这两种算法在对待高斯白噪声（图中圆圈所示）时，可能会出现评价不准确的情况；而本文算法对高斯白噪声的评价更接近预测曲线。
采用VQEG评价标准对上述6种客观评价算法作评价，测试结果如表2所示。
由上表可以看出，本文所用方法对于Live图像数据库具有最高的皮尔森相关值，同时离群率较低，WWSSIM由于考虑了频率方向性，也取得了比前4种好的效果。
5 结论
本算法采用小波变换的多尺度分析技术，小波变换分区，弥补了传统SSIM没有考虑到频率掩蔽效应的不足，并采用CSF分解曲线确定权值。由于SSIM对噪声敏感，通常检测的经过JPEG压缩的图像值偏高，而经过噪声处理的图像值偏低，本文对小波后的低频分量再进行DCT分块，计算每一块的中高频成分的和的平均值作为乘性系数，使得测得的结果曲线更加聚合。本文还考虑到了人眼的色彩掩蔽效应，对RGB图像的3个通道分别加权，使得本算法对彩色图像的评价值更加精确。
参考文献
[1] Chen Guanhao， Yang Chunling， Xie Shengli. Gradient-based structural similarity for image quality assessment[C]. 2006 IEEE International Conference on Image Processing. IEEE， 2006： 2929-2932．
[2] 王一秀，韩焱.基于人眼视觉特性的X线图像质量评价方法[J].微型机与应用，2010，29（9）：38-40.
[3] 倪晓明.基于小波变换图像质量评价新算法[D].厦门：厦门大学，2009.
[4] 米曾真.小波域中CSF频率与方向加权的图像质量评价方法[J].电子学报，2014，42（7）：1273-1276.
[5] Lu Bin， Tian Wei. Image quality assessment based on nonsubsampled contourlet transform and structural similarity[C].2013 3rd International Conference on Consumer Electronics， Communications and Networks （CECNet）， IEEE， 2013： 347-350.
[6] WANG Z， BOVIK A C， SHEIKH H R， et al. Image quality assessment： from error visibility to structural similarity[J]. IEEE Transactions on Image Processing， 2004， 13（4）： 600-612
[7] JUNG S W， LE THANH HA S J K， KO S J. A new histogram modification based reversible data hiding algorithm considering the human visual system[J]. IEEE Signal Processing Letters， 2011， 18（2）：95-98.
[8] SHEIKH H R， BOVIK A C. Image information and visual quality[J]. IEEE Transactions on Image Processing， 2006， 15（2）：430-444.