基于KSVD的水下构建物污损图像去噪技术的算法研究
基于KSVD的水下构建物污损图像去噪技术的算法研究[20191213091510]
摘 要
如今，现实中的图像在成像或者数字化和传输过程中由于经常受到设备与外部环境噪声干扰等因素的影响，从而大大降低了图像的质量，这就为图像的解译工作造成了很大的困难。因此，在图像处理中，图像去噪成为关键环节，也是后续图像特征提取、分割、识别等工作的基础。
本论文针对水下构建物污损图像去噪问题，提出了一种基于K-SVD(Singular Value Decomposition)和残差比的正交匹配追踪（Orthogonal Matching Pursuit,OMP）图像稀疏分解去噪算法。该算法利用K-SVD算法将离散余弦变换（Discrete cosine transform,DCT）框架产生的冗余字典训练成能够反映图像结构特征的超完备字典，以实现图像的有效表示。然后，以残差比作为OMP算法迭代的终止条件来实现图像的去噪，最终对其进行了MATLAB平台的实现。
实验表明：该算法相对于传统基于Symlets小波图像去噪、基于Contourlet变换的图像去噪方法，以及基于DCT冗余字典的稀疏表示图像去噪，K-SVD算法将过完备字典的构建和优化结合起来，更有效地生成反映图像特征的字典。此方法在实现图像去噪的同时，其去噪性能比传统的方法更有优势。
查看完整论文请+Q: 351916072
关键字:图像去噪；稀疏表示；K-SVD；OMP
目 录
摘 要 I
ABSTRACT II
第1章 绪论 1
1.1 本课题的研究现状 1
1.1.1 图像去噪的研究现状 1
1.1.2 基于过完备原子库稀疏分解的研究现状 2
1.2 图像去噪的背景与意义 3
1.3 图像去噪效果评价标准 4
1.4 课题设计架构说明 6
第2章 图像稀疏分解理论和K-SVD算法 7
2.1 基于过完备原子库的稀疏分解理论 7
2.1.1 稀疏分解的含义 7
2.1.2 MP算法和OMP算法 8
2.1.3 匹配追踪算法的复杂性 9
2.2 过完备字典和K-SVD算法 10
2.2.1 过完备字典的构造 10
2.2.2 K-SVD算法 11
第3章 稀疏分解图像去噪 13
3.1 稀疏分解图像去噪的原理和流程 13
3.2 基于传统阈值的稀疏分解中图像有效信息与噪声的区分 14
3.2.1 硬阈值 14
3.2.2 残差率阈值 15
3.3 基于相干比的图像有效信息与噪声区分 15
3.3.1 相干比的定义 15
3.3.2 相干比阈值的确定 16
第4章 基于K-SVD图像稀疏表示去噪算法 18
4.1 算法介绍 18
4.2 基于K-SVD和残差比的图像去噪算法设计 18
第5章 结果与分析 21
5.1 Symlets小波和Contourlet变换简介 21
5.2 试验结果与分析 21
第6章 总结与展望 27
参考文献 28
致 谢 31
第1章 绪论
1.1 本课题的研究现状
1.1.1 图像去噪的研究现状
数字图像在计算机中通常使用一系列像素点和每个点上对应的灰度值或彩色编码值来表示。数字图像是用 对来组成的，视频只是在这个对上加上一 维的时间。在灰度图像中， 代表的是二维空间上的坐标，也就是组成数字图像的最小单位——像素。 代表的是图像每个像素上的灰度值。数字图像的采集设备一般是光学聚焦系统配合 阵列，图像上每个像素点的值 就是 阵列上的感光点对光强度感应的结果。一幅视觉上感觉良好的灰度图像一般将灰度范围量化为256个等级，0代表黑，255代表白。
1、噪声模型
科学家们在对图像去噪进行研究的过程中，取得了丰硕的成果。在计算机中，通常用每个像素点的灰度值组成的集合来表示一幅图像，而图像噪声影响的就是每个像素点的灰度值。噪声本身的灰度值可以看作是随机变量，根据其对图像的影响方式，可以分为以下几种：
1）加性噪声。在这类噪声影响下的图像可以看作是原始图像与噪声的简单叠加而生成的，噪声强度与原始图像信号强度相互独立。加性噪声一般是由外界环境干扰而产生的，例如图像在传输过程中引入的信道噪声。去噪方法相对简单。
2）乘性噪声。这类噪声强度与原始图像信号强度是相关的，即噪声强度随着图像信号强度的变化而变化。这类噪声在处理的时候可以运用数学手段将其转化为加性噪声。
3）量化噪声。这类噪声是数字图像噪声的主要来源，因为图像在数字化的过程中必须要经过采样，在采样的过程中难免会引入量化误差。量化误差产生在获取图像、传输图像和存储图像等环节。对待这类噪声，通常可以采用增加量化位数的方法把噪声降低到接近理想的状态。
根据噪声灰度的统计特性可以对图像噪声进行分类，常见的噪声类型有：高斯噪声、椒盐噪声、均匀噪声、泊松噪声等，列如电视机屏幕上的雪花点就是椒盐噪声，而热噪声属于高斯噪声。本文中假设图像噪声模型为高斯白噪声，能量分散在整个频带上。几种重要的图像噪声模型如下：
1）高斯噪声，概率密度函数
（1.1）
其中， 表示像素灰度值， 为 的平均值， 为 的标准差。很多分布规律类似于高斯分布的噪声也用高斯噪声模型来进行去噪。
2）椒盐噪声，概率密度函数
（1.2）
其中， 表示像素灰度值， 表示图像中的极限灰度，列如在8比特图像中 。
3）均匀噪声，概率密度函数
（1.3）
其中， 表示像素灰度值， 表示给定的灰度值。
如果噪声的概率密度函数中，均值为0，方差固定，那么可将它称为白噪声，其频谱类似均匀分布。在图像去噪中，往往采用高斯白噪声模型作为图像去噪来对算法进行验证实验。
1.1.2 基于过完备原子库稀疏分解的研究现状
随着信号基于过完备原子库分解的思想的出现，以及MP(Matching Pursuit)算法的创立，开创了基于过完备原子库稀疏分解的方向。基于过完备原子库稀疏分解的图像去噪算法可以看作是过完备稀疏分解理论的应用之一。过完备稀疏分解的理论研究重点主要有两大部分：如何构建过完备原子库和稀疏分解算法。
经过近20年的研究和探索，构建过完备原子库的方法上，产生了多尺度Gabor原子库、多尺度脊波原子库以及级联原子库等研究成果。这些原子库构造方法均就各自研究的问题提出设想，并较好地解决了相关问题，同时证明了在原子库恰当的条件下，稀疏分解可以将信号表示的更加稀疏，能够更加全面、完整地体现出信号的特征。此外，通过学习、训练来获得过完备原子库的方法近两年也得到了发展。2006年，Michal等人提出了K-SVD算法，用于字典的自适应更新。此算法可以针对目标图像构建特定的、能够反映目标图像特征的字典，进而在图像去噪、压缩等领域取得了良好的效果。
稀疏分解的主要算法有：MP算法，即匹配追踪算法。此算法是很多稀疏分解算法的基础，体现了稀疏分解的很多特征。该算法采用不断从过完备原子库中选择最贴近残差信号的迭代来达到信号稀疏分解的目的。这种思想具有里程碑式的意义，但是算法涉及的运算量巨大，这是算法的缺陷，同时也为其他算法的产生提供了研究方向。直到Donoho等人提出来的BP(Basis Pursuit)算法，即基追踪算法可以获得比MP方法更稀疏的表示因为它采用午范数为度量函数，因而可用线性规划实现。OMP(orthogonal matching pursuit)算法，即正交匹配追踪算法，是MP算法的改进。与MP不同的是，OMP需要将原子库中的原子进行Gram-Schmidt正交化以后再将信号投影在原子上，得到信号的残差信号以后继续用相同方法进行迭代。此算法可以用较少的原子来表示信号，而且经过有限次迭代就可以收敛。Donoho在2006年提出StOMP(stage wise orthogonal matching pursuit)算法，即分段匹配追踪算法，此算法在OMP算法的基础上进行简化，降低了稀疏分解精度，提高了计算速度。Marco F Duarte于2005年提出TMP(tree matching pursuit)，即树形匹配追踪算法，它充分利用了过完备原子库的结构特点，但它仅适合于具有树形结构(如小波包)的过完备原子库。Chinh在2006年提出TOMP(tree-based orthogonal matching pursuit)，即树形正交匹配追踪算法是对TMP算法的改进。Gabriel Peyré提出了可以自适应地在由多个正交基级联而成的原子库中追踪最佳原子以逼近某种信号的方法来实现信号的稀疏分解。
在稀疏分解的基础上，由Candes、Romberg、Tao和Donoho建立起来的CS(compressive sensing)理论框架创新意义十分明显。它指出信号的采样频率取决于信号的结构和内容而不是信号的带宽，只要信号在某一空间内的表示具有稀疏性，则可以通过低于乃奎斯特频率的方式对信号进行采样。这种思想突破了奈奎斯特采样定理，如果成功应用则将对信号分析和处理产生深远影响。
1.2 图像去噪的背景与意义
视觉在人类感知外部世界的过程中起着十分重要的作用，在信息时代，数字图像成为了人类视觉感知的重要对象。数字图像处理是利用计算机对图像进行分析、计算以使其更加符合人们期望的过程。随着计算机、信息技术的发展，图像处理成为了一门在理论和实践上都取得巨大成就的学科。20世纪60年代，美国运用图像复原技术对卫星采集的月球表面图像进行处理，获得了大量宝贵信息。20世纪70年代，美国运用图像增强和图像识别技术处理卫星对地球的遥感图像，为本国的农业规划、矿藏勘探、水文气象预报等提供了广泛而可靠的信息。80年代末90年代，大规模集成电路技术的飞速发展为图像处理提供了强劲的计算平台，使得图像压缩技术、文本识别等技术有了长足发展。在互联网技术深化发展，云计算兴起的今天，数字图像成为了越来越重要的信息载体，甚至成为一种新兴的、重要的文化形式。在人们日常生活中，数字图像成为了人们享受服务，创造价值的重要媒介，对军事、生产、医疗、教育等各方面人类活动产生了深远的影响。正是基于这样的需求背景，数字图像处理技术飞速地发展着，其中图像去噪是研究的热点之一。
图像在获取、传输的过程中往往会受到设备和周围环境的影响，例如敏感原件在进行光电转化过程中敏感性不均匀，图像数字化过程中产生的量化误差，图像传输过程中的信道噪声等，这些都将影响图像的品质。怎样滤除图像噪声，还原图像的本来面貌是图像去噪的最终目标。图像去噪本身是一项有重要理论和实践意义的科研活动，同时也是图像处理的重要环节。图像处理一般要先对图像进行预处理，而去噪就是其中的重要环节，去噪后的图像将成为后期进行图像编码、图像特征提取、图像分割、图像压缩、图像传输等等研究的对象。因此，图像去噪效果的好坏，直接影响到其他图像处理环节的性能高低，研究图像去噪技术有重要的现实意义。
图像去噪涉及到数理统计、信息论等诸多领域。本文以图像去噪为研究问题，运用基于过完备原子库的稀疏分解理论为方法，对图像噪声进行新的理解，获得了一种新的图像去噪方法，经仿真验证该算法具有良好的图像去噪特性。
1.3 图像去噪效果评价标准
图像去噪是图像处理的重要环节，也是研究热点之一。去噪算法层出不穷，怎样制定反映图像品质好坏和评价图像去噪算法有效性的指标是一个重要的问题。同时，这些指标可以为去噪算法的改进提供依据，甚至成为算法分析和构成的重要组成部分。Janssen在2001年提出了一个描述图像质量的理论框架，核心内容基于以下几点：
1)图像不仅是二维信号，更是人类视觉信息的载体。
2)视觉感知不单单是信号处理过程，更是信息处理的过程。
3)视觉感知不是孤立的过程，而是人类与周围环境共同作用的结果。
4)图像质量不是指对图像失真信息的简单恢复，更重要的是图像作为视觉输入合适性的评判标准。
目前，评价图像品质的指标大致可以分为两类：主观评价和客观评价。
1)主观评价。评价图像的好坏与观察者的主观情绪有很大关系，但是目前人类对视觉系统成像原理的研究还不透彻，无法对观测者的心理情况进行准确建模，因此主观评价标准在描述图像品质上占据主导地位。主观评价的方法是通过设置试验，让观测者们对图像进行打分，进而分析图像质量。一般的步骤是：
a)准备样本集。这个过程要求样本集包含图像失真的类型要全面，而且图像内容要丰富。
b)由观测者对样本集中的图像进行评分。这个过程要注意观测者们使用图像显示设备的差异、观测距离、对观测者培训等问题。
c)对得到的主观评价结果进行加工处理。考虑到主观者情绪、动机等等原因，在此过程中一般要对原始数据进行取舍，而且可以同时拿出失真图像和参考图像供观测者打分，将评分差作为评分结果。
2) 客观评价。在实际应用中，以主观评价为主，同时需要客观指标作为评价图像品质的辅助依据。通常用待评价图像与参考图像之间的差别来衡量图像品质，常用的指标有：
摘 要
如今，现实中的图像在成像或者数字化和传输过程中由于经常受到设备与外部环境噪声干扰等因素的影响，从而大大降低了图像的质量，这就为图像的解译工作造成了很大的困难。因此，在图像处理中，图像去噪成为关键环节，也是后续图像特征提取、分割、识别等工作的基础。
本论文针对水下构建物污损图像去噪问题，提出了一种基于K-SVD(Singular Value Decomposition)和残差比的正交匹配追踪（Orthogonal Matching Pursuit,OMP）图像稀疏分解去噪算法。该算法利用K-SVD算法将离散余弦变换（Discrete cosine transform,DCT）框架产生的冗余字典训练成能够反映图像结构特征的超完备字典，以实现图像的有效表示。然后，以残差比作为OMP算法迭代的终止条件来实现图像的去噪，最终对其进行了MATLAB平台的实现。
实验表明：该算法相对于传统基于Symlets小波图像去噪、基于Contourlet变换的图像去噪方法，以及基于DCT冗余字典的稀疏表示图像去噪，K-SVD算法将过完备字典的构建和优化结合起来，更有效地生成反映图像特征的字典。此方法在实现图像去噪的同时，其去噪性能比传统的方法更有优势。
查看完整论文请+Q: 351916072
关键字:图像去噪；稀疏表示；K-SVD；OMP
目 录
摘 要 I
ABSTRACT II
第1章 绪论 1
1.1 本课题的研究现状 1
1.1.1 图像去噪的研究现状 1
1.1.2 基于过完备原子库稀疏分解的研究现状 2
1.2 图像去噪的背景与意义 3
1.3 图像去噪效果评价标准 4
1.4 课题设计架构说明 6
第2章 图像稀疏分解理论和K-SVD算法 7
2.1 基于过完备原子库的稀疏分解理论 7
2.1.1 稀疏分解的含义 7
2.1.2 MP算法和OMP算法 8
2.1.3 匹配追踪算法的复杂性 9
2.2 过完备字典和K-SVD算法 10
2.2.1 过完备字典的构造 10
2.2.2 K-SVD算法 11
第3章 稀疏分解图像去噪 13
3.1 稀疏分解图像去噪的原理和流程 13
3.2 基于传统阈值的稀疏分解中图像有效信息与噪声的区分 14
3.2.1 硬阈值 14
3.2.2 残差率阈值 15
3.3 基于相干比的图像有效信息与噪声区分 15
3.3.1 相干比的定义 15
3.3.2 相干比阈值的确定 16
第4章 基于K-SVD图像稀疏表示去噪算法 18
4.1 算法介绍 18
4.2 基于K-SVD和残差比的图像去噪算法设计 18
第5章 结果与分析 21
5.1 Symlets小波和Contourlet变换简介 21
5.2 试验结果与分析 21
第6章 总结与展望 27
参考文献 28
致 谢 31
第1章 绪论
1.1 本课题的研究现状
1.1.1 图像去噪的研究现状
数字图像在计算机中通常使用一系列像素点和每个点上对应的灰度值或彩色编码值来表示。数字图像是用 对来组成的，视频只是在这个对上加上一 维的时间。在灰度图像中， 代表的是二维空间上的坐标，也就是组成数字图像的最小单位——像素。 代表的是图像每个像素上的灰度值。数字图像的采集设备一般是光学聚焦系统配合 阵列，图像上每个像素点的值 就是 阵列上的感光点对光强度感应的结果。一幅视觉上感觉良好的灰度图像一般将灰度范围量化为256个等级，0代表黑，255代表白。
1、噪声模型
科学家们在对图像去噪进行研究的过程中，取得了丰硕的成果。在计算机中，通常用每个像素点的灰度值组成的集合来表示一幅图像，而图像噪声影响的就是每个像素点的灰度值。噪声本身的灰度值可以看作是随机变量，根据其对图像的影响方式，可以分为以下几种：
1）加性噪声。在这类噪声影响下的图像可以看作是原始图像与噪声的简单叠加而生成的，噪声强度与原始图像信号强度相互独立。加性噪声一般是由外界环境干扰而产生的，例如图像在传输过程中引入的信道噪声。去噪方法相对简单。
2）乘性噪声。这类噪声强度与原始图像信号强度是相关的，即噪声强度随着图像信号强度的变化而变化。这类噪声在处理的时候可以运用数学手段将其转化为加性噪声。
3）量化噪声。这类噪声是数字图像噪声的主要来源，因为图像在数字化的过程中必须要经过采样，在采样的过程中难免会引入量化误差。量化误差产生在获取图像、传输图像和存储图像等环节。对待这类噪声，通常可以采用增加量化位数的方法把噪声降低到接近理想的状态。
根据噪声灰度的统计特性可以对图像噪声进行分类，常见的噪声类型有：高斯噪声、椒盐噪声、均匀噪声、泊松噪声等，列如电视机屏幕上的雪花点就是椒盐噪声，而热噪声属于高斯噪声。本文中假设图像噪声模型为高斯白噪声，能量分散在整个频带上。几种重要的图像噪声模型如下：
1）高斯噪声，概率密度函数
（1.1）
其中， 表示像素灰度值， 为 的平均值， 为 的标准差。很多分布规律类似于高斯分布的噪声也用高斯噪声模型来进行去噪。
2）椒盐噪声，概率密度函数
（1.2）
其中， 表示像素灰度值， 表示图像中的极限灰度，列如在8比特图像中 。
3）均匀噪声，概率密度函数
（1.3）
其中， 表示像素灰度值， 表示给定的灰度值。
如果噪声的概率密度函数中，均值为0，方差固定，那么可将它称为白噪声，其频谱类似均匀分布。在图像去噪中，往往采用高斯白噪声模型作为图像去噪来对算法进行验证实验。
1.1.2 基于过完备原子库稀疏分解的研究现状
随着信号基于过完备原子库分解的思想的出现，以及MP(Matching Pursuit)算法的创立，开创了基于过完备原子库稀疏分解的方向。基于过完备原子库稀疏分解的图像去噪算法可以看作是过完备稀疏分解理论的应用之一。过完备稀疏分解的理论研究重点主要有两大部分：如何构建过完备原子库和稀疏分解算法。
经过近20年的研究和探索，构建过完备原子库的方法上，产生了多尺度Gabor原子库、多尺度脊波原子库以及级联原子库等研究成果。这些原子库构造方法均就各自研究的问题提出设想，并较好地解决了相关问题，同时证明了在原子库恰当的条件下，稀疏分解可以将信号表示的更加稀疏，能够更加全面、完整地体现出信号的特征。此外，通过学习、训练来获得过完备原子库的方法近两年也得到了发展。2006年，Michal等人提出了K-SVD算法，用于字典的自适应更新。此算法可以针对目标图像构建特定的、能够反映目标图像特征的字典，进而在图像去噪、压缩等领域取得了良好的效果。
稀疏分解的主要算法有：MP算法，即匹配追踪算法。此算法是很多稀疏分解算法的基础，体现了稀疏分解的很多特征。该算法采用不断从过完备原子库中选择最贴近残差信号的迭代来达到信号稀疏分解的目的。这种思想具有里程碑式的意义，但是算法涉及的运算量巨大，这是算法的缺陷，同时也为其他算法的产生提供了研究方向。直到Donoho等人提出来的BP(Basis Pursuit)算法，即基追踪算法可以获得比MP方法更稀疏的表示因为它采用午范数为度量函数，因而可用线性规划实现。OMP(orthogonal matching pursuit)算法，即正交匹配追踪算法，是MP算法的改进。与MP不同的是，OMP需要将原子库中的原子进行Gram-Schmidt正交化以后再将信号投影在原子上，得到信号的残差信号以后继续用相同方法进行迭代。此算法可以用较少的原子来表示信号，而且经过有限次迭代就可以收敛。Donoho在2006年提出StOMP(stage wise orthogonal matching pursuit)算法，即分段匹配追踪算法，此算法在OMP算法的基础上进行简化，降低了稀疏分解精度，提高了计算速度。Marco F Duarte于2005年提出TMP(tree matching pursuit)，即树形匹配追踪算法，它充分利用了过完备原子库的结构特点，但它仅适合于具有树形结构(如小波包)的过完备原子库。Chinh在2006年提出TOMP(tree-based orthogonal matching pursuit)，即树形正交匹配追踪算法是对TMP算法的改进。Gabriel Peyré提出了可以自适应地在由多个正交基级联而成的原子库中追踪最佳原子以逼近某种信号的方法来实现信号的稀疏分解。
在稀疏分解的基础上，由Candes、Romberg、Tao和Donoho建立起来的CS(compressive sensing)理论框架创新意义十分明显。它指出信号的采样频率取决于信号的结构和内容而不是信号的带宽，只要信号在某一空间内的表示具有稀疏性，则可以通过低于乃奎斯特频率的方式对信号进行采样。这种思想突破了奈奎斯特采样定理，如果成功应用则将对信号分析和处理产生深远影响。
1.2 图像去噪的背景与意义
视觉在人类感知外部世界的过程中起着十分重要的作用，在信息时代，数字图像成为了人类视觉感知的重要对象。数字图像处理是利用计算机对图像进行分析、计算以使其更加符合人们期望的过程。随着计算机、信息技术的发展，图像处理成为了一门在理论和实践上都取得巨大成就的学科。20世纪60年代，美国运用图像复原技术对卫星采集的月球表面图像进行处理，获得了大量宝贵信息。20世纪70年代，美国运用图像增强和图像识别技术处理卫星对地球的遥感图像，为本国的农业规划、矿藏勘探、水文气象预报等提供了广泛而可靠的信息。80年代末90年代，大规模集成电路技术的飞速发展为图像处理提供了强劲的计算平台，使得图像压缩技术、文本识别等技术有了长足发展。在互联网技术深化发展，云计算兴起的今天，数字图像成为了越来越重要的信息载体，甚至成为一种新兴的、重要的文化形式。在人们日常生活中，数字图像成为了人们享受服务，创造价值的重要媒介，对军事、生产、医疗、教育等各方面人类活动产生了深远的影响。正是基于这样的需求背景，数字图像处理技术飞速地发展着，其中图像去噪是研究的热点之一。
图像在获取、传输的过程中往往会受到设备和周围环境的影响，例如敏感原件在进行光电转化过程中敏感性不均匀，图像数字化过程中产生的量化误差，图像传输过程中的信道噪声等，这些都将影响图像的品质。怎样滤除图像噪声，还原图像的本来面貌是图像去噪的最终目标。图像去噪本身是一项有重要理论和实践意义的科研活动，同时也是图像处理的重要环节。图像处理一般要先对图像进行预处理，而去噪就是其中的重要环节，去噪后的图像将成为后期进行图像编码、图像特征提取、图像分割、图像压缩、图像传输等等研究的对象。因此，图像去噪效果的好坏，直接影响到其他图像处理环节的性能高低，研究图像去噪技术有重要的现实意义。
图像去噪涉及到数理统计、信息论等诸多领域。本文以图像去噪为研究问题，运用基于过完备原子库的稀疏分解理论为方法，对图像噪声进行新的理解，获得了一种新的图像去噪方法，经仿真验证该算法具有良好的图像去噪特性。
1.3 图像去噪效果评价标准
图像去噪是图像处理的重要环节，也是研究热点之一。去噪算法层出不穷，怎样制定反映图像品质好坏和评价图像去噪算法有效性的指标是一个重要的问题。同时，这些指标可以为去噪算法的改进提供依据，甚至成为算法分析和构成的重要组成部分。Janssen在2001年提出了一个描述图像质量的理论框架，核心内容基于以下几点：
1)图像不仅是二维信号，更是人类视觉信息的载体。
2)视觉感知不单单是信号处理过程，更是信息处理的过程。
3)视觉感知不是孤立的过程，而是人类与周围环境共同作用的结果。
4)图像质量不是指对图像失真信息的简单恢复，更重要的是图像作为视觉输入合适性的评判标准。
目前，评价图像品质的指标大致可以分为两类：主观评价和客观评价。
1)主观评价。评价图像的好坏与观察者的主观情绪有很大关系，但是目前人类对视觉系统成像原理的研究还不透彻，无法对观测者的心理情况进行准确建模，因此主观评价标准在描述图像品质上占据主导地位。主观评价的方法是通过设置试验，让观测者们对图像进行打分，进而分析图像质量。一般的步骤是：
a)准备样本集。这个过程要求样本集包含图像失真的类型要全面，而且图像内容要丰富。
b)由观测者对样本集中的图像进行评分。这个过程要注意观测者们使用图像显示设备的差异、观测距离、对观测者培训等问题。
c)对得到的主观评价结果进行加工处理。考虑到主观者情绪、动机等等原因，在此过程中一般要对原始数据进行取舍，而且可以同时拿出失真图像和参考图像供观测者打分，将评分差作为评分结果。
2) 客观评价。在实际应用中，以主观评价为主，同时需要客观指标作为评价图像品质的辅助依据。通常用待评价图像与参考图像之间的差别来衡量图像品质，常用的指标有：
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/txgc/2280.html
