針對屏幕內(nèi)容圖像的無參考評價算法

　　隨著多客戶端交互多媒體應(yīng)用的快速發(fā)展，屏幕內(nèi)容圖像（Screen content image，SCI）的分發(fā)和處理與日俱增．圖像質(zhì)量評價課題的研究是其它許多應(yīng)用的基礎(chǔ)。至今圖像質(zhì)量評價課題研究的重點(diǎn)是傳統(tǒng)自然圖像。因此針對屏幕圖像質(zhì)量評價的研究就變的非常迫切和必要．客觀圖像質(zhì)量評價算法的提出的基礎(chǔ)建立在標(biāo)準(zhǔn)圖像質(zhì)量評價數(shù)據(jù)庫上．本文首先構(gòu)建了一個大規(guī)模的屏幕內(nèi)容圖像質(zhì)量評價數(shù)據(jù)庫（lmmersive Media Laboratory screen　contentlmage quality database，IML-SCIQD）.IML-SCIQD數(shù)據(jù)庫包含參考圖像25張以及經(jīng)過10種失真處理的1250張失真圖像，以建立的IML-SCIQD數(shù)據(jù)庫為基礎(chǔ)，考慮到屏幕內(nèi)容圖像圖像區(qū)域和文本區(qū)域的視覺感知差異，在基于自然場景統(tǒng)計的無參考方法的啟發(fā)下。本文提出了針對屏幕內(nèi)容圖像的無參考評價算法（Natural Scene Statistics　based No Reference Screen Content Image Quality Assessment metric，NSNRS）.NSNRS算法首先分別計算圖像區(qū)域和文本區(qū)域的質(zhì)量分?jǐn)?shù)。再將這兩個區(qū)域的質(zhì)量分?jǐn)?shù)結(jié)合起來得到整幅失真圖像的質(zhì)量分?jǐn)?shù)．該算法與其它12種經(jīng)典的客觀評價算法，包括全參考算法，部分參考算法與無參考算法，在IML-SCIQD數(shù)據(jù)庫和SIQAD數(shù)據(jù)庫上進(jìn)行了性能測試和對比，結(jié)果表明本文提出的算法優(yōu)于經(jīng)典的的無參考評價算法：就整個數(shù)據(jù)庫而言。本文提出的算法可以達(dá)到與全參考方法相當(dāng)?shù)男阅堋?/p>