[发明专利]基于视频感知特征参量度量计算恰可察觉失真阈值的方法

说明书

本发明公开了基于视频感知特征参量度量计算恰可察觉失真阈值的方法，包括如下步骤：S1，时域感知参量同质化，包括如下步骤：S11，相对运动同质化，得到相对运动的视觉感知显著度；S12，背景运动同质化，得到背景运动导致的视觉感知不确定度；S13，时域持续时间的同质化，得到持续时间的视觉感知显著度；S14，残差波动强度同质化，得到残差波动强度导致的视觉感知不确定度；S2，时域参量融合，通过融合刺激导致的显著度和不确定度，计算时域权重因子，并提出显著度调节因子；S3，空时域JND模型的构建，利用时域权重因子和显著度调节因子对空域JND进行调节获得空时域JND模型。

技术领域

本发明涉及图像、视频处理技术领域，尤其是涉及一种基于视频感知特征参量度量计算恰可察觉失真阈值的方法。

背景技术

所有视频呈现在人眼之前，经历了一系列处理，如增强、压缩、传输和存储，然而，这些处理技术只考虑了视频数据本身的特点，视频的最终接收者是人眼，视频质量的好坏需要人眼的主观感知来衡量。因此，构建符合人眼视觉特性的模型并利用来对视频数据进行压缩，从而获得良好的主观感知效果，是视频压缩工作中一个重要的研究方向。

恰可察觉失真(JND)模型是根据人眼视觉系统(HVS)的特性来建模的，它表示人眼可以察觉到的最小失真阈值，代表视频中的视觉冗余度。因此，JND模型一般用来去除视频中的视觉冗余信息，提高编码效率，主要应用于图像和视频压缩、感知质量评价、数字水印、图像增强等领域。

传统JND建模方法根据视频内容不同考虑了一些主要的HVS特性：亮度自适应(LA)，对比掩蔽(CM)效应、中心凹掩蔽(FM)效应、空时域(CSF)、时域掩蔽(TM)效应、视觉注意特性等。这些视觉特性都取决于视频不同特征参量对人眼视觉感知的影响。现有空域JND模型充分考虑了亮度、边缘、方向、纹理、颜色等空域视觉特征参量，并推导构建了相应的模型来定量计算由这些参量引起的掩蔽效应。时域JND建模在像素域主要利用相邻帧间亮度差：如Chou和Yang依据相邻帧的平均亮度差作为时域的不连续性构建时域JND模型；Chin利用连续帧的运动变化估计JND阈值。变换域的时域JND建模主要考虑CSF和人眼运动特性：如Kelly依据他收集的视网膜稳定行波刺激的实验数据，首次提出了空时域CSF模型；后来，Daly加入人眼运动特性对Kelly的模型做了补充；Jia在他们的基础上将空时域CSF和人眼的运动特性相结合；Wei另外考虑到人眼对不同运动方向的敏感程度，构建了适合于单通道灰度视频的变换域JND模型；Bae将时域掩蔽效应和中心凹掩蔽效应结合起来，提出了一种TFM模型，来估计运动目标的JND阈值。

然而由于实际视频时域场景的复杂性，时域视觉特征参量的提取并不充分，导致时域仍有大量冗余信息。此外，如何度量不同视觉特征参量对不同感知特性的作用，并定量分析它们之间的作用机理，是研究JND建模时需要解决的关键问题，这会影响最终JND阈值的估计，而以往研究工作对这部分问题的探讨并不深入。

发明内容

为解决现有技术的不足，实现降低时域冗余信息，定量分析异质特征的目的，本发明采用如下的技术方案：

基于视频感知特征参量度量计算恰可察觉失真阈值的方法，包括如下步骤：

S1，时域感知参量同质化，包括如下步骤：

S11，相对运动同质化，通过幂函数来表示相对运动的先验概率分布，使用自信息来度量相对运动的视觉感知显著度I(v_r)；

S12，背景运动同质化，使用似然函数来表示视觉感知不确定性的等效噪声，使用信息熵来度量背景运动导致的视觉感知不确定度U(v_g)；

S13，时域持续时间的同质化，描述时域持续时间与人眼视觉显著性的关系，利用持续时间内目标运动方向的改变量及目标运动矢量大小，来调节时域持续时间的显著度，得到时域持续时间的视觉感知显著度I(τ)；