《部分参考型图像质量评价方法及装置.docx》由会员分享，可在线阅读，更多相关《部分参考型图像质量评价方法及装置.docx（43页珍藏版）》请在课桌文档上搜索。
1、PATEXPLRER专利探索者一全球创新始于探索部分参考型图像质量评价方法及装置申请号：CN.6申请日：20130606申请（专利权）人：深圳大学地址：广东省深圳市南山区南海大道3688号深圳大学计算机与软件学院发明人：储颖,牟轩沁,纪震主分类号：G06T7/00公开（公告）号：CNB公开（公告）日：20160309代理机构：深圳市瑞方达知识产权事务所（普通合伙）代理人：张约宗,张秋红(19)中华人民共和国国家知识产权局(21)申请号CN. 6(12)发明专利(10)授权公告号CNB (45)授权公告日20160309(22)申请日20130606(71)申请人深圳大学地址广东省深圳市南山区南
2、海大道3688号深圳大学计算机与软件学院(72)发明人储颖，牟轩沁，纪震(74)专利代理机构深圳市瑞方达知识产权事务所(普通合伙)代理人张约宗，张秋红(54)发明名称部分参考型图像质量评价方法及装置(57)摘要本发明公开了一种部分参考型图像质量评价方法及装置，该方法包括步骤：分别对参考图像和失真图像进行小波分解以获得各自的小波系数；对参考图像和失真图像各自的小波系数进行分离归一化变换以获得对应的分离归一化变换系数；获取相邻的分离归一化系数子带之间的统计独立性，并以该独立性作为特征信息；基于特征信息生成部分参考型图像质量评价指标。本发明利用了图像失真时相邻DNT系数统计依赖性变化的规律，提取了反
3、映图像失真程度的统计独立性特征，构造了无需拟合参数的客观评价指标公式，使得对图像质量的评价更为客观。权利要求书1 .一种部分参考型图像质量评价方法，其特征在于，包括步骤:SlO0、分别对参考图像和失真图像进行小波分解以获得各自的小波系数；S200、对所述参考图像和所述失真图像各自的所述小波系数进行分离归一化变换以获得对应的分离归一化变换系数；S300获取相邻的分离归一化系数子带之间的统计独立性，并以所述统计独立性作为特征信息；S400、基于所述特征信息生成部分参考型图像质量评价指标；在所述步骤SIoo中，采用可操纵金字塔分解分别对参考图像和失真图像进行小波分解以获得各自的小波系数；选用可操纵金
4、字塔分解，通过设定小波分解的尺度数和方向数，获得图像在尺度、方向和空间位置上的局部描述；在所述步骤S300中，通过计算相邻的分离归一化系数子带之间的互信息量来获取所述统计独立性：在所述步骤S300中，分别从尺度相邻、方向相邻和位置相邻三个方面获取相邻的所述分离归一化变换系数子带的统计独立性以作为所述特征信息。2 .根据权利要求1所述的部分参考型图像质量评价方法，其特征在于，在所述步骤S400中，根据以下公式生成所述部分参考型图像质量评价指标：工失真-严考i全部特征参考/.p*bb失真其中，D是所述失真图像和所述参考图像的城区距离，为所述失真图像的任一特征信息，为与对应的参考图像的特征信息。3
5、.一种部分参考型图像质量评价装置，其特征在于，包括：小波分解模块，用于分别对参考图像和失真图像进行小波分解以获得各自的小波系数；分离归一化变换模块，用于对所述参考图像和所述失真图像各自的所述小波系数进行分离归一化变换以获得对应的分离归一化变换系数；特征信息提取模块，用于获取相邻的分离归一化系数子带之间的统计独立性，并以所述统计独立性作为特征信息；图像质量评价指标生成模块，用于基于所述特征信息生成部分参考型图像质量评价指标；所述小波分解模块用户采用可操纵金字塔分解分别对参考图像和失真图像进行小波分解以获得各自的小波系数；选用可操纵金字塔分解，通过设定小波分解的尺度数和方向数，获得图像在尺度、方向
6、和空间位置上的局部描述；所述特征信息提取模块用于通过计算相邻的分离归一化系数子带之间的互信息量来获取所述统计独立性；所述特征信息提取模块用于分别从尺度相邻、方向相邻和位置相邻三个方面提取相邻的所述分离归一化变换系数子带的统计独立性以作为所述特征信息。4 .根据权利要求3所述的部分参考型图像质量评价装置，其特征在于，所述图像质量评价指标生成模块用于根据以下公式生成所述部分参考型图像质量评价指标：D= 工失真治全部特征参考jJfc/.夕5其中，D是所述失真图像和所述参考图像的城区距离，为所述失真图像的任一特征信息，为与对应的参考图像的特征信息。说明书部分参考型图像质量评价方法及装置技术领域本发明涉
7、及图像处理技术领域，尤其涉及一种部分参考型图像质量评价方法及装背景技术图像质量评价(IQA：ImagCQUaHtyASSeSSnlCnt)致力于研究如何用客观指标评价图像的感知质量，使其与图像主观得分高度一致。图像质量评价算法设计工作很有意义，而且有广泛的应用前景。例如，在视频质量监控领域，雇用员工进行监控的成本很高，且可靠性低，而好的图像质量评价算法可以降低成本，提高效率。一般来说，有三类典型的图像质量评价算法。按照实现程度由易到难，分别是：全参考型(FR：Full-Reference)、部分参考型(RR：Reduced-Reference)和无参考型(NR：No-Reference)IQA
8、o如果原始图像和失真图像都是可用的，FRIQA利用这两幅图像的全部信息进行比较，计算其差异。RRIQA方法利用参考图像的部分信息(通常以一系列RR特征形式出现)预测图像质量退化程度，一般适用于仅能获取原始图像少量统计信息的应用场合，例如网络图像传输。NRTQA是最具挑战性的质量评价任务，因为没有原始图像的任何信息可供参考，适用于无法获得原始图像信息的情形，例如图像质量监控。例如，图1示出了现有的部分参考型图像质量评价系统的逻辑框图，如图1所示,从原始图像中提取的RR特征经附属信道传输，在接收端同失真图像所提取特征进行比较，得到失真图像的质量评价指标。对于性能评价，近年来，一些研究组织根据国际电
9、信联盟的相关标准，建立了几个比较通用的图像质量主观评价数据库，主要包括：美国康奈尔大学视觉通信实验室开发的A57数据库：美国奥克拉荷马州立大学计算感知与图像质量实验室开发的CSlQ(Categorica11mageQua1ityDatabase)数据库；法国南特大学理工学院开发的IVC数据库；美国德州大学奥斯汀分校LIVE(LaboratoryforImageandVideoEngineering)实验室开发的LIVE数据库；日本富士大学MICT(MedialnformatiOnandCommuniCationTechnology)实验室开发的MICT数据库；以及芬兰坦佩雷大学与乌克兰航空航天
10、大学开发的TID2008数据库等。各数据库基本都包括了常见的退化类型如高斯加性白噪声、高斯模糊、高频噪声、JPEG压缩失真、JPEG2000压缩失真等，以及各失真图像的主观得分(MOS：MeanOpinIonScore)。根据国际标准化组织视频质量专家组(VQEG：VideoQualityExpertsGroup)的指导标准，客观算法对主观质量的预测值存在一定的非线性，首先应当去除这种非线性因素，然后再进行相关性验证。去除非线性的函数形式有多种选择，例如多项式拟合或Logistic回归等。多数研究人员采用限制线性条件的五参数非线性Logistic模型，以及最小均方误差法对数据进行拟合，公式如下
11、：Quality(x)=Ilogistic(2,(X-B3)+4x+B5(1)logistic(τ,x)=l2-ll+exp(τx)-(2)其中，x代表客观RRIQA算法预测值，l,B2,3,4,B5代表IogiStiC模型拟合参数。对图像质量评价客观算法的性能一般从预测的准确性、单调性和一致性三个方面进行验证。在预测的准确性方面，客观算法的预测值与主观评分之间的差异应当越小越好。可以使用二者之间的线性相关系数CC(LinearcorrelationCoefficient)和均方根误差RMSE(RootMeanSquareError)来衡量：对于给定客观算法，CC值越高，RMS
12、E值越低，表明其预测的准确性越高。CC=Σi(Xi-X‾)(Yi-Y0verBar;)Σi(Xi-XfeOverBar;)2·ftSigma;i(Yi-YftOverBar;)2-( N = ( i -3)RMSE=lΣilNXiY)2-(4)其中，X,Y分别代表图像质量主观评价实验数据和去除非线性后的图像质量客观预测数据，i表示数据序号，N代表样本个数。对预测的单调性而言，客观算法的预测值应随主观评分的增减而增减。可以用Spearman秩相关系数SROCC(SpearmanRankOrderCorreIationCoef
13、ficient)来度量:SROCC值越高，客观算法预测的单调性越好。SROCC=l-6ΣiDi2N(N2-l)-(5)其中，D代表等级间的差异，此处为主观实验数据与客观预测数据之间差值的绝对值。对于预测的一致性，客观算法在测试集上的表现应当与在训练集上的性能相似，即算法的泛化性能要较好。可以使用出界点率OR(OutlierRatio)来进行衡量。所谓出界点，可定义为绝对或相对预测误差超过一定阈值的点。OR值越低，代表客观算法预测的一致性越好。除了以上统计指标之外，通过绘制主观分数与客观预测值对应散点图，观察其形状也能直观的考察客观算法的性能。在散点图中，通常以非线性拟合后的客观算法
14、预测值作为横坐标，以主观实验评分值作为纵坐标，对每幅待评价图像，在散点图上都能得到一个点。同时，将Logistic函数拟合曲线绘制于散点图上，各散点距离LOgiStiC函数拟合曲线越集中，说明算法性能越好。大多数早期的部分参考型图像质量评价算法是针对特定失真类型的，例如图像模糊、JPEG块状效应、JPEG2000振铃效应等。近年来针对通用失真类型的RRIQA算法多了起来。其中，自然图像统计(NSS：NaturalSceneStatistics)模型是主流模型,为大多数人所接受和使用。现存的基于自然图像统计特性的RRIQA方法通常考察的是线性分解系数的统计分布情况，例如小波或离散余弦变换。然而，
15、跟视神经元响应高度相似的某些其他图像特征也许更加有用。为了更好地反映生物视觉系统的非线性机制，一种非线性分解方法，即分离归一化变换(DNT：DivisivenormalIzationtransform)被提出1。该变换能够很好地对自然信号进行有效编码，并显著降低高阶统计依赖性。目前，仅有少量研究工作将DNT思想引入RRIQA,例如Li和Wang利用该变换获取子带的类高斯分布特性2,并应用于部分参考型图像质量评价，下面将对此进行进一步的介绍。y=y/P图2a示出了原始图像。图2b示出了通过对图2a中的原始图像进行线性分解后获得的小波系数子带的示意图，可选用的线性分解方式有很多，这里选用可操纵金字
16、塔分解(Steerablepyramiddecomposition),因为该变换能够方便灵活地设定小波分解的尺度数和方向数，从而获得图像在尺度、方向和空间位置上的局部描述。图2c示出了通过对图2b中的各个小波系数子带进行DNT变换后获得的DNT系数子带的示意图，DNT变换是建立在对图像的线性分解基础之上的，设y代表小波系数，则归一化系数,其中P为分离归一化因子(p0),代表系数y在尺度、方向和空间上的相邻系数集的能量。计算p的方法有许多，此处采用基于高斯尺度混合(GSM：Gaussianscalemixtures)模型的方法。一个长度为N的随机矢量Y被定义为GSM的条件是，它能被表示为两个独立
17、分量的乘积，即：其中，代表概率同分布，IJ是协方差为CU的零均值高斯随机矢量，Z是称为混合乘数的随机标量。由公式(6)可见，GSM模型所描述随机矢量的概率是具有相同协方差(CU)和不同缩放比例(Z)的高斯随机矢量的混合。设混合乘数的概率密度为pz(z),则Y的概率密度为：pY(Y)=Integral;l2πN2z2CUl2exp(-YTCU-lY2z2)pz(z)dz-(7)其中，随机矢量Y定义为子带内某点的空间相邻系数(八邻域)，以及同一位置处尺度相邻系数、方向相邻系数的集合，经证实其符合GSM模型。此处应用中，为简化计算，规定Z在每一位置均取固定值，从而Y简化为协方差为Z2CU的零均
18、值高斯矢量。对比公式（6）和DNT定义，很自然地想到归一化因子p可通过计算相邻系数矢量Y（由图像数据已知）对乘数Z的估计得至上将系数矢量Y沿滑动窗口遍历每一小波系数子带，将产生随空间位置变化的归一化因子Po仅对窗口中心系数yc进行归一化操作，得到归一化的系数其中，是Z的估计。利用最大似然估计法,可得：= zzzmoargmaxzlogp(Y)=argminNlogz+YTCU-lY2z-2=YTCU-lYN-(8)其中，协方差矩阵CU=EUUT可由图像小波分解系数估计得到，N为系数矢量Y的长度，即邻域(尺度、方向、空间相邻)小波系数的个数。在提取特征方面，上述的Li和Wang统计了自然图像每一
19、DNT子带的系数直方图,发现其近似服从高斯分布。与之形成对比的是，失真图像的子带DNT系数直方图随失真类型不同，以不同方式偏离于高斯曲线。具体而言，图3a示出了原始图像，图3b示出了图3a中的原始图像的高斯噪声图像，图3c示出了图3a中的原始图像的高斯模糊图像，图3d示出了图3a中的原始图像的JPEG图像。此处，可将图3a中的原始图像作为参考图像。相应地，图4a示出了图3a中的图像与参考图像的DNT子带系数直方图，图4b示出了图3b中的失真图像与参考图像的DNT子带系数直方图，图4c示出了图3c中的失真图像与参考图像的DNT子带系数直方图，图4d示出了图3d中的失真图像与参考图像的DNT子带系
20、数直方图，其中，实线为失真图像的DNT子带系数直方图，虚线为参考图像的DNT子带系数直方图。d(pq)，利用参考图像DNT子带系数直方图和失真图像DNT子带系数直方图曲线的KLD距离(Kullback-Leib1erDistance,KLD),可以提取出代表图像客观质量的特征定义如下：(9)d(P7),P(v)log-v其中，p(x)和q(x)分别代表原始和失真图像的子带DNT系数直方图,d(pq)代表P(X)和q(x)的KLD距离。d(pq),由公式(9)可见，要计算需耍P(X)和q(x)已知。对于RRIQA应用，接收端无法得到完整的原始图像子带DNT系数直方图p(x)0幸运的是，由图3(a
21、)可知，p(x)与高斯曲线Pm(X)非常相似：pm(x)=l2fepi;ftsigma;exp(-x22σ2)-(10)其中，。代表高斯函数的方差。d(pp)发送端，Pm(X)与P(X)的KLD距离是可计算的：d(pJpAJPME嗡小(11)d(Pmq)P时，如果发送端将参数。通过附属信道发送，那么在接收端就可以重构函数PnI(X),从而可以计算出PIn(X)与q(x)的KLD距离：(12)d(p.jp.(x)bg乎小d(pm11p)d(Pmq)d(p11q)dpq).由于和均是可计算的(或已知的)，从而可以进一步得到的估计值作为图像质量评价的客观指标：=d(A,)-d(A,p)(
22、13)现在讨论估计误差。将公式(11)和(12)代人公式(13),得到：J(Piq)=JP)-J(pZ)三p(x)-pw(x)jlogr(5)可见，当Pm(X)与P(X)非常接近时，上式的结果趋近于零，可以忽略。而对于自然图像，这一特性普遍存在(如图3a和4a所示)。因此，所找到的估计距离理论上是有效的。ZVdpLq)了Li和Wang发现以下3种距离特征对于提高RR图像质量指标评估性能也有帮助:d=I0-dI(16)其中，。和Od分别代表原始图像和失真图像DNT系数的方差。dk=ko-kd(17)其中，ko和kd分别代表原始图像和失真图像DNT系数的峭度。ds=so-sd(18)其中，so和s
23、d分别代表原始图像和失真图像DNT系数的偏度。基于以上四个特征，接下来需要整合构造图像质量评价准则计算公式，定义如下:Dbnnd=alog（d（p口夕）+夕log（7）+ylog4+Slogdsiog（如一加（4汽dj）（19）其中，,B,Y和6分别代表上节四个距离特征各自的系数，可由现有图像库中的数据学习训练得到，Dband代表某一选定DNT子带的图像质量评价值。最后，再将各个子带的质量评价值Dband求和，得到整幅失真图像的客观图像质量评价指标Do岛（20）现有方案在提取特征时，做了一个重要假设，即：自然图像的DNT系数直方图是服从高斯分布的。然而，我们对更多公开图像库中的参考图像进行仿真
24、实验时发现，有相当一部分自然图像并不服从这一规律。因此，用高斯曲线进行拟合时，必将伴随较大的误差。另外，现有技术选择了四种距离特征，其中第一种的选择有明确的理论支撑；而后三种的选择依据均未提及。最后，现有方案将这四种不同类型的距离特征进行整合，用到了四个不同的系数。这些系数对数据库内容的依赖性较强，换用不同的图像库，得到的系数也不同，很难确定最优和最普适的系数。发明内容本发明要解决的技术问题在于针对现有技术中在进行部分参考型图像质量评价时需要采用不同的系数，而该系数因对数据库内容的依赖性较强而无法提供客观的评价的缺陷，提供一种部分参考型图像质量评价方法及装置。本发明解决其技术问题所采用的技术方
25、案是：提供了一种部分参考型图像质量评价方法，包括步骤：SIO0、分别对参考图像和失真图像进行小波分解以获得各自的小波系数；S200、对参考图像和失真图像各自的小波系数进行分离归一化变换以获得对应的分离归一化变换系数；S300、获取相邻的分离归一化系数子带之间的统计独立性，并以统计独立性作为特征信息；S400、基于特征信息生成部分参考型图像质量评价指标。在依据本发明实施例的部分参考型图像质量评价方法中，在步骤SlOO中，采用可操纵金字塔分解分别对参考图像和失真图像进行小波分解以获得各自的小波系数。在依据本发明实施例的部分参考型图像质量评价方法中，在步骤S300中，通过计算相邻的分离归一化系数子带
26、之间的互信息量来获取统计独立性。在依据本发明实施例的部分参考型图像质量评价方法中，在步骤S300中，分别从尺度相邻、方向相邻和位置相邻三个方面获取相邻的分离归一化变换系数子带的统计独立性以作为特征信息。在依据本发明实施例的部分参考型图像质量评价方法中，在步骤S400中，根据以下公式生成部分参考型图像质量评价指标：D=/失真i全部特征参考失真Ji-4-hLJ1其中，D是失真图像和参考图像的城区距离，为失真图像的任一特征信息，为与对应的参考图像的特征信息。本发明还提供了一种部分参考型图像质量评价装置，包括：小波分解模块，用于分别对参考图像和失真图像进行小波分解以获得各自的小波系数；分离归一化变换模
27、块，用于对参考图像和失真图像各自的小波系数进行分离归一化变换以获得对应的分离归一化变换系数：特征信息提取模块，用于获取相邻的分离归一化系数子带之间的统计独立性，并以统计独立性作为特征信息；图像质量评价指标生成模块，用于基于特征信息生成部分参考型图像质量评价指标。在依据本发明实施例的部分参考型图像质量评价装置中，小波分解模块用户采用可操纵金字塔分解分别对参考图像和失真图像进行小波分解以获得各自的小波系数。在依据本发明实施例的部分参考型图像质量评价装置中，特征信息提取模块用于通过计算相邻的分离归一化系数子带之间的互信息量来获取统计独立性。在依据本发明实施例的部分参考型图像质量评价装置中，特征信息提
28、取模块用于分别从尺度相邻、方向相邻和位置相邻三个方面提取相邻的分离归一化变换系数子带的统计独立性以作为特征信息。在依据本发明实施例的部分参考型图像质量评价装置中，图像质量评价指标生成模块用于根据以下公式生成部分参考型图像质量评价指标：D=/失真但全部特征参考其中，D是失真图像和参考图像的城区距离，为失真图像的任一特征信息，为与对应的参考图像的特征信息。本发而占生的有益效果是：本发明利用了图像失真时相邻DNT系数统计依赖性变化的规律，提取了反映图像失真程度的统计独立性特征，构造了无需拟合参数的客观评价指标公式，使得对图像质量的评价更为客观。附图说明下面将结合附图及实施例对本发明作进一步说明，附图
29、中：图1示出了现有的部分参考型图像质量评价系统的逻辑框图；图2a示出了原始图像的示意图；图2b示出了通过对图2a中的原始图像进行线性分解后获得的小波系数子带的示意图；图2c示出了通过对图2b中的各个小波系数子带进行DNT变换后获得的DNT系数子带的示意图：图3a不出Jz原始图像；图3b示出了图3a中的原始图像的高斯噪声图像；图3c示出了图3a中的原始图像的高斯模糊图像；图3d示出了图3a中的原始图像的JPEG图像：图4a示出了图3a中的图像与参考图像的DNT子带系数直方图；图4b示出了图3b中的失真图像与参考图像的DNT子带系数直方图；图4c示出了图3c中的失真图像与参考图像的DNT子带系数直
30、方图；图4d示出了图3d中的失真图像与参考图像的DNT子带系数直方图；图5示出了依据本发明实施例的部分参考型图像质量评价装置的逻辑框图；图6示出了图5中的部分参考型图像质量评价装置的详细逻辑框图；图7a示出了通过对图2a中的原始图像进行可操纵金字塔分解后获得的小波系数子带的示意图；图7b示出了对图7a中的小波系数进行分离归一化变换后获得的DNT子带的示意图;图8a和8b分别示出了尺度相邻和方向相邻的DNT子带，即子带dnl.1分别与其相邻的子带dn2.1和dnl.2系数的联合分布图；图9a-9d分别示出了JPEG2000、JPEG、白噪声、高斯模糊图像中水平相邻1个像素的DNT系数子带的联合直
31、方图；图IOaToe为图9b中JPEG失真图像在失真程度逐渐增强情况下的条件直方图；图11示出了说明信息燧相互关系的文氏图；图12示出了依据本发明实施例的部分参考型图像质量评价方法的流程图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。图5示出了依据本发明实施例的部分参考型图像质量评价装置的逻辑框图，该装置包括小波分解模块100、分离归一化变换模块200、特征信息提取模块300、以及图像质量评价指标生成模块400。其中，小波分解模块100接收输入的参考图像和失真
32、图像，并分别对参考图像和失真图像进行小波分解以获得各自的小波系数。分离归一化变换模块200对参考图像和失真图像各自的小波系数进行分离归一化变换获得对应的分离归一化变换系数。特征信息提取模块300可获取相邻的分离归一化系数子带之间的统计独立性，并以该统计独立性作为特征信息。图像质量评价指标生成模块400基于特征信息生成部分参考型图像质量评价指标。具体而言，图6示出了图5中的部分参考型图像质量评价装置的详细逻辑框图，如图6所示，小波分解模块100包括位于发送端的第一小波分解单元110和位于接收端的第二小波分解单元120；分离归一化变换模块200包括位于发送端的第一分离归一化变换单元210和位于接收
33、端的第二分离归一化变换单元220；特征信息提取模块300包括位于发送端的第一特征信息提取单元310和位于接收端的第二特征信息提取单元320。下面将基于图6详细描述部分参考型图像质量评价装置的工作过程。首先，第一小波分解单元110接收发送端输入的参考图像，也可称之为原始图像,并对参考图像进行小波分解以获得其小波系数。此处，可选用的线性分解方式有很多,例如可选用可操纵金字塔分解，因为该变换能够方便灵活地设定小波分解的尺度数和方向数，从而获得图像在尺度、方向和空间位置上的局部描述。仍以图2a中的图像作为原始图像，图7a示出了通过对图2a中的原始图像进行可操纵金字塔分解后获得的小波系数子带的示意图。相
34、应地，第二小波分解单元120在接收端接收失真图像，该失真图像由参考图像从发送端发出，经过失真信道传输后到达接收端后形成。第二小波分解单元120的工作过程与第一小波分解单元110相同，对失真图像进行小波分解以获得其小波系数，分解获得的小波系数与图7a类似。此处，可选用可操纵金字塔分解失真图像。第一分离归一化变换单元210接收第一小波分解单元110输出的参考图像的小波系数，并对该小波系数进行分离归一化变换以获得其分离归一化变换系数（即DNT）系数。例如，图7b示出了对图7a中的小波系数进行分离归一化变换后获得的DNT子带的示意图。其中，还示出了中心系数以及相应的尺度邻居、方向邻居和空间邻居。相应地，第二分离归一化变换单元220与第一分离归一化变换单元210的工作过程相同，其接收第二小波分解单元120输出的失真图像的小波系数，并对该小波系数进行分离归一化变换以获得其DNT系数。失真图像的DNT系数子带与图7b中示出的子带类似O第一统特征信息提取单元310针对参考图像获取相邻的分离归一化系数子带之间的统计独立性，并以该统计独立性作为上述参考图像的特征信息；第二特征信息提取单元320针对失真图像获取相邻的分离归一化系数子带之间的统计独立性，并以该统计独立性作为上述失真图像的特征信息。因为第一特征
