SFF/SFF.m

   1 % =================================================================\r
   2 %  Sparse Feature Fidelity (SFF) Version 2.0\r
   3 %  Copyright(c) 2013  Hua-wen Chang\r
   4 %  All Rights Reserved.\r
   5 %  changhuawen@gmail.com\r
   6 % ----------------------------------------------------------------------\r
   7 % Permission to use, copy, or modify this software and its documentation\r
   8 % for educational and research purposes only and without fee is here\r
   9 % granted, provided that this copyright notice and the original authors'\r
  10 % names appear on all copies and supporting documentation. This program\r
  11 % shall not be used, rewritten, or adapted as the basis of a commercial\r
  12 % software or hardware product without first obtaining permission of the\r
  13 % authors. The authors make no representations about the suitability of\r
  14 % this software for any purpose. It is provided "as is" without express\r
  15 % or implied warranty.\r
  16 % ----------------------------------------------------------------------\r
  17 % Please refer to the following paper\r
  18 %\r
  19 % Hua-wen Chang, Hua Yang, Yong Gan, and Ming-hui Wang, "Sparse Feature Fidelity\r
  20 % for Perceptual Image Quality Assessment", IEEE Transactions on Image Processing,\r
  21 % vol. 22, no. 10, pp. 4007-4018, October 2013\r
  22 % ----------------------------------------------------------------------\r
  23 % INPUT variables:\r
  24 % Ir:       reference image\r
  25 % Id:       distorted image\r
  26 % W:        feature detector (in the file 'W.mat'\r
  27 %                    or can be generated by running 'TrainW' in \Training.)\r
  28 % \r
  29 % Example:\r
  30 % load('W.mat'); % load feature detector W\r
  31 % score = SFF(refImage, disImage, W); \r
  32 % =================================================================\r
  33 \r
  34 function SFFscore = SFF(Ir, Id, W)\r
  35 \r
  36 patchSize = size(W,1); %8\r
  37 patchDim = (patchSize^2)*3;\r
  38 Cm = 0.001;\r
  39 C = 0.08;\r
  40 Lamda = 0.8;\r
  41 Tv = 0.4;\r
  42 Tx = 1;\r
  43 Tm = 1;\r
  44 \r
  45 %%%%%% DIVIDING EACH IMAGE INTO BLOCKS %%%%%%\r
  46 startPosition = 1;\r
  47 sizeY = size(Ir,1); sizeX = size(Ir,2);\r
  48 gridY = startPosition : patchSize : sizeY-patchSize; %\r
  49 gridX = startPosition : patchSize : sizeX-patchSize; %\r
  50 Y = length(gridY);  X = length(gridX);\r
  51 Xr = zeros(patchDim, Y*X);\r
  52 Xd = zeros(patchDim, Y*X);\r
  53 ij = 0;\r
  54 for i = gridY;\r
  55     for j = gridX\r
  56         ij = ij+1;\r
  57         Xr(:,ij) = reshape( Ir(i:i+patchSize-1, j:j+patchSize-1, 1:3), [patchDim 1] );\r
  58         Xd(:,ij) = reshape( Id(i:i+patchSize-1, j:j+patchSize-1, 1:3), [patchDim 1] );\r
  59     end\r
  60 end\r
  61 \r
  62 \r
  63 Xr = double(Xr);        Xd = double(Xd);\r
  64 mXr = mean(Xr);         mXd = mean(Xd);     % mean value\r
  65 % remove mean value\r
  66 Xr = Xr-ones(size(Xr,1),1)*mXr;\r
  67 Xd = Xd-ones(size(Xd,1),1)*mXd;  \r
  68 \r
  69 \r
  70 % ==========  [FEATURE SIMILARITY]  ============\r
  71 % ---------- SELECTION OF PATCH PAIRS ----------\r
  72 Xe = mean(abs(Xr-Xd));\r
  73 medXe = Tx*median(Xe);\r
  74 Y_dis = Xd(:,Xe>=medXe);\r
  75 Y_ref = Xr(:,Xe>=medXe);\r
  76 \r
  77 % ------------- FEATURE EXTRACTION ------------\r
  78 A = W*Y_ref; B = W*Y_dis;\r
  79 \r
  80 % ------------- VISUAL THRESHOLD --------------\r
  81 responseIntensity = sum(A.^2);\r
  82 VT = Tv*mean(responseIntensity);\r
  83 A_th = A(:,responseIntensity>VT);\r
  84 B_th = B(:,responseIntensity>VT);\r
  85 \r
  86 % ------------- FEATURE SIMILARITY ------------\r
  87 C1 = A_th.*B_th;\r
  88 C2 = A_th.^2+B_th.^2;\r
  89 SFF_f = mean2((2*C1+C)./(C2+C));\r
  90 \r
  91 \r
  92 \r
  93 % =========  [LUMINANCE CORRELATION]  ==========\r
  94 % ------ SELECTION OF MEAN VALUE PAIRS ------\r
  95 mXe = abs(mXr-mXd);\r
  96 mmXe = Tm*median(mXe);\r
  97 mXd = mXd(:,mXe>=mmXe);\r
  98 mXr = mXr(:,mXe>=mmXe);\r
  99 \r
 100 % ---------- LUMINANCE CORRELATION ----------\r
 101 meanXr = mXr-mean(mXr);\r
 102 meanXd = mXd-mean(mXd);\r
 103 SFF_m = (sum(meanXr.*meanXd)+Cm) / (sqrt(sum(meanXr.^2)*sum(meanXd.^2))+Cm);\r
 104 \r
 105 \r
 106 \r
 107 %%%%%%%%%%%% QUAITY SCORE %%%%%%%%%%%\r
 108 SFFscore = Lamda*SFF_m+(1-Lamda)*SFF_f;\r