]> AND Private Git Repository - these_gilles.git/blob - SFF/SFF.m
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
MaJ des chronos PI-PD hybride + fps en HD
[these_gilles.git] / 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