CN102289808A - 一种图像融合质量评估方法和系统 - Google Patents
一种图像融合质量评估方法和系统 Download PDFInfo
- Publication number
- CN102289808A CN102289808A CN2011102068024A CN201110206802A CN102289808A CN 102289808 A CN102289808 A CN 102289808A CN 2011102068024 A CN2011102068024 A CN 2011102068024A CN 201110206802 A CN201110206802 A CN 201110206802A CN 102289808 A CN102289808 A CN 102289808A
- Authority
- CN
- China
- Prior art keywords
- source images
- marking area
- value
- images
- fused
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种融合图像的性能评估方法和系统,所述方法包括以下步骤:区域划分步骤,对各个源图像进行显著区域和非显著区域的划分;相似度计算步骤,计算所述融合图像与源图像的所述显著区域之间的结构相似度值以及所述融合图像与该源图像的非显著区域之间的结构相似度值;评价值计算步骤,根据源图像的所述显著区域的结构相似度值和所述非显著区域的结构相似度值,计算所述融合图像与该源图像之间的融合图像质量评价值FIQRO;质量评估步骤,基于所述评价计算步骤计算得出的所述各个源图像的所述融合图像质量评价值FIQRO,计算图像融合质量评估值FIFQ。本发明使评估结果能够基于人眼视觉注意机制,与人眼评价更具一致性,评估结果更为真实、准确。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及图像融合领域,具体地说,是涉及一种基于显著性分析的多源图像融合质量评估方法和系统。
背景技术
信息融合理论和技术正成为信息和信号处理领域中的研究热点,而图像融合作为信息融合的一个重要领域,已经广泛应用于遥感、计算机视觉、医学、军事目标探测和识别等领域,所谓图像融合是指综合两个或多个源图像的信息,以获取对同一场景的更为精确、全面、可靠的图像描述。
为了比较不同的融合方案或者改善某种融合算法,需要对融合性能进行评估。其中包括主观或者客观的评估准则。由于基于人类感知的主观评估,主要是由人亲自来完成的,因此会带来成本上的昂贵以及使用上的不便等问题。在图像质量评估中的客观评估,一般会依据事先选定的理想数据参照比较,然而一般的理想数据又不易得到。所以在图像融合评估算法中,许多客观的评估指标都是以源图像作为参照进行融合性能评估。
目前基于源图像的客观评估,主要包括两个步骤:首先是参照一个源图像的融合图像质量评价(简写为FIQRO);然后综合不同源图像的多个测量值,获得最终的图像融合质量(简写为FIFQ)。对于FIQRO,一些指标主要集中在信号保真度的评估上,例如:相关信息熵、交互信息等。其中,学者Xydeas和选择边缘特征作为重要信息进行视觉质量评估。
受结构相似度(SSIM)的启发,很多研究者基于该指标提出了一系列评估方法,例如从局部特性上考虑SSIM,或者从区域角度计算SSIM。这些FIQRO评估都是基于图像灰度值的分布或者局部特征计算获得,然后通过简单的加权平均获得最终的FIFQ结果。从人类视觉系统(HVS)角度看,这些灰度值的分布或者局部特征并不能反映人眼的选择注意力。同时对多个FIQRO进行简单的算术组合最终获得的FIFQ不能对极端融合结果有所体现,比如说最终的融合图像更趋向于多源中的某一个时,采用加权算法得到的FIFQ就不能体现出该融合结果的质量劣势。
对于观察者而言,并不是所有的外界信息都能引起他们的注意。人类视觉系统针对特定的任务,采取一系列计算策略,选定某个特定的兴趣区域,通过快速眼部扫描运动,将目标区域移动到视网膜的中央凹凸,从而对该区域进行更细致的观察。基于视觉心理学研究的选择注意机制已经成为人类选择特定兴趣区域的一个关键技术。
综上所述,现有技术中尚没一种基于人眼注意机制的多源图像融合性能评估方法。
发明内容
本发明的目的在于提出基于显著性分析的结构相似度的融合性能评估方法,以根据人眼视觉注意机制来评估图像融合的质量。
为了解决上述技术问题,本发明提供了一种融合图像的性能评估方法,其特征在于,包括以下步骤:区域划分步骤,对融合图像的各个源图像进行显著区域和非显著区域的划分;相似度计算步骤,针对所述各个源图像中的每个源图像,计算所述融合图像与源图像的所述显著区域之间的结构相似度值以及所述融合图像与该源图像的非显著区域之间的结构相似度值;评价值计算步骤,针对所述各个源图像中的每个源图像,根据源图像的所述显著区域的结构相似度值和所述非显著区域的结构相似度值,计算所述融合图像与该源图像之间的融合图像质量评价值FIQRO;质量评估步骤,基于所述评价计算步骤计算得出的所述各个源图像的所述融合图像质量评价值FIQRO,计算图像融合质量评估值FIFQ。
进一步,该方法还包括:在所述区域划分步骤中,预先设定一个显著性阈值,计算源图像中各像素点的显著性值,将显著性值大于所述阈值的像素点划分到显著区域中,将显著性值小于所述阈值的像素划分到非显著区域中。
进一步,该方法还包括:通过像素点周围的邻域块代表该像素点,然后根据该邻域块与其余块的相异程度比较来得出该像素点的显著性值。
进一步,该方法还包括:在所述相似度计算步骤中,先对各个源图像与融合图像进行全图的结构相似度计算,获得一个与源图像大小一样的结构相似度图,其中每个点代表以该点为中心的邻域区域的结构相似度,参照源图像中的显著区域和非显著区域的划分,取结构相似度图中对应于的显著区域或非显著区域中的点求均值,作为显著区域或者非显著区域的结构相似度值。
进一步,该方法还包括:所述评价值计算步骤中,融合图像质量评价值FIQRO的计算公式为:
FIQRO(Xi,F)=[SSSIM(Xi,F)]α·[LSSIM(Xi,F)]β,
其中,FIQRO(Xi,F)为参照源图像Xi的融合图像质量评价值,SSSIM(Xi,F)为源图像Xi的显著区域对应的融合结构相似度,LSSIM(Xi,F)为源图像Xi的非显著区域对应的融合结构相似度,参数α和β为重要性参数,α>β>0,且α+β=1。
进一步,该方法还包括:在所述质量评估步骤中,将关于各个源图像的所述融合图像质量评价值作为多维坐标点,计算所述多维坐标点与预先设置的理想多维对比点之间的欧式距离值,根据所述欧式距离值得出图像融合质量评估值FIFQ。
进一步,该方法还包括:在所述质量评估步骤中,所述图像融合质量评估值FIFQ的具体计算公式为:
其中,FIFQ(X,F)为融合图像F的图像融合质量评估值,FIQRO(Xi,F)为参照源图像Xi的融合图像质量评价值,n为源图像的个数,ai为理想多维对比点的坐标值。
进一步,该方法还包括:所述理想多维对比点的坐标值均为1。
本发明还提供了一种图像融合质量评估系统,其特征在于,包括以下单元:区域划分单元,其对融合图像的各个源图像进行显著区域和非显著区域的划分;相似度计算单元,其针对所述各个源图像中的每个源图像,计算所述融合图像与源图像的所述显著区域之间的结构相似度值以及所述融合图像与该源图像的非显著区域之间的结构相似度值;评价值计算单元,其针对所述各个源图像中的每个源图像,根据源图像的所述显著区域的结构相似度值和所述非显著区域的结构相似度值,计算所述融合图像与该源图像之间的融合图像质量评价值FIQRO;质量评估单元,其基于所述评价计算单元计算得出的所述各个源图像的所述融合图像质量评价值FIQRO,计算图像融合质量评估值FIFQ。
与现有技术相比,本发明至少具有以下优点。
本发明的图像融合评估方法和系统基于图像的显著性分析来对图像融合质量进行评估,使评估结果能够基于人眼视觉注意机制,与人眼评价更具一致性,评估结果更为真实、准确。
进一步,本发明基于多源图像,能够处理多种图像融合的评价问题。
进一步,本发明易于实现,不需要任何先验知识,具有较好的通用性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明实施例一的图像融合质量评估方法的流程图;
图2是本发明实施例一实验实例的源图像和融合图像示意图;
图3是本发明实施例一实验实例的源图像显著性检测示意图;
图4是本发明实施例一实验实例的融合图像与源图像的结构相似度示意图;
图5是本发明实施例一实验实例的实验结果对比示意图;
图6是根据本发明实施例一的图像融合质量评估系统的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例一的图像融合质量评估方法的流程图,下面参照图1详细说明该方法的各步骤。
步骤S110,对融合图像的各个源图像Xi(i为小于等于与融合图像对应的源图像总数量的自然数)进行显著区域和非显著区域的划分。
作为优选的,进行显著区域和非显著区域的划分前,首先要检测各个源图像自身的显著性。显著区域就是在全局比较起来具有较少相似度的局部区域。为了满足视觉系统的非单点特性,针对每个像素点,用其周围的邻域块代表该像素点,然后通过比较该邻域块与其余邻域块的相异程度来测定该点的显著性。对于像素点m,用以该像素点为中心的块pm表示,基于该邻域块pm与源图像内的另一邻域块pn之间的位置欧式距离dp(pm,pn)和像素值欧式距离dv(pm,pn),来得出邻域块pm在图像中的相异程度d(pm,pn),具体公式如下,如果相异程度越大,那么该块对应的像素点的显著性也就越大。
取全图与该块最相似的K个块来平均评定该块的显著性值Sm,优选的,K=64,具体公式如下:
对于每个源图像,通过比较可以得到一个自适应阈值t,优选的,采用全图显著性均值的2/3作为阈值,那么根据显著性值与该阈值的比较,就将源图分为大于阈值t的显著区域,以及小于阈值t的非显著区域。
步骤S120,针对各个源图像Xi,计算融合图像与源图像Xi的显著区域之间的结构相似度以及融合图像与源图像Xi的非显著区域之间的结构相似度。
首先介绍如何计算融合图像与该融合图像的源图像Xi之间的结构相似度,亦即,以源图像Xi为参照,计算融合图像F的结构相似度,
Xi的像素的均值、F的像素值的均值、Xi的像素值标准差、F的像素值标准差、以及Xi像素值与F的像素值之间的协方差分别用uX,uF,σX,σF,σXF表示。定义亮度、对比度、结构的比较函数分别为:
其中c1,c2和c3为正的常数,用来调节分母接近于零时的公式的不稳定性。这三个函数值综合起来就是融合图像结构相似度值SSIM。公式如下:
SSIM(Xi,F)=[l(Xi,F)]αW[c(Xi,F)]β[s(Xi,F)]γ (6)
其中,α、β、γ重要性参数,优选的α=β=γ=1。
计算融合图像F对于源图像Xi的显著区域结构相似度值SSSIM(Xi,F)以及非显著区域的结构相似度值LSSIM(Xi,F),表达式可分别为
其中的x,y是像素点的坐标,Sm(x,y)表示该点的显著性值,m1和m2分别为在显著区域和非显著区域的像素数。换而言之,先计算源图像Xi和融合图像中每个像素计算SSIM值,获得一个元素数量与源图像像素数量相等的矩阵SSIM,其中每个元素代表以相应像素为中心的邻域区域的结构相似度;然后针对各源图像Xi,基于SSIM来分别计算融合图像F与步骤S110中所划分的显著区域的结构相似度值SSSIM和非显著区域的结构相似度值LSSIM。例如,可通过取对SSIM与显著区域或非显著区域中的像素点对应的元素值求均值来计算显著区域或者非显著区域的结构相似度值。
步骤S130,针对各个源图像,根据源图像的显著区域的结构相似度和非显著区域的结构相似度,计算融合图像与该源图像之间的融合图像质量评价值;
根据步骤120中计算的显著区域的结构相似度值SSSIM和非显著区域的结构相似度值LSSIM,获得融合图像F相对于源图像Xi结构相似度融合质量评价值。公式如下:
FIQRO(Xi,F)=[SSSIM(Xi,F)]α·[LSSIM(Xi,F)]β (9)
其中参数α和β为重要性参数,用于调整源图像的显著区域与非显著区域对融合图像质量评价的贡献。鉴于人眼视觉的注意机制,设置α>β>0,且α+β=1,优选的,α=2/3和β=1/3。由于依赖于SSIM值的比较,所以该FIQRO越大,则融合质量越好,当且仅当融合图像与源图像完全一样时,FIQRO达到最大值1。综上,该FIQRO为基于本发明提出的显著性分析的结构相似度融合质量评价值
步骤S140,将关于各个源图像的所述融合图像质量评价值作为多维坐标点,计算所述多维坐标点与预先设置的理想多维对比点之间的欧式距离,根据所述欧式距离得出图像融合质量的评估值。
将步骤S130中针对各个源图像得出的多个FIQRO值视为坐标信息,组成一个多维空间的FIQRO点。,其几何坐标为(FIQRO(X1,F),FIQRO(X2,F),...,FIQRO(Xn,F)),其中n为源图像的个数。
预先设定一个具有理想融合效果的多维对比点ai,计算该对比点ai与FIQRO点的欧式距离,并对其进行单位化,作为衡量融合性能的评估值FIFQ。具体公式如下:
由此可见,欧式距离越小融合性能也就越好。正如我们所知,最小距离0可以在F=X1=X2=...=Xn时取得。然而传统的其它评价指标一般都是满足越大越好的趋势,为了和它们保持一致,作为优选的,可以用最大值1减去单位化的欧式距离作为最后的评价指标。
作为优选的,取理想多维对比点的坐标值均为1,即ai=1。
实验实例
选取图像融合中具有代表性的CT和MRI医学图像为例,如图2所示,a为CT图像,b为MRI图像,c为融合图像。利用Matlab软件,分别计算源图像的显著性图,如图3所示,a为CT图像的显著性图,b为MRI图像的显著性图。融合图像与各个源图像之间的结构相似度比较如图4所示,a为CT图像与融合图像的相似度比较图,b为MRI图像与融合图像的相似度比较图。
以两个输入图像X={X1,X2}进行一些选定算法的融合,然后对融合结果与每个源图像之间的进行基于显著性的SSIM比较获得两个评估数据值FIQRO(X1,F)和FIQRO(X2,F)。将其分别视为一个源图像参照下的融合图像质量评价维度的坐标,那么它们就构成二维平面上的一个点,用坐标表示为(FIQRO(X1,F),FIQRO(X2,F))。如果基于显著性的SSIM比较结果越大,则表明融合图像相对于该源图像具有更好的显著性结构相似度。根据SSIM特性,可知该FIQRO评估最大值可为1,此时理想的融合点就为A(1,1)。采用加权融合方式,进行一系列融合质量评价,公式如下:
Fi=wiX1+(1-wi)X2 (12)
首先,对一系列按公式(12)的加权融合算法进行实验,将加权因子wi从0按0.1等间隔变化到1,以此获得一系列融合结果,如图5a所示。同时和其他基于SSIM的融合评价质变进行比较,为了体现加权融合的明显效果,选用前面谈到的结构相似度较小的医学图像。直观而言,它们之间的相似度比较小,那么包含两个源图像信息尽可能多的情况也就是加权因子比较均等的时候。图5a的图像融合结果与直观分析基本一致,在权值为wi=0.4,0.5,0.6,时综合效果比较明显。极端地,当加权因子较小或者较大的时候,融合结果就偏向某一源图像。很明显地可以看到在wi=0或者wi=1时,融合结果基本上就对应着某一个源图像,这样也就失去了融合的意义。
从融合质量评价角度分析,选择同样是由SSIM发展而来的图像融合评价指标进行分析,具体包括Piella的局部重要性,加权比较,以及边缘三个指标(分别用Piella-1,Piella-2,Piella-3表示),以及Yang等人最近提出的SSIM比较指标(Yang Cui表示),图5c给出了各指标具体的评价结果。在图5b中,所有融合结果参照各个源测得的融合图像质量FIQRO评估值都按点用星号作了标记,构成FIQRO点。每个FIQRO到理想点A的距离都用两线表示出来,同时给出了距离值。由此可见融合结果越靠近坐标轴,距离就越大。而最短距离出现在wi=0.5时。根据该距离所得的融合质量评价指标见图5c所示,评价指标以wi=0.5为最高点较对称地分布。而Piella的三个指标基本上呈现单调减少的趋势,Yang的评价结果刚开始随着加权因子wi的增加逐渐减少到wi=0.8,而后迅速上升。由此可见,本发明的评估方法能较准确地评估融合性能。
实施例二
图6为根据本发明实施例二的一种图像融合质量评估系统的结构示意图图,下面根据图6详细说明该系统的组成。
该系统包括以下单元:
区域划分单元,其对融合图像的各个源图像进行显著区域和非显著区域的划分。
相似度计算单元,其针对各个源图像中的每个源图像,计算融合图像与源图像的显著区域之间的结构相似度值以及融合图像与该源图像的非显著区域之间的结构相似度值。
评价值计算单元,其针对各个源图像中的每个源图像,根据源图像的显著区域的结构相似度值和非显著区域的结构相似度值,计算融合图像与该源图像之间的融合图像质量评价值FIQRO。
质量评估单元,其基于评价计算单元计算得出的各个源图像的融合图像质量评价值FIQRO,计算图像融合质量评估值FIFQ。
该系统中的各单元同样可以实现实施例一中相应的各步骤的优选方案的子单元,在此不作赘述。
本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (9)
1.一种融合图像的性能评估方法,其特征在于,包括以下步骤:
区域划分步骤,对融合图像的各个源图像进行显著区域和非显著区域的划分;
相似度计算步骤,针对所述各个源图像中的每个源图像,计算所述融合图像与源图像的所述显著区域之间的结构相似度值以及所述融合图像与该源图像的非显著区域之间的结构相似度值;
评价值计算步骤,针对所述各个源图像中的每个源图像,根据源图像的所述显著区域的结构相似度值和所述非显著区域的结构相似度值,计算所述融合图像与该源图像之间的融合图像质量评价值FIQRO;
质量评估步骤,基于所述评价计算步骤计算得出的所述各个源图像的所述融合图像质量评价值FIQRO,计算图像融合质量评估值FIFQ。
2.根据权利要求1所述的方法,其特征在于,在所述区域划分步骤中,预先设定一个显著性阈值,计算源图像中各像素点的显著性值,将显著性值大于所述阈值的像素点划分到显著区域中,将显著性值小于所述阈值的像素划分到非显著区域中。
3.根据权利要求2所述的方法,其特征在于,通过像素点周围的邻域块代表该像素点,然后根据该邻域块与其余块的相异程度比较来得出该像素点的显著性值。
4.根据权利要求1所述的方法,其特征在于,在所述相似度计算步骤中,先对各个源图像与融合图像进行全图的结构相似度计算,获得一个与源图像大小一样的结构相似度图,其中每个点代表以该点为中心的邻域区域的结构相似度,参照源图像中的显著区域和非显著区域的划分,取结构相似度图中对应于的显著区域或非显著区域中的点求均值,作为显著区域或者非显著区域的结构相似度值。
5.根据权利要求1所述的方法,其特征在于,所述评价值计算步骤中,融合图像质量评价值FIQRO的计算公式为:
FIQRO(Xi,F)=[SSSIM(Xi,F)]α·[LSSIM(Xi,F)]β,
其中,FIQRO(Xi,F)为参照源图像Xi的融合图像质量评价值,SSSIM(Xi,F)为源图像Xi的显著区域对应的融合结构相似度,LSSIM(Xi,F)为源图像Xi的非显著区域对应的融合结构相似度,参数α和β为重要性参数,α>β>0,且α+β=1。
6.根据权利要求1至5任一项所述的方法,其特征在于,在所述质量评估步骤中,将关于各个源图像的所述融合图像质量评价值作为多维坐标点,计算所述多维坐标点与预先设置的理想多维对比点之间的欧式距离值,根据所述欧式距离值得出图像融合质量评估值FIFQ。
7.根据权利要求6所述的方法,其特征在于,在所述质量评估步骤中,所述图像融合质量评估值FIFQ的具体计算公式为:
其中,FIFQ(X,F)为融合图像F的图像融合质量评估值,FIQRO(Xi,F)为参照源图像Xi的融合图像质量评价值,n为源图像的个数,ai为理想多维对比点的坐标值。
8.根据权利要求7所述的方法,其特征在于,所述理想多维对比点的坐标值均为1。
9.一种图像融合质量评估系统,其特征在于,包括以下单元:
区域划分单元,其对融合图像的各个源图像进行显著区域和非显著区域的划分;
相似度计算单元,其针对所述各个源图像中的每个源图像,计算所述融合图像与源图像的所述显著区域之间的结构相似度值以及所述融合图像与该源图像的非显著区域之间的结构相似度值;
评价值计算单元,其针对所述各个源图像中的每个源图像,根据源图像的所述显著区域的结构相似度值和所述非显著区域的结构相似度值,计算所述融合图像与该源图像之间的融合图像质量评价值FIQRO;
质量评估单元,其基于所述评价计算单元计算得出的所述各个源图像的所述融合图像质量评价值FIQRO,计算图像融合质量评估值FIFQ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110206802.4A CN102289808B (zh) | 2011-07-22 | 2011-07-22 | 一种图像融合质量评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110206802.4A CN102289808B (zh) | 2011-07-22 | 2011-07-22 | 一种图像融合质量评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102289808A true CN102289808A (zh) | 2011-12-21 |
CN102289808B CN102289808B (zh) | 2015-11-04 |
Family
ID=45336198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110206802.4A Active CN102289808B (zh) | 2011-07-22 | 2011-07-22 | 一种图像融合质量评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102289808B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226695A (zh) * | 2013-04-02 | 2013-07-31 | 北京林业大学 | 基于选择性视觉注意机制的马尾松多尺度智能识别模型 |
CN103873859A (zh) * | 2014-03-26 | 2014-06-18 | 西安电子科技大学 | 基于时空显著性检测的视频融合性能评价方法 |
CN104424385A (zh) * | 2013-08-22 | 2015-03-18 | 上海联影医疗科技有限公司 | 一种医学影像的评价方法和装置 |
CN105160065A (zh) * | 2015-08-04 | 2015-12-16 | 成都理工大学 | 基于拓扑关系的遥感信息相似度评价方法 |
CN105574885A (zh) * | 2016-01-13 | 2016-05-11 | 福州大学 | 基于机器学习并融合视觉特征的全参考图像质量评估方法 |
CN105825042A (zh) * | 2015-01-27 | 2016-08-03 | 西门子股份公司 | 用于标识放射学数据集的数据系统 |
CN110335221A (zh) * | 2019-03-21 | 2019-10-15 | 西安电子科技大学 | 一种基于无监督学习的多曝光图像融合方法 |
CN110634553A (zh) * | 2018-06-25 | 2019-12-31 | 青岛海信医疗设备股份有限公司 | 一种医学图像校验方法及系统 |
CN111709914A (zh) * | 2020-05-27 | 2020-09-25 | 西安理工大学 | 一种基于hvs特性的无参考图像质量评价方法 |
CN112233079A (zh) * | 2020-10-12 | 2021-01-15 | 东南大学 | 多传感器图像融合的方法及系统 |
CN112434610A (zh) * | 2020-11-25 | 2021-03-02 | 合肥三恩信息科技有限公司 | 一种基于无监督机器学习的多模态数据训练系统 |
CN112561878A (zh) * | 2020-12-15 | 2021-03-26 | 黑龙江大学 | 基于加权融合的手指静脉图像质量评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604139A (zh) * | 2004-10-28 | 2005-04-06 | 上海交通大学 | 图像融合评价系统的构建方法 |
CN101840573A (zh) * | 2010-04-12 | 2010-09-22 | 李珊珊 | 一种像素级图像融合质量评估方法 |
-
2011
- 2011-07-22 CN CN201110206802.4A patent/CN102289808B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604139A (zh) * | 2004-10-28 | 2005-04-06 | 上海交通大学 | 图像融合评价系统的构建方法 |
CN101840573A (zh) * | 2010-04-12 | 2010-09-22 | 李珊珊 | 一种像素级图像融合质量评估方法 |
Non-Patent Citations (3)
Title |
---|
V. BUNTILOV, ET AL.: "A Fusion Evaluation Approach with Region Relating Objective Function for Multispectral Image Sharpening", 《GEOSCIENCE AND REMOTE SENSING SYMPOSIUM, 2005. IGARSS "05. PROCEEDINGS. 2005 IEEE INTERNATIONAL》, vol. 4, 29 July 2005 (2005-07-29), pages 2830 - 2833, XP010848594, DOI: 10.1109/IGARSS.2005.1525657 * |
XIAOYAN LUO, ET AL.: "A Pixel-Level Image Fusion Framework based on Structural Similarity", 《ICICS 2009》, 31 December 2009 (2009-12-31) * |
王涛 等: "一种基于内容的图像质量评价测度", 《中国图象图形学报》, vol. 12, no. 6, 30 June 2007 (2007-06-30), pages 1002 - 1007 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226695A (zh) * | 2013-04-02 | 2013-07-31 | 北京林业大学 | 基于选择性视觉注意机制的马尾松多尺度智能识别模型 |
CN104424385A (zh) * | 2013-08-22 | 2015-03-18 | 上海联影医疗科技有限公司 | 一种医学影像的评价方法和装置 |
CN104424385B (zh) * | 2013-08-22 | 2018-08-31 | 武汉联影医疗科技有限公司 | 一种医学影像的评价方法和装置 |
CN103873859A (zh) * | 2014-03-26 | 2014-06-18 | 西安电子科技大学 | 基于时空显著性检测的视频融合性能评价方法 |
CN103873859B (zh) * | 2014-03-26 | 2015-11-11 | 西安电子科技大学 | 基于时空显著性检测的视频融合性能评价方法 |
CN105825042A (zh) * | 2015-01-27 | 2016-08-03 | 西门子股份公司 | 用于标识放射学数据集的数据系统 |
CN105160065A (zh) * | 2015-08-04 | 2015-12-16 | 成都理工大学 | 基于拓扑关系的遥感信息相似度评价方法 |
CN105160065B (zh) * | 2015-08-04 | 2018-04-27 | 成都理工大学 | 基于拓扑关系的遥感信息相似度评价方法 |
CN105574885A (zh) * | 2016-01-13 | 2016-05-11 | 福州大学 | 基于机器学习并融合视觉特征的全参考图像质量评估方法 |
CN105574885B (zh) * | 2016-01-13 | 2017-03-08 | 福州大学 | 基于机器学习并融合视觉特征的全参考图像质量评估方法 |
CN110634553B (zh) * | 2018-06-25 | 2023-07-18 | 青岛海信医疗设备股份有限公司 | 一种医学图像校验方法及系统 |
CN110634553A (zh) * | 2018-06-25 | 2019-12-31 | 青岛海信医疗设备股份有限公司 | 一种医学图像校验方法及系统 |
CN110335221A (zh) * | 2019-03-21 | 2019-10-15 | 西安电子科技大学 | 一种基于无监督学习的多曝光图像融合方法 |
CN110335221B (zh) * | 2019-03-21 | 2021-08-06 | 西安电子科技大学 | 一种基于无监督学习的多曝光图像融合方法 |
CN111709914B (zh) * | 2020-05-27 | 2022-04-22 | 西安理工大学 | 一种基于hvs特性的无参考图像质量评价方法 |
CN111709914A (zh) * | 2020-05-27 | 2020-09-25 | 西安理工大学 | 一种基于hvs特性的无参考图像质量评价方法 |
CN112233079A (zh) * | 2020-10-12 | 2021-01-15 | 东南大学 | 多传感器图像融合的方法及系统 |
CN112233079B (zh) * | 2020-10-12 | 2022-02-11 | 东南大学 | 多传感器图像融合的方法及系统 |
CN112434610A (zh) * | 2020-11-25 | 2021-03-02 | 合肥三恩信息科技有限公司 | 一种基于无监督机器学习的多模态数据训练系统 |
CN112561878A (zh) * | 2020-12-15 | 2021-03-26 | 黑龙江大学 | 基于加权融合的手指静脉图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102289808B (zh) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102289808A (zh) | 一种图像融合质量评估方法和系统 | |
CN105825503B (zh) | 基于视觉显著性的图像质量评价方法 | |
Miao et al. | A novel algorithm of image fusion using shearlets | |
CN102169576B (zh) | 一种图像拼接算法定量评价方法 | |
EP2357612B1 (en) | Method for quantifying and imaging features of a tumor | |
CN102651124B (zh) | 基于冗余字典稀疏表示和评价指标的图像融合方法 | |
CN108109147A (zh) | 一种模糊图像的无参考质量评价方法 | |
US20130216115A1 (en) | Image processing apparatus, image processing method, and program | |
CN103605716B (zh) | 用于网页页面点击展现的数据处理方法和装置 | |
CN105447837B (zh) | 基于自适应云模型的多模态脑部图像融合方法 | |
CN102393951A (zh) | 一种人脸模型的变形方法 | |
CN101866486B (zh) | 手指静脉图像质量判断方法 | |
CN103377468A (zh) | 图像处理装置及图像处理方法 | |
CN101231748A (zh) | 基于奇异值分解的图像融合方法 | |
CN104036493B (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
CN104008543A (zh) | 一种图像融合质量评价方法 | |
CN102036098B (zh) | 一种基于视觉信息量差异的全参考型图像质量评价方法 | |
CN101840573A (zh) | 一种像素级图像融合质量评估方法 | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN103281554A (zh) | 一种基于人眼视觉特性的视频客观质量评价方法 | |
CN109815913B (zh) | 基于眼动信息的视觉增强感知系统及其方法 | |
CN114287915A (zh) | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 | |
Mazaheri et al. | Hybrid pixel-based method for cardiac ultrasound fusion based on integration of PCA and DWT | |
Xie et al. | Infrared and visible image fusion based on NSST and phase consistency adaptive DUAL channel PCNN | |
CN102663764A (zh) | 基于结构失真与空间频率指标的图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |