CN104021545A - 一种基于视觉显著性的全参考彩色图像质量评价方法 - Google Patents
一种基于视觉显著性的全参考彩色图像质量评价方法 Download PDFInfo
- Publication number
- CN104021545A CN104021545A CN201410198105.2A CN201410198105A CN104021545A CN 104021545 A CN104021545 A CN 104021545A CN 201410198105 A CN201410198105 A CN 201410198105A CN 104021545 A CN104021545 A CN 104021545A
- Authority
- CN
- China
- Prior art keywords
- image
- passage
- vision
- reference picture
- evaluation method
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种基于视觉显著性的全参考彩色图像质量评价方法,(1)对于参考图像f(1)和失真图像f(2)分别确定视觉显著图VS1(x)和VS2(x),、梯度图G1(x)和G2(x)、黄蓝对比色度分量M1(x)和M2(x)、红绿对比色度分量N1(x)和N2(x);(2)结合VS1(x)、VS2(x)、G1(x)、G2(x)、M1(x)、M2(x)、N1(x)、N2(x)确定局部质量图S(x);(3)将VS1(x)和VS2(x)中较大值作为权值函数,得到f2最终质量VSI,局部质量评级过程中,利用视觉显著性与图像质量关系,引入彩色图像色度分量;确定失真图像的质量分数的过程中,使用视觉显著性作为权重函数,得到失真图像的客观评价质量,提高了全参考图像质量评价方法的准确性。
Description
技术领域
本发明属于图像处理技术领域,涉及图像质量的评测技术,尤其是全参考彩色图像质量评价技术。
背景技术
图像处理是对图像进行分析、加工和处理,使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。大多数的图像是以数字形式存储,因而图像处理很多情况下指数字图像处理。几十年前,图像处理大多数由光学设备在模拟模式下进行。由于这些光学方法本身所具有的并行特性,至今他们仍然在很多应用领域占有核心地位,但是由于计算机速度的大幅度提高,这些技术正在迅速的被数字图像处理方法所替代。在目前的技术水平下,在压缩、传输等过程中,往往伴随着图像质量的损失,很多应用需要量化图像中存在的失真会给感官造成怎样的影响。通过图像质量客观评价的方法,可以对一些图像处理方法进行有效的评估,最终取得一个较好的图像视觉效果。
目前数字图像质量评价方法可以分为两类:主观评价和客观评价。主观评价是指通过主观实验来评价图像质量。主观评价具有准确、有效等优点,但也存在严重的缺点。一是主观评价只能测试有限数量的图像样本;二是实验过程很耗时并且费用昂贵。因此,人们需要设计符合主观评价结果的客观的图像质量评价方法。
数字图像客观评价方法的研究是图像信息工程研究中最重要的基础研究课题之一。依据对原始图像参考度的不同,图像质量的客观评价可分为三种:全参考(FR)、部分参考(RR)和无参考(NR)。所谓全参考图像质量评价方法,是指在评价失真图像时,将无任何质量失真的原始图像作为参考,其主要用于评价压缩、还原等方法的好坏或者为压缩、还原等方法挑选合适的参数提供依据。
目前主要的全参考图像质量评价方法有:“Z.Wang,A.C.Bovik,H.R.Sheikh,and E.P.Simoncelli,Image quality assessment:From error visibility to structural similarity,IEEE Trans.Image Process.,vol.13,no.4,pp.600-612,Apr.2004”,即SSIM;“Z.Wang,E.P.Simoncelli,and A.C.Bovik,Multi-scale structural similarity for image quality assessment,inProc.IEEE Asi-lomar Conf.Signals,Syst.and Comput.,2003,pp.1398-1402”,即MS-SSIM;“Z.Wang and Q.Li,Information content weighting for perceptual image quality assessment,IEEE Trans.Image Process.,vol.20,no.5,pp.1185-1198,May.2011”,即IW-SSIM;“H.R.Sheikh and A.C.Bovik,Image information and visual quality,IEEE Trans.Image Process.,vol.15,no.2,pp.430-444,Feb.2006”,即VIF;“L.Zhang,L.Zhang,and X.Mou,RFSIM:A feature based im-age quality assessment metric using Riesztransforms,inProc.IEEE Int.Conf.Image Process.,2010,pp.321-324”,即RFSIM;“L.Zhang,L.Zhang,X.Mou,and D.Zhang,FSIM:A feature similarity index for image quality assessment”,即FSIM。在全参考图像质量评价问题中,基本实现原理是比较测试图像和参考图像之间的差异,差异越大,代表质量越差,差异越小,代表质量越高。典型的二步图像质量评价框架如图1所示。在第一步中,根据图像中质量相关的特征确定局部质量图,在第二步中,以局部质量图为依据,采取合适的权重函数,得到最终的客观评价分数。但是这些方法中评价方法预测准确性还不够高。
发明内容
本发明的目的在于提供一种基于视觉显著性的全参考彩色图像质量评价方法,其充分利用视觉显著性与图像质量的关系,同时引入彩色图像的色度分量,大大提高了全参考图像质量评价方法的准确性,满足实际应用中对全参考图像质量评价方法的要求,解决了传统图像质量评价方法预测准确性不够高的问题。
为达到上述目的,本发明的解决方案是:
一种基于视觉显著性的全参考彩色图像质量评价方法,包括以下步骤:定义任意一副RGB图像为f(x),则参考图像为f(1),失真图像为f(2):
(1)分别确定参考图像f(1)和失真图像f(2)的视觉显著图VS1(x)和VS2(x)、黄蓝对比色度分量M1(x)和M2(x)、红绿对比色度分量N1(x)和N2(x)以及L通道的梯度图G1(x)和G2(x);
(2)比较参考图像f(1)和失真图像f(2)的视觉显著图、L通道、M通道以及N通道的相似性以确定局部质量图S(x);
(3)以局部质量图S(x)为依据,使用VS1(x)和VS2(x)中的较大值VSm(x)作为权值函数,确定失真图像f(2)的客观评价分数VSI:
VSm(x)=max(VS1(x),VS2(x))
其中Ω表示图像的空间域。
所述步骤(一)中,参考图像f(1)和失真图像f(2)视觉显著图的确定包括以下步骤:
(1‐1)将f(x)(x=1或2)的RGB三个通道转换至CIELAB对色空间,并分别用fL(x)、fa(x)和fb(x)表示f(x)被转移到对色空间之后的三个通道,则f(x)的视觉显著图VS(x):
VS(x)=SF(x)·SD(x)·SC(x)
其中:
SF(x)=((fL*g)2+(fa*g)2+(fb*g)2)2(x)/g是对数Gabor滤波器,*代表卷积操作; c代表图像中心点的位置,σD为一个0到1之间的参数;
所述步骤(一)中,参考图像f(1)和失真图像f(2)黄蓝色对比色度分量和红绿色对比分量的确定包括以下步骤:
(1-2)将f(x)按如下公式转移到对色空间,x为1或2:
则M通道和N通道即f(x)所对应的黄蓝色对比色度分量和红绿色对比分量。
进一步的,所述步骤(一)中,参考图像f(1)和失真图像f(2)梯度图的确定包括以下步骤:(1-3)确定f(x)(x为1或2)的L通道后,使用Scharr梯度算子即两个偏导数Gx(x)和Gy(x):
则f(x)L通道的梯度模图为:
所述步骤(二)中,使用SSIM指标比较参考图像f(1)和失真图像f(2)的视觉显著图、L通道、M通道以及N通道的相似性,则
VS1(x)和VS2(x)的相似性定义为:
G1(x)和G2(x)的相似性定义为:
色度分量的相似性定义为:
局部质量图S(x)=Svs(x)·[SG(x)]α·[SC(x)]β;
其中,C1、C2、C3、α以及β为0到1之间的常数。
由于采用上述方案,本发明的有益效果是:
本发明所示的一种基于视觉显著性的全参考彩色图像质量评价方法,在对局部质量评级过程中,充分利用视觉显著性与图像质量的关系,同时引入彩色图像的色度分量,其分别确定参考图像和失真图像的视觉显著图、梯度模图和色度分量图,并确定这几种特征图的相似性以确定局部质量图;在确定失真图像的质量分数的过程中,使用视觉显著性作为权重函数,得到失真图像的客观评价质量,大大提高了全参考图像质量评价方法的准确性。
具体分析如下:在大多数情况下,图像中越显著的地方出现失真会对视觉显著性造成更大的影响,故本发明所示的基于视觉显著性的全参考彩色图像质量评价方法,使用了视觉显著性这一特征确定图像的局部质量图;且由于在确定图像的视觉显著性时引入了归一化操作,所以用视觉显著性作为特征确定图像的局部质量图时,并不能很好地反映图像全局对比度这一失真类型。为此,本发明引入了梯度模补偿视觉显著型的这一缺点;此外,虽然视觉显著型和梯度模两者已经足够刻画灰度图中出现的失真,但对于彩色图像,这些信息不能充分刻画色度的失真,为此,本发明还引入了色度分量刻画局部质量图。
同时,考虑到图像中视觉显著性高的区域对图像的感知质量起到的作用更大,而出现在视觉显著性较低区域的失真对图像感知质量的影响较小,故在得到图像的局部质量图之后,使用视觉显著性作为权值函数,最终得到失真图像的客观评价质量,可大大提高了全参考图像质量评价方法的准确性。
附图说明
图1为通用的全参考图像质量评价框架示意图;
图2为本发明一实施例的方法流程示意图。
具体实施方式
本发明所示的一种基于视觉显著性的全参考彩色图像质量评价方法,充分利用视觉显著性与图像质量的关系,同时引入彩色图像的色度分量,大大提高了全参考图像质量评价方法的准确性。
其继承自图1所示的典型的全参考图像质量评价方法框架。假设已有参考图像f(1)f和失真图像f(2)(均为RGB图像)。对于f(1)和f(2)f,我们需要分别确定其视觉显著图(分别用VS1(x)和VS2(x)表示),梯度图(分别用G1(x)和G2(x)表示),再分别结合两张图像各自的黄蓝对比色度分量(分别用M1(x)和M2(x)表示),红绿对比色度分量(分别用N1(x)和N2(x)表示),结合VS1(x)、VS2(x)、G1(x)、G2(x)、M1(x)、M2(x)、N1(x)、N2(x),可以确定得到一张局部质量图(用S(x)表示),再使用VS1(x)和VS2(x)中的较大值作为权值函数,我们可以确定得到f2的最终质量(用VSI表示)。
本发明的基本流程如图2所示。
(1)分别确定参考图像f(1)和失真图像f(2)f的视觉显著图VS1(x)和VS2(x)、黄蓝对比色度分量M1(x)和M2(x)、红绿对比色度分量N1(x)和N2(x)以及L通道的梯度图G1(x)和G2(x);
(1-1)确定视觉显著图VS1(x)和VS2(x)。VS1(x)和VS2(x)是参考图像f(1)和失真图像f2(均为RGB图像)所对应的视觉显著图。用f(x)表示任意一幅RGB图像(可以是f(1)或f(2)),我们采用如下的方法确定其对应的视觉显著图。首先将f(x)的RGB三个通道转换到CIELAB对色空间,分别用fL(x)、fa(x)和fb(x)表示f(x)被转移到对色空间之后的三个通道。我们使用如下公式确定f(x)的视觉显著图(用VS(x)表示):
VS(x)=SF(x)·SD(X)·SC(x)
其中:
SF(x)=((fL*g)2+(fa*g)2+(fb*g)2)2(x)
g是对数Gabor滤波器,*代表卷积操作。这个公式的原理是带宽滤波器在对色空间下可以很好地模拟图像的视觉显著性。
c代表图像中心点的位置,σD是一个0到1之间的参数。这个公式的原理是图像的中心点往往具有较高的视觉显著性。
其中maxa和mina分别代表fa(x)中的最大值和最小值,而maxb和minb分别代表fb(x)中的最小值和最大值,σC是0到1之间的一个参数。这个公式的原理是暖色调,如红色和黄色,相比于冷色调,如蓝色,更容易引起人的视觉注意。
(1-2)确定黄蓝对比色度分量(分别用M1(x)和M2(x)表示),红绿对比色度分量(分别用N1(x)和N2(x)表示)。
M1(x)和M2(x)分别是参考图像f(1)和失真图像f(2)(均为RGB图像)所对应的黄蓝色对比色度分量,而N1(x)和N2(x)分别是参考图像f(1)和失真图像f(2)(均为RGB图像)所对应的红绿对比色度分量。
用f(x)表示任意一幅RGB图像(可以是f(1)或f(2)),我们采用如下的方法确定其对应的黄蓝色对比色度分量和红绿色对比分量。
我们将f(x)按如下公式转移到对色空间:
其中M通道和M通道即f(x)所对应的黄蓝色对比色度分量和红绿色对比分量。
(1-3)确定G1(x)和G2(x)。
G1(x)和G2(x)分别是参考图像f(1)和失真图像f(2)(均为RGB图像)所对应的梯度模图。用f(x)表示任意一幅RGB图像(可以是f(1)或f(2)),我们采用如下方法确定其对应的梯度模图。
步骤(1-2)中,在确定f(x)的黄蓝色对比色度分量和红绿色对比分量时,我们同时得到一个L通道,我们根据f(x)的这个通道(用L(x)表示)确定其对应的梯度模图。此处我们使用Scharr梯度算子,用到的是两个偏导数Gx(x)和Gy(x):
于是得到f(x)的梯度模图:
(2)比较参考图像f(1)和失真图像f(2)的视觉显著图、L通道、M通道以及N通道的相似性以确定局部质量图S(x);
通过比较各种特征图(视觉显著图,梯度模图,黄蓝色对比色度分量和红绿色对比分量)的相似性,我们可以得到局部质量图。此处相似性比较的方法采用的是结构相似度,即SSIM,(structural similarity index measurement)一文中所使用的相似度比较方法,也是在带参考图像质量评价中最为常用的相似性评价方法。
VS1(x)和VS2(x)的相似性被定义为:
G1(x)和G2(x)的相似性被定义为:
色度分量的相似性被定义为:
实验中,C1,C2和C3为0到1之间的常数。可以说Svs(x),SG(x),Sc(x)在不同方面评价了失真图像与参考图像的相似性,通过将三者相乘,可以得到f(1)和f(2)的局部相似性,也即局部质量图(用S(x)表示):
S(x)=Svs(x)·[SG(x)]α·[Sc(x)]β
其中α和β是0到1之间的常数,用于调整各个部分的比重。
(3)以局部质量图S(x)为依据,使用VS1(x)和VS2(x)中的较大值VSm(x)作为权值函数,确定失真图像f(2)的客观评价分数VSI:
最终,使用VS1(x)和VS2(x)之间的较大值(用VSm(x)表示)作为权值函数,得到测试图像的客观评价分数(用VSI表示):
VSm(X)=max(VS1(x),VS2(x))
其中Ω表示图像的空间域。
以下结合具体实验数据对本发明所示的基于视觉显著性的全参考彩色图像质量评价方法进一步说明。
实验条件与评分标准:本发明在TID2013,TID2008,LIVE和CSIQ四个数据库上进行测试,表1为上述数据库的信息。
表1:数据库信息
Spearman等级次序相关系数(SROCC)、肯德尔次序相关系数(KROCC)、皮尔森线性相关系数(PLCC)和均方根误差(RMSE)用于评价方法的准确性,其中,SROCC(KROCC或PLCC)的取值范围是0~1,越接近1,代表准确性越高;RMSE的值越低,代表准确性越高;比较对象包括SSIM(Structural Similarity Index Measure,结构相似性),MS-SSIM(Multi-Scale Structural SimilarityIndex Measure,多尺度结构相似性)、VIF(VisualInformation Fidelity,视觉信息保真度)、IW-SSIM(Information content Weighted Structural Similarity Measure,以内容信息加权的结构相似性)、RFSIM(Riesz-transform based Feature SIMilarity metric,基于Riesz变换的特征相似性)和FSIM(Feature SIMilarity metric,特征相似性指标)这6个具有代表型的全参考图像质量评价指标。本发明方法被命名为VSI(Visual Saliency based Index)。
实验结果:
表2为7种方法在四个数据库中进行试验的比较结果,可以发现本发明在四个数据库,四个指标上都名列前茅。
表2.7个方法在4个数据库上的实验结果
为了进一步证明本发明所示方法的优越性,我们根据数据库中图像的数量对结果做了加权平均,结果如表3(按测试图像数量加权之后方法的总体性能评价)所示,可以看到我们的方法在各评价指标下都是第一名,并且结果有非常明显的提升。
表3.按测试图像数量加权之后方法的总体性能评价
表4为各个方法运行所需的时间,从表4中我们可以看到,本发明所示的基于视觉显著性的全参考彩色图像质量评价方法的对于一幅图像的处理速度是95.4毫秒,虽然不是最快的方法,但是比FSIM、IW-SSIM、VIF等方法已经有了巨大的提高。
表4.方法运行效率比较
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原 理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (5)
1.一种基于视觉显著性的全参考彩色图像质量评价方法,其特征在于:包括以下步骤,定义任意一副RGB图像为f(x),则参考图像为f(1),失真图像为f(2)f:
(1)分别确定参考图像f(1)f和失真图像f(2)f的视觉显著图VS1(x)和VS2(x)、黄蓝对比色度分量M1(X)和M2(X)、红绿对比色度分量N1(x)和N2(x)以及L通道的梯度图G1(x)和G2(x);
(2)比较参考图像f(1)f和失真图像f(2)f的视觉显著图、L通道、M通道以及N通道的相似性以确定局部质量图S(x);
(3)以局部质量图S(x)为依据,使用VS1(x)和VS2(x)中的较大值VSm(x)作为权值函数,确定失真图像f(2)f的客观评价分数VSI:
VSm(x)=max(VS1(x),VS2(x))
其中Ω表示图像的空间域。
2.根据权利要求1所述的全参考彩色图像质量评价方法,其特征在于:所述步骤(一)中,参考图像f(1)和失真图像f(2)视觉显著图的确定包括以下步骤:(1‐1)将f(x)(x=1或2)的RGB三个通道转换至CIELAB对色空间,并分别用fL(x)、fL(x)和fb(x)表示f(x)被转移到对色空间之后的三个通道,则f(x)的视觉显著图VS(x):
VS(x)=SF(x)·SD(x)·SC(x)
其中:
SF(x)=((fL*g)2+(fa*g)2+(fb*g)2)2(x)/g是对数Gabor滤波器,*代表卷积操作; c代表图像中心点的位置,σD为一个0到1之间的参数;
maxa和mina分别代表fa(x)中的最大值和最小值,而maxb和minb分别代表fb(x)中的最小值和最大值,σC是0到1之间的一个参数。
3.根据权利要求1所述的全参考彩色图像质量评价方法,其特征在于:所述步骤(一)中,参考图像f(1)和失真图像f(2)黄蓝色对比色度分量和红绿色对比分量的确定包括以下步骤:
(1-2)将f(x)按如下公式转移到对色空间,x为1或2:
则M通道和N通道即f(x)所对应的黄蓝色对比色度分量和红绿色对比分量。
4.根据权利要求3所述的全参考彩色图像质量评价方法,其特征在于:所述步骤(一)中,参考图像f(1)和失真图像f(2)梯度图的确定包括以下步骤:
(1-3)确定f(x)(x为1或2)的L通道后,使用Scharr梯度算子即两个偏导数Gx(x)和Gy(x)
则f(x)L通道的梯度模图为:
。
5.根据权利要求1所述的全参考彩色图像质量评价方法,其特征在于:所述步骤(二)中,比较参考图像f(1)和失真图像f(2)的视觉显著图、L通道、M通道以及N通道的相似性,则
VS1(x)和VS2(x)的相似性定义为:
G1(x)和G2(x)的相似性定义为:
色度分量的相似性定义为:
局部质量图S(x)=Svs(x)·[SG(x)lα·[SC(x)]β;
其中,C1、C2、C3、α以及β为0到1之间的常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410198105.2A CN104021545A (zh) | 2014-05-12 | 2014-05-12 | 一种基于视觉显著性的全参考彩色图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410198105.2A CN104021545A (zh) | 2014-05-12 | 2014-05-12 | 一种基于视觉显著性的全参考彩色图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104021545A true CN104021545A (zh) | 2014-09-03 |
Family
ID=51438283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410198105.2A Pending CN104021545A (zh) | 2014-05-12 | 2014-05-12 | 一种基于视觉显著性的全参考彩色图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104021545A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104243976A (zh) * | 2014-09-23 | 2014-12-24 | 浙江科技学院 | 一种立体图像客观质量评价方法 |
CN104394405A (zh) * | 2014-11-19 | 2015-03-04 | 同济大学 | 一种基于全参考图像的客观质量评价方法 |
CN105006001A (zh) * | 2015-08-19 | 2015-10-28 | 常州工学院 | 一种基于非线性结构相似度偏差的有参图像的质量评估方法 |
CN105046708A (zh) * | 2015-07-14 | 2015-11-11 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
CN105825503A (zh) * | 2016-03-10 | 2016-08-03 | 天津大学 | 基于视觉显著性的图像质量评价方法 |
CN105844640A (zh) * | 2016-03-24 | 2016-08-10 | 西安电子科技大学 | 基于梯度的彩色图像质量评价方法 |
CN106447654A (zh) * | 2016-09-12 | 2017-02-22 | 中国科学技术大学 | 基于统计相似性和双向显著性保真度的图像重定向质量评价方法 |
CN106504230A (zh) * | 2016-10-11 | 2017-03-15 | 华侨大学 | 基于相位一致性的全参考彩色屏幕图像质量评估方法 |
CN106558047A (zh) * | 2016-11-10 | 2017-04-05 | 复旦大学 | 基于互补色小波的彩色图像质量评价方法 |
CN106600597A (zh) * | 2016-12-22 | 2017-04-26 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN107274379A (zh) * | 2017-05-09 | 2017-10-20 | 武汉大学 | 一种图像质量评价方法及系统 |
CN107888905A (zh) * | 2017-10-27 | 2018-04-06 | 中国矿业大学 | 一种基于GoP显著性加权的视频质量评价方法 |
WO2018082130A1 (zh) * | 2016-11-02 | 2018-05-11 | 华为技术有限公司 | 一种显著图生成方法及用户终端 |
CN108428227A (zh) * | 2018-02-27 | 2018-08-21 | 浙江科技学院 | 基于全卷积神经网络的无参考图像质量评价方法 |
CN108510474A (zh) * | 2018-03-09 | 2018-09-07 | 上海烟草集团有限责任公司 | 烟叶图像质量的评价方法、系统、存储器、及电子设备 |
CN108550146A (zh) * | 2018-04-11 | 2018-09-18 | 北京印刷学院 | 一种基于roi的图像质量评价方法 |
CN108961227A (zh) * | 2018-06-22 | 2018-12-07 | 西安理工大学 | 一种基于空域和变换域多特征融合的图像质量评价方法 |
CN109598707A (zh) * | 2018-11-26 | 2019-04-09 | 浙江科技学院 | 一种基于特征信息处理的全参考图像质量客观评价方法 |
CN109635874A (zh) * | 2018-12-19 | 2019-04-16 | 中国人民解放军军事科学院评估论证研究中心 | 一种特征字典映射的图像盲评价方法和装置 |
CN110084782A (zh) * | 2019-03-27 | 2019-08-02 | 西安电子科技大学 | 基于图像显著性检测的全参考图像质量评价方法 |
CN113298763A (zh) * | 2021-05-09 | 2021-08-24 | 复旦大学 | 一种基于显著性窗口策略的图像质量评估方法 |
-
2014
- 2014-05-12 CN CN201410198105.2A patent/CN104021545A/zh active Pending
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104243976A (zh) * | 2014-09-23 | 2014-12-24 | 浙江科技学院 | 一种立体图像客观质量评价方法 |
CN104394405A (zh) * | 2014-11-19 | 2015-03-04 | 同济大学 | 一种基于全参考图像的客观质量评价方法 |
CN105046708A (zh) * | 2015-07-14 | 2015-11-11 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
CN105046708B (zh) * | 2015-07-14 | 2017-11-17 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
CN105006001A (zh) * | 2015-08-19 | 2015-10-28 | 常州工学院 | 一种基于非线性结构相似度偏差的有参图像的质量评估方法 |
CN105006001B (zh) * | 2015-08-19 | 2018-08-17 | 常州工学院 | 一种基于非线性结构相似度偏差的有参图像的质量评估方法 |
CN105825503B (zh) * | 2016-03-10 | 2019-04-23 | 天津大学 | 基于视觉显著性的图像质量评价方法 |
CN105825503A (zh) * | 2016-03-10 | 2016-08-03 | 天津大学 | 基于视觉显著性的图像质量评价方法 |
CN105844640A (zh) * | 2016-03-24 | 2016-08-10 | 西安电子科技大学 | 基于梯度的彩色图像质量评价方法 |
CN106447654A (zh) * | 2016-09-12 | 2017-02-22 | 中国科学技术大学 | 基于统计相似性和双向显著性保真度的图像重定向质量评价方法 |
CN106447654B (zh) * | 2016-09-12 | 2019-03-01 | 中国科学技术大学 | 基于统计相似性和双向显著性保真度的图像重定向质量评价方法 |
CN106504230A (zh) * | 2016-10-11 | 2017-03-15 | 华侨大学 | 基于相位一致性的全参考彩色屏幕图像质量评估方法 |
CN106504230B (zh) * | 2016-10-11 | 2019-02-26 | 华侨大学 | 基于相位一致性的全参考彩色屏幕图像质量评估方法 |
WO2018082130A1 (zh) * | 2016-11-02 | 2018-05-11 | 华为技术有限公司 | 一种显著图生成方法及用户终端 |
CN106558047A (zh) * | 2016-11-10 | 2017-04-05 | 复旦大学 | 基于互补色小波的彩色图像质量评价方法 |
CN106558047B (zh) * | 2016-11-10 | 2020-05-26 | 复旦大学 | 基于互补色小波的彩色图像质量评价方法 |
CN106600597B (zh) * | 2016-12-22 | 2019-04-12 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN106600597A (zh) * | 2016-12-22 | 2017-04-26 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN107274379A (zh) * | 2017-05-09 | 2017-10-20 | 武汉大学 | 一种图像质量评价方法及系统 |
CN107274379B (zh) * | 2017-05-09 | 2020-03-10 | 武汉大学 | 一种图像质量评价方法及系统 |
CN107888905B (zh) * | 2017-10-27 | 2019-09-06 | 中国矿业大学 | 一种基于GoP显著性加权的视频质量评价方法 |
CN107888905A (zh) * | 2017-10-27 | 2018-04-06 | 中国矿业大学 | 一种基于GoP显著性加权的视频质量评价方法 |
CN108428227A (zh) * | 2018-02-27 | 2018-08-21 | 浙江科技学院 | 基于全卷积神经网络的无参考图像质量评价方法 |
CN108428227B (zh) * | 2018-02-27 | 2020-06-26 | 浙江科技学院 | 基于全卷积神经网络的无参考图像质量评价方法 |
CN108510474A (zh) * | 2018-03-09 | 2018-09-07 | 上海烟草集团有限责任公司 | 烟叶图像质量的评价方法、系统、存储器、及电子设备 |
CN108550146A (zh) * | 2018-04-11 | 2018-09-18 | 北京印刷学院 | 一种基于roi的图像质量评价方法 |
CN108961227A (zh) * | 2018-06-22 | 2018-12-07 | 西安理工大学 | 一种基于空域和变换域多特征融合的图像质量评价方法 |
CN108961227B (zh) * | 2018-06-22 | 2021-05-25 | 西安理工大学 | 一种基于空域和变换域多特征融合的图像质量评价方法 |
CN109598707B (zh) * | 2018-11-26 | 2020-07-17 | 浙江科技学院 | 一种基于特征信息处理的全参考图像质量客观评价方法 |
CN109598707A (zh) * | 2018-11-26 | 2019-04-09 | 浙江科技学院 | 一种基于特征信息处理的全参考图像质量客观评价方法 |
CN109635874A (zh) * | 2018-12-19 | 2019-04-16 | 中国人民解放军军事科学院评估论证研究中心 | 一种特征字典映射的图像盲评价方法和装置 |
CN110084782A (zh) * | 2019-03-27 | 2019-08-02 | 西安电子科技大学 | 基于图像显著性检测的全参考图像质量评价方法 |
CN110084782B (zh) * | 2019-03-27 | 2022-02-01 | 西安电子科技大学 | 基于图像显著性检测的全参考图像质量评价方法 |
CN113298763A (zh) * | 2021-05-09 | 2021-08-24 | 复旦大学 | 一种基于显著性窗口策略的图像质量评估方法 |
CN113298763B (zh) * | 2021-05-09 | 2022-08-19 | 复旦大学 | 一种基于显著性窗口策略的图像质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104021545A (zh) | 一种基于视觉显著性的全参考彩色图像质量评价方法 | |
CN103996192B (zh) | 基于高质量自然图像统计量模型的无参考图像质量评价方法 | |
CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
Li et al. | No-reference image blur assessment based on discrete orthogonal moments | |
CN101853504B (zh) | 基于视觉特性与结构相似度的图像质量评测方法 | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN106920232A (zh) | 基于显著性检测的梯度相似度图像质量评价方法及系统 | |
CN109218716B (zh) | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 | |
CN108830823A (zh) | 基于空域结合频域分析的全参考型图像质量评价方法 | |
CN104572538A (zh) | 一种基于k-pls回归模型的中医舌图像颜色校正方法 | |
JP2013065215A (ja) | 画像処理装置及び画像処理方法 | |
CN101426150A (zh) | 视频图像质量测评的方法和系统 | |
CN108335289A (zh) | 一种全参考融合的图像客观质量评价方法 | |
CN106162161A (zh) | 一种图像检测方法及显示装置 | |
CN106504230A (zh) | 基于相位一致性的全参考彩色屏幕图像质量评估方法 | |
CN104346809A (zh) | 采用高动态范围的图像质量数据集的图像质量评价方法 | |
CN106023214A (zh) | 基于中央凹视梯度结构相似性的图像质量评价方法及系统 | |
CN110910347A (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
CN108010023B (zh) | 基于张量域曲率分析的高动态范围图像质量评价方法 | |
CN109754390A (zh) | 一种基于混合视觉特征的无参考图像质量评价方法 | |
CN110473177B (zh) | 皮肤色素分布预测方法、图像处理系统及存储介质 | |
CN112651945A (zh) | 一种基于多特征的多曝光图像感知质量评价方法 | |
CN117274173A (zh) | 一种语义与结构蒸馏的无参考图像质量评价方法 | |
CN106558047A (zh) | 基于互补色小波的彩色图像质量评价方法 | |
CN108022241B (zh) | 一种面向水下图像集的一致性增强质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140903 |
|
WD01 | Invention patent application deemed withdrawn after publication |