CN104036493B - 一种基于多重分形谱的无参考图像质量评价方法 - Google Patents

一种基于多重分形谱的无参考图像质量评价方法 Download PDF

Info

Publication number
CN104036493B
CN104036493B CN201410216872.1A CN201410216872A CN104036493B CN 104036493 B CN104036493 B CN 104036493B CN 201410216872 A CN201410216872 A CN 201410216872A CN 104036493 B CN104036493 B CN 104036493B
Authority
CN
China
Prior art keywords
etui
image
length
value
sigma
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.)
Expired - Fee Related
Application number
CN201410216872.1A
Other languages
English (en)
Other versions
CN104036493A (zh
Inventor
丁勇
贾孟晗
叶葳
黄汝霖
张航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201410216872.1A priority Critical patent/CN104036493B/zh
Publication of CN104036493A publication Critical patent/CN104036493A/zh
Application granted granted Critical
Publication of CN104036493B publication Critical patent/CN104036493B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多重分形谱的无参考图像质量评价方法,属于图像处理领域。本发明方法具体实施包括如下步骤:(一)输入失真图像,对图像进行灰度处理,并去掉边框;(二)将图像的长和宽进行裁剪,成为64的整数倍,并分割为多个64×64像素的图像碎片;(三)建立同一种类型的失真图像数据库,从中训练出多重分形谱的参考数据;(四)输入失真图像,得到其多重分形谱aq,fq;(五)与数据库中的多重分形谱对应点求距离。本发明通过建立多重分形谱提取图像特征,并基于数据训练进行图像质量评价,评价结果符合人类视觉主观认识。

Description

一种基于多重分形谱的无参考图像质量评价方法
技术领域
本发明属于数字图像质量评价技术领域,涉及一种无参考型基于多重分形谱的图像质量客观评价方法。
背景技术
图像质量评价方法有两大类。1)主观评价方法。由观察者对图像质量进行评分。人是图像的最终使用者,主观质量评价是最为准确、可靠的图像质量评价方法。但是由于其耗时、昂贵,且易受实验环境、观察者的知识水平、喜好等自身条件等因素影响,评价结果往往不稳定,更不适用于实时系统。2)客观评价方法。具有简单、实时、可重复和易集成等优点,近几十年发展快速,成为图像质量评价体系中的研究热点。利用数学和工程方法对图像质量进行度量,弥补了主观评价方法的不足。由于人是图像的最终受体,客观评价与主观评价结果的一致越来越受到关注,且可作为一种客观评价方法好坏的衡量指标。结合图像自身特点和人类视觉系统的生理和心理特性的方法成为了当今研究的热点。
根据对原始图像信息的依赖程度,客观质量评价可分为3类。1)全参考,需要原始图像的所有信息;2)部分参考,需要原始图像的特征信息;3)无参考型,不需要原始图像。无参考方法不需要原始图像的任何信息,直接对失真图像进行质量评价。无参考型质量评估算法难点在于:图像特征难以定义和提取,人眼感知难以模型化表示。其优点是不需要传输原始图像,就能对失真图像进行质量评价。极大地减少了信息传输量。因此受到了很多人的关注,呈蓬勃发展之势。无参考方法一般都是基于图像统计特性。
基于数据训练的无参考评价方法无需分析失真的原因,而是将训练得到的数据直接作为图像质量评价的标准。它可应用于所有失真图像,使用范围广泛;但需要进行复杂的数据训练,且评价结果易受图像内容以及训练策略的影响。
基于分形维数质量评价方法在总结分形维数理论的基础上,提出了用分形作为指标来进行图像质量评价的方法。该类方法基于以下原理:人眼视觉系统的一个基本特征是局部对比的敏感性,即视觉只对视场中亮度或纹理发生显著变化的区域感兴趣,尤其是对图像边缘、轮廓信息的失真以及中高亮度背景中的纹理细节的变化较为敏感。由于自然界绝大多数自然景物具有分形特征,因此分形维数具有从非线性角度表征图像纹理的粗糙程度以及模式复杂性信息的特点。但是,现有的基于单一分形维数的方法存在以下缺陷:由于单一分形维数不能描述图像纹理变化的快慢,因此很多视觉差别很大的图像具有相似的单一分形维数。其他的基于分形理论的评价方法认识到这种缺陷,提出结合别的参数作为分形维数的补偿。但是也存在对于不同失真类型和不同失真强度的图像质量评价缺乏一致性的问题。
发明内容
本发明的目的,就是针对传统的基于单一分形的图像客观质量评价方法在测量直观性和准确性方面的不足,充分考虑多重分形谱中包含的多个(甚至无穷多)参量能完整地描述图像中包含的复杂分形细节,提供一种基于多重分形谱的全参考型图像质量客观评价方法。为实现上述目的,本方法具体包括以下步骤:
步骤(1):输入参考图像R;
步骤(2):对参考图像R进行灰度化处理,当参考图像R有边框时,裁剪掉边框;
步骤(3):对步骤(2)处理后的图像的长和宽进行裁剪,使其像素成为64的整数倍,并分割成为64×64像素大小的图像碎片;
步骤(4):对每一个图像碎片建立多重分形谱;
多重分形谱的建立步骤如下:
1)由于计算机存储的8位bmp格式图像的灰度有256阶,将Sums作为该图像碎片的所有像素点的灰度值相加得到的和,
Sums = Σ i = 1 64 Σ j = 1 64 a ij
其中aij表示第i行第j列的像素点的灰度值;
2)将图像碎片分割为边长w为2的小盒子,即大小为2×2的小盒子,总共可分成32×32共1024块小盒子,求每个小盒子的灰度值的和nLk,
nL k = Σ m = 1 2 Σ n = 1 2 a mn
其中,amn表示每个小盒子内部第m行第n列的像素点的灰度值;k作为小盒子的序号,取值随小盒子边长w的改变而改变,其最大值
k max = 64 2 w 2
由于此时图像大小为2×2,则k的取值范围为1~1024;
3)使每个小盒子的灰度值的和nLk与总的灰度值的和Sums做比例,得到比值pLk,
pL k = nL k Sums
4)设置统计矩的阶q,表征多重分形不均匀程度的量,根据q对各个小盒子进行概率加权求和得到Xq,
Xq [ L , count ] = Σ k = 1 1024 pL k q
其中根据参数设定,q取最小值为-50.5,最大值为+50.5,步长为1,共102个值,所以count取1~102,且count与统计矩的阶q的函数关系为:
count=q+50.5+1
而由于图像碎片大小为64×64,小盒子边长w的值可以是2,4,8,16,32即小盒子大小为2×2,4×4,8×8,16×16,32×32共5种情况,所以L的取值为1~5,且L与小盒子边长w的函数关系为
L=log2w
所以得到的Xq矩阵大小为[5,102];
5)根据多重分形谱的原理,计算奇异性指数aq和多重分形奇异谱fq,得到aq-fq图像;
首先计算奇异性指数aq的中间变量矩阵aql和多重分形奇异谱fq的中间变量矩阵fql:
αql [ L , count ] = Σ k = 1 1024 pL k q Xq [ L , count ] ln ( pL k )
fql [ L , count ] = Σ k = 1 1024 pL k q Xq [ L , count ] ln ( pL k q Xq [ L , count ] )
分别更改小盒子边长w的大小和统计矩的阶q的取值,填充质量指数函数矩阵Xq,和中间变量矩阵αql,fql;
当边长w取4时,在每个小盒子的灰度值的和nLk时,m和n的取值范围为1~4,而小盒子的序号k的取值范围为1~256,当w取8,16,32时以此类推;
6)以横坐标为小盒子边长相对于图像碎片边长的对数值le
le [ L ] = ln ( w 64 )
其中,w取2,4,8,16,32,L取1~5,得到图像碎片边长的对数值数列le[5];
以纵坐标为当前边长w下的小盒子的中间变量αql的值αql,进行最小二乘法直线拟合,则拟合出的直线斜率即为当前统计矩的阶q的奇异性指数aq[count];改变统计矩的阶q值,则奇异性指数aq共有102个结果,得到数列aq[102];
同理,以横坐标为小盒子边长w相对于图像碎片边长的对数值数列le[5],以纵坐标为当前边长w下的小盒子的中间变量fql值,进行最小二乘法直线拟合,则拟合出的直线斜率即为当前q值的多重分形奇异谱fq[count],改变q值,则多重分形奇异谱fq共有102个结果,得到数列fq[102];
则奇异性指数aq和多重分形奇异谱fq即为多重分形谱的横轴与纵轴;
步骤(5):对相同种类图片的相同位置的奇异性指数aq和多重分形奇异谱fq求平均数,作为本类图像经数据训练后的数据
步骤(6):将待评价图像经步骤(2)至步骤(4)处理,得到待评价图像多重分形谱的奇异性指数aq’和多重分形奇异谱fq’
将步骤(5)得到的本类图像经数据训练后的数据与待评价图像多重分形谱的奇异性指数aq’和多重分形奇异谱fq’对应点之间逐点进行取距离dis,其计算公式为:
dis = ( αq ′ - αq ‾ ) 2 + ( fq ′ - fq ‾ ) 2 ;
步骤(7):求距离dis的平均值,并作为得到的分数,平均值越小,表示图像质量越高。
本发明充分考虑多重分形谱中包含的多个参量能完整地描述图像中包含的复杂分形细节,获得无参考图像质量的客观评价,提高了图像质量评价的性能,改善了传统算法预测准确性偏低的问题。
附图说明
图1为本发明方法框图。
图2为图像示例,LIVE数据库中bikes图像。
图3为图2中的图像经过灰度和边框裁剪所得图像。
图4为图3中的图像经过大小裁剪及分割后所得。
图5为图4中图像左上角的放大图。
图6为奇异性指数q为-1.5时bikes左上角的图像碎片le-αql图像。
图7为奇异性指数q为-1.5时bikes左上角的图像碎片le-fql图像。
图8为bikes左上角的图像碎片经过数据训练后得到的数据图像。
图9为bikes左上角的图像碎片待评价图像与参考数据图像对比。
具体实施方式
步骤(1):输入参考图像R,如图1所示为LIVE数据库中的bikes图像;
步骤(2):对参考图像R进行灰度化处理,当参考图像R有边框时,裁剪掉边框,根据图1所示,可看出它有灰色边框,可去掉上下左右各5个像素,如图2所示;
步骤(3):对步骤(2)处理后的图像的长和宽进行裁剪,使其像素成为64的整数倍,并分割成为64×64像素大小的图像碎片,如图3所示;
步骤(4):对每一个图像碎片建立多重分形谱,比如从图3中抽取左上角图像如图4,建立多重分形谱;
多重分形谱的建立步骤如下:
1)由于计算机存储的8位bmp格式图像的灰度有256阶,将Sums作为该图像碎片的所有像素点的灰度值相加得到的和,
Sums = Σ i = 1 64 Σ j = 1 64 a ij
其中aij表示第i行第j列的像素点的灰度值;
2)将图像碎片分割为边长w为2的小盒子,即大小为2×2的小盒子,总共可分成32×32共1024块小盒子,求每个小盒子的灰度值的和nLk,
nL k = Σ m = 1 2 Σ n = 1 2 a mn
其中,amn表示每个小盒子内部第m行第n列的像素点的灰度值;k作为小盒子的序号,取值随小盒子边长w的改变而改变,其最大值
k max = 64 2 w 2
由于此时图像大小为2×2,则k的取值范围为1~1024;
3)使每个小盒子的灰度值的和nLk与总的灰度值的和Sums做比例,得到比值pLk,
pL k = nL k Sums
4)设置统计矩的阶q,表征多重分形不均匀程度的量,根据q对各个小盒子进行概率加权求和得到Xq,
Xq [ L , count ] = Σ k = 1 1024 pL k q
其中根据参数设定,q取最小值为-50.5,最大值为+50.5,步长为1,共102个值,所以count取1~102,且count与统计矩的阶q的函数关系为:
count=q+50.5+1
而由于图像碎片大小为64×64,小盒子边长w的值可以是2,4,8,16,32即小盒子大小为2×2,4×4,8×8,16×16,32×32共5种情况,所以L的取值为1~5,且L与小盒子边长w的函数关系为
L=log2w
所以得到的Xq矩阵大小为[5,102];
5)根据多重分形谱的原理,计算奇异性指数aq和多重分形奇异谱fq,得到aq-fq图像;
首先计算奇异性指数aq的中间变量矩阵aql和多重分形奇异谱fq的中间变量矩阵fql:
αql [ L , count ] = Σ k = 1 1024 pL k q Xq [ L , count ] ln ( pL k )
fql [ L , count ] = Σ k = 1 1024 pL k q Xq [ L , count ] ln ( pL k q Xq [ L , count ] )
分别更改小盒子边长w的大小和统计矩的阶q的取值,填充质量指数函数矩阵Xq,和中间变量矩阵αql,fql;
当边长w取4时,在每个小盒子的灰度值的和nLk时,m和n的取值范围为1~4,而小盒子的序号k的取值范围为1~256,当w取8,16,32时以此类推;
6)以横坐标为小盒子边长相对于图像碎片边长的对数值le
le [ L ] = ln ( w 64 )
其中,w取2,4,8,16,32,L取1~5,得到图像碎片边长的对数值数列le[5];
以纵坐标为当前边长w下的小盒子的中间变量αql的值αql,进行最小二乘法直线拟合,则拟合出的直线斜率即为当前统计矩的阶q的奇异性指数aq[count];改变统计矩的阶q值,则奇异性指数aq共有102个结果,得到数列aq[102],如图5所示为当q为-1.5时得到的le-αql图像;
同理,以横坐标为小盒子边长w相对于图像碎片边长的对数值数列le[5],以纵坐标为当前边长w下的小盒子的中间变量fql值,进行最小二乘法直线拟合,则拟合出的直线斜率即为当前q值的多重分形奇异谱fq[count],改变q值,则多重分形奇异谱fq共有102个结果,得到数列fq[102],如图6所示为当q为-1.5时得到的le-fql图像;
则奇异性指数aq和多重分形奇异谱fq即为多重分形谱的横轴与纵轴,如图7所示;
步骤(5):对相同种类图片的相同位置的奇异性指数aq和多重分形奇异谱fq求平均数,作为本类图像经数据训练后的数据如图8所示为bikes左上角的图像碎片的经过数据训练后的数据图像;
步骤(6):将待评价图像经步骤(2)至步骤(4)处理,得到待评价图像多重分形谱的奇异性指数aq’和多重分形奇异谱fq’
将步骤(5)将得到的本类图像经数据训练后的数据与待评价图像多重分形谱的奇异性指数aq’和多重分形奇异谱fq’放在同一图像中,如图9所示为经数据训练后得到的数据(圆圈线)和待评价图像得到的数据(三角线)二者多重分形谱之间的差异,对两个图像对应点之间逐点取距离dis,其计算公式为:
dis = ( αq ′ - αq ‾ ) 2 + ( fq ′ - fq ‾ ) 2 ;
步骤(7):求距离dis的平均值,并作为得到的分数,平均值越小,表示图像质量越高。

Claims (1)

1.一种基于多重分形谱的无参考图像质量评价方法,其特征在于它包括以下步骤:
步骤(1):输入参考图像R;
步骤(2):对参考图像R进行灰度化处理,当参考图像R有边框时,裁剪掉边框;
步骤(3):对步骤(2)处理后的图像的长和宽进行裁剪,使其像素成为64的整数倍,并分割成为64×64像素大小的图像碎片;
步骤(4):对每一个图像碎片建立多重分形谱;
多重分形谱的建立步骤如下:
1)由于计算机存储的8位bmp格式图像的灰度有256阶,将Sums作为该图像碎片的所有像素点的灰度值相加得到的和,
S u m s = Σ i = 1 64 Σ j = 1 64 a i j
其中aij表示第i行第j列的像素点的灰度值;
2)将图像碎片分割为边长w为2的小盒子,即大小为2×2的小盒子,总共可分成32×32共1024块小盒子,求每个小盒子的灰度值的和nLk
nL k = Σ m = 1 w Σ n = 1 w a m n
其中,amn表示每个小盒子内部第m行第n列的像素点的灰度值;k作为小盒子的序号,取值随小盒子边长w的改变而改变,其最大值
k m a x = 64 2 w 2
由于此时小盒子大小为2×2,则k的取值范围为1~1024;
3)使每个小盒子的灰度值的和nLk与总的灰度值的和Sums做比例,得到比值pLk
pL k = nL k S u m s
4)设置统计矩的阶q,表征多重分形不均匀程度的量,根据q对各个小盒子进行概率加权求和得到Xq,
X q [ L , c o u n t ] = Σ k = 1 k max pL k q
其中根据参数设定,q取最小值为-50.5,最大值为+50.5,步长为1,共102个值,所以count取1~102,且count与统计矩的阶q的函数关系为:
count=q+50.5+1
而由于图像碎片大小为64×64,小盒子边长w的值是2,即小盒子大小为2×2,所以L的取值为1,且L与小盒子边长w的函数关系为
L=log2 w
所以得到的Xq矩阵为Xq[1,102];
5)根据多重分形谱的原理,计算奇异性指数aq和多重分形奇异谱fq,得到aq-fq图像;
首先计算奇异性指数aq的中间变量矩阵αql和多重分形奇异谱fq的中间变量矩阵fql:
α q l [ L , c o u n t ] = Σ k = 1 k max pL k q X q [ L , c o u n t ] ln ( pL k )
f q l [ L , c o u n t ] = Σ k = 1 k max pL k q X q [ L , c o u n t ] ln ( pL k q X q [ L , c o u n t ] )
分别更改小盒子边长w的大小和统计矩的阶q的取值,填充质量指数函数矩阵Xq,和中间变量矩阵αql,fql;
当边长w取4时,在计算每个小盒子的灰度值的和nLk时,m和n的取值范围为1~4,而小盒子的序号k的取值范围为1~256,当w取8,16,32时以此类推;
6)以横坐标为小盒子边长相对于图像碎片边长的对数值le
l e [ L ] = l n ( w 64 )
其中,w取2,4,8,16,32,L取1~5,得到图像碎片边长的对数值数列le[5];
以纵坐标为当前边长w下的小盒子的中间变量矩阵αql的中间变量值,进行最小二乘法直线拟合,则拟合出的直线斜率即为当前统计矩的阶q的奇异性指数aq;改变统计矩的阶q值,则奇异性指数aq共有102个结果,得到数列aq[102];
同理,以横坐标为小盒子边长w相对于图像碎片边长的对数值数列le[5],以纵坐标为当前边长w下的小盒子的中间变量矩阵fql的中间变量值,进行最小二乘法直线拟合,则拟合出的直线斜率即为当前q值的多重分形奇异谱fq,改变q值,则多重分形奇异谱fq共有102个结果,得到数列fq[102];
则奇异性指数aq和多重分形奇异谱fq即为多重分形谱的横轴与纵轴;
步骤(5):对相同种类图片的相同位置的奇异性指数aq和多重分形奇异谱fq求平均数,作为本类图像经数据训练后的数据
步骤(6):将待评价图像经步骤(2)至步骤(4)处理,得到待评价图像多重分形谱的奇异性指数αq'和多重分形奇异谱fq';
将步骤(5)得到的本类图像经数据训练后的数据与待评价图像多重分形谱的奇异性指数αq'和多重分形奇异谱fq’对应点之间逐点进行取距离dis,其计算公式为:
d i s = ( αq ′ - α q ‾ ) 2 + ( fq ′ - f q ‾ ) 2 ;
步骤(7):求距离dis的平均值,并作为得到的分数,平均值越小,表示图像质量越高。
CN201410216872.1A 2014-05-21 2014-05-21 一种基于多重分形谱的无参考图像质量评价方法 Expired - Fee Related CN104036493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410216872.1A CN104036493B (zh) 2014-05-21 2014-05-21 一种基于多重分形谱的无参考图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410216872.1A CN104036493B (zh) 2014-05-21 2014-05-21 一种基于多重分形谱的无参考图像质量评价方法

Publications (2)

Publication Number Publication Date
CN104036493A CN104036493A (zh) 2014-09-10
CN104036493B true CN104036493B (zh) 2017-02-01

Family

ID=51467252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410216872.1A Expired - Fee Related CN104036493B (zh) 2014-05-21 2014-05-21 一种基于多重分形谱的无参考图像质量评价方法

Country Status (1)

Country Link
CN (1) CN104036493B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794716B (zh) * 2015-04-23 2017-10-03 浙江大学 基于图像分形特征的图像质量客观评价方法
CN105139373B (zh) * 2015-05-14 2018-05-08 浙江大学 基于独立子空间分析的无参考图像质量客观评价方法
CN104899874B (zh) * 2015-05-19 2017-10-31 浙江大学 用于图像质量评价的图像稀疏多维度特征提取方法
CN105129109B (zh) * 2015-09-30 2017-05-17 北京航空航天大学 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法
CN106096313B (zh) * 2016-06-29 2018-12-25 潍坊学院 一种基于奇异谱分解和谱峭度的包络分析方法
CN106595512B (zh) * 2016-11-09 2017-09-29 华中科技大学 一种基于分形维数的碳纳米管分散状态的数值化表征方法
CN113222992B (zh) * 2021-06-21 2022-05-03 苏州大学 基于多重分形谱的裂纹特征表征方法及系统
CN114444186B (zh) * 2022-01-28 2023-09-15 河海大学 一种混凝土群裂纹演化的多重分形量化表征方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996406A (zh) * 2010-11-03 2011-03-30 中国科学院光电技术研究所 无参考结构清晰度图像质量评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7689053B2 (en) * 2005-01-26 2010-03-30 Panasonic Corporation Image processing method

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996406A (zh) * 2010-11-03 2011-03-30 中国科学院光电技术研究所 无参考结构清晰度图像质量评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Multifractal measures of image quality;Armein Z.R.等;《Information, Communications and Signal Processing, 1997. ICICS., Proceedings of 1997 International Conference on》;19970912;第2卷;第726-730页 *
基于相对多重分形谱的感兴趣区域图像压缩;李会方等;《计算机应用》;20051231;第25卷(第12期);第2840-2842页 *
自然图像的客观质量评价研究;石蕴玉;《中国博士学位论文全文数据库》;20120815(第8期);正文第46和73页 *

Also Published As

Publication number Publication date
CN104036493A (zh) 2014-09-10

Similar Documents

Publication Publication Date Title
CN104036493B (zh) 一种基于多重分形谱的无参考图像质量评价方法
CN104658002B (zh) 一种无参考图像客观质量评价方法
CN107172418B (zh) 一种基于曝光情况分析的色阶映射图像质量评价方法
CN104902267B (zh) 一种基于梯度信息的无参考图像质量评价方法
CN108010024B (zh) 一种盲参考色调映射图像质量评价方法
CN105407349B (zh) 基于双目视觉感知的无参考立体图像质量客观评价方法
CN105574534A (zh) 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN106462771A (zh) 一种3d图像的显著性检测方法
Yue et al. Blind stereoscopic 3D image quality assessment via analysis of naturalness, structure, and binocular asymmetry
CN110516716A (zh) 基于多分支相似度网络的无参考图像质量评价方法
CN109978854B (zh) 一种基于边缘与结构特征的屏幕内容图像质量评估方法
CN103426173B (zh) 一种立体图像质量的客观评价方法
CN102222323A (zh) 基于直方图统计拉伸和梯度滤波的红外图像细节增强方法
CN102137271A (zh) 一种图像质量评价方法及装置
CN101976444A (zh) 一种基于像素类型的结构类似性图像质量客观评价方法
CN106651829B (zh) 一种基于能量和纹理分析的无参考图像客观质量评价方法
CN103325120A (zh) 一种快速自适应支持权值双目视觉立体匹配方法
CN107146220B (zh) 一种通用型无参考图像质量评价方法
CN101950422A (zh) 一种基于奇异值分解的图像质量评价方法
Liu et al. No-reference image quality assessment method based on visual parameters
CN108053396A (zh) 一种多失真图像质量的无参考评价方法
CN109788275A (zh) 自然性、结构和双目不对称无参考立体图像质量评价方法
CN110473181A (zh) 基于边缘特征信息的屏幕内容图像的无参质量评价方法
CN104102928A (zh) 一种基于纹理基元的遥感图像分类方法
CN102722888A (zh) 基于生理与心理立体视觉的立体图像客观质量评价方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170201