CN104104943A - 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 - Google Patents
一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 Download PDFInfo
- Publication number
- CN104104943A CN104104943A CN201310123323.5A CN201310123323A CN104104943A CN 104104943 A CN104104943 A CN 104104943A CN 201310123323 A CN201310123323 A CN 201310123323A CN 104104943 A CN104104943 A CN 104104943A
- Authority
- CN
- China
- Prior art keywords
- sigma
- image
- images
- generalized regression
- jpeg2000
- 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
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法,其特征在于按如下步骤进行:(一)选择LIVE2数据库中的JPEG2000图像作为训练样本;(二)将该库中的图像转化为相位一致图像;(三)计算相位一致图像的信息熵、对比度和同质性;(四)把图像的信息熵、对比度和同质性3个参数作为输入,DMOS的值作为输出,在LIVE2数据库上对广义回归神经网络进行训练学习;(五)用训练好的广义回归神经网络对待评价图像质量进行预测,得分作为图像的质量评价指标。本发明是一种不需要参考图像,评价JPEG2000图像质量好坏的方法,并且评价结果符合人类视觉主观认识结果。
Description
技术领域
本发明涉及图像处理领域,具体地讲,是一种不需要参考图像进行JPEG2000压缩图像质量评价的方法。
背景技术
按照评价过程需要多少原始参考图像信息,客观图像质量评价方法又可以分为三大类:全参考(Full-Reference,FR)图像质量评价法,部分参考(Reduced-Reference,RR)图像质量评价法和无参考(No-Reference,NR)图像质量评价法。全参考和部分参考图像质量评价方法需要参考图像的全部或部分信息,而在很多应用场合没有或无法获得参考图像的全部或部分信息,因此无参考图像质量评价方法更加实用。
发明内容
本发明的目的在于提供一种快速JPEG2000压缩图像质量评价方法,能够在不需要参考图像的情况下,评价JPEG2000压缩图像质量的好坏。
为了实现上述目的,本发明的技术方案如下:一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法,其特征在于按如下步骤进行:
(一)选择LIVE2数据库中的JPEG2000图像作为训练样本;
(二)将该库中的图像转化为相位一致图像;
相位一致图像由以下公式计算得到:
式(1)中,To是噪声补偿因子,o表示方向,ε为非常小的正数,取常量,防止分母为零。
(三)计算相位一致图像的信息熵、对比度和同质性;
(1)信息熵(Entropy,简记为ENT):
(2)对比度(Contrast,简记为CON):
(3)同质性(Homogemeity,简记为HOM):
式中P(i,j)为相位一致图像的灰度共生矩阵。
(四)把相位一致图像的信息熵、对比度和同质性3个参数作为输入,图像的DMOS值作为输出,在LIVE2数据库上对广义回归神经网络进行训练学习;
(五)用训练好的广义回归神经网络对待评价图像质量进行预测,得分作为图像的质量评价指标。
本发明的优点是:本发明不需要参考图像就可以快速评价一幅JPEG2000压缩图像的质量好坏,且与人类主观视觉感知一致性较好,方法简单。
附图说明
图1是本发明流程图。
具体实施方式
下面结合附图和实施例进一步对本发明加以说明。
实施例:
如图1所示:一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法,其特征在于按如下步骤进行:
(一)选择LIVE2数据库中的JPEG2000图像作为训练样本;
(二)将该库中的图像转化为相位一致图像;
相位一致图像由以下公式计算得到:
式(1)中,To是噪声补偿因子,o表示方向,ε为非常小的正数,取常量,
防止分母为零。
(三)计算相位一致图像的信息熵、对比度和同质性;
(1)信息熵(Entropy,简记为ENT):
(2)对比度(Contrast,简记为CON):
(3)同质性(Homogemeity,简记为HOM):
式中P(i,j)为相位一致图像的灰度共生矩阵。
(四)把相位一致图像的信息熵、对比度和同质性3个参数作为输入,图像的DMOS值作为输出,在LIVE2数据库上对广义回归神经网络进行训练学习;
(五)用训练好的广义回归神经网络对待评价图像质量进行预测,得分作为图像的质量评价指标。
为了验证本发明方法的优越性,下面在真实模糊数据库上测试。本实验是在美国德州大学Austin分校LIVE实验室图像质量评价数据库(http://live.ece.utexas.edu/research/quality/)上进行的,该数据库中共有779幅失真图像,同时给出了该779幅失真图像的主观得分值(MOS)。为了测试本发明与主观感知的一致性,我们选择了两种度量准则:(1)斯皮尔曼等级次序关系系数(SROCC),反映客观评测预测成绩的单调性;(2)相关系数(CC),反映客观评测的精确性。SROCC和CC的值在0-1的范围之内,值越接近1,说明性能指标越好。最终测试结果显示在表1,从表中可以看出,本文提出的方法在live2数据库上,具有非常好的性能指标。
表1在LIVE2数据库上的性能指标
Claims (3)
1.一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法,其特征在于按如下步骤进行:
(一)选择LIVE2数据库中的JPEG2000图像作为训练样本;
(二)将该库中的图像转化为相位一致图像;
(三)计算相位一致图像的信息熵、对比度和同质性;
(四)以上述3个参数作为输入,图像的DMOS值作为输出,在LIVE2数据库上对广义回归神经网络进行训练学习;
(五)用训练好的广义回归神经网络对待评价图像质量进行预测,得分作为图像的质量评价指标。
2.根据权利要求1所述基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法,其特征在于:在步骤(二)中,相位一致图像由以下公式计算得到:
3.根据权利要求1所述基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法,其特征在于:在步骤(三)中,三个参数的值分别由下述公式计算得到:
(1)信息熵:
(2)对比度:
(3)同质性:
式中P(i,j)为相位一致图像的灰度共生矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310123323.5A CN104104943A (zh) | 2013-04-10 | 2013-04-10 | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310123323.5A CN104104943A (zh) | 2013-04-10 | 2013-04-10 | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104104943A true CN104104943A (zh) | 2014-10-15 |
Family
ID=51672703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310123323.5A Pending CN104104943A (zh) | 2013-04-10 | 2013-04-10 | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104104943A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835172A (zh) * | 2015-05-21 | 2015-08-12 | 北京牡丹电子集团有限责任公司数字电视技术中心 | 一种基于相位一致性和频域熵的无参考图像质量评价方法 |
CN105007488A (zh) * | 2015-07-06 | 2015-10-28 | 浙江理工大学 | 基于变换域和空间域的通用无参考图像质量评价方法 |
CN105160678A (zh) * | 2015-09-02 | 2015-12-16 | 山东大学 | 基于卷积神经网络的无参考立体图像质量评估方法 |
CN105828064A (zh) * | 2015-01-07 | 2016-08-03 | 中国人民解放军理工大学 | 融合局部和全局时空特性的无参考视频质量评估方法 |
CN107027023A (zh) * | 2017-04-24 | 2017-08-08 | 北京理工大学 | 基于神经网络的VoIP无参考视频通信质量客观评价方法 |
CN107343196A (zh) * | 2017-07-18 | 2017-11-10 | 天津大学 | 一种混合失真无参考图像质量评价方法 |
CN108269277A (zh) * | 2016-12-30 | 2018-07-10 | 清华大学 | 用于对辐射图像进行质量评价的方法和系统 |
CN109754391A (zh) * | 2018-12-18 | 2019-05-14 | 北京爱奇艺科技有限公司 | 一种图像质量评价方法、装置及电子设备 |
CN111340807A (zh) * | 2020-05-15 | 2020-06-26 | 中南大学 | 病灶定位核心数据提取方法、系统、电子设备及存储介质 |
CN111899261A (zh) * | 2020-08-31 | 2020-11-06 | 西北工业大学 | 一种水下图像质量实时评估方法 |
CN112419302A (zh) * | 2020-12-08 | 2021-02-26 | 鲁能集团有限公司 | 基于广义回归神经网络的风机设备高光谱图像质量预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572499A (zh) * | 2010-12-07 | 2012-07-11 | 江南大学 | 基于小波变换多分辨率预测的无参考图像质量评价方法 |
CN102968796A (zh) * | 2012-11-30 | 2013-03-13 | 西安电子科技大学 | 基于采样学习的sar图像分割方法 |
-
2013
- 2013-04-10 CN CN201310123323.5A patent/CN104104943A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572499A (zh) * | 2010-12-07 | 2012-07-11 | 江南大学 | 基于小波变换多分辨率预测的无参考图像质量评价方法 |
CN102968796A (zh) * | 2012-11-30 | 2013-03-13 | 西安电子科技大学 | 基于采样学习的sar图像分割方法 |
Non-Patent Citations (2)
Title |
---|
CHAOFENG LI等: "Blind Image Quality Assessment Using a General Regression Neural Network", 《IEEE》 * |
ROBERT M等: "Textural Features for Image Classification", 《IEEE》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105828064B (zh) * | 2015-01-07 | 2017-12-12 | 中国人民解放军理工大学 | 融合局部和全局时空特性的无参考视频质量评估方法 |
CN105828064A (zh) * | 2015-01-07 | 2016-08-03 | 中国人民解放军理工大学 | 融合局部和全局时空特性的无参考视频质量评估方法 |
CN104835172A (zh) * | 2015-05-21 | 2015-08-12 | 北京牡丹电子集团有限责任公司数字电视技术中心 | 一种基于相位一致性和频域熵的无参考图像质量评价方法 |
CN105007488A (zh) * | 2015-07-06 | 2015-10-28 | 浙江理工大学 | 基于变换域和空间域的通用无参考图像质量评价方法 |
CN105160678A (zh) * | 2015-09-02 | 2015-12-16 | 山东大学 | 基于卷积神经网络的无参考立体图像质量评估方法 |
CN108269277A (zh) * | 2016-12-30 | 2018-07-10 | 清华大学 | 用于对辐射图像进行质量评价的方法和系统 |
CN108269277B (zh) * | 2016-12-30 | 2022-03-08 | 清华大学 | 用于对辐射图像进行质量评价的方法和系统 |
CN107027023B (zh) * | 2017-04-24 | 2018-07-13 | 北京理工大学 | 基于神经网络的VoIP无参考视频通信质量客观评价方法 |
CN107027023A (zh) * | 2017-04-24 | 2017-08-08 | 北京理工大学 | 基于神经网络的VoIP无参考视频通信质量客观评价方法 |
CN107343196A (zh) * | 2017-07-18 | 2017-11-10 | 天津大学 | 一种混合失真无参考图像质量评价方法 |
CN109754391A (zh) * | 2018-12-18 | 2019-05-14 | 北京爱奇艺科技有限公司 | 一种图像质量评价方法、装置及电子设备 |
CN109754391B (zh) * | 2018-12-18 | 2021-10-22 | 北京爱奇艺科技有限公司 | 一种图像质量评价方法、装置及电子设备 |
CN111340807A (zh) * | 2020-05-15 | 2020-06-26 | 中南大学 | 病灶定位核心数据提取方法、系统、电子设备及存储介质 |
CN111899261A (zh) * | 2020-08-31 | 2020-11-06 | 西北工业大学 | 一种水下图像质量实时评估方法 |
CN112419302A (zh) * | 2020-12-08 | 2021-02-26 | 鲁能集团有限公司 | 基于广义回归神经网络的风机设备高光谱图像质量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104104943A (zh) | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 | |
Zhang et al. | A feature-enriched completely blind image quality evaluator | |
Zhang et al. | No-reference image quality assessment based on log-derivative statistics of natural scenes | |
CN102209257B (zh) | 一种立体图像质量客观评价方法 | |
Kabakchieva et al. | Analyzing university data for determining student profiles and predicting performance | |
CN108428227A (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
CN102547368B (zh) | 一种立体图像质量客观评价方法 | |
CN104202594B (zh) | 一种基于三维小波变换的视频质量评价方法 | |
CN101950422B (zh) | 一种基于奇异值分解的图像质量评价方法 | |
CN107948635B (zh) | 一种基于退化测量的无参考声纳图像质量测评方法 | |
CN105574901B (zh) | 一种基于局部对比度模式的通用无参考图像质量评价方法 | |
CN103517065A (zh) | 一种质降参考立体图像质量客观评价方法 | |
CN107040775B (zh) | 一种基于局部特征的色调映射图像质量客观评价方法 | |
CN107343196A (zh) | 一种混合失真无参考图像质量评价方法 | |
CN104036502A (zh) | 一种无参考模糊失真立体图像质量评价方法 | |
CN114091443A (zh) | 基于深度学习的网络信息传播指标体系构建及量化评估方法及系统 | |
Polikoff et al. | Refining methods for estimating critical values for an alignment index | |
Han et al. | Structural information-based image quality assessment using LU factorization | |
CN102708568B (zh) | 一种基于结构失真的立体图像客观质量评价方法 | |
Hong et al. | Directional projection based image fusion quality metric | |
CN107292866A (zh) | 一种基于相对梯度的图像质量客观评价方法 | |
CN104103063A (zh) | 一种基于自动调焦原理无参考噪声图像质量评价方法 | |
CN107292331B (zh) | 基于无监督特征学习的无参考屏幕图像质量评价方法 | |
Fulmer et al. | Tests of alignment among assessment, standards, and instruction using generalized linear model regression | |
Sackett et al. | Challenging conclusions about predictive bias against Hispanic test takers in personnel selection. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141015 |