CN104318545B - 一种用于雾天偏振图像的质量评价方法 - Google Patents
一种用于雾天偏振图像的质量评价方法 Download PDFInfo
- Publication number
- CN104318545B CN104318545B CN201410508164.5A CN201410508164A CN104318545B CN 104318545 B CN104318545 B CN 104318545B CN 201410508164 A CN201410508164 A CN 201410508164A CN 104318545 B CN104318545 B CN 104318545B
- Authority
- CN
- China
- Prior art keywords
- image
- polarization
- scene
- factor
- contrast
- 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.)
- Active
Links
- 230000010287 polarization Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011176 pooling Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000013441 quality evaluation Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- SHQLTRRYZVBEMR-UHFFFAOYSA-N 4-chlorobenzo[f]isoquinoline Chemical compound C1=CC2=CC=CC=C2C2=C1C(Cl)=NC=C2 SHQLTRRYZVBEMR-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 235000014564 Platymiscium pinnatum Nutrition 0.000 description 1
- 240000002954 Platymiscium pinnatum Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开一种用于雾天偏振图像的质量评价方法,该方法提取自然场景统计(NSS)特征对自然场景下的雾天偏振原始图像和解析生成的偏振强度图像进行评价;同时针对解析场景图像,利用自然场景统计的先验信息,借助解析公式(Stokes)将自然场景特征映射到解析场景中,能够有效的评价典型偏振参量图像的质量;最后选取形成了与两类场景图像质量敏感的三种因子(亮度对比度因子、惯性矩结构度因子、基于Stokes参量的MSCN因子),设计了相应的pooling策略,构建了对雾天偏振图像综合评价的统一框架。
Description
技术领域
本发明涉及一种图像处理技术领域的方法,具体是一种用于雾天偏振图像的质量评价方法。
背景技术
无参考图像质量评价方法旨在无需参考图像的任何信息,对失真图像做出符合人类视觉感知的质量评价而获得相应的质量分数。无参考图像质量评价方法研究沿着这样的趋势发展;由最初的具体失真类型研究逐步深入到多失真的混合失真类型,现如今更为通用的非具体失真类型评价方法得到了深入研究。
(1)具体失真类型的IQA算法
具体失真类型的图像质量评价算法通常用来判定失真类型已知的图像质量,通过分析该种失真类型的特点进行算法建模。失真类型为图像常见的失真类型,例如JPEG压缩、JPEG2000压缩、Sharpness/Blur。
JPEG IQA:通常,JPEGNR-IQA通过测量图像块边界区域的边缘强度,将这个强度作为可能存在的图像失真的测量值与质量相联系。JPEG NR-IQA算法包括使用基于模糊边界的埃米特变换;对JPEG图像沿水平方向计算差分信号,通过分块边缘的平均差估计分块效应的方法;使用映射对分块的质量分数进行权重分配;使用基于临界值的方法对图像梯度进行计算;在采用傅里叶的方法对图像进行分块计算。以上方法都是在分块和模糊上计算可感知的质量,并没有引入训练和特征提取等方法。
JPEG2000 IQA:对于JPEG2000所产生的振铃效应,通常通过边缘探测测量边缘扩散,这种边缘扩散与图像质量相关。其它方法包括在空域上测量一些简单的特征;或是使用自然场景统计的方法。
Sharpness/Blur IQA:与JPEG2000 IQA相类似,Blur IQA算法通过模拟边缘扩散,将这些扩散与质量相联系。量化这些边缘强度通常使用以下一些技术:分块的DCT系数的尖峰效应;临界迭代梯度图;测量可能存在的模糊;在图像中模拟出明显的模糊。研究者们也在探究使用一些blur NR-IQA的模型。如X.Zhu通过计算图像梯度以及噪声分解达到图像增强。
(2)混合失真类型的IQA算法
研究者们也提出了一些针对多种混合失真的评价方法。其失真包括噪声、模糊、块效应和振铃效应。
2002年,X.Li提出了一系列启发式的方法来描绘视觉质量在边缘清晰度、随机噪声和结构噪声方面的特性。边缘清晰度使用边缘探测的方法,随机噪声通过局部平滑的方法和基于偏微分方程(Partial Differential Equation,PDE)模型的方法来测量。Li定义的结构噪声即为JPEG和JPEG2000中的块效应和振铃效应。然而,作者并没有分析各方法的性能,也没有提供质量评价算法的新的技术。
2007年,Gabrada和Cristobal提出了一个革新的方法,通过使用Renyi熵模仿图像中的各向异性。这个方法很有吸引力,因为自然图像是各向异性的,蕴含大量的统计信息。作者测量均值、标准差和在空域上已定义的4个方向上的Renyi熵的范围,论证它们之间的相关性,使之与感知质量相联系。然而依然缺乏彻底的评估。
(3)非具体失真类型的IQA算法
研究者们提出了更为广泛应用的NR-IQA算法。这些算法并不试图去确定图像失真的类型,而是将图像质量评价转化为对从图像中提取的具体特征进行分类和回归。这些特征源于机器学习或是自然场景统计。
2011年,P.Ye和D.Doermann用gabor滤波器构建视觉码书,学习主观质量分数。作者将每个码字与质量分数相联系,构建了基于视觉码书的评价算法CBIQ。然而,在构造视觉码书的过程中,每一个与图像块相关联的特征向量都被同一主观质量分数标记,这就存在问题,因为每个图像块都有着不同的质量,尤其是一些局部的失真只影响图像中得一小部分,因此不能用同一主观分数表示图像块的质量。同时,这一过程计算十分复杂。随后,P.Ye和D.Doermann采用无监督的特征学习方法,通过Gabor滤波器对算法CBIQ进行改进,形成半监督算法CORNIA。该算法通过监督学习进行编码;通过非监督学习构建算法模型。由于该算法需要图像主观先验知识,且编码过程较为复杂,因此不利于实际应用。
2011年,Tang提出方法,学习整体的回归量。这些回归量在三个不同的特征组上得到训练:自然图像统计、失真纹理统计、模糊噪声统计;J.Shen,Q.Li和G.Erlebacher提出混合的轮廓波变换,小波变换和正弦变换。虽然,以上两种方法能够应用于多种失真形式,但是每个特征组和变换仅适用于一些确定的失真形式。对于一个新的失真形式来说,该方法则无法应用,这就限定了方法的适用范围。
自2010年至2012年,Bovik团队提出了一系列基于自然场景统计模型的无参考图像质量评价算法模型。该模型源于假设:自然图像存在确定的统计特性,这些统计特性能够被所存在的失真改变。因此该类方法通过提取相应的特征进行质量评价,都有着较为理想的评价结果。算法如BIQI、DIIVINE、BLIINDS-II、BRISQUE。由于它们仅仅评价以接受训练的失真形式,而且需要与人类主观分数相结合,所以存在一定的限制。
2013年,Anish Mittal提出了一个新的,基于自然场景统计的NR-IQA算法NIQE。该算法通过计算自然图像与失真图像高斯模型参数间的距离来量化图像质量分数,而不需要判断存在的失真形式,也无需对人类主观分数做出相应的训练,所以是一个绝对的“盲”评价。
同样有国内专家学者们对无参考图像质量评价进行了广泛的研究,形成了以高新波、蒋刚毅等为代表的一系列科研团队。如高新波团队提出的基于稀疏理论的NR-IQA,通过提取图像特征并绘图观察是否为线性来进行质量评价;楼斌、严晓浪等人提出了基于轮廓波(Contourlet)域的无参考图像质量评价方法,该方法研究了自然图像Contourlet变换域子带均值间的线性关系,通过对不同尺度、方向、子带的不同区域进行选取加权,综合得到图像质量;蒋刚毅、郁梅等人提出的基于支持向量回归的立体图像质量评价方法能够很好地预测人对立体图像的主观感知,拓展无参考图像质量评价方法的应用范围。
发明内容
偏振原始图像I0°、I60°、I120°经偏振公式计算获取解析后的偏振参量图像I、Q、U、P、A。偏振参量图像I是由偏振原始图像通过偏振解析公式中相应的计算获得的图像,对公式分析可知[图仅仅受到了偏振原始图像加权的影响,因此可将I图视为自然场景图像。而Q、U、P、A为通过复杂计算方法获得的图像,其场景已不为自然图像,因此可将其视为解析场景图像。偏振图像可以分为自然场景图像和解析场景图像。由于I图为偏振原始图像的半均,所以可作为自然场景图像的代表,而在偏振成像应用中,偏振度图像P图通常被用于成像探测中,因此从实际出发,选定强度图I和偏振度图P作为质量评价的研究对象。
本发明涉及三个方面的主要内容:
(1)针对雾天条件下自然场景图像的质量评价研究,具体指对偏振原始图像I0°、I60°、I120°以及I图的质量评价方法研究;
(2)针对雾天条件下偏振解析场景的质量评价方法研究,具体针对偏振度图P,结合现有成熟的无参考评价方法构建评价模型;
(3)针对由自然场景图像和解析图像组成的偏振图像组开展了统一评价体系的研究,使得通过统一评价体系获取的自然场景图像和解析场景图像符合人眼视觉感知。
附图说明
附图1是本发明的一种雾天条件下偏振度图像质量评价方法框架图;
附图2是本发明的一种雾天条件下偏振图像综合评价模型框图;
具体实施方式
1、一种适合解析场景的雾天典型偏振参量图像质量评价方法,该方法首先提取三个偏振原始图像I0°、I60°、I120°的统计特征MSCN因子,定义为然后通过非对称广义高斯分布模型提取统计特征的模型参数,随后联合Stokes参量公式获得偏振度图像P的模型参数,最后通过多元高斯模型进行参数拟合,获得图像质量。
具体为,给定图像,通过平均减法和除法归一化对图像像素值进行逐点统计,提取出图像的局部归一化亮度特征。学者D.L Ruderman认为将非线性变换应用于对数比亮度可将局部平均位移从零对数比中分离出来。该非线性变换可从图像I(i,j)中提取局部归一化亮度因子MSCN(i,j):
i∈1,2,…,M,j∈1,2,…,N为空间指数;M和N分别表示图像的长度和宽度,为防止分母为0,定义C=1。μ(i,j)和σ(i,j)分别定义为:
w={wk,l|k=-K,…,K,l=-L,…,L}为二维循环对称高斯权重函数,定义K=L=3。
可知自然图像的归一化亮度因子的统计直方图呈现出高斯分布,然而当图像为非自然图像或图像引入了非自然失真后,该特征提取方法便不适用。由于偏振原始图像I0°、I60°、I120°是对自然场景加装不同旋转角度偏振片进行拍摄,为自然场景实拍图像,强度图I为偏振方向图像的平均,且偏振原始图像和强度图I的统计因子与自然场景统计因子相同,呈现出高斯分布,而偏振度图P的统计因子则不符合这个规律。因此对偏振原始图像和I图提取公式(1)中的统计因子
先前研究表明,广义高斯分布模型可以有效地描述公式(1)中统计因子的分布特性。定义零均值的广义高斯分布:
这里为gamma方程。其中α为分布的形状参数。
由于偏振原始图像I0°、I60°、I120°通过平均后得到强度图像I,因此它们之间有一定的相关性,其统计因子MSCN也蕴含某些规律。对它们之间作相乘:有研究表明,非对称广义高斯分布模型能够描绘成对因子的特性,定义AGGD:
参数(γ,βl,βr)可通过矩匹配的方法获得。
由以上方法对偏振原始图像及下采样后的图像进行计算,得出3个特征向量:3×(γ,η,βl,βr),定义为偏振原始图像的特征向量(f0°、f60°、f120°)。将其带入Stokes公式中得到最终的偏振度图像P的特征向量fP:
采用多元的高斯模型对偏振度图像P的特征向量进行参数提取。定义MVG:
其中参数v为模型的均值,作为偏振度图像P评价指标。
2、一种可对两类场景偏振图像同时进行评价的统一框架,该框架通过特征提取,经计算形成了与雾天偏振图像质量敏感的三类因子:基于亮度的对比度因子(L-Contrast)、基于惯性矩的结构度因子(Ine-Structdis)、基于Stokes参量的MSCN因子(Stokes-MSCN)。对比度反映图像中黑白层次的测量,雾的引进会改变这些黑白层次,因此需要通过亮度因子对两组图像的对比度进行“标准化”。同样雾也会湮没图像细节,造成纹理失真,通过灰度共生矩阵提取图像纹理特征量化图像结构。此外,还引入了对I图和P图取平均减法和对比度归一化(MSCN)因子,通过非对称广义高斯分布模型拟合并引入Stokes公式得到拟合后的图像特征并对这些特征采用多元高斯模型拟合得出图像的均值作为该因子的评价结果。
基于亮度(Luminance)的对比度因子:该因子参考了SSIM计算方法。定义x为待测图像,通过11×11的高斯加权窗在图像上逐点计算。假设该图像为离散信号,则平均强度为:
亮度因子与图像平均强度有关。用图像减去平均强度,结果为x-μx。计算标准差用来估计图像的对比度,该标准差为:
通过μx和σx分别计算图像的亮度l(x)和对比度c(x):
其中C1=(K1L)2、C2=(K2L)2,L为图像像素的动态范围(8-bit灰度图像为255),K1、K2为常量且K1≤1、K2≤1。则基于亮度的对比度因子L-Contrast为:
惯性矩结构度因子Ine-Structdis:灰度共生矩阵是以条件概率提取纹理的特征,它反映的是灰度图像中关于方向、间隔和变化幅度等方面的灰度信息,因此可以用于分析图像的局部特征以及纹理的分布规律。设某个点对的间隔为d,两点之间连线与轴的方向角为θ,两点灰度级分别为i和j。则其共生矩阵可以表示为[P(i,j,d,θ)],点(i,j)处的值代表的是满足对应条件的数目值,其中的惯性矩特征反映的是矩阵中取值较大的元素远离主对角线的程度:
通过公式(9)提取图像的方差,则基于惯性矩的结构度特征Ine-Structdis表示为:
基于Stokes参量的MSCN因子Stokes-MSCN:采用方法1获得最终的偏振度图像I的特征向量fl:
采用公式(7)中的参数v为模型的均值作为强度图像I评价指标。
评价模型构建及pooling策略设计:首先将一次偏振成像获得的三幅图像I0°、I60°、I120°经Stokes公式计算获得I图和P图,然后分别计算上述三种特征因子,获得相应的特征参数(qp1,qp2,qp3)、(qp1,qp2,qp3)。最后采用两种不同的pooling策略对三种因子进行综合计算,得出评价结果。这里的Pooling策略不同仅限于其中一个参数的权值,并不改变整个pooling框架。对以上三个因子分别采用y1=e-x、y2=e-0.05x、y3=e-0.5x进行参数拟合。最后采用两个简单的,结构相同的pooling策略进行参数合并。
Claims (1)
1.一种适合解析场景的雾天典型偏振参量图像质量评价方法,建立了一种可对两类场景偏振图像同时进行评价的统一框架,在综合分析自然场景和解析场景图像特点及质量关系的基础上,选取形成了与两类场景图像质量敏感的亮度对比度因子、惯性矩结构度因子和基于Stokes参量的MSCN因子,基于亮度的对比度因子:该因子参考了SSIM计算方法,定义x为待测图像,通过11×11的高斯加权窗在图像上逐点计算,假设该图像为离散信号,则平均强度为:
亮度因子与图像平均强度有关,用图像减去平均强度,结果为x-μx,计算标准差用来估计图像的对比度,该标准差为:
通过μx和σx分别计算图像的亮度l(x)和对比度c(x):
其中C1=(K1L)2、C2=(K2L)2,L为图像像素的动态范围,K1、K2为常量且K1≤1、K2≤1,则基于亮度的对比度因子L-Contrast为:
惯性矩结构度因子Ine-Structdis:灰度共生矩阵是以条件概率提取纹理的特征,它反映的是灰度图像中关于方向、间隔和变化幅度方面的灰度信息,因此可以用于分析图像的局部特征以及纹理的分布规律,设某个点对的间隔为d,两点之间连线与轴的方向角为θ,两点灰度级分别为a和b,则其共生矩阵可以表示为[P(a,b,d,θ)],点(i,j)处的值代表的是满足对应条件的数目值,其中的惯性矩特征反映的是矩阵中取值较大的元素远离主对角线的程度:提取图像的方差,则基于惯性矩的结构度特征Ine-Structdis表示为:lnertia表示惯性矩;
基于Stokes参量的MSCN因子是引入了对I图即偏振原始图像的平均和P图即偏振度图像取平均减法和对比度归一化的MSCN因子,通过非对称广义高斯分布模型拟合并引入Stokes公式得到拟合后的图像特征并对这些特征采用多元高斯模型拟合得出图像的均值作为该因子的计算结果,最后设计了pooling策略,该策略对质量敏感因子参数拟合,并采用两个结构相同权重不同的加权公式进行参数合并,分别得出对自然场景和解析场景图像的评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410508164.5A CN104318545B (zh) | 2014-09-22 | 2014-09-22 | 一种用于雾天偏振图像的质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410508164.5A CN104318545B (zh) | 2014-09-22 | 2014-09-22 | 一种用于雾天偏振图像的质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318545A CN104318545A (zh) | 2015-01-28 |
CN104318545B true CN104318545B (zh) | 2018-08-17 |
Family
ID=52373771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410508164.5A Active CN104318545B (zh) | 2014-09-22 | 2014-09-22 | 一种用于雾天偏振图像的质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318545B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139019B (zh) * | 2015-03-24 | 2019-03-19 | 北京眼神智能科技有限公司 | 虹膜图像筛选的方法及装置 |
CN104809735B (zh) * | 2015-05-12 | 2017-11-10 | 公安部第三研究所 | 基于傅里叶变换实现图像雾霾评价的系统及方法 |
CN105160653A (zh) * | 2015-07-13 | 2015-12-16 | 中国人民解放军陆军军官学院 | 一种用于雾天图像的质量评价方法 |
US9870511B2 (en) | 2015-10-14 | 2018-01-16 | Here Global B.V. | Method and apparatus for providing image classification based on opacity |
CN105741328B (zh) * | 2016-01-22 | 2018-09-11 | 西安电子科技大学 | 基于视觉感知的拍摄图像质量评价方法 |
CN107942518B (zh) * | 2018-01-05 | 2020-05-19 | 京东方科技集团股份有限公司 | 增强现实装置、控制方法和计算机可读存储介质 |
CN109978825A (zh) * | 2019-02-20 | 2019-07-05 | 安徽三联学院 | 一种雾天图像质量评价方法 |
CN111145150B (zh) * | 2019-12-20 | 2022-11-11 | 中国科学院光电技术研究所 | 一种通用型无参考图像质量评价方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945552A (zh) * | 2012-10-22 | 2013-02-27 | 西安电子科技大学 | 基于自然场景统计中稀疏表示的无参考图像质量评价方法 |
CN103258326A (zh) * | 2013-04-19 | 2013-08-21 | 复旦大学 | 一种图像质量盲评估的信息保真度方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8086007B2 (en) * | 2007-10-18 | 2011-12-27 | Siemens Aktiengesellschaft | Method and system for human vision model guided medical image quality assessment |
KR101345098B1 (ko) * | 2009-12-18 | 2013-12-26 | 한국전자통신연구원 | 실시간 영상품질 측정 장치 및 방법 |
-
2014
- 2014-09-22 CN CN201410508164.5A patent/CN104318545B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945552A (zh) * | 2012-10-22 | 2013-02-27 | 西安电子科技大学 | 基于自然场景统计中稀疏表示的无参考图像质量评价方法 |
CN103258326A (zh) * | 2013-04-19 | 2013-08-21 | 复旦大学 | 一种图像质量盲评估的信息保真度方法 |
Non-Patent Citations (4)
Title |
---|
Making a "Completely Blind" Image Quality Analyzer;Anish Mittal et al;《IEEE SIGNAL PROCESSING LETTERS》;20130531;第20卷(第3期);第209页左栏第12-17页,第210页左栏第12页-第211页右栏第16页 * |
利用偏振滤波的自动图像去雾;周浦城等;《中国图象图形学报》;20110731;第16卷(第7期);第1179页右栏第29行-第1180页左栏第5行 * |
基于噪声污染度的偏振图像质量评价方法;王峰等;《计算机应用与软件》;20120731;第29卷(第7期);第246-300页 * |
无参考视频质量评价方法研究;林祥宇;《中国博士学位论文全文数据库 信息科技辑》;20130815;正文第64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104318545A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318545B (zh) | 一种用于雾天偏振图像的质量评价方法 | |
Andersson et al. | FLIP: A Difference Evaluator for Alternating Images. | |
Panetta et al. | No reference color image contrast and quality measures | |
Qureshi et al. | Towards the design of a consistent image contrast enhancement evaluation measure | |
CN102170581B (zh) | 基于hvs的ssim与特征匹配立体图像质量评价方法 | |
Jaya et al. | IEM: a new image enhancement metric for contrast and sharpness measurements | |
CN105049851B (zh) | 基于色彩感知的通用无参考图像质量评价方法 | |
Temel et al. | Perceptual image quality assessment through spectral analysis of error representations | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN106530244B (zh) | 一种图像增强方法 | |
CN107767363A (zh) | 一种基于自然场景的无参考高动态图像质量评价算法 | |
Jia et al. | Image denoising via sparse representation over grouped dictionaries with adaptive atom size | |
CN106815839A (zh) | 一种图像质量盲评估方法 | |
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 | |
Moorthy et al. | Visual perception and quality assessment | |
CN105894507B (zh) | 基于图像信息量自然场景统计特征的图像质量评价方法 | |
CN109829905A (zh) | 一种面部美化感知质量的无参考评价方法 | |
CN105976351A (zh) | 基于中央偏移的立体图像质量评价方法 | |
CN107371015A (zh) | 一种无参考对比度变化图像质量评价方法 | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
Mansouri et al. | SSVD: Structural SVD-based image quality assessment | |
Hong et al. | Directional projection based image fusion quality metric | |
CN103996188A (zh) | 一种基于Gabor加权特征的全参考型图像质量评价方法 | |
Gaata et al. | No-reference quality metric for watermarked images based on combining of objective metrics using neural network | |
CN108776958A (zh) | 混合降质图像的图像质量评价方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
DD01 | Delivery of document by public notice |
Addressee: Lu Wenjun Document name: payment instructions |
|
DD01 | Delivery of document by public notice |