CN104361574B - 一种基于稀疏表示的无参考彩色图像质量评价方法 - Google Patents
一种基于稀疏表示的无参考彩色图像质量评价方法 Download PDFInfo
- Publication number
- CN104361574B CN104361574B CN201410539145.9A CN201410539145A CN104361574B CN 104361574 B CN104361574 B CN 104361574B CN 201410539145 A CN201410539145 A CN 201410539145A CN 104361574 B CN104361574 B CN 104361574B
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- subgraph
- standard deviation
- evaluated
- 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
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
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种基于稀疏表示的无参考彩色图像质量评价方法,属于数字图像处理技术领域。本发明对待评价图像,在HSV彩色空间选取具有像素空间相关性标准差最大值的图像块,由图像块来匹配字典中的原子,字典中的每个原子由训练图集中具有像素空间相关性最大标准差的图像块、DMOS值、最大标准差三个元素组成,然后采用匹配追踪的方法在该字典中得到待评价图像的稀疏表示,并由原子字典中被选取到的原子的DMOS及最大标准差值来构建彩色图像质量评价指标。本发明的原子字典的构建方法简单明了,所提取的特征更符合人眼视觉感受,整个算法更简单,质量评价结果更准确。
Description
技术领域
本发明涉及一种图像质量评价方法,尤其涉及一种基于稀疏表示的无参考彩色图像质量评价方法,属于数字图像处理技术领域。
背景技术
图像质量评价技术一直是图像处理领域的关键技术,可以用于评价图像处理方法的效果,或是依据图像质量来选择合适的图像处理方法。图像质量评价技术大多根据处理后的图像与参考图像之间的不同,来度量图像质量;但是大多图像质量评价的应用领域,难于得到标准图像作为参考,此时更需要无参考图像质量评价技术,以便根据图像质量来选择合适的图像处理方法。
近年来,随着信息处理技术的发展,提取图像特征来映射图像质量成为重要的图像质量评价手段,但是此类方法同样面对数据处理量大的困难,于是Lihuo He等人在文献“Sparse Representation for Blind Image Quality Assessment”(Proceedings ofComputer Vision and Pattern Recognition(CVPR2012),pp.1146-1153,Providence,Rhode Island,16-21June,2012,USA.)中提出一种利用稀疏表示来评价图像质量的方法,该方法利用NSS(natural scene statistics)来表示图像,而字典的建立则直接利用NSS在小波域的特征及图像的DMOS(differential mean opinion score,平均主观差异分数)。该方法简单明了,得到了有效的无参考图像质量评价结果。该方法首先提取训练图库的NSS特征及DMOS值建立原子字典,然后提取待评价图像的NSS特征在原子字典上进行稀疏表示,用求解出的系数结合DMOS值得到图像质量评价分数。其优点体现在:(1)能够有效地评价不同类型的图像质量退化;(2)评价结论与主观评价具有良好的一致性;(3)对不同的图像具有良好的质量评价结果。该方法给无参考的图像质量评价方法提供了良好的发展和参考基础。然而,该方法所使用的NSS在小波域的特征并不能充分反映图像质量,因此依据该方法得到的图像质量评价结果的准确性仍有待提高。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,提供一种基于稀疏表示的无参考彩色图像质量评价方法,其原子字典的构建方法简单明了,所提取的特征更符合人眼视觉感受,整个算法更简单,质量评价结果更准确。
本发明具体采用以下技术方案:
一种基于稀疏表示的无参考彩色图像质量评价方法,首先构建原子字典,然后利用所构建的原子字典对待评价彩色图像进行稀疏表示,最后利用待评价彩色图像的稀疏表示系数的线性组合得到待评价彩色图像的质量得分,
原子字典的构建按照以下方法:
步骤1、将一组已知平均主观差异分数DMOS的训练样本图像从RGB彩色空间转换至HSV彩色空间,并对每一幅训练样本图像的H分量、S分量、V分量分别进行灰度化,得到每一幅训练样本图像的三个子图像:H分量子图像、S分量子图像、V分量子图像;步骤2、将每一幅子图像分割为一系列大小相等的图像块,并获取每个图像块的像素空间相关性矩阵;任一图像块的像素空间相关性矩阵按照以下方法得到:构建一个256×256的矩阵;对于该矩阵中坐标为(x,y)(x=1,2,...,256;y=1,2,...,256)的元素,判断该图像块中是否存在两个相邻且灰度值分别为x-1、y-1的像素点,如存在,则将该元素的值赋为1,如不存在,则赋值为0,最终得到的矩阵即为该图像块的像素空间相关性矩阵;
步骤3、从每一幅子图像中选出像素空间相关性矩阵的标准差最大的图像块作为该子图像的最大标准差图像块;以每一幅子图像的最大标准差图像块、最大标准差图像块的像素空间相关性矩阵的标准差,以及该图像块所属训练样本图像的DMOS值作为一个原子,所有原子的集合即构成原子字典;
利用所构建的原子字典对待评价彩色图像进行稀疏表示,具体按照以下方法:
步骤4、将待评价彩色图像从RGB彩色空间转换至HSV彩色空间,并对待评价彩色图像的H分量、S分量、V分量分别进行灰度化,得到待评价彩色图像的三个子图像:H分量子图像、S分量子图像、V分量子图像;
步骤5、将待评价彩色图像的每个子图像分割为一系列大小相等的图像块,并获取每个图像块的像素空间相关性矩阵;
步骤6、从待评价彩色图像的三个子图像中分别选出像素空间相关性矩阵的标准差最大的图像块作为该子图像的最大标准差图像块;以待评价彩色图像的三个子图像的最大标准差图像块、最大标准差图像块的像素空间相关性矩阵、最大标准差图像块的像素空间相关性矩阵的标准差来表示待评价彩色图像;
利用待评价彩色图像的稀疏表示系数的线性组合得到待评价彩色图像的质量得分,具体按照以下方法:
步骤7、从原子字典中所有属于H分量子图像/S分量子图像/V分量子图像的图像块中选出与待评价彩色图像的H分量子图像/S分量子图像/V分量子图像的最大标准差图像块具有最大相关性的图像块,并记录该图像块的DMOS值、相关系数、像素空间相关性矩阵的标准差;从原子字典中所有属于H分量子图像/S分量子图像/V分量子图像的图像块的像素空间相关性矩阵中选出与待评价彩色图像的H分量子图像/S分量子图像/V分量子图像的最大标准差图像块的像素空间相关性矩阵具有最大相关性的像素空间相关性矩阵,并记录该像素空间相关性矩阵的DMOS值、相关系数、标准差;
步骤8、按照下式计算待评价彩色图像的质量得分QHSV,质量得分越高,待评价彩色图像的质量越高:
QHSV=QH+QS+QV
其中,
SS=S_HI+S_HC+S_SI+S_SC+S_VI+S_VC
Sα=α_HI+α_HC+α_SI+α_SC+α_VI+α_VC
式中,D_HI、α_HI、S_HI分别表示从原子字典中所有属于H分量子图像的图像块中所选出的与待评价彩色图像的H分量子图像的最大标准差图像块具有最大相关性的图像块的DMOS值、相关系数、像素空间相关性矩阵的标准差;D_HC、α_HC、S_HC分别表示从原子字典中所有属于H分量子图像的图像块的像素空间相关性矩阵中所选出的与待评价彩色图像的H分量子图像的最大标准差图像块的像素空间相关性矩阵具有最大相关性的像素空间相关性矩阵的DMOS值、相关系数、标准差;D_SI、α_SI、S_SI分别表示从原子字典中所有属于S分量子图像的图像块中所选出的与待评价彩色图像的S分量子图像的最大标准差图像块具有最大相关性的图像块的DMOS值、相关系数、像素空间相关性矩阵的标准差;D_SC、α_SC、S_SC分别表示从原子字典中所有属于S分量子图像的图像块的像素空间相关性矩阵中所选出的与待评价彩色图像的S分量子图像的最大标准差图像块的像素空间相关性矩阵具有最大相关性的像素空间相关性矩阵的DMOS值、相关系数、标准差;D_VI、α_VI、S_VI分别表示从原子字典中所有属于V分量子图像的图像块中所选出的与待评价彩色图像的V分量子图像的最大标准差图像块具有最大相关性的图像块的DMOS值、相关系数、像素空间相关性矩阵的标准差;D_VC、α_VC及S_VC分别表示从原子字典中所有属于V分量子图像的图像块的像素空间相关性矩阵中所选出的与待评价彩色图像的V分量子图像的最大标准差图像块的像素空间相关性矩阵具有最大相关性的像素空间相关性矩阵的DMOS值、相关系数、标准差。
相比现有技术,本发明具有以下有益效果:
本发明所使用的图像特征针对彩色图像,其与图像质量之间的关系更加密切,因此也更能够准确反映彩色图像的质量特点,运用本发明方法可以有效的得到与人类主观一致的图像质量评价分数;此外,本发明的算法效率更高,实时性更好。
附图说明
图1为原子字典的构建流程示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
本发明针对现有技术不足,提出了一种适用于彩色图像无参考质量评价的原子字典建立方法,以及相应的稀疏表示和质量得分计算方法。本发明根据训练图像中的图像分块在HSV彩色空间的像素空间相关性标准差的最大值来选取字典中的原子,每个原子由具有像素空间相关性最大标准差的图像块、DMOS值、最大标准差三个元素组成,然后采用匹配追踪的方法在该字典中得到待评价图像的稀疏表示,并由原子字典中被选取到的原子的DMOS及最大标准差来构建彩色图像质量评价指标。
本发明的图像质量评价方法具体包括以下步骤:
步骤A、原子字典的构建:
本发明原子字典的构建过程如图1所示,包括以下步骤:
步骤A1、将一组已知平均主观差异分数DMOS的训练样本图像从RGB彩色空间转换至HSV彩色空间,并对每一幅训练样本图像的H分量、S分量、V分量分别进行灰度化,得到每一幅训练样本图像的三个子图像:H分量子图像、S分量子图像、V分量子图像。
本发明可以直接使用在图像质量评价领域应用比较多的LIVE、TID、或是CSIQ等标准图像数据库,当然也可以根据需要选择要测试设备的图像库,并组织主观评价,以达到所用的数据与主观感受一致。本实施实例中采用LIVE2标准图像库作为建立原子字典所需的训练图像集。LIVE2图像库总共有982幅图像,那么需要的原子字典应该包括三个部分,即图像块库+DMOS值+标准偏差值。并且由于图像要在HSV空间处理,所以原子字典要初始化成三类数据。即,设图像块的大小为a×a,那么可以设三个图像子库分别存放hue、saturation、value图像块,则如果每行放30个图像块,那么每个图像子库的包含的像素数为33×a行,30×a列,如果存储每个像素使用一个字节,则所占空间为33×a×30×a×8。三个子图像库还需配合各自的标准差表,每个表由982个数据组成。三个子图像库共用一个DMOS表,表也由982个数据组成(此表数据由LIVE2数据库提供)。
将由RGB表示的彩色图像转换到HSV空间为现有技术,下面对其进行简要介绍:
(r,g,b)分别是一个像素的红、绿和蓝通道的数值,它们的值是在0到1之间的实数。设max等价于r,g和b中的最大者。设min等于这些值中的最小者。要找到在HSV空间中的(h,s,v)值,这里的h∈[0,360)是角度的色相角,而s,v∈[0,1]是饱和度和亮度,计算公式为:
v=max
根据设计需要将h的值由360进行归一后使用。例如,像素的(r,g,b)的值分别为(100,104,120),则max=120,min=100,那么对应的 v=120。
对每一幅训练样本图像的H分量、S分量、V分量分别进行灰度化,即得到每一幅训练样本图像的三幅灰度子图像:H分量子图像、S分量子图像、V分量子图像。
步骤A2、将每一幅子图像分割为一系列大小相等的图像块,并获取每个图像块的像素空间相关性矩阵。
根据人眼的视觉特点,人眼对结构部分更加敏感,分块后可以用结构特点最显著的图像块来有效地代表整个图像的质量特点。本实施例中,将每一幅子图像分成a×a大小的图像块,当子图像的边缘部分不够一个图像块时,则直接将该部分舍弃。
任一图像块的像素空间相关性矩阵按照以下方法得到:构建一个256×256的矩阵;对于该矩阵中坐标为(x,y)(x=1,2,...,256;y=1,2,...,256)的元素,判断该图像块中是否存在两个相邻且灰度值分别为x-1、y-1的像素点,如存在,则将该元素的值赋为1,如不存在,则赋值为0,最终得到的矩阵即为该图像块的像素空间相关性矩阵。
步骤A3、从每一幅子图像中选出像素空间相关性矩阵的标准差最大的图像块作为该子图像的最大标准差图像块;以每一幅子图像的最大标准差图像块、最大标准差图像块的像素空间相关性矩阵的标准差,以及该图像块所属训练样本图像的DMOS值作为一个原子,所有原子的集合即构成原子字典。
首先计算每一个图像块的像素空间相关性矩阵的标准差,计算公式如下:
其中,G(d1,d2)表示像素空间相关性矩阵中坐标为(d1,d2)的元素值。
然后从每一幅子图像中选出像素空间相关性矩阵的标准差最大的图像块作为该子图像的最大标准差图像块,并以每一幅子图像的最大标准差图像块、最大标准差图像块的像素空间相关性矩阵的标准差以及该图像块所属训练样本图像的DMOS值作为原子字典的一个原子,所有原子的集合即构成本发明的原子字典。在本实施例中,最后的原子字典中共有982×3个原子。
步骤B、利用所构建的原子字典对待评价彩色图像进行稀疏表示,具体按照以下方法:步骤B1、将待评价彩色图像从RGB彩色空间转换至HSV彩色空间,并对待评价彩色图像的H分量、S分量、V分量分别进行灰度化,得到待评价彩色图像的三个子图像:H分量子图像、S分量子图像、V分量子图像。
空间转换、灰度化的具体方法与步骤A1中方法相同,此处不再赘述。
步骤B2、将待评价彩色图像的每个子图像分割为一系列大小相等的图像块,并获取每个图像块的像素空间相关性矩阵。
图像分块方法及像素空间相关性矩阵计算方法与步骤A2中相同,此处不再赘述。步骤B3、从待评价彩色图像的三个子图像中分别选出像素空间相关性矩阵的标准差最大的图像块作为该子图像的最大标准差图像块;以待评价彩色图像的三个子图像的最大标准差图像块、最大标准差图像块的像素空间相关性矩阵、最大标准差图像块的像素空间相关性矩阵的标准差来表示待评价彩色图像。
可将待评价彩色图像的H分量子图像的最大标准差图像块、最大标准差图像块的像素空间相关性矩阵、最大标准差图像块的像素空间相关性矩阵的标准差分别记为HI、HC、HSM;将待评价彩色图像的S分量子图像的最大标准差图像块、最大标准差图像块的像素空间相关性矩阵、最大标准差图像块的像素空间相关性矩阵的标准差分别记为SI、SC、SSM;将待评价彩色图像的V分量子图像的最大标准差图像块、最大标准差图像块的像素空间相关性矩阵、最大标准差图像块的像素空间相关性矩阵的标准差分别记为VI、VC、VSM。
步骤C、利用待评价彩色图像的稀疏表示系数的线性组合得到待评价彩色图像的质量得分,具体按照以下方法:
步骤C1、从原子字典中所有属于H分量子图像/S分量子图像/V分量子图像的图像块中选出与待评价彩色图像的H分量子图像/S分量子图像/V分量子图像的最大标准差图像块具有最大相关性的图像块,并记录该图像块的DMOS值、相关系数、像素空间相关性矩阵的标准差;从原子字典中所有属于H分量子图像/S分量子图像/V分量子图像的图像块的像素空间相关性矩阵中选出与待评价彩色图像的H分量子图像/S分量子图像/V分量子图像的最大标准差图像块的像素空间相关性矩阵具有最大相关性的像素空间相关性矩阵,并记录该像素空间相关性矩阵的DMOS值、相关系数、标准差。
将待评价彩色图像的H分量子图像的最大标准差图像块HI与原子字典中每一个属于H分量子图像的图像块进行相关性计算,并记录其中具有最大相关性的图像块的DMOS值(记作D_HI)、相关系数(记作α_HI)及标准差值(计作S_HI);将评价彩色图像的H分量子图像的最大标准差图像块的像素空间相关性矩阵HC与原子字典中每一个属于H分量子图像的图像块的像素空间相关性矩阵进行相关性计算,并记录其中具有最大相关性的像素空间相关性矩阵的DMOS值(记作D_HC)、相关系数(记作α_HC)及标准差值(计作S_HC)。类似地,将待评价彩色图像的S分量子图像的最大标准差图像块SI与原子字典中每一个属于S分量子图像的图像块进行相关性计算,并记录其中具有最大相关性的图像块的DMOS值(记作D_SI)、相关系数(记作α_SI)及标准差值(计作S_SI);将评价彩色图像的S分量子图像的最大标准差图像块的像素空间相关性矩阵HC与原子字典中每一个属于S分量子图像的图像块的像素空间相关性矩阵进行相关性计算,并记录其中具有最大相关性的像素空间相关性矩阵的DMOS值(记作D_SC)、相关系数(记作α_SC)及标准差值(计作S_SC)。将待评价彩色图像的V分量子图像的最大标准差图像块VI与原子字典中每一个属于V分量子图像的图像块进行相关性计算,并记录其中具有最大相关性的图像块的DMOS值(记作D_VI)、相关系数(记作α_VI)及标准差值(计作S_VI);将评价彩色图像的V分量子图像的最大标准差图像块的像素空间相关性矩阵VC与原子字典中每一个属于V分量子图像的图像块的像素空间相关性矩阵进行相关性计算,并记录其中具有最大相关性的像素空间相关性矩阵的DMOS值(记作D_VC)、相关系数(记作α_VC)及标准差值(计作S_VC)。其中,相关性的计算为现有技术,详细内容可参见[郭金库等,《信号稀疏表示理论及其应用》,科学出版社,2013,07]。
步骤C2、按照下式计算待评价彩色图像的质量得分QHSV:
QHSV=QH+QS+QV
其中,
SS=S_HI+S_HC+S_SI+S_SC+S_VI+S_VC
Sα=α_HI+α_HC+α_SI+α_SC+α_VI+α_VC
质量得分越高,待评价彩色图像的质量越高。
本发明的原子字典建立方法简单明了,提取的特征符合人类的视觉特点,同时对彩色图像的质量评价进行了有益的尝试。本发明方法可以方便地对由不同成像机理得到的图像建立原子字典,有利于后续对不同类型图像进行无参考质量评价。
Claims (3)
1.一种基于稀疏表示的无参考彩色图像质量评价方法,首先构建原子字典,然后利用所构建的原子字典对待评价彩色图像进行稀疏表示,最后利用待评价彩色图像的稀疏表示系数的线性组合得到待评价彩色图像的质量得分,其特征在于,
原子字典的构建按照以下方法:
步骤1、将一组已知平均主观差异分数DMOS的训练样本图像从RGB彩色空间转换至HSV彩色空间,并对每一幅训练样本图像的H分量、S分量、V分量分别进行灰度化,得到每一幅训练样本图像的三个子图像:H分量子图像、S分量子图像、V分量子图像;
步骤2、将每一幅子图像分割为一系列大小相等的图像块,并获取每个图像块的像素空间相关性矩阵;任一图像块的像素空间相关性矩阵按照以下方法得到:构建一个256×256的矩阵;对于该矩阵中坐标为(x,y)的元素,判断该图像块中是否存在两个相邻且灰度值分别为x-1、y-1的像素点,如存在,则将该元素的值赋为1,如不存在,则赋值为0,最终得到的矩阵即为该图像块的像素空间相关性矩阵,x=1,2,…,256;y=1,2,…,256;
步骤3、从每一幅子图像中选出像素空间相关性矩阵的标准差最大的图像块作为该子图像的最大标准差图像块;以每一幅子图像的最大标准差图像块、最大标准差图像块的像素空间相关性矩阵的标准差,以及该图像块所属训练样本图像的DMOS值作为一个原子,所有原子的集合即构成原子字典;
利用所构建的原子字典对待评价彩色图像进行稀疏表示,具体按照以下方法:
步骤4、将待评价彩色图像从RGB彩色空间转换至HSV彩色空间,并对待评价彩色图像的H分量、S分量、V分量分别进行灰度化,得到待评价彩色图像的三个子图像:H分量子图像、S分量子图像、V分量子图像;
步骤5、将待评价彩色图像的每个子图像分割为一系列大小相等的图像块,并获取每个图像块的像素空间相关性矩阵;
步骤6、从待评价彩色图像的三个子图像中分别选出像素空间相关性矩阵的标准差最大的图像块作为该子图像的最大标准差图像块;以待评价彩色图像的三个子图像的最大标准差图像块、最大标准差图像块的像素空间相关性矩阵、最大标准差图像块的像素空间相关性矩阵的标准差来表示待评价彩色图像;
利用待评价彩色图像的稀疏表示系数的线性组合得到待评价彩色图像的质量得分,具体按照以下方法:
步骤7、从原子字典中所有属于H分量子图像/S分量子图像/V分量子图像的图像块中选出与待评价彩色图像的H分量子图像/S分量子图像/V分量子图像的最大标准差图像块具有最大相关性的图像块,并记录该图像块的DMOS值、相关系数、像素空间相关性矩阵的标准差;从原子字典中所有属于H分量子图像/S分量子图像/V分量子图像的图像块的像素空间相关性矩阵中选出与待评价彩色图像的H分量子图像/S分量子图像/V分量子图像的最大标准差图像块的像素空间相关性矩阵具有最大相关性的像素空间相关性矩阵,并记录该像素空间相关性矩阵的DMOS值、相关系数、标准差;
步骤8、按照下式计算待评价彩色图像的质量得分QHSV,质量得分越高,待评价彩色图像的质量越高:
QHSV=QH+QS+QV
其中,
SS=S_HI+S_HC+S_SI+S_SC+S_VI+S_VC
Sα=α_HI+α_HC+α_SI+α_SC+α_VI+α_VC
式中,D_HI、α_HI、S_HI分别表示从原子字典中所有属于H分量子图像的图像块中所选出的与待评价彩色图像的H分量子图像的最大标准差图像块具有最大相关性的图像块的DMOS值、相关系数、像素空间相关性矩阵的标准差;D_HC、α_HC、S_HC分别表示从原子字典中所有属于H分量子图像的图像块的像素空间相关性矩阵中所选出的与待评价彩色图像的H分量子图像的最大标准差图像块的像素空间相关性矩阵具有最大相关性的像素空间相关性矩阵的DMOS值、相关系数、标准差;D_SI、α_SI、S_SI分别表示从原子字典中所有属于S分量子图像的图像块中所选出的与待评价彩色图像的S分量子图像的最大标准差图像块具有最大相关性的图像块的DMOS值、相关系数、像素空间相关性矩阵的标准差;D_SC、α_SC、S_SC分别表示从原子字典中所有属于S分量子图像的图像块的像素空间相关性矩阵中所选出的与待评价彩色图像的S分量子图像的最大标准差图像块的像素空间相关性矩阵具有最大相关性的像素空间相关性矩阵的DMOS值、相关系数、标准差;D_VI、α_VI、S_VI分别表示从原子字典中所有属于V分量子图像的图像块中所选出的与待评价彩色图像的V分量子图像的最大标准差图像块具有最大相关性的图像块的DMOS值、相关系数、像素空间相关性矩阵的标准差;D_VC、α_VC及S_VC分别表示从原子字典中所有属于V分量子图像的图像块的像素空间相关性矩阵中所选出的与待评价彩色图像的V分量子图像的最大标准差图像块的像素空间相关性矩阵具有最大相关性的像素空间相关性矩阵的DMOS值、相关系数、标准差。
2.如权利要求1所述基于稀疏表示的无参考彩色图像质量评价方法,其特征在于,所述训练样本图像从LIVE、TID、或CSIQ标准图像库中得到。
3.如权利要求1所述基于稀疏表示的无参考彩色图像质量评价方法,其特征在于,在将子图像分割为一系列大小相等的图像块时,所分割的图像块的长、宽相等,子图像边缘不足一个图像块的部分直接舍弃。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410539145.9A CN104361574B (zh) | 2014-10-14 | 2014-10-14 | 一种基于稀疏表示的无参考彩色图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410539145.9A CN104361574B (zh) | 2014-10-14 | 2014-10-14 | 一种基于稀疏表示的无参考彩色图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104361574A CN104361574A (zh) | 2015-02-18 |
CN104361574B true CN104361574B (zh) | 2017-02-15 |
Family
ID=52528832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410539145.9A Active CN104361574B (zh) | 2014-10-14 | 2014-10-14 | 一种基于稀疏表示的无参考彩色图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104361574B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184796B (zh) * | 2015-09-09 | 2018-08-21 | 南京信息工程大学 | 基于二元空间依存关系的失真图像评价方法 |
CN106971386B (zh) * | 2016-01-14 | 2020-03-20 | 广州市动景计算机科技有限公司 | 判断图像完整度及页面加载度的方法、装置和客户端设备 |
CN106997585A (zh) * | 2016-01-22 | 2017-08-01 | 同方威视技术股份有限公司 | 成像系统及图像质量评价方法 |
CN106127234B (zh) * | 2016-06-17 | 2019-05-03 | 西安电子科技大学 | 基于特征字典的无参考图像质量评价方法 |
CN106709958A (zh) * | 2016-12-03 | 2017-05-24 | 浙江大学 | 一种基于灰度梯度和颜色直方图的图像质量评价方法 |
CN108182712B (zh) * | 2017-12-07 | 2021-06-04 | 西安万像电子科技有限公司 | 图像处理方法、装置及系统 |
CN108765366B (zh) * | 2018-03-30 | 2021-11-02 | 重庆邮电大学 | 一种基于自主学习的无参考彩色图像质量评价方法 |
CN108921824A (zh) * | 2018-06-11 | 2018-11-30 | 中国科学院国家空间科学中心 | 一种基于稀疏化特征提取的彩色图像质量评价方法 |
CN111274952B (zh) * | 2020-01-20 | 2021-02-05 | 新疆爱华盈通信息技术有限公司 | 背光人脸图像处理方法、人脸识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998052011A2 (en) * | 1997-05-14 | 1998-11-19 | Emory University | Systems and methods for analyzing phantom images |
EP1169869A1 (en) * | 1999-04-13 | 2002-01-09 | Sarnoff Corporation | Method and apparatus for estimating digital video quality without using a reference video |
US6507670B1 (en) * | 1998-03-05 | 2003-01-14 | Ncr Corporation | System and process for removing a background pattern from a binary image |
CN101345891A (zh) * | 2008-08-25 | 2009-01-14 | 重庆医科大学 | 基于信息熵和对比度的无参考图像质量评价方法 |
CN101977333A (zh) * | 2010-11-24 | 2011-02-16 | 南京信息工程大学 | 基于小波和结构自相似性分析的无参考图像质量评价方法 |
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7512286B2 (en) * | 2003-10-27 | 2009-03-31 | Hewlett-Packard Development Company, L.P. | Assessing image quality |
-
2014
- 2014-10-14 CN CN201410539145.9A patent/CN104361574B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998052011A2 (en) * | 1997-05-14 | 1998-11-19 | Emory University | Systems and methods for analyzing phantom images |
US6507670B1 (en) * | 1998-03-05 | 2003-01-14 | Ncr Corporation | System and process for removing a background pattern from a binary image |
EP1169869A1 (en) * | 1999-04-13 | 2002-01-09 | Sarnoff Corporation | Method and apparatus for estimating digital video quality without using a reference video |
CN101345891A (zh) * | 2008-08-25 | 2009-01-14 | 重庆医科大学 | 基于信息熵和对比度的无参考图像质量评价方法 |
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 |
CN101977333A (zh) * | 2010-11-24 | 2011-02-16 | 南京信息工程大学 | 基于小波和结构自相似性分析的无参考图像质量评价方法 |
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 |
Non-Patent Citations (9)
Title |
---|
An information fidelity criterion for image quality assessment using natural scene statistics;H.R. Sheikh等;《IEEE. Trans. Image Process.》;20051231;第2117-2128页 * |
Deterministic column-based matrix decomposition;X. Li等;《IEEE Trans. Knowl. Data Eng.》;20101231;第145-149页 * |
Image information and visual quality;H.R. Sheikh等;《IEEE Trans. Image Process.》;20061231;第430-444页 * |
Learning optimal spatial filters by discriminant analysis for brain-computer-interface;Y. Pang等;《Neurocomputing》;20121231;第20-27页 * |
Sparse Coding with an Overcomplete Basis Set: A Strategy Employed by V1;BRUNO A. OLSHAUSEN等;《Vision Res.》;19971231;第37卷(第23期);第3311-3325页 * |
基于DCT系数无参考模糊图像质量评价方法;桑庆兵等;《仪器仪表学报》;20131130;第34卷(第11期);第2599-2604页 * |
结合HVS和相似特征的图像质量评估方法;王正有等;《仪器仪表学报》;20121231;第33卷(第7期);第1606-1612页 * |
视频质量客观评价技术研究;袁飞等;《电视技术》;20071231;第31卷(第3期);第91-94页 * |
通用型无监督的无参考图像质量评价算法;任波波等;《电视技术》;20131231;第37卷(第19期);第36-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104361574A (zh) | 2015-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104361574B (zh) | 一种基于稀疏表示的无参考彩色图像质量评价方法 | |
CN107220980B (zh) | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN103186904B (zh) | 图片轮廓提取方法及装置 | |
CN106462771A (zh) | 一种3d图像的显著性检测方法 | |
CN107578418A (zh) | 一种融合色彩和深度信息的室内场景轮廓检测方法 | |
CN105469100A (zh) | 基于深度学习的皮肤活检图像病理特性识别方法 | |
CN109214298B (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN104008375B (zh) | 基于特征融合的集成人脸识别方法 | |
CN106296638A (zh) | 显著性信息取得装置以及显著性信息取得方法 | |
CN104484658A (zh) | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 | |
CN106447646A (zh) | 一种用于无人机图像的质量盲评价方法 | |
CN107481236A (zh) | 一种屏幕图像的质量评价方法 | |
CN103996195A (zh) | 一种图像显著性检测方法 | |
CN105046701B (zh) | 一种基于构图线的多尺度显著目标检测方法 | |
CN109191428A (zh) | 基于掩蔽纹理特征的全参考型图像质量评价方法 | |
CN107657619A (zh) | 一种低照度林火图像分割方法 | |
CN106600632A (zh) | 一种改进匹配代价聚合的立体匹配算法 | |
CN113610046B (zh) | 一种基于深度视频联动特征的行为识别方法 | |
CN105809650B (zh) | 一种基于双向迭代优化的图像融合方法 | |
CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
CN106127234A (zh) | 基于特征字典的无参考图像质量评价方法 | |
CN110298893A (zh) | 一种行人衣着颜色识别模型的生成方法及装置 | |
CN111882516A (zh) | 一种基于视觉显著性和深度神经网络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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 210044 No. 219 Ningliu Road, Jiangbei New District, Nanjing City, Jiangsu Province Patentee after: NANJING University OF INFORMATION SCIENCE & TECHNOLOGY Address before: Zhongshan road Wuzhong District Mudu town of Suzhou city in Jiangsu province 215101 No. 70 Wuzhong Science Park Building 2 room 2310 Patentee before: NANJING University OF INFORMATION SCIENCE & TECHNOLOGY |