CN104616294A - 一种基于视觉显著性的色调映射图像质量评价方法 - Google Patents
一种基于视觉显著性的色调映射图像质量评价方法 Download PDFInfo
- Publication number
- CN104616294A CN104616294A CN201510030927.4A CN201510030927A CN104616294A CN 104616294 A CN104616294 A CN 104616294A CN 201510030927 A CN201510030927 A CN 201510030927A CN 104616294 A CN104616294 A CN 104616294A
- Authority
- CN
- China
- Prior art keywords
- sigma
- tone mapping
- dynamic range
- fidelity
- yardstick
- 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
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉显著性的色调映射图像质量评价算法,其将多尺度结构保真度测量与统计自然性测量结合起来,并在计算过程中考虑人类视觉系统的显著性特征,对图像中不同区域的质量使用视觉显著图进行加权,使得评价结果更加接近人的主观评价结果。该算法可用于评价由高动态范围转化成的低动态范围色调映射图像的质量,衡量色调映射算子的优劣,嵌入色调映射算子中为优化算子和参数设置提供依据。
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,尤其是色调映射图像质量评价技术。
背景技术
近年来,科研人员们对高动态范围图像表现出极高的兴趣。我们通常看到的图像都是低动态范围图像,拥有256个亮度级。相比于低动态范围图像,高动态拥有的亮度级要远远超出256,甚至达到10000以上。这种高动态范围图像能更真实的反映出现实的场景。然而,一般的显示器仅用来显示低动态范围的图像。所以,为了实现高动态范围图像的可视化,必须利用色调映射算子将高动态范围图像转化成相应的低动态范围色调映射图像。但是,高动态范围转化成低动态范围,必不可少的会造成信息的丢失。随着越来越多的色调映射算子被发明,就会出现一个问题,即哪种色调映射算子性能更好?这就需要一个标准来比较它们转化出的低动态范围图像的质量。
目前色调映射低动态范围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。
目前存在的图像质量评价方法大多数只适用于参考图像和失真图像拥有同样的动态范围的情况,而可用于色调映射图像质量评价的方法仅有:“H.Yeganeh,and Z.Wang,Objective quality assessment of tone-mapped images,IEEE Transactions on Image Processing,22:657-667,2013.”在色调映射图像质量评价问题中,基本实现原理是比较高动态范围参考图像和低动态范围色调映射图像之间的差异,差异越大,代表质量越差,差异越小,代表质量越高。评价结果越接近人的主观评价表示该方法的准确性越高。另一方面,已有的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色调映射图像质量评价方法,其充分利用视觉显著性与图像质量的关系,大大提高了色调映射图像质量评价方法的准确性,满足实际应用中对色调映射图像质量评价方法的要求,解决了现有的色调映射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色调映射图像质量评价算法,包括以下步骤,定义任意一副高动态范围参考图像,将其记为f(x),并将其通过色调映射算子得到的低动态范围失真图像记为f(y):
(1)通过高动态范围参考图像f(x)和低动态范围失真图像f(y)共同确定第l个尺度的局部结构保真度Slocal,并通过低动态范围失真图像f(y)单独确定视觉显著图Vm(x)以及统计自然性N;
(2)通过第l个尺度的局部结构保真度Slocal和视觉显著图Vm(x)确定第l个尺度整体的结构保真度Sl;
(3)将多个尺度的结构保真度Sl结合起来得到低动态失真图像f(y)最终的结构保真度S;
(4)将结构保真度S与统计自然性N结合起来确定低动态范围失真图像f(y)的客观评价分数Q:
Q=aSa+(1-a)Nβ
其中a用来调节结构保真度S与统计自然性N的相对重要性,α和β决定各自的敏感度。
因为S和N前面的系数相加和为1,所以如果a增大时,S的重要性增大,N的重要性减小,反之,a减小时时,S的重要性减小,N的重要性增大;就α和β而言,它们分别决定结构保真度S与统计自然性N的敏感度是说,如果它们增大的时候,结构保真度S与统计自然性N的敏感度变高,意思是,结构保真度S与统计自然性N发生变化时,对Q的影响变大,反之亦然,敏感度是指对整体的影响效果。
这里在仅存的客观色调映射图像评价方法的发明者的参数设置上根据实验稍作调整,取a=0.8800,α=0.3046和β=0.7088,此时算法性能最好。
所述步骤(1)中,由高动态范围参考图像f(x)和低动态范围失真图像f(y)共同确定的第l个尺度的局部结构保真度Slocal的确定包括以下步骤:
其中:
A(f)≈2.6[0.0192+0.114f]exp[-(0.114f)1.1],k和λ是常数,是通过实验得到的,取k=3,λ=100,此时与物理心理学实验结果吻合;是亮度均值,由于是映射到低动态范围中,低动态范围亮度为0-255,所以亮度均值为128;f表示空间频率,是指每度视角内图像或刺激图形的亮暗作正弦调制的栅条周数,单位是周/度,用来模拟观察者到图像的距离,这里每个尺度f取值不同,分别为16cycles/degree,8cycles/degree,4cycles/degree,2cycles/degree,1cycles/degree;
σx,σy和σxy分别表示f(x)和f(y)的局部标准差,以及局部标准差之间的关联系数,C1和C2是两个正的常数,实验发现在一定的取值范围内,算法的结果对C1和C2的取值并不敏感。可以取C1=0.01C2=10,此时算法性能较好。
所述步骤(1)中,由低动态范围失真图像f(y)单独确定视觉显著图Vm(x)的确定包括以下步骤:
(1-2)可以利用现存的各种视觉显著性模型来计算,如谱残差视觉显著性(SRVS)模型,使用这种模型时,f(y)的视觉显著图Vm(x)(这里用SRVS(x,y)表示):
SRVS(x,y)=g(x,y)*(F-1{exp(R+jA)}(x,y))2
其中:
M(u,v)=abs(F{I(x,y)}(u,v))
A(u,v)=angle(F{I(x,y)}(u,v))
L(u,v)=log(M(u,v))
R(u,v)=L(u,v)-hn(u,v)*L(u,v)
(x,y)表示空间域,(u,v)表示频域,abs表示膜,angle表示角度,F和F-1分别表示傅里叶变换和傅里叶反变换,*表示卷积,hn(u,v)表示n×n的均值滤波。
所述步骤(1)中,由低动态范围失真图像f(y)单独确定统计自然性N的确定包括以下步骤:
(1-3)统计自然性是基于亮度和对比度建立的,则f(y)的统计自然性N:
其中:
μm,σm,αd和βd是常数,B(·,·)是贝塔函数。这些数据和结论都是通过实验得到的,在μm,σm,αd和βd取特定常数,B(·,·)取贝塔函数时上边两个式子就可以表示亮度和对比度。取μm=115.94,σm=27.99,αd=4.4,βd=10.1。
所述步骤(2)中,第l个尺度的局部结构保真度Slocal和视觉显著图Vm(x)确定第l个尺度整体的结构保真度Sl,
则:
其中Ω表示图像的空间域。
所述步骤(3)中,将多个尺度的结构保真度Sl结合起来的到低动态失真图像f(y)最终的结构保真度S,则:
其中L表示尺度总数,βl表示第l个尺度的权重。
由于采用上述方案,本发明的有益效果是:
本发明所述的一种基于视觉显著性的色调映射图像质量评价方法,其将多尺度结构保真度测量与统计自然性测量结合起来。在每个尺度上,先对局部质量评级后,充分利用视觉显著性与图像质量的关系,确定低动态范围色调映射图像的视觉显著图,使用视觉显著性作为权重函数,得到低动态范围色调映射图像的结构保真度客观评价质量,然后与低动态范围色调映射图像的统计自然性客观评价质量相结合,大大提高了低动态范围色调映射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,人类视觉系统的特性是从视野中提取结构信息,所以结构保真度是一种很好的度量方法,又为了排除模拟不同的观察条件对评价图像时的效果的影响,使用多尺度的结构保真度测量更为合适;但由于多尺度结构保真度测量并不能很好地反映图像全局对比度以及亮度这些失真类型。为此,本发明引入了统计自然性测量补偿多尺度结构保真度测量的这一缺点。多尺度结构保真度测量与统计自然性测量相结合已经足够刻画低动态范围色调映射图像中出现的失真。
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,可大大提高了色调映射图像质量评价方法的准确性。
附图说明
图1为本发明基于视觉显著性的色调映射图像质量评价算法的工作流程示意图。
具体实施方式
以下结合附图所示实施例对本发明作进一步的说明。
针对目前仅存的客观的色调映射图像的方法完全忽略了人类视觉系统的视觉显著性特征,从而导致客观评价结果正确率大大降低的问题,本发明在通过局部求整体是充分利用视觉显著性特征,以视觉显著图作为加权函数,是一种基于视觉显著性的色调映射图像质量评价算法,其具体工作流程如图1所示:
(1)通过高动态范围参考图像f(x)和低动态范围失真图像f(y)共同确定第l个尺度的局部结构保真度Slocal,并通过低动态范围失真图像f(y)单独确定视觉显著图Vm(x)以及统计自然性N;
(1-1)确定第l个尺度的局部结构保真度Slocal。Slocal是由高动态范围参考图像f(x)和低动态范围失真图像f(y)共同确定的。结构保真度是反映图像对结构信息的保留程度的,我们采用如下公式计算局部结构保真度Slocal:
其中:
上式的第二项与经典SSIM算法中比较结构相似性的部分完全相同,σx,σy和σxy分别表示f(x)和f(y)的局部标准差,以及局部标准差之间的关联系数,C2是一个正的常数,用来将第二项的值控制在0到1之间,可以取C2=100.
第一项中的σ'用来放映人主观感受到的信号强度,只有在主观感受到的高动态范围参考图像f(x)和低动态范围失真图像f(y)的信号强度差异大的时候,第一项才起作用,差异越大,作用越突出。C1是一个正的常数,用来将第一项的值控制在0到1之间,可以取C1=0.01。这里的σ'是将σ同过一种心理测量函数的得到的,这种测量函数用来模拟人对信号强度的主管感知,σ'采用如下公式计算:
A(f)≈2.6[0.0192+0.114f]exp[-(0.114f)1.1],k和λ是常数,是通过实验得到的,取k=3,λ=100; 是亮度均值,由于是映射到低动态范围中,低动态范围亮度为0-255,所以亮度均值为128;f表示空间频率,是指每度视角内图像或刺激图形的亮暗作正弦调制的栅条周数,单位是周/度,用来模拟观察者到图像的距离,这里每个尺度f取值不同,分别为16cycles/degree,8cycles/degree,4 cycles/degree,2 cycles/degree,1 cycles/degree。
(1-2)确定视觉显著性图Vm(x),用作由局部结构保真度得到整体结构保真度的权重函数。视觉显著图Vm(x)由低动态范围失真图像f(y)单独确定。可以利用现存的各种视觉显著性模型来计算,如谱残差视觉显著性(SRVS)模型,使用这种模型时,f(y)的视觉显著图Vm(x)(这里用SRVS(x,y)表示):
SRVS(x,y)=g(x,y)*(F-1{exp(R+jA)}(x,y))2
其中:
M(u,v)=abs(F{I(x,y)}(u,v))
A(u,v)=angle(F{I(x,y)}(u,v))
L(u,v)=log(M(u,v))
R(u,v)=L(u,v)-hn(u,v)*L(u,v)
(x,y)表示空间域,(u,v)表示频域,abs表示膜,angle表示角度,F和F-1分别表示傅里叶变换和傅里叶反变换,*表示卷积,hn(u,v)表示n×n的均值滤波。傅里叶变换及其反变换是空间域与频域相互转换的一种方法。
(1-3)确定统计自然性N,用作对结构保真度的补充。统计自然性N由低动态范围失真图像f(y)单独确定。统计自然性是基于亮度和对比度建立的,则f(y)的统计自然性N:
其中:
μm,σm,αd和βd是常数,B(·,·)是贝塔函数。这些数据和结论都是通过实验得到的,在μm,σm,αd和βd取特定常数,B(·,·)取贝塔函数时上边两个式子就可以表示亮度和对比度。取 μm=115.94,σm=27.99,αd=4.4,βd=10.1。
(2)通过第l个尺度的局部结构保真度Slocal和视觉显著图Vm(x)确定第l个尺度整体的结构保真度Sl;,
则:
其中Ω表示图像的空间域。上述公式表明显著性越大的局部图像块对整体的质量评价影响更为突出。
(3)将多个尺度的结构保真度Sl结合起来得到低动态失真图像f(y)最终的结构保真度S;
则:
其中L表示尺度总数,βl表示第l个尺度的权重。这样做是因为图像细节的可视化取决于图像的采样密度,图像与观察者之间的距离,显示器的分辨率,以及观察者视觉系统的感知能力,所以一个尺度不能捕捉这些差异,所以才用多尺度的结构保真度方法。
(4)将结构保真度S与统计自然性N结合起来确定低动态范围失真图像f(y)的客观评价分数Q:
最终的低动态范围失真图像f(y)的客观评价分数Q由结构保真度S与统计自然性N相互补充决定:
Q=aSa+(1-a)Nβ
其中a用来调节结构保真度S与统计自然性N的相对重要性,α和β决定各自的敏感度。a是一个0到1之间的常数。α和β相加之和为1,这里在仅存的客观色调映射图像评价方法的发明者的参数设置上根据实验稍作调整,取a=0.8800,α=0.3046和β=0.7088。
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色调映射图像质量评价方法进一步说明。
实验条件与评分标准:
本发明所使用数据库)是目前仅存的客观色调映射图像评价方法的发明者制作的,是公开的数据库。其中包含15个数据集,每个数据集包含1张高动态范围图片和8张通过不同的色调映射算子得到的低动态范围色调映射图像。
Spearman等级次序相关系数(SROCC)用于评价方法的准确性。SROCC的取值范围是0~1,越接近1,代表准确性越高。
从表1中可以看出,在同样采用最小平方规则化联合表示的分类算法的前提下,运用分块统计表面类型作为特征,所取得的一阶识别率远远超出基于主元素分析和不同参数条件下的LBP特征取得的结果。从中可以看出,本发明中采用的特征描述方法对于三维数据的局部形状结构的刻画能力更强。
实验结果:
表2为五种视觉显著性模型以及现存方法在数据库上的实验结果。其中“mean”为仅存的那种方法得到的评价结果的准确性,之后的五列为五种视觉显著性模型得到的评价结果的准确性,从结果可以看出,有三种视觉显著性模型得到的评价结果的准确性都要比仅存的那种方法准确性高。
表1.五种视觉显著性模型以及现存方法在数据库上的实验结果
表2为各个方法运行所需的时间,从表2中我们可以看到,本发明所示的基于视觉显著性的色调映射图像质量评价方法相对于现存的方法,不但性能上有很大提高,而且运行所需时间也并没有大幅增加,和现存的方法所差无几,尤其是SR和SDSP两种方法。
表2.各个方法运行所需的时间
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 (10)
1.一种基于视觉显著性的色调映射图像质量评价方法,其特征在于:包括以下步骤,定义任意一副高动态范围参考图像,将其记为f(x),并将其通过色调映射算子得到的低动态范围失真图像记为f(y):
(1)通过高动态范围参考图像f(x)和低动态范围失真图像f(y)共同确定第l个尺度的局部结构保真度Slocal,并通过低动态范围失真图像f(y)单独确定视觉显著图Vm(x)以及统计自然性N;
(2)通过第l个尺度的局部结构保真度Slocal和视觉显著图Vm(x)确定第l个尺度整体的结构保真度Sl;
(3)将多个尺度的结构保真度Sl结合起来得到低动态失真图像f(y)最终的结构保真度S;
(4)将结构保真度S与统计自然性N结合起来确定低动态范围失真图像f(y)的客观评价分数Q:
Q=aSα+(1-a)Nβ
其中常数a用来调节结构保真度S与统计自然性N的相对重要性,a大于0且小于1;常数α和β决定结构保真度S与统计自然性N的敏感度。
2.根据权利要求1所述的基于视觉显著性的色调映射图像质量评价方法,其特征在于:所述步骤(1)中,由高动态范围参考图像f(x)和低动态范围失真图像f(y)共同确定的第l个尺度的局部结构保真度Slocal的确定包括以下步骤:(1-1)
其中:
A(f)≈2.6[0.0192+0.114f]exp[-(0.114f)1.1],k和λ是常数,是亮度均值,f表示空间频率;
σx,σy和σxy分别表示f(x)和f(y)的局部标准差,以及局部标准差之间的关联系数;
C1和C2是两个正的常数。
3.根据权利要求1所述的基于视觉显著性的色调映射图像质量评价方法,其特征在于:所述步骤(1)中,由低动态范围失真图像f(y)单独确定视觉显著图Vm(x)包括以下步骤:(1-2)可以利用现存的各种视觉显著性模型来计算,如谱残差视觉显著性模型,使用这种模型时,f(y)的视觉显著图Vm(x),用SRVS(x,y)表示:
SRVS(x,y)=g(x,y)*(F-1{exp(R+jA)}(x,y))2
其中:
M(u,v)=abs(F{I(x,y)}(u,v))
A(u,v)=angle(F{I(x,y)}(u,v))
L(u,v)=log(M(u,v))
R(u,v)=L(u,v)-hn(u,v)*L(u,v)
(x,y)表示空间域,(u,v)表示频域,abs表示膜,angle表示角度,F和F-1分别表示傅里叶变换和傅里叶反变换,*表示卷积,hn(u,v)表示n×n的均值滤波。
4.根据权利要求1所述的基于视觉显著性的色调映射图像质量评价方法,其特征在于:所述步骤(1)中,由低动态范围失真图像f(y)单独确定统计自然性N包括以下步骤:(1-3)统计自然性是基于亮度和对比度建立的,则f(y)的统计自然性N:
其中:
μm,σm,αd和βd是常数,B(·,·)是贝塔函数。
5.根据权利要求1所述的基于视觉显著性的色调映射图像质量评价方法,其特征在于:所述步骤(2)中,第l个尺度的局部结构保真度Slocal和视觉显著图Vm(x)确定第l个尺度整体的结构保真度Sl,
则:
其中Ω表示图像的空间域。
6.根据权利要求1所述的基于视觉显著性的色调映射图像质量评价方法,其特征在于:所述步骤(3)中,将多个尺度的结构保真度Sl结合起来得到低动态失真图像f(y)最终的结构保真度S,则:
其中L表示尺度总数,βl表示第l个尺度的权重。
7.根据权利要求1所述的基于视觉显著性的色调映射图像质量评价方法,其特征在于:其中:取a=0.8800,α=0.3046和β=0.7088。
8.根据权利要求2所述的基于视觉显著性的色调映射图像质量评价方法,其特征在于:其中:取k=3,λ=100。
9.根据权利要求2所述的基于视觉显著性的色调映射图像质量评价方法,其特征在于:其中:取C1=0.01C2=10。
10.根据权利要求4所述的基于视觉显著性的色调映射图像质量评价方法,其特征在于:其中:取μm=115.94,σm=27.99,αd=4.4,βd=10.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510030927.4A CN104616294A (zh) | 2015-01-21 | 2015-01-21 | 一种基于视觉显著性的色调映射图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510030927.4A CN104616294A (zh) | 2015-01-21 | 2015-01-21 | 一种基于视觉显著性的色调映射图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104616294A true CN104616294A (zh) | 2015-05-13 |
Family
ID=53150727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510030927.4A Pending CN104616294A (zh) | 2015-01-21 | 2015-01-21 | 一种基于视觉显著性的色调映射图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616294A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105491371A (zh) * | 2015-11-19 | 2016-04-13 | 国家新闻出版广电总局广播科学研究院 | 基于梯度幅值相似性的色调映射图像质量评价方法 |
CN105496459A (zh) * | 2016-01-15 | 2016-04-20 | 飞依诺科技(苏州)有限公司 | 用于超声成像设备的自动调节方法及系统 |
CN107172418A (zh) * | 2017-06-08 | 2017-09-15 | 宁波大学 | 一种基于曝光情况分析的色阶映射图像质量评价方法 |
CN107680068A (zh) * | 2017-08-31 | 2018-02-09 | 田其冲 | 一种考虑图像自然度的数字图像增强方法 |
CN108496356A (zh) * | 2015-06-02 | 2018-09-04 | 三星电子株式会社 | 用于色调映射的方法和设备 |
CN109255358A (zh) * | 2018-08-06 | 2019-01-22 | 浙江大学 | 一种基于视觉显著性和深度图的3d图像质量评价方法 |
CN109919959A (zh) * | 2019-01-24 | 2019-06-21 | 天津大学 | 基于色彩、自然性及结构的色调映射图像质量评价方法 |
CN110706196A (zh) * | 2018-11-12 | 2020-01-17 | 浙江工商职业技术学院 | 基于聚类感知的无参考色调映射图像质量评价算法 |
CN112233065A (zh) * | 2020-09-15 | 2021-01-15 | 西北大学 | 显著性调制下多维视觉特征协作的全盲图像质量评价方法 |
-
2015
- 2015-01-21 CN CN201510030927.4A patent/CN104616294A/zh active Pending
Non-Patent Citations (1)
Title |
---|
XUEYABO LIU 等: "Integrating Visual Saliency Information into Objective Quality Assessment of Tone-Mapped Images", 《INTELLIGENT COMPUTER THEORY》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108496356B (zh) * | 2015-06-02 | 2020-11-20 | 三星电子株式会社 | 用于色调映射的方法、装置和计算机可读介质 |
CN108496356A (zh) * | 2015-06-02 | 2018-09-04 | 三星电子株式会社 | 用于色调映射的方法和设备 |
CN105491371A (zh) * | 2015-11-19 | 2016-04-13 | 国家新闻出版广电总局广播科学研究院 | 基于梯度幅值相似性的色调映射图像质量评价方法 |
CN105496459A (zh) * | 2016-01-15 | 2016-04-20 | 飞依诺科技(苏州)有限公司 | 用于超声成像设备的自动调节方法及系统 |
CN107172418A (zh) * | 2017-06-08 | 2017-09-15 | 宁波大学 | 一种基于曝光情况分析的色阶映射图像质量评价方法 |
CN107172418B (zh) * | 2017-06-08 | 2019-01-04 | 宁波大学 | 一种基于曝光情况分析的色阶映射图像质量评价方法 |
CN107680068A (zh) * | 2017-08-31 | 2018-02-09 | 田其冲 | 一种考虑图像自然度的数字图像增强方法 |
CN109255358A (zh) * | 2018-08-06 | 2019-01-22 | 浙江大学 | 一种基于视觉显著性和深度图的3d图像质量评价方法 |
CN109255358B (zh) * | 2018-08-06 | 2021-03-26 | 浙江大学 | 一种基于视觉显著性和深度图的3d图像质量评价方法 |
CN110706196A (zh) * | 2018-11-12 | 2020-01-17 | 浙江工商职业技术学院 | 基于聚类感知的无参考色调映射图像质量评价算法 |
CN110706196B (zh) * | 2018-11-12 | 2022-09-30 | 浙江工商职业技术学院 | 基于聚类感知的无参考色调映射图像质量评价算法 |
CN109919959A (zh) * | 2019-01-24 | 2019-06-21 | 天津大学 | 基于色彩、自然性及结构的色调映射图像质量评价方法 |
CN109919959B (zh) * | 2019-01-24 | 2023-01-20 | 天津大学 | 基于色彩、自然性及结构的色调映射图像质量评价方法 |
CN112233065A (zh) * | 2020-09-15 | 2021-01-15 | 西北大学 | 显著性调制下多维视觉特征协作的全盲图像质量评价方法 |
CN112233065B (zh) * | 2020-09-15 | 2023-02-24 | 西北大学 | 显著性调制下多维视觉特征协作的全盲图像质量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616294A (zh) | 一种基于视觉显著性的色调映射图像质量评价方法 | |
CN105374033B (zh) | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN106096561A (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
CN110119687A (zh) | 基于图像处理和卷积神经网络相结合的道路表面裂痕缺陷的检测方法 | |
CN106874889A (zh) | 基于卷积神经网络的多特征融合sar目标鉴别方法 | |
CN104182985B (zh) | 遥感图像变化检测方法 | |
CN104200471B (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN103761526B (zh) | 一种基于特征位置优选整合的城区检测方法 | |
CN101976444B (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 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
CN109978032A (zh) | 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法 | |
CN109191428A (zh) | 基于掩蔽纹理特征的全参考型图像质量评价方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN109635789A (zh) | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 | |
CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
CN107343196A (zh) | 一种混合失真无参考图像质量评价方法 | |
CN105469111A (zh) | 基于改进的mfa和迁移学习的小样本集的物体分类方法 | |
CN106023267A (zh) | 稀疏性相关度图像质量评价方法 | |
CN104282019B (zh) | 基于自然场景统计和感知质量传播的盲图像质量评价方法 | |
CN107229910A (zh) | 一种遥感图像结冰湖泊检测方法及其系统 | |
CN108550146A (zh) | 一种基于roi的图像质量评价方法 | |
CN109241867A (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN109214331A (zh) | 一种基于图像频谱的交通雾霾能见度检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhang Lin Inventor after: Liu Xueyabo Inventor after: Shen Ying Inventor after: Li Hongyu Inventor before: Zhang Lin |
|
COR | Change of bibliographic data | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150513 |