CN104866864A - 一种用于立体图像质量客观评价的极端学习机 - Google Patents
一种用于立体图像质量客观评价的极端学习机 Download PDFInfo
- Publication number
- CN104866864A CN104866864A CN201510232530.3A CN201510232530A CN104866864A CN 104866864 A CN104866864 A CN 104866864A CN 201510232530 A CN201510232530 A CN 201510232530A CN 104866864 A CN104866864 A CN 104866864A
- Authority
- CN
- China
- Prior art keywords
- elm
- learning machine
- sample
- extreme learning
- matrix
- 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
Abstract
本发明涉一种用于立体图像质量客观评价的极端学习机,其建立包括以下步骤:通过主观测试获取评价数据样本,选取训练图像样本,对训练样本采用PCA进行特征提取和降维,将各个样本数据xi投影到选择的特征向量所组成的有效子空间中得到投影系数;建立极端学习机ELM网络,将训练样本的投影系数输入到ELM网络,待隐藏层输入权值和阈值优化后,建立原始图像和主观评价值之间的关系,得到ELM网络结构;通过遗传算法GA对极端学习机ELM的隐藏层权值和阈值进行优化。本发明建立的极端学习机能够更加准确有效的评价立体图像质量。
Description
所属技术领域
本发明属于图像处理领域,涉及图像质量评价方法改进优化,尤其是涉及PCA和GA-ELM在立体图像质量客观评价中的应用。
背景技术
近几年来,随着计算机科学技术的飞速发展,人们对立体可视化的兴趣越来越浓厚,计算机图形学也在各行业得到迅速的发展,计算机进入三维时代。来自计算机图像学、计算机视觉、多媒体以及相关的其他技术的融合,使得多种新的视觉媒体得到快速发展,例如立体视频和自由视点视频,给人类带来了新的视觉感受,远远超越了传统的2D视频[1]。随着立体成像技术的不断成熟,立体产品真正走进人们的生活中,从此3D世界的重现,不再仅仅是梦想。立体显示技术在室外[2-4]的应用也越来越普及。
现阶段,进行立体图像质量评价主要是人们利用人眼来获取图像的立体信息,然后大脑将各种立体信息进行整合使我们感受到立体的感觉,进而来分析判断立体图像质量的优劣。通常情况下,采用两种方法对立体图像质量进行评价:主观评价和客观评价。主观评价主要是通过选择大量的测试人员,依据观测者看到的立体图像的立体效果、清晰度以及事先根据ITU制定的图像质量的评分标准,对选取的立体图像样本按照个人主观感受进行等级评分。虽然这种方法能够获得较准确的图像评价,但它花费时间长、成本高,难以操作。因此,建立一套有效的、规范的立体图像质量客观评价标准已经成为立体成像技术领域中一项主要研究内容。其中客观评价方法主要通过提取立体图像相应的立体信息指标,然后利用数学公式或建立的数学模型描述人们对立体图像的主观感受,进而评判立体图像的质量等级,该方法省时省力、可操作性更强。因此建立与主观评价结果相一致的客观评价模型是未来的发展趋势,国内外学者也已对此进行了一系列的探索。
最初,人们主要是通过引进平面图像质量的评价方法来评价立体图像的质量等级。在过去几十年来,研究学者所提出的二维图像质量评价方法有:峰值信噪比(PSNR)、均方误差(MSE)、结构相似度(SSIM)指标[5]以及基于信息内容权值的IWSSIM算法[6]等等。You[7]等人将其中的一些2D图像质量评价方法应用到立体图像当中,并对其性能进行了相应的分析比较。
Hewage[8]等人提出首先计算深度图的轮廓并将其二值化,然后通过PSNR方法对立体图像质量进行评价,该文献介绍了一种基于深度图边缘信息的半参考图像质量评价算法模型,能够基本符合人眼的视觉感受。Ding[9]等人介绍了一种利用图像的局部统计相关性的全参考图像质量评价算法模型,此方法在小波域提取图像的局部相关性并汇集出一个客观评价分数,通过测试结果可知该方法不但在具有非常高的精度而且与主观评价结果基本一致;通过总结影响用户视觉感知[10]的一些因素:串扰等级、摄像机基线以及场景内容,据此提出了一种基于立体图像串扰感知的客观质量评价算法,该算法首先从立体图像中计算出深度图,然后根据原始的以及受损的图像获得SSIM map中相应权值。在文献[11]中,作者Akhter等人介绍了一 种基于分割图像的局部特性和视差信息的无参考图像质量客观评价算法,该方法的灵感来源于人类的视觉系统(Human Visual System,HVS)以及任何立体显示的感知失真和视差信息依赖于图像的局部特征如非平面的边缘信息、平面的非边缘区域;文献[12]提出了一种基于差异图的立体图像质量评价方法,该方法将主观实验作为立体信息质量评价的准则,使用深度图度量图像的垂直偏差以及时间一致性;
针对立体图像的质量评价,虽然近年来研究者对人类视觉系统进行了一系列的深入探索,但是由于人眼系统的复杂性,人类对人眼视觉系统的认知仍然比较肤浅,所以人们仍然无法提出与人眼主观感受完全一致的立体图像质量客观评价算法。为此,一些学者考虑将神经网络运用到立体图像质量客观评价方面,并取得了良好的效果。文献[13]首先通过独立成分分析(ICA)提取立体图像的有效特征,然后通过基于二叉树的支持向量机(BT-SVM)算法设计了一种能够用于立体图像质量客观评价的分类识别系统;在文献[14]中,作者顾珊波等人根据图像的奇异值具有非常稳定的特性,然后结合立体图像的主观视觉感知特性,构造了一种基于SVR和立体图像视觉感知特性的客观评价算法模型。该方法首先提取左右图像奇异值,然后依据各个图像的失真情况进行融合,最后利用SVR模型输出立体图像的客观评价值;文献[15]采用峰值信噪比以及结构相似度来描述图像质量,设计了一种基于神经网络和支持向量的立体图像质量分类识别系统。
神经网络客观评价模型具有高度的并行结构和并行实现能力,能够有效处理非线性问题,因而神经网络在立体图像质量客观评价方面能够取得较好效果。文献[16]提出了极端学习机在立体图像质量评价中的应用,极端学习机(ELM)对于立体图像质量的客观评价能够解决传统神经网络训练速度慢、易陷入局部极小值和泛化性能低等问题。ELM在单隐层神经网络的基础上发展而来,它的输入层与隐藏层之间的权重以及隐藏层的阈值无需反复迭代,只要随机赋值即可。因此极端学习机的最终结果有很大的差异,需要通过多次运行求其平均值作为最终结果,然而这种方法却错过最优结果的选择。
参考文献
[1]Smolic,K.Mueller,P.Merkle,C.Fehn,P.Kauff,P.Eisert,T.Wiegand.3D video and free view-point video—technologies,applications and MPEG standards[C].International Conference on Multimedia and Expo,Toronto,Ontario,Canada,2006:2161-2164.
[2]Reitterer J,Fidler F,Schmid G,et al.Design and evaluation ofa large-scale autostereoscopic multi-view laser display for outdoor applications[J].Optics Express,2014,22(22):27063-27068.
[3]HIROTSUGU Y,MAKOTO K,SYUJI M,et al.Enlargement ofviewing area of stereoscopic full-color led display by use ofaparallax barrier[J].Appl.Opt.,2002,41(32):6907-6919.
[4]Baselgia C,Bosse M,Zlot R,et al.Solid Model Reconstruction ofLarge-Scale Outdoor Scenes from 3D Lidar Data[C].Field and Service Robotics.Springer Berlin Heidelberg,2014:541-554.
[5]Z.Wang,A.C.Bovik,H.R.Sheikh and E.P.Simoncalli.Image quality assessment:
From error visibility to structural similarity[J].IEEE Trans.Image Process,2004,13(4):600-612.
[6]Wang Z,Li Q.Information content weighting for perceptual image quality assessment[J].Image Processing,IEEE Transactions on,2011,20(5):1185-1198.
[7]You J,Xing L,Perkis A,et al.Perceptual quality assessment for stereoscopic images based on 2D image quality metrics and disparity analysis[C].Proc.of International Workshop on Video Processing and Quality Metrics for Consumer Electronics,Scottsdale,AZ,USA,2010.
[8]Hewage C T E R,Martini M G.Reduced-reference quality metric for 3D depth map transmission[C].3DTV-Conference:The True Vision-Capture,Transmission and Display of 3D Video (3DTV-CON),2010,IEEE,2010:1-4.
[9]Ding Y,Wang S,and Zhang D.Full-reference image quality assessment using statistical local correlation[J].Electronics Letters,2014,50(2):79-81.
[10]Xing L,You J,Ebrahimi T,et al.A perceptual quality metric for stereoscopic crosstalk perception[C].Image Processing(ICIP),201017th IEEE International Conference on,IEEE,2010:4033-4036.
[11]Akhter R,Sazzad Z M P,Horita Y,et al.No-Reference Stereoscopic Image Quality Assessment[C].Proc.IS&T/SPIE,Electronic Imaging,San Jose,California,USA,Feb 15,2010.
[12]KIMDH,MINDB,OHJ H,et al.Depth map quality metric for three-dimensional video[C].Proceedings ofthe SPIE Volume 7237:Stereoscopic Displays andApplications XX,San Jose,USA,2009:29-34.
[13]程金翠.ICA和BT-SVM在立体图像质量评价系统中的应用[D].天津:天津大学,2013,1-66.
[14]顾珊波,邵枫,蒋刚毅,等.基于支持向量回归的立体图像客观质量评价模型[J].电子与信息学报,2012,34(2):368-374.
[15]佟雨兵,张其善,常青,等.基于NN与SVM的图像质量评价模型[J].北京航空航天大学学报,2006,32(9):1031-1034.
[16]王光华,李素梅,朱丹等.极端学习机在立体图像质量客观评价中的应用[J].光电子激光,2014,25(9):1837-1842.
发明内容
本发明旨在克服现有技术的上述不足,提供一种通过PCA算法对立体图像样本进行空间降维处理,通过遗传算法对用于立体图像质量客观评价的极端学习机进行优化,使优化后的极端学习机能够更加准确有效的评价立体图像质量。本发明的技术方案如下:
一种用于立体图像质量客观评价的极端学习机,其建立包括以下步骤:
步骤(1)、通过主观测试获取评价数据样本,选取训练图像样本;
步骤(2)、对步骤(1)中选取好的训练样本采用PCA进行特征提取和降维,将原始训练图像样本转化为矩阵变量,每幅立体图像都有相应的主观评价分数为其命名,产生traindata和trainlabel文件,traindata 文件为代表原始图像的矩阵变量,trainlabel文件为每幅图像主观评价分数所组成的矩阵变量,代表每幅图实际的主观评价分数,降维过程中的初始输入为traindata矩阵,它是样本数据矩阵X的实际矩阵参数,对样本数据矩阵X作中心化处理,计算样本的协方差矩阵Rx,计算协方差矩阵Rx的特征值和特征向量,确定主分量数,将各个样本数据xi投影到选择的特征向量所组成的有效子空间中得到投影系数,归一化后生成降维后的矩阵变量traindata2;
步骤(3)、建立极端学习机ELM网络,将经过步骤(2)得到的训练样本的投影系数输入到ELM网络,网络的输入端为矩阵变量traindata2,输出端为矩阵变量trainlabel,待隐藏层输入权值和阈值优化后,建立原始图像和主观评价值之间的关系,得到ELM网络结构;通过遗传算法GA对极端学习机ELM的隐藏层权值和阈值进行优化,优化过程如下:
①进行种群初始化:对种群个体编码采用实数编码,种群个体包含极端学习机ELM的网络结构的所有权重与阈值,当网络结构确定时,可以构建一个由网络结构、权值以及阈值确定的极端学习机网络。
②适应度函数计算:选择训练样本的数据误差绝对值之和作为种群个体适应度;
③计算种群中所有个体的适应度之和,计算种群中每个个体的相对适应度,并把它作为这个个体被选择作为父代繁衍子孙的概率;
④利用轮盘赌法,生成一个随机数t,t∈(0,1),并以此值作为各个种群个体被选择的次数,适应度大的个体,被选中的概率越大,其基因就会在种群中不断扩大;
⑤利用交叉操作对于极端学习机网络的权重a和阈值b的优化,交叉操作选择算术交叉算子,同时根据计算得到的概率重组一对个体继而得到新的个体;
⑥执行变异操作,若未达到设定的迭代终止条件,则返回步骤②,若达到则结束整个迭代过程,完成ELM网络结构的优化。
实验结果及数据对比表明,采用上述方法建立极端学习机,先是利用PCA算法对立体图像样本进行空间降维处理,通过比较ELM算法和BP、SVM算法的性能,从中可知ELM在立体图像质量识别分类方面要优于BP和SVM算法,又通过遗传算法对ELM算法的参数进行了优化,比较了GA-ELM和ELM的误差曲线,可以看出在立体图像质量评价中GA-ELM明显优于ELM网络。从总体上来讲,本极端学习机采用遗传算法(GA)对极端学习机的随机赋值的权重和阈值进行优化以获得最优权重和阈值,实验结果表明,以sigmoid为激励函数对不同等级的立体图像测试样本进行测试,其正确识别率能够达到95.85%,高于未经优化的ELM识别率,具有实际应用价值。
附图说明
图1 源图像“family”
图2 源图像“girl”
图3 源图像“river”
图4 源图像“flower”
图5 降质图像“family”
图6 降质图像“girl”
图7 降质图像“river”
图8 降质图像“flower”
图9 立体图像质量客观评价框图
图10 PCA的部分主成分
图11 GA优化ELM网络算法流程。
具体实施方式
下面结合附图和实施例对本发明进行说明。
本实施例所选取的立体图像均来自宽带无线通信与立体成像研究所图像数据库。本数据库里的立体图像均按照国际电信联盟(ITU)对立体图像质量的主观评价建议的两个标准:BT-500和BT.1438-2000,将所有的立体图像质量分为5个等级:极好、好、一般、差、非常差。
本设计共选取362幅立体图像样本,每一样本图像分辨率为2560×1024。其中4幅为源立体图像(family,girl,river,flower),如图1~4所示,其余为覆盖5个质量评价等级的降质图像,降质图像是通过给源图像添加不同类型的噪声或压缩产生的,如图5~8所示,图5是经视差降质和JPEG压缩的4分立体图像,图6是经JPEG压缩的1分立体图像,图7是经视差降质的2分立体图像,图8是左视图进行JPEG压缩的3分立体图像。362幅立体图像样本中选取121幅图像作为训练样本,241幅图像作为测试样本。本设计是由CPU为3.10GHz的Intel(R)Core(TM)i5-2380P硬件环境支持,ELM、GA和BP的执行环境是matlab7.13,SVM的执行环境是C语言。
下面结合技术方案详细说明本方法:
一、通过主观测试获取评价数据样本,经过反复试验选取训练样本和测试样本。
被试包括专业被试与非专业被试,均具有正常的视差立体感,共20名被试,分别为在校研究生与本科生,男性11名,女性9名,从事立体信息处理研究的被试共16人,从事其他方向研究的被试共4人。为了便于直观理解本设计,提供了立体图像质量客观评价框图,如图9所示。
二、对于选取好的训练样本和测试样本进行特征提取和降维。具体步骤如下:
对样本数据矩阵作中心化处理:
φi=xi-mi (2)
其中,给定p个样本数据,每个样本向量大小为m×n,其样本矩阵为X=(x1,x2,…,xp)T,这里xi为第i个样本构成的mn维的一列向量,对样本数据矩阵X作中心化处理,利用公式(1)得到样本数据的均值,由公式(2)对样本矩阵进行处理得到矩阵A=[φ1,φ2,…,φp]。
计算样本的协方差矩阵Rx:
计算协方差矩阵Rx的特征值和特征向量:
|Rx-λI|=0 (4)
确定主分量数,将各个样本数据xi投影到选择的特征向量所组成的有效子空间中得到投影系数:
其中σ为各个主要成分信息的累计贡献率,它是选取的特征值之和与所有特征值之和的比值,通过累计贡献率来确定主成分的个数,并将各个样本数据投影到选择的特征向量所组成的有效子空间中。PCA的部分主成分如图10所示。
三、训练样本及测试样本输入不同网络后比较不同算法在立体图像客观评价中的性能,同时采用遗传算法对极端学习机进行优化并与其他算法比较
训练样本及测试样本的投影系数输入ELM、SVM和BP网络中得到测试图像的客观评价值,统计并分析ELM、SVM和BP对立体图像质量客观评价的性能。
,同时通过遗传算法(GA)对ELM算法的参数进行了优化得到GA-ELM神经网络算法的相关参数,并比较其与其他算法的性能差异。
GA-ELM优化过程如下:
①进行种群初始化,目前的个体编码方法主要有:二进制法、实数法等,这里种群个体的编码采用实数编码,也就是将一实数串作为每个个体的取值。
②适应度函数计算,这里选择训练集的数据误差绝对值之和作为种群个体适应度函数
其中n代表神经网络的输出节点数,代表训练集的预测结果,T={t1,t2,…,tn}是训练集的真实值,k为加权系数。
③选择操作,采用模拟轮盘赌操作,具体步骤为:计算种群中所有个体的适应度之和,计算种群中每个个体的相对适应度,并把它作为这个个体被选择作为父代繁衍子孙的概率。
④利用轮盘赌法,生成一个随机数t,t∈(0,1),并以此值作为各个种群个体被选择的次数。同时可知,适应度大的个体,被选中的概率越大,其基因就会在种群中不断扩大。
⑤交叉操作对于极端学习机网络的权重和阈值的优化,交叉操作选择算术交叉算子,同时根据计算得到的概率重组一对个体继而得到新的个体。对于每一对重组的个体由以下公式得到两个新的个体。
y1=p1×α+p2×(1-α) (7)
y2=p1×(1-α)+p2×α (8)
其中,p1,p2代表两个相互配对的个体;y1,y2是新产生的两个个体;α是一个位于区间(0,1)的数,即交叉概率。
⑥变异操作,假设选取第i个个体的第j个基因bij进行变异,则具体方法公式如下所示:
其中,bmax和bmin分别是基因bij的上界和下界;f(g)=r0(1-g/Gmax)2,r0表示一个随机值,Gmax表示进化迭代次数的最大值,g代表当前的进化迭代次数;r是位于区间(0,1)的随机值。
采用遗传算法来优化极端学习机网络主要分为:极端学习机网络的确定、遗传算法优化和极端学习机预测输出结果3个部分。其中,根据极端学习机网络的结构可以确定GA种群个体的初始数量。通过GA可以优化极端学习机网络的所有权重和阈值,并且种群中的各个个体均包括其权重和阈值,依据适应度函数计算每个个体的适应度值,进而进行选择、交叉和变异操作寻找最优个体,也就是空间搜索的最优解。极端学习机预测输出结果就通过将最优的个体对网络的初始权重和阈值进行赋值,进而预测测试样本结果。根据以上所述,用GA优化ELM算法流程如图11所示。
本实验的网络参数中,ELM的参数确定过程比较简单,只需确定激励函数及隐藏层节点个数,GA-ELM是通过遗传算法优化ELM的权重和阈值,实验中取遗传算法的迭代次数为100,种群规模为30,交叉概率为0.3,变异概率为0.1。选取不同的激励函数(sigmoid函数、sine函数、hardlim函数、三角基(tribas)函数、径向基(radbas)函数),然后将每一个激励函数的隐藏层节点数的初值设置为10,并以10为周期不断增加隐藏层节点数,每种组合进行50次随机试验,统计所获得的平均识别率,分析激励函数和隐层节点数不同时ELM对立体图像质量客观评价精度的影响。而SVM的核函数选择径向基函数,其 中惩罚参数C和核参数γ通过5-折交叉验证的方法选取最优的训练参数,本实验取C=128,γ=0.25。对于BP,隐藏层使用传递函数tan-sigmoid,输出层使用一个线性传递函数,并设置训练目标误差小于0.00004,将隐藏层节点的个数初始化为10,每次递增5,并通过交叉验证的方法选取最优的数目,然后在每种情况下随机进行50次实验并将最佳平均结果进行汇总。
为了更直观地验证系统的性能,表1和表2分别列出了ELM、SVM和BP关于四种立体图像的识别结果以及它们在所有测试样本上的准确率。由表1可知,ELM的测试正确分类识别率要明显优于SVM,达到93%以上,而BP算法由于自身的局限性,其测试正确分类识别率仅为84.65%。在学习速度方面,由于BP采用梯度下降法调整权值,致使它的学习速度明显低于ELM和SVM算法。由表2可知,采用ELM对立体图像质量进行客观评价基本与立体图像实际主观评价分数相符,同时通过与SVM的识别结果相比较,可知ELM在立体图像质量客观评价方面性能较优于SVM,相比而言传统BP算法效果较差。
为证实GA-ELM在立体图像质量客观评价中的有效性,选取241个立体图像作为测试样本,采用GA-ELM(激励函数为sigmoid)和ELM(sigmoid)算法进行预测。为此对GA-ELM(sigmoid)和ELM(sigmoid)算法的预测误差及精度进行了汇总,如表3所示。由表3可知,GA-ELM网络需要的隐藏层节点数更少,且GA-ELM网络所得到的测试精度更高,最高达到95.85%,证实了GA-ELM分类器的实用性。表4列出了GA-ELM对源图像girl以及相应的压缩降质图像的识别情况,其中girl5%表示对源图像girl按压缩比5%进行压缩。由表4可知,在源图像girl的按压缩比10%、30%、85%进行压缩时分类器的客观评价值与主观评价值不同,对于这些未能够正确识别的图像样本可能由于分错样本本身存在干扰信息或分类器自身参数选择无法满足所有样本要求,并且样本图像在主观评价时也会引入误差。
表5给出了ELM、GA-ELM与其他三种常用分类识别系统的最优识别率。由表5可知,GA-ELM算法的识别率要明显优于其他各种方法,而ELM算法模型也要稍好于前三种方法。因而本设计所提出的基于PCA的ELM和GA-ELM算法模型在立体图像质量评价方面有着很大的实际价值。
表1 ELM、SVM和BP算法关于立体图像质量评价的性能比较
表2 ELM、SVM及BP关于立体图像质量评价的识别率
表3 GA-ELM关于源图像girl以及压缩降质图的性能
表4 GA-ELM和ELM在不同激励函数下的最优情况
表5 不同方法关于立体图像质量评价的识别率。
Claims (1)
1.一种用于立体图像质量客观评价的极端学习机,其建立包括以下步骤:
步骤(1)、通过主观测试获取评价数据样本,选取训练图像样本;
步骤(2)、对步骤(1)中选取好的训练样本采用PCA进行特征提取和降维,将原始训练图像样本转化为矩阵变量,每幅立体图像都有相应的主观评价分数为其命名,产生traindata和trainlabel文件,traindata文件为代表原始图像的矩阵变量,trainlabel文件为每幅图像主观评价分数所组成的矩阵变量,代表每幅图实际的主观评价分数,降维过程中的初始输入为traindata矩阵,它是样本数据矩阵X的实际矩阵参数,对样本数据矩阵X作中心化处理,计算样本的协方差矩阵Rx,计算协方差矩阵Rx的特征值和特征向量,确定主分量数,将各个样本数据xi投影到选择的特征向量所组成的有效子空间中得到投影系数,归一化后生成降维后的矩阵变量traindata2;
步骤(3)、建立极端学习机ELM网络,将经过步骤(2)得到的训练样本的投影系数输入到ELM网络,网络的输入端为矩阵变量traindata2,输出端为矩阵变量trainlabel,待隐藏层输入权值和阈值优化后,建立原始图像和主观评价值之间的关系,得到ELM网络结构;通过遗传算法GA对极端学习机ELM的隐藏层权值和阈值进行优化,优化过程如下:
①进行种群初始化:对种群个体编码采用实数编码,种群个体包含极端学习机ELM的网络结构的所有权重与阈值,当网络结构确定时,可以构建一个由网络结构、权值以及阈值确定的极端学习机网络。
②适应度函数计算:选择训练样本的数据误差绝对值之和作为种群个体适应度;
③计算种群中所有个体的适应度之和,计算种群中每个个体的相对适应度,并把它作为这个个体被选择作为父代繁衍子孙的概率;
④利用轮盘赌法,生成一个随机数t,t∈(0,1),并以此值作为各个种群个体被选择的次数,适应度大的个体,被选中的概率越大,其基因就会在种群中不断扩大;
⑤利用交叉操作对于极端学习机网络的权重a和阈值b的优化,交叉操作选择算术交叉算子,同时根据计算得到的概率重组一对个体继而得到新的个体;
⑥执行变异操作,若未达到设定的迭代终止条件,则返回步骤②,若达到则结束整个迭代过程,完成ELM网络结构的优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510232530.3A CN104866864A (zh) | 2015-05-07 | 2015-05-07 | 一种用于立体图像质量客观评价的极端学习机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510232530.3A CN104866864A (zh) | 2015-05-07 | 2015-05-07 | 一种用于立体图像质量客观评价的极端学习机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104866864A true CN104866864A (zh) | 2015-08-26 |
Family
ID=53912685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510232530.3A Pending CN104866864A (zh) | 2015-05-07 | 2015-05-07 | 一种用于立体图像质量客观评价的极端学习机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104866864A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384364A (zh) * | 2016-08-31 | 2017-02-08 | 天津大学 | 一种基于lpp‑elm的立体图像质量客观评价方法 |
CN106448096A (zh) * | 2016-11-24 | 2017-02-22 | 青岛科技大学 | 一种基于维度压缩和正态转换的报警阈值优化方法 |
CN107067388A (zh) * | 2016-08-31 | 2017-08-18 | 天津大学 | 一种基于ga‑elm的立体图像质量客观评价方法 |
CN107392235A (zh) * | 2017-07-06 | 2017-11-24 | 西华大学 | 一种基于ga‑elm的接触网设备分类方法 |
CN107609493A (zh) * | 2017-08-25 | 2018-01-19 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
CN107679543A (zh) * | 2017-02-22 | 2018-02-09 | 天津大学 | 稀疏自动编码器与极限学习机立体图像质量评价方法 |
CN111458029A (zh) * | 2020-03-03 | 2020-07-28 | 东莞职业技术学院 | 基于自联想神经网络的可见光mimo通信系统颜色检测方法 |
CN112292711A (zh) * | 2018-05-03 | 2021-01-29 | 祖克斯有限公司 | 关联lidar数据和图像数据 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982535A (zh) * | 2012-11-02 | 2013-03-20 | 天津大学 | 基于psnr和ssim的立体图像质量评价方法 |
-
2015
- 2015-05-07 CN CN201510232530.3A patent/CN104866864A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982535A (zh) * | 2012-11-02 | 2013-03-20 | 天津大学 | 基于psnr和ssim的立体图像质量评价方法 |
Non-Patent Citations (3)
Title |
---|
吴限光等: "《基于遗传神经网络的立体图像的客观评价》", 《信息技术》 * |
张尤赛等: "《基于视觉敏感度的JPEG图像质量评价》", 《计算机工程》 * |
王光华等: "《极端学习机在立体图像质量客观评价中的应用》", 《光电子 激光》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384364A (zh) * | 2016-08-31 | 2017-02-08 | 天津大学 | 一种基于lpp‑elm的立体图像质量客观评价方法 |
CN107067388A (zh) * | 2016-08-31 | 2017-08-18 | 天津大学 | 一种基于ga‑elm的立体图像质量客观评价方法 |
CN106448096A (zh) * | 2016-11-24 | 2017-02-22 | 青岛科技大学 | 一种基于维度压缩和正态转换的报警阈值优化方法 |
CN107679543A (zh) * | 2017-02-22 | 2018-02-09 | 天津大学 | 稀疏自动编码器与极限学习机立体图像质量评价方法 |
CN107392235A (zh) * | 2017-07-06 | 2017-11-24 | 西华大学 | 一种基于ga‑elm的接触网设备分类方法 |
CN107609493A (zh) * | 2017-08-25 | 2018-01-19 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
CN107609493B (zh) * | 2017-08-25 | 2021-04-13 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
CN112292711A (zh) * | 2018-05-03 | 2021-01-29 | 祖克斯有限公司 | 关联lidar数据和图像数据 |
US11816852B2 (en) | 2018-05-03 | 2023-11-14 | Zoox, Inc. | Associating LIDAR data and image data |
CN112292711B (zh) * | 2018-05-03 | 2024-04-09 | 祖克斯有限公司 | 关联lidar数据和图像数据 |
CN111458029A (zh) * | 2020-03-03 | 2020-07-28 | 东莞职业技术学院 | 基于自联想神经网络的可见光mimo通信系统颜色检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104867138A (zh) | 基于pca和ga-elm的立体图像质量客观评价方法 | |
CN104866864A (zh) | 一种用于立体图像质量客观评价的极端学习机 | |
CN106462771A (zh) | 一种3d图像的显著性检测方法 | |
CN110555434B (zh) | 一种局部对比和全局指导的立体图像视觉显著性检测方法 | |
CN107085716A (zh) | 基于多任务生成对抗网络的跨视角步态识别方法 | |
CN107633513A (zh) | 基于深度学习的3d图像质量的度量方法 | |
CN108765414B (zh) | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 | |
CN110211045A (zh) | 基于srgan网络的超分辨率人脸图像重建方法 | |
CN110060236B (zh) | 基于深度卷积神经网络的立体图像质量评价方法 | |
CN109272499A (zh) | 基于卷积自编码网络的无参考图像质量评价方法 | |
CN109360178A (zh) | 基于融合图像的无参考立体图像质量评价方法 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
Yue et al. | Blind stereoscopic 3D image quality assessment via analysis of naturalness, structure, and binocular asymmetry | |
CN111563418A (zh) | 一种基于注意力机制的非对称多模态融合显著性检测方法 | |
CN108235003B (zh) | 基于3d卷积神经网络的立体视频质量评价方法 | |
CN105338343A (zh) | 一种基于双目感知的无参考立体图像质量评价方法 | |
CN107396095A (zh) | 一种无参考三维图像质量评价方法 | |
CN113782190B (zh) | 基于多级时空特征和混合注意力网络的图像处理方法 | |
CN108259893B (zh) | 基于双流卷积神经网络的虚拟现实视频质量评价方法 | |
CN109523513A (zh) | 基于稀疏重建彩色融合图像的立体图像质量评价方法 | |
CN109191460A (zh) | 一种对于色调映射图像的质量评价方法 | |
CN107067388A (zh) | 一种基于ga‑elm的立体图像质量客观评价方法 | |
CN104881684A (zh) | 一种立体图像质量客观评价方法 | |
CN105049838A (zh) | 一种用于压缩立体视频质量的客观评价方法 | |
CN109510981A (zh) | 一种基于多尺度dct变换的立体图像舒适度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150826 |