CN104902267B - 一种基于梯度信息的无参考图像质量评价方法 - Google Patents
一种基于梯度信息的无参考图像质量评价方法 Download PDFInfo
- Publication number
- CN104902267B CN104902267B CN201510309633.5A CN201510309633A CN104902267B CN 104902267 B CN104902267 B CN 104902267B CN 201510309633 A CN201510309633 A CN 201510309633A CN 104902267 B CN104902267 B CN 104902267B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- pixel value
- pixel
- lbp
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于梯度信息的无参考图像质量评价方法，其通过深入挖掘人眼视觉对图像结构的感知特性，对失真图像实施梯度滤波，得到梯度信息的幅值图像和相位图像；接着对上述二幅图像分别进行局部二值化模式操作，得到各自的局部二值化模式特征图像；然后求取幅值图像和相位图像中像素值为不同值的所有像素点的条件概率特征；最后根据条件概率特征，采用支持向量回归预测待评价的失真图像的客观质量评价预测值；优点是由于充分考虑到了梯度结构改变对视觉质量的影响，因此得到的客观质量评价预测值能够准确地反映人眼视觉主观感知质量，能够有效地提高客观评价结果与主观感知之间的相关性。
Description
技术领域
本发明涉及一种图像质量评价方法，尤其是涉及一种基于梯度信息的无参考图像质量评价方法。
背景技术
图像质量是评价图像处理系统及算法优劣的主要性能指标。图像质量评价方法可以分为两类：主观评价方法和客观评价方法。前者是由观察者对图像质量进行评分，得到平均评价分用以衡量图像质量；后者利用数学模型计算图像质量。主观评价方法的实验结果比较可靠，但费时费力。客观评价方法又可分为三类：全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法，当前研究最多的是全参考图像质量评价方法，但是该类方法要求评价时必须要有原始参考图像进行比较，且参考图像须是清晰质量较好的，而在一些实际应用场景中无法获得参考图像，这就制约了该类方法的使用。无参考图像质量评价方法不需要原始参考图像，只需待测图像就可以进行评价，可以适应较多的应用场合。因此无参考图像质量评价方法的研究更具实用价值。
发明内容
本发明所要解决的技术问题是提供一种基于梯度信息的无参考图像质量评价方法，其能够充分考虑到梯度结构改变对视觉质量的影响，从而能够提高客观评价结果与主观感知之间的相关性。
本发明解决上述技术问题所采用的技术方案为：一种基于梯度信息的无参考图像质量评价方法，其特征在于包括以下步骤：
①令{Id(i,j)}表示待评价的失真图像，其中，1≤i≤W,1≤j≤H，W表示{Id(i,j)}的宽度，H表示{Id(i,j)}的高度，Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值；
②对{Id(i,j)}实施梯度滤波，得到{Id(i,j)}的梯度信息的幅值图像和{Id(i,j)}的梯度信息的相位图像，对应记为{Md(i,j)}和其中，Md(i,j)表示{Md(i,j)}中坐标位置为(i,j)的像素点的像素值，表示中坐标位置为(i,j)的像素点的像素值；
③采用局部二值化模式操作对{Md(i,j)}进行处理，得到{Md(i,j)}的局部二值化模式特征图像，记为{LBPM(i,j)}；同样，采用局部二值化模式操作对进行处理，得到的局部二值化模式特征图像，记为其中，LBPM(i,j)表示{LBPM(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPM(i,j)∈[0,P+1]，表示中坐标位置为(i,j)的像素点的像素值，P表示局部二值化模式操作中的领域参数；
④获取{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点与中像素值为0至P+1中的每个值的所有像素点的联合概率函数值，将{LBPM(i,j)}中像素值为m的所有像素点与中像素值为n的所有像素点的联合概率函数值记为 其中，m＝0,1,...,P,P+1，n＝0,1,...,P,P+1，Pc()为联合概率函数；
⑤计算{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将{LBPM(i,j)}中像素值为m的所有像素点的条件概率特征记为QM(LBPM(i,j)＝＝m)，并计算中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将中像素值为n的所有像素点的条件概率特征记为 其中，m＝0,1,...,P,P+1，n＝0,1,...,P,P+1；
⑥采用n”幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图像集合，该失真图像集合包括多幅失真图像；然后利用主观质量评价方法评价出该失真图像集合中的每幅失真图像的主观评分，将该失真图像集合中的第x幅失真图像的主观评分记为DMOSx；再按照步骤①至步骤⑤的操作，以相同的方式获取该失真图像集合中的每幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、每幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为m的所有像素点的条件概率特征记为QM,x(LBPM,x(i,j)＝＝m)，将该失真图像集合中的第x幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为n的所有像素点的条件概率特征记为其中，n”>1，x的初始值为1，1≤x≤X，X表示该失真图像集合中包含的失真图像的总幅数，0≤DMOSx≤100，m＝0,1,...,P,P+1，n＝0,1,...,P,P+1，LBPM,x(i,j)表示该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像{LBPM,x(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPM,x(i,j)∈[0,P+1]，表示该失真图像集合中的第x幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中坐标位置为(i,j)的像素点的像素值，
⑦将该失真图像集合作为训练集；然后利用支持向量回归对训练集中的所有失真图像各自的主观评分及各自的梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、各自的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征进行测试，预测得到{Id(i,j)}的客观质量评价预测值，记为Q，Q＝f(y)，其中，Q是y的函数，f()为函数表示形式，y为输入，y表示{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征，(Wopt)T为Wopt的转置矢量，为y的线性函数。
所述的步骤②中采用高斯导数函数作为梯度算子的梯度滤波器对{Id(i,j)}实施梯度滤波。
所述的步骤③中局部二值化模式操作中的领域参数P取值为8。
与现有技术相比，本发明的优点在于：通过深入挖掘人眼视觉对图像结构的感知特性，对失真图像实施梯度滤波，得到梯度信息的幅值图像和相位图像；接着对上述二幅图像分别进行局部二值化模式(Local Binary Pattern)操作，得到各自的局部二值化模式特征图像；然后求取幅值图像和相位图像中像素值为不同值的所有像素点的条件概率特征；最后根据条件概率特征，采用支持向量回归预测待评价的失真图像的客观质量评价预测值，由于充分考虑到了梯度结构改变对视觉质量的影响，因此得到的客观质量评价预测值能够准确地反映人眼视觉主观感知质量，即能够有效地提高客观评价结果与主观感知之间的相关性。
附图说明
图1为本发明方法的总体实现框图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于梯度信息的无参考图像质量评价方法，其总体实现框图如图1所示，其处理过程为：首先，对失真图像实施梯度滤波，得到梯度信息的幅值图像和相位图像；接着对上述二幅图像分别进行局部二值化模式(Local Binary Pattern)操作，得到各自的局部二值化模式特征图像；然后求取幅值图像和相位图像中像素值为不同值的所有像素点的条件概率特征；最后根据条件概率特征，采用支持向量回归预测待评价的失真图像的客观质量评价预测值。
本发明的无参考图像质量评价方法包括以下步骤：
①令{Id(i,j)}表示待评价的失真图像，其中，1≤i≤W,1≤j≤H，W表示{Id(i,j)}的宽度，H表示{Id(i,j)}的高度，Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值。
②对{Id(i,j)}实施梯度滤波，得到{Id(i,j)}的梯度信息的幅值图像和{Id(i,j)}的梯度信息的相位图像，对应记为{Md(i,j)}和其中，Md(i,j)表示{Md(i,j)}中坐标位置为(i,j)的像素点的像素值，表示中坐标位置为(i,j)的像素点的像素值。
在本实施例中，梯度滤波的方法采用现有的高斯导数函数(Gaussian derivativefunction)作为梯度算子的梯度滤波器。
③采用现有的局部二值化模式操作对{Md(i,j)}进行处理，得到{Md(i,j)}的局部二值化模式特征图像，记为{LBPM(i,j)}；同样，采用现有的局部二值化模式操作对进行处理，得到的局部二值化模式特征图像，记为其中，LBPM(i,j)表示{LBPM(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPM(i,j)∈[0,P+1]，表示中坐标位置为(i,j)的像素点的像素值，P表示局部二值化模式操作中的领域参数。
在本实施例中，局部二值化模式操作中的领域参数P取值为8，局部半径参数R取值为1。
④获取{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点与中像素值为0至P+1中的每个值的所有像素点的联合概率函数值，将{LBPM(i,j)}中像素值为m的所有像素点与中像素值为n的所有像素点的联合概率函数值记为 其中，m＝0,1,...,P,P+1，n＝0,1,...,P,P+1，Pc()为联合概率函数，联合概率函数为现有函数。
⑤计算{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将{LBPM(i,j)}中像素值为m的所有像素点的条件概率特征记为QM(LBPM(i,j)＝＝m)，并计算中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将中像素值为n的所有像素点的条件概率特征记为 其中，m＝0,1,...,P,P+1，n＝0,1,...,P,P+1。
⑥采用n”幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图像集合，该失真图像集合包括多幅失真图像；然后利用现有的主观质量评价方法评价出该失真图像集合中的每幅失真图像的主观评分，将该失真图像集合中的第x幅失真图像的主观评分记为DMOSx；再按照步骤①至步骤⑤的操作，以相同的方式获取该失真图像集合中的每幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、每幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为m的所有像素点的条件概率特征记为QM,x(LBPM,x(i,j)＝＝m)，将该失真图像集合中的第x幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为n的所有像素点的条件概率特征记为其中，n”>1，如取n”＝3，x的初始值为1，1≤x≤X，X表示该失真图像集合中包含的失真图像的总幅数，在本实施例中X≥5，0≤DMOSx≤100，m＝0,1,...,P,P+1，n＝0,1,...,P,P+1，LBPM,x(i,j)表示该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像{LBPM,x(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPM,x(i,j)∈[0,P+1]，表示该失真图像集合中的第x幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中坐标位置为(i,j)的像素点的像素值，
⑦支持向量回归(Support Vector Regression，SVR)是基于结构风险最小化准则的新型机器学习方法和统计学理论，其可以有效地抑制过拟合问题，因此本发明将该失真图像集合作为训练集；然后利用支持向量回归对训练集中的所有失真图像各自的主观评分及各自的梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、各自的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征进行测试，预测得到{Id(i,j)}的客观质量评价预测值，记为Q，Q＝f(y)，其中，Q是y的函数，f()为函数表示形式，y为输入，y表示{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征，(Wopt)T为Wopt的转置矢量，为y的线性函数。
为了进一步验证本发明方法的可行性和有效性，进行实验。
在此，采用LIVE图像库来分析利用本发明方法得到的失真图像的客观质量评价预测值与平均主观评分差值之间的相关性。这里，利用评估图像质量评价方法的3个常用客观参量作为评价指标，即非线性回归条件下的Pearson相关系数(Pearson linearcorrelation coefficient，PLCC)、Spearman相关系数(Spearman rank ordercorrelation coefficient，SROCC)、均方误差(root mean squared error，RMSE)，PLCC和RMSE反映失真图像的客观评价结果的准确性，SROCC反映其单调性。
利用本发明方法计算LIVE图像库中的每幅失真图像的客观质量评价预测值，再利用现有的主观评价方法获得LIVE图像库中的每幅失真图像的平均主观评分差值。将按本发明方法计算得到的失真图像的客观质量评价预测值做五参数Logistic函数非线性拟合，PLCC和SROCC值越高，RMSE值越低说明按本发明方法计算得到的失真图像的客观质量评价预测值与平均主观评分差值之间的相关性越好。反映本发明方法的质量评价性能的PLCC、SROCC和RMSE相关系数如表1所列。从表1所列的数据可知，按本发明方法得到的失真图像的最终的客观质量评价预测值与平均主观评分差值之间的相关性是很好的，表明客观评价结果与人眼主观感知的结果较为一致，足以说明本发明方法的可行性和有效性。
表1 利用本发明方法得到的失真图像的客观质量评价预测值与平均主观评分差值之间的相关性
Claims (3)
1.一种基于梯度信息的无参考图像质量评价方法，其特征在于包括以下步骤：
①令{Id(i,j)}表示待评价的失真图像，其中，1≤i≤W,1≤j≤H，W表示{Id(i,j)}的宽度，H表示{Id(i,j)}的高度，Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值；
②对{Id(i,j)}实施梯度滤波，得到{Id(i,j)}的梯度信息的幅值图像和{Id(i,j)}的梯度信息的相位图像，对应记为{Md(i,j)}和其中，Md(i,j)表示{Md(i,j)}中坐标位置为(i,j)的像素点的像素值，表示中坐标位置为(i,j)的像素点的像素值；
③采用局部二值化模式操作对{Md(i,j)}进行处理，得到{Md(i,j)}的局部二值化模式特征图像，记为{LBPM(i,j)}；同样，采用局部二值化模式操作对进行处理，得到的局部二值化模式特征图像，记为其中，LBPM(i,j)表示{LBPM(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPM(i,j)∈[0,P+1]，表示中坐标位置为(i,j)的像素点的像素值，P表示局部二值化模式操作中的领域参数；
④获取{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点与中像素值为0至P+1中的每个值的所有像素点的联合概率函数值，将{LBPM(i,j)}中像素值为m的所有像素点与中像素值为n的所有像素点的联合概率函数值记为 其中，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1，Pc()为联合概率函数；
⑤计算{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将{LBPM(i,j)}中像素值为m的所有像素点的条件概率特征记为QM(LBPM(i,j)＝＝m)，并计算中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将中像素值为n的所有像素点的条件概率特征记为其中，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1；
⑥采用n”幅原始的无失真的图像，建立其在不同失真类型不同失真程度下的失真图像集合，该失真图像集合包括多幅失真图像；然后利用主观质量评价方法评价出该失真图像集合中的每幅失真图像的主观评分，将该失真图像集合中的第x幅失真图像的主观评分记为DMOSx；再按照步骤①至步骤⑤的操作，以相同的方式获取该失真图像集合中的每幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、每幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征，将该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像中像素值为m的所有像素点的条件概率特征记为QM,x(LBPM,x(i,j)＝＝m)，将该失真图像集合中的第x幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中像素值为n的所有像素点的条件概率特征记为其中，n”>1，x的初始值为1，1≤x≤X，X表示该失真图像集合中包含的失真图像的总幅数，0≤DMOSx≤100，m＝0,1,…,P,P+1，n＝0,1,…,P,P+1，LBPM,x(i,j)表示该失真图像集合中的第x幅失真图像的梯度信息的幅值图像的局部二值化模式特征图像{LBPM,x(i,j)}中坐标位置为(i,j)的像素点的像素值，LBPM,x(i,j)∈[0,P+1]，表示该失真图像集合中的第x幅失真图像的梯度信息的相位图像的局部二值化模式特征图像中坐标位置为(i,j)的像素点的像素值，
⑦将该失真图像集合作为训练集；然后利用支持向量回归对训练集中的所有失真图像各自的主观评分及各自的梯度信息的幅值图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征、各自的梯度信息的相位图像的局部二值化模式特征图像中像素值为0至P+1中的每个值的所有像素点的条件概率特征进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征进行测试，预测得到{Id(i,j)}的客观质量评价预测值，记为Q，Q＝f(y)，其中，Q是y的函数，f()为函数表示形式，y为输入，y表示{LBPM(i,j)}中像素值为0至P+1中的每个值的所有像素点的条件概率特征和中像素值为0至P+1中的每个值的所有像素点的条件概率特征，(Wopt)T为Wopt的转置矢量，为y的线性函数。
2.根据权利要求1所述的一种基于梯度信息的无参考图像质量评价方法，其特征在于所述的步骤②中采用高斯导数函数作为梯度算子的梯度滤波器对{Id(i,j)}实施梯度滤波。
3.根据权利要求1或2所述的一种基于梯度信息的无参考图像质量评价方法，其特征在于所述的步骤③中局部二值化模式操作中的领域参数P取值为8。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510309633.5A CN104902267B (zh) | 2015-06-08 | 2015-06-08 | 一种基于梯度信息的无参考图像质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510309633.5A CN104902267B (zh) | 2015-06-08 | 2015-06-08 | 一种基于梯度信息的无参考图像质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104902267A CN104902267A (zh) | 2015-09-09 |
| CN104902267B true CN104902267B (zh) | 2017-02-01 |
Family
ID=54034627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510309633.5A Active CN104902267B (zh) | 2015-06-08 | 2015-06-08 | 一种基于梯度信息的无参考图像质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104902267B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488792B (zh) * | 2015-11-26 | 2017-11-28 | 浙江科技学院 | 基于字典学习和机器学习的无参考立体图像质量评价方法 |
| CN105357519B (zh) * | 2015-12-02 | 2017-05-24 | 浙江科技学院 | 基于自相似度特征的无参考立体图像质量客观评价方法 |
| CN105574901B (zh) * | 2016-01-18 | 2018-10-16 | 浙江科技学院 | 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 |
| CN105894506B (zh) * | 2016-03-30 | 2018-04-06 | 深圳云天励飞技术有限公司 | 一种人脸图像模糊度计算方法及装置 |
| CN106355195B (zh) * | 2016-08-22 | 2021-04-23 | 中国科学院深圳先进技术研究院 | 用于测量图像清晰度值的系统及其方法 |
| CN106408561A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 一种基于图像纹理特征的无参考图像质量评价方法 |
| CN106548472A (zh) * | 2016-11-03 | 2017-03-29 | 天津大学 | 基于沃尔什哈达玛变换的无参考图像质量评价方法 |
| CN107146216A (zh) * | 2017-04-07 | 2017-09-08 | 浙江科技学院 | 一种基于梯度自相似度的无参考图像客观质量评价方法 |
| CN107274388A (zh) * | 2017-05-22 | 2017-10-20 | 浙江科技学院 | 一种基于全局信息的无参考屏幕图像质量评价方法 |
| CN107609492B (zh) * | 2017-08-25 | 2019-06-21 | 西安电子科技大学 | 基于脑电信号的失真图像质量感知评价方法 |
| CN109685757B (zh) * | 2017-10-18 | 2021-04-02 | 航天信息股份有限公司 | 一种基于灰度差分统计的无参考图像质量评价方法及系统 |
| CN108681684B (zh) * | 2018-04-16 | 2021-02-02 | 佛山市顺德区中山大学研究院 | 一种二维条码图像无参考质量评价方法及其装置、系统 |
| CN109598707B (zh) * | 2018-11-26 | 2020-07-17 | 浙江科技学院 | 一种基于特征信息处理的全参考图像质量客观评价方法 |
| CN110473189B (zh) * | 2019-08-02 | 2024-01-23 | 深圳市粤智康科技有限公司 | 一种文本图像清晰度判断方法及系统 |
| CN112712550A (zh) * | 2019-10-24 | 2021-04-27 | 马上消费金融股份有限公司 | 一种图像质量评价方法及装置 |
| CN115205188A (zh) * | 2021-04-13 | 2022-10-18 | 腾讯科技（深圳）有限公司 | 基于逼近值评估图像视频质量的方法和相关装置 |
| CN113160088B (zh) * | 2021-04-30 | 2022-08-12 | 河南大学 | 一种基于Sobel算子及图像熵的散斑干涉相位图滤波评价方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102075786B (zh) * | 2011-01-19 | 2012-10-24 | 宁波大学 | 一种图像客观质量评价方法 |
| CN103581661B (zh) * | 2013-10-28 | 2015-06-03 | 宁波大学 | 一种立体图像视觉舒适度评价方法 |
| CN104023230B (zh) * | 2014-06-23 | 2016-04-13 | 北京理工大学 | 一种基于梯度关联性的无参考图像质量评价方法 |
| CN104243976B (zh) * | 2014-09-23 | 2016-04-20 | 浙江科技学院 | 一种立体图像客观质量评价方法 |
| CN104658002B (zh) * | 2015-03-10 | 2017-03-22 | 浙江科技学院 | 一种无参考图像客观质量评价方法 |
-
2015
- 2015-06-08 CN CN201510309633.5A patent/CN104902267B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104902267A (zh) | 2015-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104902267B (zh) | 一种基于梯度信息的无参考图像质量评价方法 | |
| CN104658002B (zh) | 一种无参考图像客观质量评价方法 | |
| Saad et al. | A DCT statistics-based blind image quality index | |
| CN108428227A (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
| CN104658001B (zh) | 一种无参考非对称失真立体图像客观质量评价方法 | |
| CN105357519B (zh) | 基于自相似度特征的无参考立体图像质量客观评价方法 | |
| 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 | |
| CN110070539A (zh) | 基于信息熵的图像质量评价方法 | |
| CN105979253A (zh) | 基于广义回归神经网络的无参考立体图像质量评价方法 | |
| 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 | |
| CN104202594B (zh) | 一种基于三维小波变换的视频质量评价方法 | |
| CN104902268B (zh) | 基于局部三元模式的无参考立体图像客观质量评价方法 | |
| CN104036493B (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
| CN102547368A (zh) | 一种立体图像质量客观评价方法 | |
| CN106791822B (zh) | 一种基于单双目特征学习的无参考立体图像质量评价方法 | |
| CN105282543A (zh) | 一种基于立体视觉感知的全盲立体图像质量客观评价方法 | |
| CN104954778A (zh) | 一种基于感知特征集的立体图像质量客观评价方法 | |
| CN103945217A (zh) | 基于熵的复小波域半盲图像质量评测方法和系统 | |
| CN107146216A (zh) | 一种基于梯度自相似度的无参考图像客观质量评价方法 | |
| CN114598864A (zh) | 一种基于深度学习的全参考超高清视频质量客观评价方法 | |
| CN106683079B (zh) | 一种基于结构失真的无参考图像客观质量评价方法 | |
| 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 | |
| CN106023152A (zh) | 一种无参考立体图像质量客观评价方法 | |
| CN107274388A (zh) | 一种基于全局信息的无参考屏幕图像质量评价方法 | |
| CN106960432B (zh) | 一种无参考立体图像质量评价方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210714 Address after: No.1063, building 13, industrial zone, Wuhan, Hubei 430000 Patentee after: Wuhan Tuozhijia Information Technology Co.,Ltd. Address before: 310023 No. 318 stay Road, Xihu District, Zhejiang, Hangzhou Patentee before: ZHEJIANG University OF SCIENCE AND TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211126 Address after: 314500 02, No. 4, South Zaoqiang street, No. 1, Nanmen Gongnong Road, Chongfu Town, Tongxiang City, Jiaxing City, Zhejiang Province Patentee after: Jiaxing Zhixu Information Technology Co.,Ltd. Address before: No.1063, building 13, industrial zone, Wuhan, Hubei 430000 Patentee before: Wuhan Tuozhijia Information Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220708 Address after: 518000 6-06, floor 6, building 1, Wanshan jewelry Park, No. 42, Tianbei Fourth Road, cuijin community, Cuizhu street, Luohu District, Shenzhen, Guangdong Province Patentee after: INTERNATIONAL TESTING CENTER IN SHENZHEN Co.,Ltd. Address before: 314500 02, No. 4, South Zaoqiang street, No. 1, Nanmen Gongnong Road, Chongfu Town, Tongxiang City, Jiaxing City, Zhejiang Province Patentee before: Jiaxing Zhixu Information Technology Co.,Ltd. |