CN105825500B - 一种对相机图像质量的评价方法与装置 - Google Patents
一种对相机图像质量的评价方法与装置 Download PDFInfo
- Publication number
- CN105825500B CN105825500B CN201610136249.4A CN201610136249A CN105825500B CN 105825500 B CN105825500 B CN 105825500B CN 201610136249 A CN201610136249 A CN 201610136249A CN 105825500 B CN105825500 B CN 105825500B
- Authority
- CN
- China
- Prior art keywords
- image
- group
- features
- camera image
- quality
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种对相机图像质量的评价方法与装置,属于图像质量评价技术领域。本方法利用自然场景统计模型和局部清晰度特性,有三组特征组成。第一组特征利用自由能和结构退化模型之间存在线性关系提取4个特征,第二组特征利用自然图像的统计特征,利用广义高斯分布衡量失真图像与自然场景统计模型的偏差来提取4个特征,第三组特征利用离散小波分解提取3个特征来衡量图像的清晰度。前两组特征都是衡量图像的自然性,但侧重点不一样,第一组特征考虑局部自回归,第二组特征考虑全局直方图统计。最后,评价算法的结果是通过支持向量机的机器学习工具来得出相机图像的质量分数。根据质量分数评价相机图像的质量。
Description
技术领域
本发明涉及一种对相机图像质量的评价方法与装置,特别涉及一种基于自然场景统计和清晰度的相机图像质量评价方法和装置。
背景技术
随着移动设备和网络的飞速发展,每时每刻都有海量的图像呈现给用户,由于设备拍摄本身的问题,图像处理以及传输过程,图像不可避免的会出现失真和降质,如何评价和控制这些数字图像的质量变得尤为重要。
在过去的几年中,图像质量评价成为一个广泛而基本的问题,出现了许多客观评价算法能够准确的评价失真图像的质量。如果失真图像对应的无失真原始图像是存在的,评价算法可以通过这两幅图像对比得出失真图像质量,那这种图像质量评价算法就称为全参考的图像质量评价算法。但在大多数情况下,只有失真的图像,这类图像质量评价算法称为无参考的图像质量评价算法。当前无参考的图像质量评价算法根据先验知识或失真类型又可分为通用型无参考的图像质量评价算法和特定失真类型的盲图像质量评价算法。典型的特定失真类型的盲图像质量评价算法有针对振铃效应,块效应,噪声,清晰度/模糊等等。Ferzli等人提出了一种利用恰好感知模糊和概率求和模型对模糊失真图像的质量进行评价,该算法称为just-noticeable blur metric。受JNBM算法的启发,narvekar等人提出了利用局部模糊的累积概率来评价失真图像。在文献:C.T.Vu,T.D.Phan,and D.M.Chandler,“S3:A spectral and spatial measure of local perceived sharpness in naturalimages,”IEEE Trans.Image Process.,vol.21,no.3,pp:934-945,May.2012,作者利用振幅谱的斜率和空间域的变化得到清晰度的映射图,用此来评价失真图像。随后,Vu等人提出利用小波变换的高频子带的能量来评价失真图像的局部和全局的清晰度。最近,有很多算法尝试对真实相机的图像进行评价。Nuutinen等人在文献:M.Nutinen,T.Virtanen,andP.Oittinen."Features for predicting quality ofimages captured by digitalcameras,"in Proc.IEEE Int.Symp.Multimedia.试图寻找有效的特征集来预测真实照片的质量。在文献:M.A.Saad,P.Corriveau,and R.Jaladi."Objective consumer devicephoto quality evaluation,"IEEE Signal Process.Lett.,vol.22,no.10,PP.1516-1520,Oct.2015.,作者提出了一种方法,利用自然场景统计模型NSS,并结合消费者的使用提取特征,对真实的消费型图像的质量进行评价。文献:M.A.Saad,P.Corriveau,andR.Jaladi."Consumer content framework for blind photo quality evaluation,"Ninth International Workshop on Video Processing and Quality Metrics forConsumer Electronics针对消费型图像提出了一个盲图像质量评价的框架。
近年来,通用型的无参考图像质量评价是当前的研究热点。在文献:A.K.Moorthyand A.C.Bovik,``A two-step framework for constructing blind image qualityindices,”IEEE Signal Process.Lett.,vol.17,no.5,pp.513-516,May.2010,作者提出了一种基于自然场景统计(NSS)的两步框架来评价失真图像的质量,其中第一步是估计图像失真类型,第二步是通过这些失真类型来评价失真图像的质量。自然图像质量评估算法是从统计规律的角度计算失真图像与观察到的无失真的自然图像的偏差来预测失真图像质量。研究人员还受到其它一些统计规律的启发开发出一些质量评价算法。Saad等人在文献M.A.Saad and A.C.Bovik,``Blind image quality assessment:A natural scenestatistics approach in the DCT domain,”IEEE Trans.Image Process.,vol.21,no.8,pp.3339-3352,Aug.2012.利用离散余弦变换系数提取特征,然后用简单的贝叶斯推理方法预测图像质量。
文献提出A.Mittal,A.K.Moorthy,and A.C.Bovik,``No-reference imagequality assessment in the spatial domain,”IEEE Trans.Image Process.,vol.21,no.12,pp.4695-4708,Dec.2012利用场景统计局部归一化亮度系数来衡量失真图像可能损失的“自然”性,给出失真图像的整体评价。
以上算法在通用图像质量评价数据库如LIVE数据库、CSIQ数据库等表现良好,但对真实的相机图像的质量评价结果不理想。原因是通用图像质量评价数据库中图像的失真是一种失真,或者失真是计算机仿真出来的,而真实相机图像是同时包含多种失真,而且失真的类型是不可预知的。因此对相机图像的质量评价具有很大的挑战性。
发明内容
本发明的目的是针对上述问题,提出一种基于自然场景统计和清晰度的相机图像质量评价方法和装置,在没有参考图像的情况下对相机图像的质量进行评价,并且得出的相机图像评价分数与图像主观质量分数一致性程度很高,很准确地反映了相机图像的质量。
为实现上述目的,本发明提出一种相机图像质量评价方法,其特征在于,该方法包括:
从测试相机图像提取三组特征,利用脑神经科学理论-自由能原理提取和结构退化模型之间存在线性关系提取第一组的4个特征,利用广义高斯分布衡量失真图像与自然场景统计模型的的偏差来提取第二组的4个特征,再利用离散小波分解提取第三组3个特征来衡量图像的清晰度,利用支持向量机的机器学习工具来得出相机图像的质量分数;根据所述待评价相机图像的质量分数评价相机图像的质量。
作为优选,利用脑神经科学理论-自由能原理提取和结构退化模型之间存在线性关系提取第一组的4个特征的具体步骤包括:
内部生成模型G是有参数的,通过调整参数向量x来推断输入的感知信号;给定一个输入的视觉信号I,通过计算模型参数x的联合分布P(I,x)得出输入的视觉信号的差异性信息;联合分布函数可以计算如下:
-logp(I)=-log∫p(I,x)dx. (1)
通过添加一个辅助的后验分布模型的参数q(x|I)代到分子和分母中以偏于计算公式(1)中p(I,x),重写公式(1)得:
对公式(2)利用Jensen’s不等式,得出公式(3):
公式(3)右边部分定义为自由能:
公式(4)的自由能代表能量的最小熵。因此,对一幅图像的自由能描述可以表示为:
考虑到计算复杂度,利用AR模型作为内部生成模型,一幅图像I的k-阶AR模型开始表示为:
作为优选,失真图像的低通滤波版本和原始图像相比在空间频率域有减少;结构退化模型能够捕获失真图像与原始图像之间的相似性信息;根据结构相似性算法,二维循环对称高斯权函数能够满足总和为1方差为1.5;
图像I的结构退化信息S(I)可以表示为:
其中和分布代表图像I的均值和方差,C是一个小的常数避免公式分母趋于0时公式不稳定;对于质量差的噪声图像,结构退化信息与主观评价分数不同,结构退化信息能够准确描述不同失真类型的图像,将图像I的结构退化信息S(I)修改为:
其中,阈值T根据实验测试设为5。
作为优选,对LIVE图像库中的图像进行测试,得出自由能和结构退化模型之间存在线性定义,线性回归模型定义为:
其中Ir代表原始图像,由最小二乘法得出。
作为优选,第二组特征基于自然图像的归一化亮度的统计特性显现出高斯分布,当图像有失真时,这种统计特性被破坏,利用广义高斯分布函数来捕获失真图像的统计特性,广义高斯分布的概率密度函数定义为:
其中,表示均值,表示形状参数控制分布的形状,其中
函数Г(·)定义为:
利用零均值的广义高斯分布函数计算失真图像的偏离特性,其定义如下:
每一幅图像利用两组广义高斯分布参数来拟合减均值对比度归一化系数,一组参数拟合原始图像,一组参数是对图像低通下采样2的参数。
作为优选,第三组特征评价分块图像的清晰度,通过对图像进行离散小波变换,计算小波变换后子带的能量,公式为:
其中,Sxy代表SHH,SHL或者SLH,HH,HL和LH代表小波变换子带,M代表小波变换系数的总和。
一种该相机图像质量评价方法的装置,主体为图像质量评价单元,包括:第一组特征提取模块、第二组特征提取模块和第三组特征提取模块;
所述第一组特征提取模块,基于局部场景统计提取特征;
所述第二组特征提取模块,基于全局场景统计提取;
所述第三组特征提取模块,基于分块图像的清晰度评价提取特征。
作为优选,还包括训练模块,素数训练模块根据前三组特征,利用支持向量机进行训练,得出相机图像质量评价分数。
本发明的有益效果为:本技术方案与以往的一些通用型无参考质量评价算法相比,符合人类视觉感知系统从全局到局部抽取出全面的图像感知特征,与人的主观感受一致性更好。此方法在评价相机图像的质量上与主观质量评价更加契合,比以往的无参考图像质量评价方法更准确。
附图说明
图1是本发明提出的无参考相机图像质量评价方法流程图;
图2是本发明实施评价相机图像的装置方框图;
图3是自然图像的AR参数模型;
图4是CID2013图像数据库中474幅多失真图像的主观质量分数与客观质量分数(通用型无参考质量评价方法BRISQUE方法、BLIINDS-II算法、IL-NIQE算法和本发明方法)的非线性拟合图;
图5是CID2013图像数据库中474幅多失真图像的主观质量分数与客观质量分数(特定类型失真的无参考质量评价方法S3方法、BLUR算法、Arism算法和本发明方法)的非线性拟合图;
图6是CID2013图像数据库中474幅多失真图像的主观质量分数与客观质量分数(本发明所采用的三组特征单独的和全部三组特征)的非线性拟合图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了更好地验证本发明评价图像质量的准确性,将本发明方法与与其他通用型无参考图像评价算法和通用型图像清晰度评价算法在图像数据库上进行测试。本发明提出一种相机图像质量评价方法,如图1~3所示,该方法包括以下步骤:
将待评价的相机图像进行灰度化,利用线性自回归计算灰度化图像的自由能,AR参数的特征见图3;
利用结构退化模型,取三组参数1,3,5对待评价的图像进行计算,自由能与结构退化模型之间的线性关系,参数由最小二乘法得到,此三组结构退化模型和自由能之间的线性关系组成3个特征加上自由能本身1个特征构成算法的第一组特征;
利用广义高斯强度函数
来统计失真图像与自然场景统计模型之间的偏差,采用原始图像与下采样为2的图像,每幅图像对应广义高斯强度函数的均值和方差,共4个参数构成第二组的4个特征;
对输入图像进行一层离散小波变换,取其HH,HL和LH子带进行能量计算,构成第三组的3个特征来衡量图像的清晰度;
利用支持向量机对上述提取的3组特征进行训练,得到待评价图像的质量分数,所述待评价图像的质量分数来评价相机图像的质量。实验采用CID2013图像数据库,该图像库包含用79种不同的相机拍摄36个场景的474幅图像。CID2013图像数据库中的主观质量评价分数为DMOS。DMOS值越小,表示图像质量越好;DMOS值越大,代表图像质量越差。
利用场景统计局部归一化亮度系数来衡量失真图像可能损失的“自然”性,给出失真图像的整体评价,该方法记为BRISQUE;对图像进行离散余弦变换,对变换后的图像基于自然场景统计提取特征,然后利用贝叶斯定理得出图像的质量分数,记该方法为BLIINDS-II;从多个角度提取自然图像的统计特征,然后利用多元高斯模型学习自然原始图像的特征,最后利用Bhattacharyya系数衡量每个失真图像块的质量,每个图像块加权后得到整个图像的质量,该方法记为IL-NIQE。下面就把本发明方法与这三种通用型无参考图像质量评价方法在CID2013图像数据库做实验进行对比。
利用振幅谱的斜率和空间域的变化得到清晰度的映射图,用此来评价失真图像,该方法记为S3;首先检测提取图像边缘,然后计算边缘宽度,最后对所有局部模糊边缘宽度求平均得到图像质量评价分数,记这种无参考评价图像模糊失真的方法为Marziliano;利用自回归参数来计算图像局部的能量和对比度,最后利用百分制加权得到图像的整体清晰度分数,记该方法为Arism。下面就把本发明方法与这三种特定失真无参考图像质量评价方法在CID2013图像数据库做实验进行对比。
根据国际视频质量专家组的意见,图像客观质量评价分数与图像主观质量分数之间呈现非线性关系,所以本发明采用的下面Logistic非线性回归方程对主客观评价进行非线性回归,
其中,s代表客观质量评价分数,选择最优的τ1、τ2、τ3和τ4使得f(s)与主观质量评价分数的误差最小。用回归曲线与客观分的统计指标作为评价客观评价方法性能的指标,包括:1)皮尔森线性相关系数(Pearsonlinear correlation coefficient,PLCC),用于定量衡量评价算法的准确性;2)均方误差根(Root Mean Squared Error,RMSE)为非线性回归后的标准差,用于定量度量客观分数与主观分数的一致性程度;3)Spearman相关系数(Spearman Rank Order Correlation Coefficient,SROCC),用于衡量图像质量评价方法的单调性。4)Kendall相关系数(Kendall’s Rank Correlation Coefficient,KRCC),也用于衡量图像质量评价方法的单调性。
为了验证本发明算法中所用的三组特征的必要性,分别测试了每组特征在CID2013图像数据库的性能和本发明的三组组合特征在CID2013图像数据库的性能,并对性能进行比较。
表1给出了本发明方法与三种通用型无参考图像质量评价算法在CID2013图像数据库中的性能指标;表2给出了本发明方法与三种特定失真类型的通用型无参考图像质量评价算法在CID2013图像数据库中的性能指标;表3给出了每组特征在CID2013图像数据库的性能和本发明的三组组合特征在CID2013图像数据库的性能指标,其中PLCC,SRCC,KRCC数值越大,代表算法性能越好,RMSE数值越小性能越好。由表1和表2可以看出,本发明不论与通用型无参考图像质量评价方法比还是特定失真无参考图像质量评价方法比,在CID2013图像数据库中效果均为最好,而且本发明的PLCC、SRCC和KRCC值均明显高于其他方法,说明了本发明在评价图像质量上具有很高的准确性。由表3可以看出,本发明方法选取三组特征组合的必要性。图4为本发明方法与三种通用型无参考图像质量评价算法在CID2013图像数据库中的主客观质量分数的非线性拟合图。从图4可以看出,本发明方法获得的质量分数分布更加均匀,而且质量分数更加集中在拟合曲线附近,拟合特性最好。
图5为本发明方法与三种通用型无参考图像质量评价算法在CID2013图像数据库中的主客观质量分数的非线性拟合图。从图可以看出本发明方法相比其它三种特定失真图像质量评价方法获得的质量分数分布更加均匀,而且质量分数更加集中在拟合曲线附近,拟合特性最好。
图6为每组特征在CID2013图像数据库和本发明的三组组合特征在CID2013图像数据库中的主客观质量分数的非线性拟合图,从图6中可以看出,本发明方法所用的三组特征所获得的质量分数分布更加均匀,而且质量分数更加集中在拟合曲线附近,拟合特性最好,也说明本发明方法使用三组特征的必要性。
表1:通用无参考图像质量评价算法在CID2013图像数据库实验结果
表2:清晰度评价算法在CID2013图像数据库实验结果
表3:BQIC三组特征分别在CID2013图像数据库实验结果
评价指标 | BQIC1 | BQIC2 | BQIC3 | BQIC |
PLCC | 0.6603 | 0.6250 | 0.7490 | 0.8266 |
SRCC | 0.6625 | 0.6380 | 0.7296 | 0.8207 |
KRCC | 0.4756 | 0.4643 | 0.5378 | 0.6291 |
RMSE | 16.7224 | 17.674 | 15.0009 | 12.6088 |
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种相机图像质量评价方法,其特征在于,该方法包括:
从测试相机图像提取三组特征,利用脑神经科学理论-自由能原理提取自由能本身一个特征,结合结构退化模型和自由能之间的线性关系提取3个特征组成第一组的4个特征,利用广义高斯强度函数来统计失真图像与自然场景统计模型之间的偏差,采用原始图像与下采样为2的图像,每幅图像对应广义高斯强度函数的均值和方差,共4个参数构成第二组的4个特征,对输入图像进行一层离散小波变换,取其HH,HL和LH子带进行能量计算,构成第三组的3个特征来衡量图像的清晰度,利用支持向量机的机器学习工具对所述三组特征进行训练得出相机图像的质量分数;根据所述相机图像的质量分数评价相机图像的质量。
2.根据权利要求1所述的一种相机图像质量评价方法,其特征在于:所述第一组的4个特征的具体提取步骤包括:
内部生成模型G是有参数的,通过调整参数向量x来推断输入的感知信号;给定一个输入的视觉信号I,通过计算模型参数x的联合分布P(I,x)得出输入的视觉信号的差异性信息;联合分布函数可以计算如下:
-logp(I)=-log∫p(I,x)dx (1)
通过添加一个辅助的后验分布模型的参数q(x|I)代到分子和分母中以偏于计算公式(1)中P(I,X),重写公式(1)得:
对公式(2)利用Jensen’s不等式,得出公式(3):
公式(3)右边部分定义为自由能:
公式(4)的自由能代表能量的最小熵,因此,对一幅图像的自由能描述可以表示为:
考虑到计算复杂度,利用AR模型作为内部生成模型,一幅图像I的k-阶AR模型开始表示为:
其中,代表自由能熵的联合分布。
3.根据权利要求1所述的一种相机图像质量评价方法,其特征在于:所述失真图像的低通滤波版本和原始图像相比在空间频率域有减少;结构退化模型能够捕获失真图像与原始图像之间的相似性信息;根据结构相似性算法,二维循环对称高斯权函数能够满足总和为1,方差为1.5;
图像I的结构退化信息S(I)可以表示为:
其中,μI和σ分别代表图像I的均值和标准差,C是一个小的常数避免公式分母趋于0时公式不稳定;对于质量差的噪声图像,结构退化信息与主观评价分数不同,结构退化信息能够准确描述不同失真类型的图像,将图像I的结构退化信息S(I)修改为:
其中,F(Ir)代表原始图像的自由能,阈值T根据实验测试设为5。
4.根据权利要求2所述的一种相机图像质量评价方法,其特征在于:对LIVE图像库中的图像进行测试,得出自由能和结构退化模型之间存在线性定义,线性回归模型定义为:
其中,α和β通过最小二乘算法获得的拟合参数,代表原始图像的结构退化信息,Ir代表原始图像,由最小二乘法得出。
5.根据权利要求2所述的一种相机图像质量评价方法,其特征在于:所述第二组特征基于自然图像的归一化亮度的统计特性显现出高斯分布,当图像有失真时,这种统计特性被破坏,利用广义高斯分布函数来捕获失真图像的统计特性,广义高斯分布的概率密度函数定义为:
其中,μ表示均值,α表示形状参数控制分布的形状,其中
函数Γ(·)定义为:
Γ(z)=∫0 ∞tz-1e-tdt,
利用零均值的广义高斯分布函数计算失真图像的偏离特性,其定义如下:
每一幅图像利用两组广义高斯分布参数来拟合减均值对比度归一化系数,一组参数拟合原始图像,一组参数是对图像低通下采样2的参数。
6.根据权利要求2所述的一种相机图像质量评价方法,其特征在于:所述第三组特征评价分块图像的清晰度,通过对图像进行离散小波变换,计算小波变换后子带的能量,公式为:
其中,SXY代表SHH,SHL或者SLH,HH,HL和LH代表小波变换子带,M代表小波变换系数的总和。
7.一种实现权利要求1~6任意一项所述一种相机图像质量评价方法的装置,其特征在于:主体为图像质量评价单元,包括:第一组特征提取模块、第二组特征提取模块和第三组特征提取模块;
所述第一组特征提取模块,基于局部场景统计提取特征;
所述第二组特征提取模块,基于全局场景统计提取;
所述第三组特征提取模块,基于分块图像的清晰度评价提取特征。
8.根据权利要求7所述的装置,其特征在于:还包括训练模块,所述训练模块根据前三组特征,利用支持向量机进行训练,得出相机图像质量评价分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610136249.4A CN105825500B (zh) | 2016-03-10 | 2016-03-10 | 一种对相机图像质量的评价方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610136249.4A CN105825500B (zh) | 2016-03-10 | 2016-03-10 | 一种对相机图像质量的评价方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825500A CN105825500A (zh) | 2016-08-03 |
CN105825500B true CN105825500B (zh) | 2018-07-27 |
Family
ID=56987185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610136249.4A Active CN105825500B (zh) | 2016-03-10 | 2016-03-10 | 一种对相机图像质量的评价方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825500B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485702B (zh) * | 2016-09-30 | 2019-11-05 | 杭州电子科技大学 | 基于自然图像特征统计的图像模糊检测方法 |
CN106780407B (zh) * | 2017-03-01 | 2024-03-26 | 清远先导科臻医疗科技有限公司 | 一种针对超声图像斑点噪声的去噪系统及去噪方法 |
CN107105223B (zh) * | 2017-03-20 | 2018-12-07 | 宁波大学 | 一种基于全局特征的色调映射图像质量客观评价方法 |
CN107274414A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于改进局部信息的cv模型的图像分割方法 |
CN107180427B (zh) * | 2017-06-07 | 2020-06-16 | 北京工业大学 | 基于自回归局部图像描述的3d合成图像质量评价方法 |
EP3659066A4 (en) | 2017-07-25 | 2021-02-24 | Hewlett-Packard Development Company, L.P. | DETERMINATIONS OF SHARPNESS OF CHARACTER RECOGNITION |
CN109584198B (zh) * | 2017-09-26 | 2022-12-23 | 浙江宇视科技有限公司 | 一种人脸图像质量评价方法、装置及计算机可读存储介质 |
CN107945175A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术(北京)有限公司 | 图像的评价方法、装置、服务器及存储介质 |
CN110675325B (zh) * | 2018-07-03 | 2023-04-28 | 柯鑫 | 一种增强眼底图像的方法和装置 |
CN108989789B (zh) * | 2018-07-11 | 2020-05-05 | 深圳职业技术学院 | 一种摄像头成像质量实时评价方法 |
CN109146846B (zh) * | 2018-07-17 | 2022-03-08 | 深圳大学 | 无参考型图像质量评价系统及方法 |
CN109447903B (zh) * | 2018-10-17 | 2022-11-18 | 江苏商贸职业学院 | 一种半参考型超分辨率重构图像质量评价模型的建立方法 |
CN110298827A (zh) * | 2019-06-19 | 2019-10-01 | 桂林电子科技大学 | 一种基于图像处理的图像质量识别方法 |
CN111061895A (zh) * | 2019-07-12 | 2020-04-24 | 北京达佳互联信息技术有限公司 | 图像推荐的方法、装置、电子设备及存储介质 |
CN110689524B (zh) * | 2019-09-04 | 2022-04-22 | 华南理工大学 | 一种无参考在线图像清晰度评价方法与系统 |
CN111539909B (zh) * | 2020-03-12 | 2023-04-28 | 上海交通大学 | 一种相似场景图像组的图像质量评估方法、系统及终端 |
CN111311595B (zh) * | 2020-03-16 | 2023-07-18 | 清华大学深圳国际研究生院 | 图像质量的无参考质量评价方法及计算机可读存储介质 |
CN111310774B (zh) * | 2020-04-01 | 2021-03-12 | 江苏商贸职业学院 | 一种基于图像质量的pm2.5浓度测量方法 |
CN113628175B (zh) * | 2021-07-22 | 2024-02-20 | 上海交通大学 | 图像质量分数分布的预测方法、系统、终端及介质 |
CN113570596A (zh) * | 2021-08-13 | 2021-10-29 | 云南北方光学科技有限公司 | 一种基于人类视觉系统的无参考结构清晰度评价方法 |
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 |
CN103200421A (zh) * | 2013-04-07 | 2013-07-10 | 北京理工大学 | 一种基于Curvelet变换和相位一致的无参考图像质量评价方法 |
-
2016
- 2016-03-10 CN CN201610136249.4A patent/CN105825500B/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 |
CN103200421A (zh) * | 2013-04-07 | 2013-07-10 | 北京理工大学 | 一种基于Curvelet变换和相位一致的无参考图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
A Fast Wavelet-Based Algorithm for Global;Phong V. Vu等;《IEEE SIGNAL PROCESSING LETTERS》;20120730;第19卷(第7期);423-426 * |
Using Free Energy Principle For Blind Image Quality Assessment;Ke Gu等;《IEEE Transactions on Multimedia》;20150131;第17卷(第1期);50-63 * |
Also Published As
Publication number | Publication date |
---|---|
CN105825500A (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825500B (zh) | 一种对相机图像质量的评价方法与装置 | |
Ciancio et al. | No-reference blur assessment of digital pictures based on multifeature classifiers | |
Gu et al. | Hybrid no-reference quality metric for singly and multiply distorted images | |
Qureshi et al. | Towards the design of a consistent image contrast enhancement evaluation measure | |
Narvekar et al. | A no-reference image blur metric based on the cumulative probability of blur detection (CPBD) | |
Ni et al. | Gradient direction for screen content image quality assessment | |
Shao et al. | Full-reference quality assessment of stereoscopic images by learning binocular receptive field properties | |
Li et al. | Image quality assessment by separately evaluating detail losses and additive impairments | |
Ferzli et al. | A no-reference objective image sharpness metric based on the notion of just noticeable blur (JNB) | |
Wang et al. | Reduced-reference image quality assessment using a wavelet-domain natural image statistic model | |
Wang et al. | NMF-based image quality assessment using extreme learning machine | |
Liu et al. | Blind quality assessment of camera images based on low-level and high-level statistical features | |
Babu et al. | No-reference JPEG-image quality assessment using GAP-RBF | |
Ma et al. | Reduced-reference image quality assessment in reorganized DCT domain | |
Temel et al. | Perceptual image quality assessment through spectral analysis of error representations | |
Zhang et al. | Fine-grained quality assessment for compressed images | |
Amirkhani et al. | An objective method to evaluate exemplar‐based inpainted images quality using Jaccard index | |
Liu et al. | A high-definition diversity-scene database for image quality assessment | |
Chetouani et al. | A novel free reference image quality metric using neural network approach | |
Bong et al. | Blind image blur assessment by using valid reblur range and histogram shape difference | |
CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
Mansouri et al. | SSVD: Structural SVD-based image quality assessment | |
Capodiferro et al. | Two-dimensional approach to full-reference image quality assessment based on positional structural information | |
Ponomarenko et al. | Statistical evaluation of no-reference image visual quality metrics | |
Rezazadeh et al. | A novel discrete wavelet domain error-based image quality metric with enhanced perceptual performance |
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: Tang Lijuan Inventor after: Li Leida Inventor after: Gu Hua Inventor after: Sun Kezheng Inventor before: Tang Lijuan Inventor before: Qian Jiansheng Inventor before: Li Leida Inventor before: Gu Hua Inventor before: Zhang Jianying Inventor before: Sun Kezheng |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant |