CN105825503B - 基于视觉显著性的图像质量评价方法 - Google Patents
基于视觉显著性的图像质量评价方法 Download PDFInfo
- Publication number
- CN105825503B CN105825503B CN201610140932.5A CN201610140932A CN105825503B CN 105825503 B CN105825503 B CN 105825503B CN 201610140932 A CN201610140932 A CN 201610140932A CN 105825503 B CN105825503 B CN 105825503B
- Authority
- CN
- China
- Prior art keywords
- window
- image
- random
- value
- pixel
- 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.)
- Expired - Fee Related
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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明涉及数字图像处理领域,为提出一种基于视觉显著性的图像随机区域质量评价策略,使评价结果更加符合人类的主观感知。本发明采用的技术方案是,基于视觉显著性的图像质量评价方法,步骤如下:(1)分别将参考图像IR和失真图像ID进行高斯滤波,而后将滤波后图像RGB转化为Lab色彩空间;(2)针对不同的图像大小r*c,随机生成N个随机大小的窗口;(3)采用视觉显著性提取算法,分别对参考图像与失真图像进行视觉显著性计算,并得到上述每一个随机窗口内视觉显著性相似度矩阵;(4)对于得到各个随机窗口的每一个相似度矩阵进行加权整合。本发明主要应用于图像处理场合。
Description
技术领域
本发明涉及数字图像处理领域,尤其涉及一种针对随机区域的全参考型基于视觉显著性的图像质量评价方法。
背景技术
随着数字图像在各种领域内应用的发展,图像质量评价(Image QualityAssessment,IQA)在图像处理分析、数据压缩、存储和通信传输等领域都日益受到重视,它是衡量图像质量的重要指标。图像质量评价方法一般可分为两种:基于人眼的主观质量评价方法,以及基于模拟人类视觉的算法的客观质量评价方法。尽管图像质量评价最终要以人的主观评价为根本准则,但是这种评价方法成本较高耗时较长且不易实现在实时系统中实现,因此客观的质量评价方法成为一项重要标准,与人类感知相一致的客观质量评价方法成为研究的热点。
图像质量评价方法主要分为全参考型、半参考型以及无参考型。其中全参考型则是在参考图像完全已知的情况下,比较失真图像的相对质量。而半参考型和无参考型则是分别在利用部分参考图像和不利用参考图像的情况下进行评价。传统的图像保真度量化指标主要有峰值信噪比(peak-to-noise ratio,PSNR),均方根误差(mean squared error,MSE)等,但是在针对多尺度或多种失真情况的时候,这些指标与人类主观视觉评价并不完全吻合,所以近年来提出了许多复杂的IQA模型来进行图像质量评价。噪声质量评价指数(noise quality measure,NQM)和视觉信息信噪比(visual signal noise ratio,VSNR)强调了人类视觉系统(human visual system,HVS)对不同视觉信号的敏感性,如亮度,对比度等。结构相似度(structural similarity,SSIM)认为将图像结构信息抽取出来进行评价更为人类视觉系统的敏感性,而多尺度结构相似度(MS-SSIM)则以多尺度替代单尺度条件对SSIM进行了改进。特征相似度(feature similarity,FSIM)利用相位一致性和梯度作为互补的两个量化指标,并参考相位一致性制定权重策略,因为其可以高度反应人眼集中关注的区域。而梯度相似度误差(gradient magnitude similarity deviation,GMSD)则以参考图像与失真图像之间的梯度差矩阵的方差作为量化指标进行全局质量评价,具有较高的效率与性能。
在视觉激励过程中,人体视网膜会对不同区域位置产生随机的反应。人类视觉系统的经典感受域是以随机的方式接收激励而不是连续的方式。由于失真区域或物体可能在图像中的任何位置、区域或者方向中出现,所以只从全局上评价图像质量并不能与人类感知完全吻合,在随机区域上进行评价可以有效提高评价指标与人类主观感知的一致程度。
另一方面视觉显著性可以被定义为人眼对某区域的关注程度,对于给定的图像,其利用视觉显著性模型计算出来的图像视觉显著性矩阵可以反映出对于人类视觉系统某个局部位置的显著程度。所以视觉显著性和图像质量评价本质上是相互联系的,这是由它们均依赖于人类视觉系统对图像的感知以及判断失真的阈值所决定的。因此研究者认为将视觉显著性引入可以提高质量评价参数的性能。
发明内容
为克服现有技术的不足,针对全参考图像质量评价指标性能的问题,本发明旨在提出一种基于视觉显著性的图像随机区域质量评价策略,使评价结果更加符合人类的主观感知。本发明采用的技术方案是,基于视觉显著性的图像质量评价方法,步骤如下:
(1)分别将参考图像IR和失真图像ID进行高斯滤波,而后将滤波后图像RGB转化为Lab色彩空间,转化方法如下:
L=0.2126×R+0.7152×G+0.0722×B
a=1.4749×(0.2213×R-0.3390×G+0.1177×B)+128
b=0.6245×(0.1949×R+0.6057×G-0.8006×B)+128
其中RGB和Lab的取值范围都是[0,255],从而分别得到两幅图像的三个通道LR,aR,bR和LD,aD,bD,其中LR和LD为分别参考图像和失真图像的亮度通道,aR,bR及aD,bD分别为他们的色彩通道;
(2)针对不同的图像大小r*c,随机生成N个随机大小的窗口,其窗口坐标为[x1,x2,y1,y2],窗口的生成满足均匀分布,且对整幅图具有较高的覆盖率,其中r和c分别为图像的高度和宽度,(x1,y1)和(x2,y2)分别代表生成窗口的左上角和右下角的坐标;
(3)采用视觉显著性提取算法,分别对参考图像与失真图像进行视觉显著性计算,并得到上述每一个随机窗口内视觉显著性相似度矩阵SS(X)(i):
其中SR(X)(i)表示在参考图像中,第i个随机窗口内具体不同位置X上的像素的视觉显著性的值。SD(X)(i)表示在失真图像中,第i个随机窗口内具体不同位置X上的像素的视觉显著性的值且i∈[1,N]。CS为一个正常数,以保证SS(X)的稳定性。
利用亮度通道和色彩通道,计算得出每一个随机窗口的梯度相似度SG(X)(i)和色彩相似度矩阵Sa(X)(i)及Sb(X)(i):
其中GR(X)(i)表示在参考图像中,第i个随机窗口内具体不同位置X上的像素的梯度值,GD(X)(i)表示在失真图像中,第i个随机窗口内具体不同位置X上的像素的梯度值且i∈[1,N],而aR(X)(i)和bR(X)(i)均表示在参考图像中,第i个随机窗口内具体不同位置X上的像素的色度值。aD(X)(i)和bD(X)(i)表示在失真图像中,第i个随机窗口内具体不同位置X上的像素的色度值且i∈[1,N]。CG,Ca和Cb分别为一个正常数,以分别保证SG(X),Sa(X)和Sb(X)的稳定性;
(4)对于得到各个随机窗口的每一个相似度矩阵进行加权整合,计算出每个窗口的质量评价结果,其中每个像素点的权重以视觉显著性矩阵为参考,而相似度矩阵分别再配以不同的权重α和β,以区分其重要性的不同,最后将所有窗口计算结果进行整合,不同窗口的质量评价结果以其窗口对应的视觉显著性为权重,最后得到整幅图像的评价结果:
其中I为所有窗口的集合,VSm(X)(i)表示第i个随机窗口内,不同位置X上像素在参考图像和失真图像上的视觉显著性较大值,即VSm(X)(i)=max(SR(X)(i),SD(X)(i))。
得到视觉显著性相似度矩阵的具体步骤是,对于三个不同的通道,在每一个窗口内计算窗口内像素值的平均值meanw,然后将所有窗口内相同位置点与该平均值之间的差进行累加,从而得到三个通道所有窗口像素与对应平均值差距的总和SLR,SaR,SbR和SLD,SaD,SbD,此后将其进行融合得到:
其中
分别将SR0和SD0进行标准中值滤波,而后归一化到[0,255],最后进行标准直方图均衡,得到最终两幅图的视觉显著性矩阵SR和SD,利用SR和SD计算得到视觉显著性相似度矩阵,利用亮度通道和两个色彩通道在各个随机窗口内进行梯度和色彩相似度矩阵的计算,其中,Cs,CG,Ca和Cb分别取1.34,170,130和130,同时其中梯度的计算方法是
本发明的特点及有益效果是:
在传统图像质量评价方法基础上提出基于视觉显著性的随机区域评价方法,即保证了视觉关注的随机性与局部区域评价的完整性,弥补了在对整幅图像所有像素点同时进行评价时所忽略的一些局部效果评价,使最终评价结果与人类感知更加吻合。
附图说明:
图1算法流程。
图2图像随机窗口质量评价。
图3图像随机区域窗口视觉显著性对比。
图4图像随机区域窗口梯度对比。
图5图像随机区域窗口色彩对比。
具体实施方式
本发明提出的随机区域质量评价在传统评价方法基础上进行改进,其算法如图1所示。(1)为了提高评价方法与视觉显著性算法的性能,将图像色彩空间进行转换,满足同样的色度变化导致同样的质量变化的要求。首先分别将参考图像IR和失真图像ID进行高斯滤波,而后将滤波后图像RGB转化为Lab色彩空间,这是由于Lab色彩空间与人类心理视觉具有十分高的相似性。转换方法如下:
L=0.2126×R+0.7152×G+0.0722×B
a=1.4749×(0.2213×R-0.3390×G+0.1177×B)+128
b=0.6245×(0.1949×R+0.6057×G-0.8006×B)+128
其中RGB和Lab的取值范围都是[0,255]。从而分别得到两幅图像的三个通道LR,aR,bR和LD,aD,bD。其中LR和LD为分别参考图像和失真图像的亮度通道,aR,bR及aD,bD分别为他们的色彩通道。
(2)针对不同的图像大小r*c,随机生成N个随机大小的窗口,其窗口坐标为[x1,x2,y1,y2]。窗口的生成满足均匀分布,且对整幅图具有较高的覆盖率。其中r和c分别为图像的高度和宽度,(x1,y1)和(x2,y2)分别代表生成窗口的左上角和右下角的坐标。这是由于在视觉激励过程中,人体视网膜会对不同区域位置产生随机的反应。人类视觉系统的经典感受域是以随机的方式接收激励而不是连续的方式。由于失真区域或物体可能在图像中的任何位置、区域或者方向中出现,所以只从全局上评价图像质量并不能与人类感知完全吻合,在随机区域上进行评价可以有效提高评价指标与人类主观感知的一致程度。
(3)为了提高评价效率,同时对四个方面进行评价。采用视觉显著性提取算法,分别对参考图像与失真图像进行视觉显著性计算,并得到上述每一个随机窗口内视觉显著性相似度矩阵SS(X)(i)。
其中SR(X)(i)表示在参考图像中,第i个随机窗口内具体不同位置X上的像素的视觉显著性的值。SD(X)(i)表示在失真图像中,第i个随机窗口内具体不同位置X上的像素的视觉显著性的值且i∈[1,N]。CS为一个正常数,以保证SS(X)的稳定性。
利用亮度通道和色彩通道,计算得出每一个随机窗口的梯度相似度SG(X)(i)和色彩相似度矩阵Sa(X)(i)及Sb(X)(i),以弥补单纯利用视觉显著性进行评价的不足,这是由人类视觉系统对亮度信息的敏感程度所决定的。
其中GR(X)(i)表示在参考图像中,第i个随机窗口内具体不同位置X上的像素的梯度值。GD(X)(i)表示在失真图像中,第i个随机窗口内具体不同位置X上的像素的梯度值且i∈[1,N]。而aR(X)(i)和bR(X)(i)均表示在参考图像中,第i个随机窗口内具体不同位置X上的像素的色度值。aD(X)(i)和bD(X)(i)表示在失真图像中,第i个随机窗口内具体不同位置X上的像素的色度值且i∈[1,N]。CG,Ca和Cb分别为一个正常数,以分别保证SG(X),Sa(X)和Sb(X)的稳定性;
(4)对于得到各个随机窗口的每一个相似度矩阵进行加权整合,计算出每个窗口的质量评价结果,其中每个像素点的权重以视觉显著性矩阵为参考,而相似度矩阵分别再配以不同的权重α和β,以区分其重要性的不同。最后将所有窗口计算结果进行整合,不同窗口的质量评价结果以其窗口对应的视觉显著性为权重,最后得到整幅图像的评价结果。如图2所示。
其中I为所有窗口的集合。VSm(X)(i)表示第i个随机窗口内,不同位置X上像素在参考图像和失真图像上的视觉显著性较大值,即VSm(X)(i)=max(SR(X)(i),SD(X)(i))。
本发明提出基于视觉显著性的随机区域评价方法,即保证了视觉关注的随机性与局部区域评价的完整性,弥补了在对整幅图像所有像素点同时进行评价时所忽略的一些局部效果评价,使最终评价结果与人类感知更加吻合。
下面结合附图及实例对本发明作进一步的解释和说明。首先,将图像色彩空间进行转换到Lab色彩空间,满足同样的色度变化导致同样的质量变化的要求。然后分别生成随机N个随机大小的窗口,其窗口坐标为[x1,x2,y1,y2],实验结果表明N取r*c*0.02可以保证效果的稳定性。
对于三个不同的通道,在每一个窗口内计算窗口内像素值的平均值meanw,然后将所有窗口内相同位置点与该平均值之间的差进行累加,从而得到三个通道所有窗口像素与对应平均值差距的总和SLR,SaR,SbR和SLD,SaD,SbD。此后将其进行融合得到。
其中
分别将SR0和SD0进行标准中值滤波,而后归一化到[0,255],最后进行标准直方图均衡,得到最终两幅图的视觉显著性矩阵SR和SD,如图3所示。利用SR和SD计算得到视觉显著性相似度矩阵。利用亮度通道和两个色彩通道在各个随机窗口内进行梯度和色彩相似度矩阵的计算,如图4,5所示。经过大量实验确定Cs,CG,Ca和Cb分别取1.34,170,130和130可以保证算法稳定。同时其中梯度的计算方法是
最后针对各个不同的窗口内的像素点,将其视觉显著性相似度矩阵,梯度相似度矩阵,以及两个色度相似度矩阵进行整合,以计算出每个窗口的质量评价结果。其中每个像素点的权重以两幅图视觉显著性矩阵中的最大值为参考,且α和β分别为0.42和0.03。将所有窗口内的评价数据进行整合,得到最终评价指标。
Claims (2)
1.一种基于视觉显著性的图像质量评价方法,其特征是,步骤如下:
(1)分别将参考图像IR和失真图像ID进行高斯滤波,而后将滤波后图像RGB转化为Lab色彩空间,转化方法如下:
L=0.2126×R+0.7152×G+0.0722×B
a=1.4749×(0.2213×R-0.3390×G+0.1177×B)+128
b=0.6245×(0.1949×R+0.6057×G-0.8006×B)+128
其中RGB和Lab的取值范围都是[0,255],从而分别得到两幅图像的三个通道LR,aR,bR和LD,aD,bD,其中LR和LD为分别参考图像和失真图像的亮度通道,aR,bR及aD,bD分别为他们的色彩通道;
(2)针对不同的图像大小r*c,随机生成N个随机大小的窗口,其窗口坐标为[x1,x2,y1,y2],窗口的生成满足均匀分布,且对整幅图具有较高的覆盖率,其中r和c分别为图像的高度和宽度,(x1,y1)和(x2,y2)分别代表生成窗口的左上角和右下角的坐标;
(3)采用视觉显著性提取算法,分别对参考图像与失真图像进行视觉显著性计算,并得到上述每一个随机窗口内视觉显著性相似度矩阵SS(X)(i):
其中SR(X)(i)表示在参考图像中,第i个随机窗口内具体不同位置X上的像素的视觉显著性的值,SD(X)(i)表示在失真图像中,第i个随机窗口内具体不同位置X上的像素的视觉显著性的值且i∈[1,N],CS为一个正常数,以保证SS(X)的稳定性,
利用亮度通道和色彩通道,计算得出每一个随机窗口的梯度相似度SG(X)(i)和色彩相似度矩阵Sa(X)(i)及Sb(X)(i):
其中GR(X)(i)表示在参考图像中,第i个随机窗口内具体不同位置X上的像素的梯度值,GD(X)(i)表示在失真图像中,第i个随机窗口内具体不同位置X上的像素的梯度值且i∈[1,N],而aR(X)(i)和bR(X)(i)均表示在参考图像中,第i个随机窗口内具体不同位置X上的像素的色度值,aD(X)(i)和bD(X)(i)表示在失真图像中,第i个随机窗口内具体不同位置X上的像素的色度值且i∈[1,N],CG,Ca和Cb分别为一个正常数,以分别保证SG(X),Sa(X)和Sb(X)的稳定性;
(4)对于得到各个随机窗口的每一个相似度矩阵进行加权整合,计算出每个窗口的质量评价结果,其中每个像素点的权重以视觉显著性矩阵为参考,而相似度矩阵分别再配以不同的权重α和β,以区分其重要性的不同,最后将所有窗口计算结果进行整合,不同窗口的质量评价结果以其窗口对应的视觉显著性为权重,最后得到整幅图像的评价结果:
其中I为所有窗口的集合,VSm(X)(i)表示第i个随机窗口内,不同位置X上像素在参考图像和失真图像上的视觉显著性较大值,即VSm(X)(i)=max(SR(X)(i),SD(X)(i))。
2.如权利要求1所述的基于视觉显著性的图像质量评价方法,其特征是,得到视觉显著性相似度矩阵的具体步骤是,对于三个不同的通道,在每一个窗口内计算窗口内像素值的平均值meanw,然后将所有窗口内相同位置点与该平均值之间的差进行累加,从而得到三个通道所有窗口像素与对应平均值差距的总和SLR,SaR,SbR和SLD,SaD,SbD,此后将其进行融合得到:
其中
分别将SR0和SD0进行标准中值滤波,而后归一化到[0,255],最后进行标准直方图均衡,得到最终两幅图的视觉显著性矩阵SR和SD,利用SR和SD计算得到视觉显著性相似度矩阵,利用亮度通道和两个色彩通道在各个随机窗口内进行梯度和色彩相似度矩阵的计算,其中,CS,CG,Ca和Cb分别取1.34,170,130和130,同时其中梯度的计算方法是
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610140932.5A CN105825503B (zh) | 2016-03-10 | 2016-03-10 | 基于视觉显著性的图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610140932.5A CN105825503B (zh) | 2016-03-10 | 2016-03-10 | 基于视觉显著性的图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825503A CN105825503A (zh) | 2016-08-03 |
CN105825503B true CN105825503B (zh) | 2019-04-23 |
Family
ID=56987665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610140932.5A Expired - Fee Related CN105825503B (zh) | 2016-03-10 | 2016-03-10 | 基于视觉显著性的图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825503B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107578399B (zh) * | 2017-07-25 | 2020-12-15 | 天津大学 | 基于边界特征分割的全参考图像质量评价方法 |
CN107578404B (zh) * | 2017-08-22 | 2019-11-15 | 浙江大学 | 基于视觉显著特征提取的全参考立体图像质量客观评价方法 |
CN108074241B (zh) * | 2018-01-16 | 2021-10-22 | 深圳大学 | 目标图像的质量评分方法、装置、终端及存储介质 |
CN108171704B (zh) * | 2018-01-19 | 2019-12-20 | 浙江大学 | 一种基于激励响应的无参考图像质量评价方法 |
CN108416770B (zh) * | 2018-03-07 | 2021-06-11 | 西北工业大学 | 一种基于视觉显著性的图像质量评价方法 |
CN109166178B (zh) * | 2018-07-23 | 2020-10-16 | 中国科学院信息工程研究所 | 一种视觉特性与行为特性融合的全景图像显著图生成方法及系统 |
CN109377488A (zh) * | 2018-10-24 | 2019-02-22 | 福州大学 | 一种基于视觉跟踪的插值图像评价方法 |
CN109859157B (zh) * | 2018-11-16 | 2023-04-11 | 天津大学 | 基于视觉注意特征的全参考图像质量评价方法 |
CN110084782B (zh) * | 2019-03-27 | 2022-02-01 | 西安电子科技大学 | 基于图像显著性检测的全参考图像质量评价方法 |
CN109916921A (zh) * | 2019-03-29 | 2019-06-21 | 北京百度网讯科技有限公司 | 电路板缺陷处理方法、装置及设备 |
CN110163855B (zh) * | 2019-05-17 | 2021-01-01 | 武汉大学 | 一种基于多路深度卷积神经网络的彩色图像质量评价方法 |
CN111709914B (zh) * | 2020-05-27 | 2022-04-22 | 西安理工大学 | 一种基于hvs特性的无参考图像质量评价方法 |
CN113418874A (zh) * | 2021-03-15 | 2021-09-21 | 安徽工业技术创新研究院六安院 | 面向果实品质检测的高光谱图像重构方法及检测方法 |
CN113298763B (zh) * | 2021-05-09 | 2022-08-19 | 复旦大学 | 一种基于显著性窗口策略的图像质量评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021545A (zh) * | 2014-05-12 | 2014-09-03 | 同济大学 | 一种基于视觉显著性的全参考彩色图像质量评价方法 |
CN104574399A (zh) * | 2015-01-06 | 2015-04-29 | 天津大学 | 基于多尺度视觉显著性与梯度幅值的图像质量评价方法 |
EP2889833A1 (en) * | 2013-12-26 | 2015-07-01 | Thomson Licensing | Method and apparatus for image quality assessment |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8660352B2 (en) * | 2011-06-29 | 2014-02-25 | Dolby Laboratories Licensing Corporation | Quality assessment of images with extended dynamic range |
-
2016
- 2016-03-10 CN CN201610140932.5A patent/CN105825503B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2889833A1 (en) * | 2013-12-26 | 2015-07-01 | Thomson Licensing | Method and apparatus for image quality assessment |
CN104021545A (zh) * | 2014-05-12 | 2014-09-03 | 同济大学 | 一种基于视觉显著性的全参考彩色图像质量评价方法 |
CN104574399A (zh) * | 2015-01-06 | 2015-04-29 | 天津大学 | 基于多尺度视觉显著性与梯度幅值的图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
Visual Importance Pooling for Image Quality Assessment;Anush Krishna Moorthy 等;《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》;20090310;第3卷(第2期);193-201 |
基于自然计算和视觉注意的图像质量评价;张花;《中国优秀硕士学位论文全文数据库 信息科技辑》;20101115(第11期);I138-185 |
Also Published As
Publication number | Publication date |
---|---|
CN105825503A (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825503B (zh) | 基于视觉显著性的图像质量评价方法 | |
CN102693426B (zh) | 一种图像显著区域检测方法 | |
CN105678700B (zh) | 基于预测梯度的图像插值方法及系统 | |
CN107347151B (zh) | 双目摄像头遮挡检测方法及装置 | |
CN106778676B (zh) | 一种基于人脸识别及图像处理的注意力评估方法 | |
CN105989611B (zh) | 带有阴影去除的分块感知哈希跟踪方法 | |
CN105828065B (zh) | 一种视频画面过曝检测方法及装置 | |
CN104299011A (zh) | 一种基于人脸图像识别的肤质与皮肤问题识别检测方法 | |
CN102289808B (zh) | 一种图像融合质量评估方法和系统 | |
CN101853286B (zh) | 视频缩略图智能选取方法 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN102819850A (zh) | 基于局部自适应色差阈值的彩色图像边缘检测的方法 | |
CN102436640A (zh) | 一种基于HIS空间的多尺度Retinex模型的雾天图像清晰化方法 | |
CN105139404A (zh) | 一种可检测拍摄质量的证照相机及拍摄质量检测方法 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN109064418A (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
CN104021527B (zh) | 一种图像中雨雪的去除方法 | |
CN101976444A (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 | |
CN107633495A (zh) | 一种基于互补关系的红外偏振与光强图像多算法2d‑vmd内嵌式融合方法 | |
CN108198155A (zh) | 一种自适用色调映射方法及系统 | |
CN103269439A (zh) | 一种oct影像质量客观无参考型评价方法 | |
Xie et al. | Color image quality assessment based on image quality parameters perceived by human vision system | |
CN104598914A (zh) | 一种肤色检测的方法及装置 | |
CN104182983B (zh) | 基于角点特征的高速公路监控视频清晰度的检测方法 | |
CN106355596B (zh) | 一种融合均匀颜色信息和复合感受野模型的边缘检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190423 Termination date: 20210310 |
|
CF01 | Termination of patent right due to non-payment of annual fee |