CN106204523A - 一种图像质量度量方法及装置 - Google Patents
一种图像质量度量方法及装置 Download PDFInfo
- Publication number
- CN106204523A CN106204523A CN201610460875.9A CN201610460875A CN106204523A CN 106204523 A CN106204523 A CN 106204523A CN 201610460875 A CN201610460875 A CN 201610460875A CN 106204523 A CN106204523 A CN 106204523A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- reference picture
- boundary information
- quality evaluation
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明涉及图像处理技术领域,特别涉及一种图像质量度量方法及装置。所述图像质量度量方法包括:步骤a:分别提取参考图像和目标图像的边界信息;步骤b:根据所述参考图像和目标图像的边界信息对所述目标图像进行质量打分,实现所述目标图像的图像质量度量。本发明计算简单时效,从准确性和稳定性上来量化图像的相对质量,并提供度量结果的结构性差异分析,更加合理和可信。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种图像质量度量方法及装置。
背景技术
图像质量度量的过程就是对图像的属性进行量化和打分,这些属性包括清晰度、图像完整性、噪声严重程度、是否存在扭曲以及是否具有美感等。一方面,它是对图像质量或内容的优劣进行评定和区分;另一方面,通过研究这些属性与度量分数之间的关系,来建立数学模型,有利于实现机器的自动化打分。
图像的质量关系到图像的美感、图像内容的解读以及临床诊断的精度。随着成像硬件的不断升级,图像处理算法的不断更新,对采集的图像或处理后的图像进行评估和量化变得越来越重要。目前的图像质量度量方法主要分为有参考、半参考和无参考三类。有参考方法是指已经有最优质量(感官评定)的图片作为研究背景,讨论跟该图像内容一样的图像的相对质量;半参考方法是指最优质量的图片的信息缺失,通过残缺的信息来度量图像的相对质量;而无参考方法则是通过一些自然图像的统计来找寻图像质量优劣的评价方法。
目前广泛应用的有参考图像质量度量方法包括:
一、均方误差(Mean square error,MSE):均方误差是通过统计目标图像和参考图像之间的像素灰度差异来衡量目标图像的质量。其缺陷在于,(1)它是对图像灰度差异的一种总体表征,无法表达局部的或部分的图像质量优劣;(2)背离了人类视觉系统的感知机制,很多时候会出现错误的评分;(3)在相对灰度差异不变的情况下,图像的质量仍然是值得肯定的。该方法目前基本被淘汰。
二、信噪比(Signal noise ratio,SNR)/峰值信噪比(Peak signal noise ratio,PSNR):信噪比和峰值信噪比是建立在均方误差的基础上,因此也就继承了均方误差存在的一系列缺陷。目前仅将其作为一个简单对比,是基于灰度值度量图像质量方法的一个代表。
三、结构相似性度量(Structure similarity index metric,SSIM):结构相似性度量考虑到人类视觉系统对图像内结构的敏感性,在计算机视觉领域应用广泛。其缺陷主要在于,(1)是整幅图像质量的一个平均值,无法表征局部的细节差异;(2)在图像敏锐度上可能不敏感,在于其忽视了敏锐度在图像质量中的重要作用。
四、特征相似性度量(Feature similarity index metric,FSIM):特征相似性度量,提升了结构相似性度量方法,更加关注于图像的一些低级的特征,这是由于人类更容易解析和组合这些低级特征,以对图像的内容进行更加充分地解释。其主要缺陷在于,给整幅图像打分,但却没有给出辅助手段来观察局部信息的差异性。
综上所述,基于现有的有参考图像质量度量方法存在的缺陷,本发明的目的在于,简化当前图像度量流程的复杂度,提供一种计算简单时效、从准确性和稳定性上来量化图像的相对质量,并提供度量结果的结构性差异分析,更加合理和可信的有参考图像质量度量方法。
发明内容
本发明提供了一种图像质量度量方法及装置,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本发明提供了如下技术方案:
一种图像质量度量方法,包括:
步骤a:分别提取参考图像和目标图像的边界信息;
步骤b:根据所述参考图像和目标图像的边界信息对所述目标图像进行质量打分,实现所述目标图像的图像质量度量。
本发明实施例采取的技术方案还包括:在所述步骤a中,所述提取参考图像和目标图像的边界信息的提取方式包括Canny边缘检测算子、Sobel边缘检测算子或Prewitt边缘检测算子。
本发明实施例采取的技术方案还包括:在所述步骤a中,所述提取参考图像和目标图像的边界信息的提取公式为:
[bwRef,thr]=edge(reference,detector);
[bwDis]=edge(distorted,detector,thr);
在上述公式中,reference为参考图像,distorted为目标图像,bwRef为参考图像的二值化边界,thr为优化的图像检测门限,bwDis为目标图像的二值化边界。
本发明实施例采取的技术方案还包括:在所述步骤b中,所述目标图像的质量打分公式为:
在上述公式中,EPRa为所述目标图像质量度量的准确性,EPRr为所述目标图像质量度量的稳定性。
本发明实施例采取的技术方案还包括:在所述步骤b后还包括:根据所述参考图像和目标图像的边界信息进行图像差异性分析;所述图像差异性分析的分析方式为:将所述参考图像和目标图像的边界信息合成为彩色图片,通过所述合成的彩色图片的不同颜色表征整体和局部结构的感官性变化。
本发明实施例采取的另一技术方案为:一种图像质量度量装置,包括边界提取模块和质量打分模块;
所述边界提取模块用于分别提取参考图像和目标图像的边界信息;
所述质量打分模块用于根据所述参考图像和目标图像的边界信息对所述目标图像进行质量打分,实现所述目标图像的图像质量度量。
本发明实施例采取的技术方案还包括:所述边界提取模块提取参考图像和目标图像的边界信息的提取方式包括Canny边缘检测算子、Sobel边缘检测算子或Prewitt边缘检测算子。
本发明实施例采取的技术方案还包括:所述边界提取模块提取参考图像和目标图像的边界信息的提取公式为:
[bwRef,thr]=edge(reference,detector);
[bwDis]=edge(distorted,detector,thr);
在上述公式中,reference为参考图像,distorted为目标图像,bwRef为参考图像的二值化边界,thr为优化的图像检测门限,bwDis为目标图像的二值化边界。
本发明实施例采取的技术方案还包括:所述质量打分模块对目标图像进行质量打分的公式为:
在上述公式中,EPRa为所述目标图像质量度量的准确性,EPRr为所述目标图像质量度量的稳定性。
本发明实施例采取的技术方案还包括:还包括差异性分析模块,所述差异性分析模块用于根据所述参考图像和目标图像的边界信息进行图像差异性分析;所述图像差异性分析的分析方式为:将所述参考图像和目标图像的边界信息合成为彩色图片,通过所述合成的彩色图片的不同颜色表征整体和局部结构的感官性变化。
相对于现有技术,本发明实施例产生的有益效果在于:本发明实施例的图像质量度量方法及装置提出了图像质量的量化理论、计算方法以及图像结构差异性分析,给出了辅助可视化手段来描述图像局部性的结构差异,有利于使用者对图像给出更客观和有区别的解析,可以处理自然图像和医学图像,在实际应用中具有广泛的应用前景。相对于现有技术的结构相似性度量(SSIM),本发明相对更加准确,并能够提供图像差异性分析的手段;相对于特征相似性度量(FSIM),本发明能够提供图像差异性分析的手段。本发明计算简单时效,从准确性和稳定性上来量化图像的相对质量,并提供度量结果的结构性差异分析,更加合理和可信。
附图说明
图1是本发明实施例的图像质量度量方法的流程图;
图2是本发明实施例的用于边界信息差异性分析的合成彩色图;
图3是本发明实施例的图像质量度量装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1,是本发明实施例的图像质量度量方法的流程图。本发明实施例的图像质量度量方法包括以下步骤:
步骤10:分别提取参考图像和目标图像的边界信息;
在步骤10中,本发明实施例提取边界信息的提取方式为Canny边缘检测算子,MATLAB公式如下:
[bwRef,thr]=edge(reference,detector);
[bwDis]=edge(distorted,detector,thr);(1)
在公式(1)中,reference为参考图像,distorted为目标图像,在对参考图像进行边界提取时,得到参考图像的二值化边界bwRef,以及优化的图像检测门限thr。这个优化的图像检测门限thr需要传递到目标图像的检测中,得到目标图像的二值化边界bwDis,以平衡参考图像和目标图像的差异性。在本发明其他实施例中,提取边界信息的提取方式还包括Sobel边缘检测算子或Prewitt边缘检测算子等。
步骤20:根据参考图像和目标图像的边界信息对目标图像进行质量打分,实现目标图像的图像质量度量;
在步骤20中,已知参考图像的二值化边界bwRef,以及目标图像的二值化边界bwDis,目标图像质量打分公式如下:
其中,公式(2)度量的是目标图像的准确性(EPRa,Accuracy),公式(3)度量的是目标图像的稳定性(EPRr,Robustness)。
步骤30:根据参考图像和目标图像的边界信息进行图像差异性分析;
在步骤30中,本发明实施例进行图像差异性分析的方式具体为:提供了一种可以进行图像差异性分析的工具,即将参考图像和目标图像的边界信息合成为一种彩色图片,通过该合成的彩色图片的不同颜色来表征整体和局部结构的感官性变化。具体如图2所示,是本发明实施例的用于边界信息差异性分析的合成彩色图。在合成的彩色图片的不同颜色中,红色代表参考图像的边界信息,绿色是目标图像的边界信息,而蓝色是二者边界信息的交集。因此,在合成的彩色图片的不同颜色中,感知到的红色边界为丢失的结构信息,绿色为引入的结构信息,而白色则为保留的边界信息。
本发明以两个公开的常用的图像数据库(LIVE库和CSIQ库)作为对象,以研究图像的敏锐性作为基础,通过基于皮尔森线性相关参数(Pearson linear correlationcoefficient,LCC)和皮尔森排名相关性参数(Pearson rank-order correlationcoefficient,SROCC)对本发明的先进性和有效性进行探讨。图像数据库如下表1所示:
表1 通用公开的图像数据库
LCC对比结果如表2所示:
表2 LCC度量结果比较
PSNR | SSIM | FSIM | EPRa | EPRr | |
LIVE | 0.7823 | 0.9517 | 0.9708 | 0.9548 | 0.9559 |
CSIQ | 0.8592 | 0.7551 | 0.8864 | 0.9223 | 0.9155 |
由表2可以看到,在Live库上,除FSIM以外,EPRa和EPRr都能够有效的预测图像的敏锐度;而在CSIQ库上,EPRa和EPRr取得的最好的预测结果。因此,整体上,本发明提出的图像敏锐度度量方法更加有效和准确。
SROCC对比结果如表3所示:
表3 SROCC度量结果比较
PSNR | SSIM | FSIM | EPRa | EPRr | |
LIVE | 0.7752 | 0.9438 | 0.9736 | 0.9554 | 0.9533 |
CSIQ | 0.8775 | 0.7517 | 0.9728 | 0.9347 | 0.9220 |
由表3可以看到,在Live库上,除FSIM以外,EPRa和EPRr都能够有效的预测图像的敏锐度;而在CSIQ库上,除FSIM以外,EPRa和EPRr取得的最好的预测结果。因此,除FSIM以外,整体上,本发明提出的图像敏锐度度量方法更加有效和准确。
请参阅图3,是本发明实施例的图像质量度量装置的结构示意图。本发明实施例的图像质量度量装置包括边界提取模块、质量打分模块和差异性分析模块;
边界提取模块用于分别提取参考图像和目标图像的边界信息;其中,本发明实施例提取边界信息的提取方式为Canny边缘检测算子,MATLAB代码如下:
[bwRef,thr]=edge(reference,detector);
[bwDis]=edge(distorted,detector,thr);(1)
在公式(1)中,reference为参考图像,distorted为目标图像,在对参考图像进行边界提取时,得到参考图像的二值化边界bwRef,以及优化的图像检测门限thr。这个优化的图像检测门限thr需要传递到目标图像的检测中,得到目标图像的二值化边界bwDis,以平衡参考图像和目标图像的差异性。在本发明其他实施例中,提取边界信息的提取方式还包括Sobel边缘检测算子或Prewitt边缘检测算子等。
质量打分模块用于根据参考图像和目标图像的边界信息对目标图像进行质量打分,实现目标图像的图像质量度量;其中,已知参考图像的二值化边界bwRef,以及目标图像的二值化边界bwDis,图像质量打分公式如下:
其中,公式(2)度量的是目标图像的准确性(EPRa,Accuracy),公式(3)度量的是目标图像的稳定性(EPRr,Robustness)。
差异性分析模块用于根据参考图像和目标图像的边界信息进行图像差异性分析;其中,本发明实施例进行图像差异性分析的方式具体为:提供了一种可以进行图像差异性分析的工具,即将参考图像和目标图像的边界信息合成为一种彩色图片,通过该合成的彩色图片的不同颜色来表征整体和局部结构的感官性变化。具体如图2所示,是本发明实施例的用于边界信息差异性分析的合成彩色图。在合成的彩色图片的不同颜色中,红色代表参考图像的边界信息,绿色是目标图像的边界信息,而蓝色是二者边界信息的交集。因此,在合成的彩色图片的不同颜色中,感知到的红色边界为丢失的结构信息,绿色为引入的结构信息,而白色则为保留的边界信息。
本发明以两个公开的常用的图像数据库(LIVE库和CSIQ库)作为对象,以研究图像的敏锐性作为基础,通过基于皮尔森线性相关参数(Pearson linear correlationcoefficient,LCC)和皮尔森排名相关性参数(Pearson rank-order correlationcoefficient,SROCC)对本发明的先进性和有效性进行探讨。图像数据库如下表1所示:
表1 通用公开的图像数据库
LCC对比结果如表2所示:
表2 LCC度量结果比较
PSNR | SSIM | FSIM | EPRa | EPRr | |
LIVE | 0.7823 | 0.9517 | 0.9708 | 0.9548 | 0.9559 |
CSIQ | 0.8592 | 0.7551 | 0.8864 | 0.9223 | 0.9155 |
由表2可以看到,在Live库上,除FSIM以外,EPRa和EPRr都能够有效的预测图像的敏锐度;而在CSIQ库上,EPRa和EPRr取得的最好的预测结果。因此,整体上,本发明提出的图像敏锐度度量方法更加有效和准确。
SROCC对比结果如表3所示:
表3 SROCC度量结果比较
PSNR | SSIM | FSIM | EPRa | EPRr | |
LIVE | 0.7752 | 0.9438 | 0.9736 | 0.9554 | 0.9533 |
CSIQ | 0.8775 | 0.7517 | 0.9728 | 0.9347 | 0.9220 |
由表3可以看到,在Live库上,除FSIM以外,EPRa和EPRr都能够有效的预测图像的敏锐度;而在CSIQ库上,除FSIM以外,EPRa和EPRr取得的最好的预测结果。因此,除FSIM以外,整体上,本发明提出的图像敏锐度度量方法更加有效和准确。
本发明实施例的图像质量度量方法及装置提出了图像质量的量化理论、计算方法以及图像结构差异性分析,给出了辅助可视化手段来描述图像局部性的结构差异,有利于使用者对图像给出更客观和有区别的解析,可以处理自然图像和医学图像(选取高端设备采集的数据为打分的参考对象),在实际应用中具有广泛的应用前景。例如,通过本发明进行不局限于自然图像的图像质量度量以及在工程上的应用、将本发明集成在系统或设备中,以达到自动化图像质量度量的要求、将本发明集成在算法中,用于一些图像处理算法的性能提升等目的等。本发明可以进行改造或升级,应用到医学影像领域;也可以作为一个优化的对象来提高光学设备的性能;还可以集成到一些监测系统中,进行自动化的质量度量。相对于现有技术的结构相似性度量(SSIM),本发明相对更加准确,并能够提供图像差异性分析的手段;相对于特征相似性度量(FSIM),本发明能够提供图像差异性分析的手段。本发明计算简单时效,从准确性和稳定性上来量化图像的相对质量,并提供度量结果的结构性差异分析,更加合理和可信。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像质量度量方法,其特征在于,包括:
步骤a:分别提取参考图像和目标图像的边界信息;
步骤b:根据所述参考图像和目标图像的边界信息对所述目标图像进行质量打分,实现所述目标图像的图像质量度量。
2.根据权利要求1所述的图像质量度量方法,其特征在于,在所述步骤a中,所述提取参考图像和目标图像的边界信息的提取方式包括Canny边缘检测算子、Sobel边缘检测算子或Prewitt边缘检测算子。
3.根据权利要求2所述的图像质量度量方法,其特征在于,在所述步骤a中,所述提取参考图像和目标图像的边界信息的提取公式为:
[bwRef,thr]=edge(reference,detector);
[bwDis]=edge[distorted,detector,thr);
在上述公式中,reference为参考图像,distorted为目标图像,bwRef为参考图像的二值化边界,thr为优化的图像检测门限,bwDis为目标图像的二值化边界。
4.根据权利要求3所述的图像质量度量方法,其特征在于,在所述步骤b中,所述目标图像的质量打分公式为:
在上述公式中,EPRa为所述目标图像质量度量的准确性,EPRr为所述目标图像质量度量的稳定性。
5.根据权利要求1至4任一项所述的图像质量度量方法,其特征在于,在所述步骤b后还包括:根据所述参考图像和目标图像的边界信息进行图像差异性分析;所述图像差异性分析的分析方式为:将所述参考图像和目标图像的边界信息合成为彩色图片,通过所述合成的彩色图片的不同颜色表征整体和局部结构的感官性变化。
6.一种图像质量度量装置,其特征在于,包括边界提取模块和质量打分模块;
所述边界提取模块用于分别提取参考图像和目标图像的边界信息;
所述质量打分模块用于根据所述参考图像和目标图像的边界信息对所述目标图像进行质量打分,实现所述目标图像的图像质量度量。
7.根据权利要求6所述的图像质量度量装置,其特征在于,所述边界提取模块提取参考图像和目标图像的边界信息的提取方式包括Canny边缘检测算子、Sobel边缘检测算子或Prewitt边缘检测算子。
8.根据权利要求7所述的图像质量度量装置,其特征在于,所述边界提取模块提取参考图像和目标图像的边界信息的提取公式为:
[bwRef,thr]=edge(reference,detector);
[bwDis]=edge(distorted,detector,thr);
在上述公式中,reference为参考图像,distorted为目标图像,bwRef为参考图像的二值化边界,thr为优化的图像检测门限,bwDis为目标图像的二值化边界。
9.根据权利要求8所述的图像质量度量装置,其特征在于,所述质量打分模块对目标图像进行质量打分的公式为:
在上述公式中,EPRa为所述目标图像质量度量的准确性,EPRr为所述目标图像质量度量的稳定性。
10.根据权利要求6至9任一项所述的图像质量度量装置,其特征在于,还包括差异性分析模块,所述差异性分析模块用于根据所述参考图像和目标图像的边界信息进行图像差异性分析;所述图像差异性分析的分析方式为:将所述参考图像和目标图像的边界信息合成为彩色图片,通过所述合成的彩色图片的不同颜色表征整体和局部结构的感官性变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610460875.9A CN106204523A (zh) | 2016-06-23 | 2016-06-23 | 一种图像质量度量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610460875.9A CN106204523A (zh) | 2016-06-23 | 2016-06-23 | 一种图像质量度量方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106204523A true CN106204523A (zh) | 2016-12-07 |
Family
ID=57461250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610460875.9A Pending CN106204523A (zh) | 2016-06-23 | 2016-06-23 | 一种图像质量度量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204523A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845460A (zh) * | 2017-03-15 | 2017-06-13 | 深圳汇通智能化科技有限公司 | 一种基于人脸识别的智能家居系统 |
CN109120919A (zh) * | 2018-09-10 | 2019-01-01 | 易诚高科(大连)科技有限公司 | 一种针对图像质量主观评测的自动分析系统与方法 |
CN112105312A (zh) * | 2018-07-03 | 2020-12-18 | 柯惠Lp公司 | 用于在手术程序期间检测图像退化的系统、方法和计算机可读介质 |
CN112488985A (zh) * | 2019-09-11 | 2021-03-12 | 上海高德威智能交通系统有限公司 | 图像质量确定方法、装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101389045A (zh) * | 2008-10-23 | 2009-03-18 | 北京中星微电子有限公司 | 一种图像质量的评测方法及装置 |
CN101853504A (zh) * | 2010-05-07 | 2010-10-06 | 厦门大学 | 基于视觉特性与结构相似度的图像质量评测方法 |
CN101976444A (zh) * | 2010-11-11 | 2011-02-16 | 浙江大学 | 一种基于像素类型的结构类似性图像质量客观评价方法 |
CN103325113A (zh) * | 2013-06-06 | 2013-09-25 | 深圳大学 | 部分参考型图像质量评价方法及装置 |
CN104282012A (zh) * | 2013-07-05 | 2015-01-14 | 江南大学 | 一种基于小波域的半参考图像质量评价算法 |
CN104504676A (zh) * | 2014-11-07 | 2015-04-08 | 嘉兴学院 | 一种多视觉敏感特征相似度的全参考图像质量评价方法 |
CN105049835A (zh) * | 2015-05-22 | 2015-11-11 | 天津大学 | 感知立体图像质量的客观评价方法 |
CN105574885A (zh) * | 2016-01-13 | 2016-05-11 | 福州大学 | 基于机器学习并融合视觉特征的全参考图像质量评估方法 |
-
2016
- 2016-06-23 CN CN201610460875.9A patent/CN106204523A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101389045A (zh) * | 2008-10-23 | 2009-03-18 | 北京中星微电子有限公司 | 一种图像质量的评测方法及装置 |
CN101853504A (zh) * | 2010-05-07 | 2010-10-06 | 厦门大学 | 基于视觉特性与结构相似度的图像质量评测方法 |
CN101976444A (zh) * | 2010-11-11 | 2011-02-16 | 浙江大学 | 一种基于像素类型的结构类似性图像质量客观评价方法 |
CN103325113A (zh) * | 2013-06-06 | 2013-09-25 | 深圳大学 | 部分参考型图像质量评价方法及装置 |
CN104282012A (zh) * | 2013-07-05 | 2015-01-14 | 江南大学 | 一种基于小波域的半参考图像质量评价算法 |
CN104504676A (zh) * | 2014-11-07 | 2015-04-08 | 嘉兴学院 | 一种多视觉敏感特征相似度的全参考图像质量评价方法 |
CN105049835A (zh) * | 2015-05-22 | 2015-11-11 | 天津大学 | 感知立体图像质量的客观评价方法 |
CN105574885A (zh) * | 2016-01-13 | 2016-05-11 | 福州大学 | 基于机器学习并融合视觉特征的全参考图像质量评估方法 |
Non-Patent Citations (4)
Title |
---|
彭望琭: "《遥感概论》", 31 December 2002, 北京高等教育出版社 * |
杨春玲 等: "重视边缘区域的结构相似度图像质量评价", 《中国图象图形学报》 * |
田浩南 等: "基于边缘的SSIM图像质量客观评价方法", 《光子学报》 * |
黄丽娟 等: "《杭州电子科技大学学报》", 31 December 2015 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845460A (zh) * | 2017-03-15 | 2017-06-13 | 深圳汇通智能化科技有限公司 | 一种基于人脸识别的智能家居系统 |
CN106845460B (zh) * | 2017-03-15 | 2020-09-25 | 江苏安威士智能安防有限公司 | 一种基于人脸识别的智能家居系统 |
CN112105312A (zh) * | 2018-07-03 | 2020-12-18 | 柯惠Lp公司 | 用于在手术程序期间检测图像退化的系统、方法和计算机可读介质 |
EP3817683A4 (en) * | 2018-07-03 | 2022-04-20 | Covidien LP | SYSTEMS, METHODS AND COMPUTER READABLE MATERIALS FOR DETECTING IMAGE DEGRADATION DURING SURGICAL PROCEDURES |
US11576739B2 (en) | 2018-07-03 | 2023-02-14 | Covidien Lp | Systems, methods, and computer-readable media for detecting image degradation during surgical procedures |
CN109120919A (zh) * | 2018-09-10 | 2019-01-01 | 易诚高科(大连)科技有限公司 | 一种针对图像质量主观评测的自动分析系统与方法 |
CN112488985A (zh) * | 2019-09-11 | 2021-03-12 | 上海高德威智能交通系统有限公司 | 图像质量确定方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529429B (zh) | 一种基于图像识别的面部皮肤分析系统 | |
CN102525381B (zh) | 图像处理装置、图像处理方法及计算机可读取的记录装置 | |
CN104363815B (zh) | 图像处理装置以及图像处理方法 | |
US6215893B1 (en) | Apparatus and method for measurement and temporal comparison of skin surface images | |
Li et al. | Content-weighted video quality assessment using a three-component image model | |
TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
JP2021504816A (ja) | 骨年齢評価と身長予測モデル、そのシステム及びその予測方法 | |
CN106204523A (zh) | 一种图像质量度量方法及装置 | |
Shrestha et al. | A quantitative approach to evaluate image quality of whole slide imaging scanners | |
CN103164852A (zh) | 图像处理装置以及图像处理方法 | |
CN103249358A (zh) | 医用图像处理装置 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
CN103767728A (zh) | 影像辨识方法及影像辨识系统 | |
Chen et al. | Evaluating fabric pilling with light-projected image analysis | |
CN105466921A (zh) | 一种多样品同时检测的方法 | |
CN105427306A (zh) | 皮肤光泽度的图像分析方法和装置 | |
JP2006507579A (ja) | 核多形性の組織学的評価 | |
Douglas et al. | A review of facial image analysis for delineation of the facial phenotype associated with fetal alcohol syndrome | |
Voo et al. | Quality assessment of stereoscopic image by 3D structural similarity | |
CN112488997B (zh) | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 | |
US9668653B2 (en) | Quantification of under-eye skin color | |
Marcal et al. | Evaluation of the Menzies method potential for automatic dermoscopic image analysis. | |
JPH05329133A (ja) | 皮膚表面形態特徴検出方法 | |
CN114494299A (zh) | 温度检测设备 | |
CN113450383A (zh) | 一种免疫层析试纸定量分析方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |