CN106780449A - 一种基于纹理特征的无参考图像质量评价方法 - Google Patents
一种基于纹理特征的无参考图像质量评价方法 Download PDFInfo
- Publication number
- CN106780449A CN106780449A CN201611109714.1A CN201611109714A CN106780449A CN 106780449 A CN106780449 A CN 106780449A CN 201611109714 A CN201611109714 A CN 201611109714A CN 106780449 A CN106780449 A CN 106780449A
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- gray level
- training
- sampled images
- 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
- G06T2207/20—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
Abstract
本发明涉及一种基于纹理特征的无参考图像质量评价方法。本发明的具体步骤是:首先,将图形数据库分成训练图像集和测试图像集,对每幅图像构建不同尺度下的图像,并对不同尺度下的图像求取归一化亮度图像,并对归一化亮度图像求取四个方向的归一化灰度共生矩阵,然后计算归一化灰度共生矩阵的能量,熵,对比度和相关性组合成特征向量,将特征向量和主观MOS分值送到支持向量机中进行训练,并用训练好的支持向量机对测试图像进行预测,得到客观图像质量评价结果。本发明利用纹理特征进行图像质量评价,与现有算法相比计算复杂度更低,便于实时实现,同时利用多个尺度和多个角度的灰度共生矩阵提取纹理特征,提高了预测精度。
Description
技术领域
本发明属于图像处理领域,涉及一种图像质量评价方法,尤其涉及一种基于纹理特征的无参考图像质量评价方法。
背景技术
图像质量评价是图像处理领域的关键问题,图像质量评价方法根据是否有人的参与可分成主观图像质量评价方法和客观图像质量评价方法。主观图像质量评价方法由人对图像进行打分,评价结果精确,但评价过程复杂,耗时时间长,难以得到实时应用。客观图像质量评价方法无需人的参与,通过特定的计算机算法自动预测图像质量,根据是否使用原始无失真图像作为参考,可将图像质量评价方法分成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。全参考算法使用参考图像的所有信息预测图像质量,半参考图像质量评价方法采用参考图像的部分信息进行图像质量预测,无参考图像质量评价方法不使用参考图像的任何信息进行图像质量评价。本发明设计一种无参考图像质量评价方法。无参考图像质量评价方法分成两类:针对特定失真类型的无参考方法和面向所有失真类型的通用型无参考方法。Moorthy提出了一种基于两步模型的无参考方法BIQI,该方法现对失真类型进行分类,再对每一类别进行质量评价。Bovik提出NIQE算法,该算法通过提取图像的归一化亮度,并用多维高斯分布建模归一化亮度直方图,再提取特征用于图像质量预测。上述算法存在着计算复杂,不能满足实时应用等缺点。针对以上缺点,本发明采用纹理特征进行图像质量评价,图像纹理是图像中存在而难以描述的特征,采用归一化亮度图像的灰度共生矩阵特征描述纹理特征,对图像提取纹理特征后,采用支持向量机对纹理特征进行预测得到客观图像质量评价结果。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于纹理特征的无参考图像质量评价方法。
本发明解决其技术问题所采用的技术方案包括如下具体步骤:
步骤1.将输入图像随机分成训练图像集和测试图像集,并对每幅输入图像进行灰度变换,将彩色图像转换成灰度图像。
步骤2.对每幅灰度图像先进行高斯滤波,得到滤波图像,然后对滤波图像进行下采样,得到不同尺度下的采样图像I。
步骤3.采用大小为N×N的高斯滤波器ω(k,l)对采样图像I进行滤波并求取均值和方差,采用公式如下:
其中,0≤i≤W,0≤j≤H,W为采样图像I的宽度,H为采样图像I的高度。μ(i,j)指采样图像I在坐标为(i,j)处的灰度均值,σ(i,j)指采样图像I在坐标为(i,j)处的灰度均方差,K和L分别为高斯滤波器的高度和宽度。
步骤4.对采样图像I进行归一化操作,采用公式如下:
其中,I(i,j)为坐标为(i,j)处采样图像I的像素取值,C为防止除数为零所加的常数,为归一化图像。
步骤5.对归一化图像求取像素距离d=1,方向为θ=0°,θ=45°,θ=90°和θ=135°四个方向的灰度共生矩阵,具体是:
将归一化图像的灰度级缩放并四舍五入取整到[0,255]范围,同时计算方向为θ=0°,θ=45°,θ=90°和θ=135°四个方向的灰度共生矩阵,分别记为CM0(p,q)、CM45(p,q)、CM90(p,q)和CM135(p,q),其中p和q分别为灰度共生矩阵横向和纵向上的索引值,且0≤p≤255,0≤q≤255。
步骤6.分别计算得到四个方向灰度共生矩阵的归一化灰度共生矩阵,具体计算公式如下:
步骤7.分别对四个方向的归一化灰度共生矩阵计算能量、熵、对比度和相关性,具体步骤如下:
能量计算公式为:
其中θ=0°,45°,90°,135°。公式(8)
共生矩阵熵计算公式为:
其中θ=0°,45°,90°,135°。公式(9)
对比度计算公式为:
其中θ=0°,45°,90°,135°。公式(10)
相关性计算公式如下:
其中,θ=0°,45°,90°,135°,μx和σx为NCMθ(p,q)在横向的均值和均方差,μy和σy为NCMθ(p,q)在纵向的均值和均方差。
步骤8.将不同尺度下四个方向的能量、熵、对比度和相关性组合成特征向量;
步骤9.将训练图像集提取的特征向量合并失真类别送到支持向量机中进行训练,得到训练好的分类支持向量机;将JPEG,JPEG2000,Blur,Noise和Fast Fading各种类型的训练图像集的特征向量合并主观MOS分值,送到五种类型的支持向量回归机中进行训练,对每个类型的训练图像集得到训练好的支持向量回归机。
步骤10.将测试图像集提取的特征向量送到分类支持向量机中输出失真类型概率pi;并将测试图像集提取的特征向量送到五种类型的支持向量回归机中得到预测分值qi。最终的客观图像质量评价分值Q由以下公式计算得到:
本发明有益效果如下:
本发明主要利用纹理特征进行图像质量评价,与现有算法相比计算复杂度更低,便于实时实现,同时利用多个尺度和多个角度的灰度共生矩阵提取纹理特征,提高了预测精度。
附图说明
图1为基于纹理特征的图像质量客观评价方法训练流程图。
图2为基于纹理特征的图像质量客观评价方法测试流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1和图2所示,一种基于纹理特征的无参考图像质量评价方法,具体步骤如下:
步骤1.将美国德州大学奥斯汀分校的LIVE图像数据库中的29幅原始图像及其失真图像随机分成两组:20幅原始图像及其失真图像作为训练图像集,9幅原始图像及其失真图像作为测试图像集;其中失真图像分为JPEG,JPEG2000,Blur,Noise和Fast Fading五种失真类型。将输入图像分成训练图像集和测试图像集,对训练图像集和测试图像集中的每幅图像进行特征提取;
步骤2.对每幅图像进行灰度变换,将彩色图像转换成灰度图像,然后对每幅图像采用大小为5×5,方差为1的高斯滤波器进行高斯滤波,得到滤波后的图像,然后对滤波图像进行2:1下采样,得到3个不同尺度下的采样图像。
步骤3.对不同尺度的采样图像进行亮度归一化操作,具体是:采用大小为7×7,方差为7/6的高斯滤波器ω(k,l)对图像I进行滤波,采用公式如下:
其中K=L=3,μ和σ为7×7邻域滤波所得均值和方差。
步骤4.对亮度图像进行归一化操作,采用公式如下:
其中C取值为1。
步骤5.对输入参考图像的不同尺度的图像求取像素距离d=1,方向为θ=0°,θ=45°,θ=90°和θ=135°四个方向的灰度共生矩阵,具体是:
将归一化亮度矩阵的灰度级缩放并四舍五入取整到[0,255]范围,同时计算方向为θ=0°,θ=45°,θ=90°和θ=135°四个方向的灰度共生矩阵,记为CM0(p,q)、CM45(p,q)、CM90(p,q)和CM135(p,q),其中0≤p≤255,0≤q≤255。
步骤6.计算得到四个方向灰度共生矩阵的归一化灰度共生矩阵,具体计算公式如下:
步骤7.对四个方向的归一化灰度共生矩阵计算能量、熵、对比度和相关性,具体步骤如下:
能量计算公式为:
其中θ=0°,45°,90°,135°。公式(20)
共生矩阵熵计算公式为:
其中θ=0°,45°,90°,135°。公式(21)
对比度计算公式为:
其中θ=0°,45°,90°,135°。公式(22)
相关性计算公式如下:
其中θ=0°,45°,90°,135°。公式(23)
其中μx和σx为NCMθ(p,q)在横向的均值和均方差,μy和σy为NCMθ(p,q)在纵向的均值和均方差。其计算公式如下:
步骤8.将三个尺度下四个方向的能量、熵、对比度和相关性组合成48×1维的特征向量;
步骤9.将训练图像集提取的特征向量合并失真类别送到支持向量机中进行训练,得到训练好的分类支持向量机;将JPEG,JPEG2000,Blur,Noise和Fast Fading各种类型的训练图像集的特征向量合并主观MOS分值,送到五种类型的支持向量回归机中进行训练,对每个类型的训练图像集得到训练好的支持向量回归机。
步骤10.将测试图像集提取的特征向量送到分类支持向量机中输出失真类型概率pi,其中1≤i≤5;并将测试图像集提取的特征向量送到五种类型的支持向量回归机中得到预测分值qi,其中1≤i≤5。最终的客观图像质量评价分值Q由以下公式计算得到:
其中支持向量机采用LIBSVM实现,采用svmtrain实现支持向量机的训练,采用svmpredict实现支持向量机的预测,采用svmscale实现支持向量机的缩放。
Claims (1)
1.一种基于纹理特征的无参考图像质量评价方法,其特征在于包括如下步骤:
步骤1.将输入图像随机分成训练图像集和测试图像集,并对每幅输入图像进行灰度变换,将彩色图像转换成灰度图像;
步骤2.对每幅灰度图像先进行高斯滤波,得到滤波图像,然后对滤波图像进行下采样,得到不同尺度下的采样图像I;
步骤3.采用N×N的高斯滤波器ω(k,l)对采样图像I进行滤波并求取均值和方差,采用公式如下:
其中,0≤i≤W,0≤j≤H,W为采样图像I的宽度,H为采样图像I的高度;μ(i,j)指采样图像I在坐标为(i,j)处的灰度均值,σ(i,j)指采样图像I在坐标为(i,j)处的灰度均方差,ω(k,l)坐标为(k,l)处的高斯滤波器系数,K和L分别为高斯滤波器的高度和宽度;
步骤4.对采样图像I进行归一化操作,采用公式如下:
其中,I(i,j)为坐标为(i,j)处采样图像I的像素取值,C为防止除数为零所加的常数,为归一化图像;
步骤5.对归一化图像求取像素距离d=1,方向为θ=0°,θ=45°,θ=90°和θ=135°四个方向的灰度共生矩阵,具体是:
将归一化图像的灰度级缩放并四舍五入取整到[0,255]范围,同时计算方向为θ=0°,θ=45°,θ=90°和θ=135°四个方向的灰度共生矩阵,分别记为CM0(p,q)、CM45(p,q)、CM90(p,q)和CM135(p,q),其中p和q分别为灰度共生矩阵横向和纵向上的索引值,且0≤p≤255,0≤q≤255;
步骤6.分别计算得到四个方向灰度共生矩阵的归一化灰度共生矩阵,具体计算公式如下:
步骤7.分别对四个方向的归一化灰度共生矩阵计算能量、熵、对比度和相关性,具体步骤如下:
能量计算公式为:
其中θ=0°,45°,90°,135°;公式(8)
共生矩阵熵计算公式为:
其中θ=0°,45°,90°,135°;公式(9)对比度计算公式为:
其中θ=0°,45°,90°,135°;公式(10)
相关性计算公式如下:
其中,θ=0°,45°,90°,135°,μx和σx为NCMθ(p,q)在横向的均值和均方差,μy和σy为NCMθ(p,q)在纵向的均值和均方差;
步骤8.将不同尺度下四个方向的能量、熵、对比度和相关性组合成特征向量;
步骤9.将训练图像集提取的特征向量合并失真类别送到支持向量机中进行训练,得到训练好的分类支持向量机;将JPEG,JPEG2000,Blur,Noise和Fast Fading各种类型的训练图像集的特征向量合并主观MOS分值,送到五种类型的支持向量回归机中进行训练,对每个类型的训练图像集得到训练好的支持向量回归机;
步骤10.将测试图像集提取的特征向量送到分类支持向量机中输出失真类型概率pi;并将测试图像集提取的特征向量送到五种类型的支持向量回归机中得到预测分值qi;最终的客观图像质量评价Q由以下公式计算得到:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611109714.1A CN106780449A (zh) | 2016-12-06 | 2016-12-06 | 一种基于纹理特征的无参考图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611109714.1A CN106780449A (zh) | 2016-12-06 | 2016-12-06 | 一种基于纹理特征的无参考图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106780449A true CN106780449A (zh) | 2017-05-31 |
Family
ID=58878280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611109714.1A Pending CN106780449A (zh) | 2016-12-06 | 2016-12-06 | 一种基于纹理特征的无参考图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780449A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107343196A (zh) * | 2017-07-18 | 2017-11-10 | 天津大学 | 一种混合失真无参考图像质量评价方法 |
CN107767367A (zh) * | 2017-09-26 | 2018-03-06 | 天津大学 | 一种针对hdr图的无参考质量客观评价方法 |
CN107798674A (zh) * | 2017-09-15 | 2018-03-13 | 华南理工大学 | 一种金属工件表面结构误检结果的排除方法 |
CN108399620A (zh) * | 2018-03-19 | 2018-08-14 | 嘉兴学院 | 一种基于低秩稀疏矩阵分解的图像质量评价方法 |
CN108447058A (zh) * | 2018-03-30 | 2018-08-24 | 北京理工大学 | 一种图像质量评价方法及系统 |
CN109003265A (zh) * | 2018-07-09 | 2018-12-14 | 嘉兴学院 | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 |
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
CN109523542A (zh) * | 2018-11-23 | 2019-03-26 | 嘉兴学院 | 一种基于彩色向量夹角lbp算子的无参考彩色图像质量评价方法 |
CN109801320A (zh) * | 2019-01-26 | 2019-05-24 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于面部分区的皮肤干燥状态智能识别方法及系统 |
CN109919894A (zh) * | 2017-12-07 | 2019-06-21 | 航天信息股份有限公司 | 一种基于人类视觉特性的无参考图像质量评价方法及系统 |
CN109949264A (zh) * | 2017-12-20 | 2019-06-28 | 深圳先进技术研究院 | 一种图像质量评价方法、设备及存储设备 |
CN111145150A (zh) * | 2019-12-20 | 2020-05-12 | 中国科学院光电技术研究所 | 一种通用型无参考图像质量评价方法 |
CN112419302A (zh) * | 2020-12-08 | 2021-02-26 | 鲁能集团有限公司 | 基于广义回归神经网络的风机设备高光谱图像质量预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049851A (zh) * | 2015-07-06 | 2015-11-11 | 浙江理工大学 | 基于色彩感知的通用无参考图像质量评价方法 |
CN105208374A (zh) * | 2015-08-24 | 2015-12-30 | 宁波大学 | 一种基于深度学习的无参考图像质量客观评价方法 |
CN105744256A (zh) * | 2016-03-31 | 2016-07-06 | 天津大学 | 基于图谱视觉显著的立体图像质量客观评价方法 |
CN106127741A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 基于改良自然场景统计模型的无参考图像质量评价方法 |
-
2016
- 2016-12-06 CN CN201611109714.1A patent/CN106780449A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049851A (zh) * | 2015-07-06 | 2015-11-11 | 浙江理工大学 | 基于色彩感知的通用无参考图像质量评价方法 |
CN105208374A (zh) * | 2015-08-24 | 2015-12-30 | 宁波大学 | 一种基于深度学习的无参考图像质量客观评价方法 |
CN105744256A (zh) * | 2016-03-31 | 2016-07-06 | 天津大学 | 基于图谱视觉显著的立体图像质量客观评价方法 |
CN106127741A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 基于改良自然场景统计模型的无参考图像质量评价方法 |
Non-Patent Citations (3)
Title |
---|
杨迪威: ""基于自然统计特性的图像质量评价方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
王亚真 等: ""基于支持向量机的中医舌图像质量评价研究"", 《北京生物医学工程》 * |
解丹婷: ""失真图像无参考质量评价方法的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107343196A (zh) * | 2017-07-18 | 2017-11-10 | 天津大学 | 一种混合失真无参考图像质量评价方法 |
CN107798674A (zh) * | 2017-09-15 | 2018-03-13 | 华南理工大学 | 一种金属工件表面结构误检结果的排除方法 |
CN107798674B (zh) * | 2017-09-15 | 2021-04-23 | 华南理工大学 | 一种金属工件表面结构误检结果的排除方法 |
CN107767367A (zh) * | 2017-09-26 | 2018-03-06 | 天津大学 | 一种针对hdr图的无参考质量客观评价方法 |
CN109919894A (zh) * | 2017-12-07 | 2019-06-21 | 航天信息股份有限公司 | 一种基于人类视觉特性的无参考图像质量评价方法及系统 |
CN109949264A (zh) * | 2017-12-20 | 2019-06-28 | 深圳先进技术研究院 | 一种图像质量评价方法、设备及存储设备 |
CN108399620A (zh) * | 2018-03-19 | 2018-08-14 | 嘉兴学院 | 一种基于低秩稀疏矩阵分解的图像质量评价方法 |
CN108399620B (zh) * | 2018-03-19 | 2022-04-19 | 嘉兴学院 | 一种基于低秩稀疏矩阵分解的图像质量评价方法 |
CN108447058B (zh) * | 2018-03-30 | 2020-07-14 | 北京理工大学 | 一种图像质量评价方法及系统 |
CN108447058A (zh) * | 2018-03-30 | 2018-08-24 | 北京理工大学 | 一种图像质量评价方法及系统 |
CN109003265A (zh) * | 2018-07-09 | 2018-12-14 | 嘉兴学院 | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 |
CN109003265B (zh) * | 2018-07-09 | 2022-02-11 | 嘉兴学院 | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 |
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
CN109523542A (zh) * | 2018-11-23 | 2019-03-26 | 嘉兴学院 | 一种基于彩色向量夹角lbp算子的无参考彩色图像质量评价方法 |
CN109523542B (zh) * | 2018-11-23 | 2022-12-30 | 嘉兴学院 | 一种基于彩色向量夹角lbp算子的无参考彩色图像质量评价方法 |
CN109801320A (zh) * | 2019-01-26 | 2019-05-24 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于面部分区的皮肤干燥状态智能识别方法及系统 |
CN111145150A (zh) * | 2019-12-20 | 2020-05-12 | 中国科学院光电技术研究所 | 一种通用型无参考图像质量评价方法 |
CN111145150B (zh) * | 2019-12-20 | 2022-11-11 | 中国科学院光电技术研究所 | 一种通用型无参考图像质量评价方法 |
CN112419302A (zh) * | 2020-12-08 | 2021-02-26 | 鲁能集团有限公司 | 基于广义回归神经网络的风机设备高光谱图像质量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780449A (zh) | 一种基于纹理特征的无参考图像质量评价方法 | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN105740945B (zh) | 一种基于视频分析的人群计数方法 | |
CN109829924B (zh) | 一种基于主体特征分析的图像质量评价方法 | |
CN107481236A (zh) | 一种屏幕图像的质量评价方法 | |
CN102024259B (zh) | 一种菌落自动检测方法 | |
CN106447654B (zh) | 基于统计相似性和双向显著性保真度的图像重定向质量评价方法 | |
CN108846800A (zh) | 一种图像超分辨率重建的无参考图像质量评价方法 | |
CN104021567B (zh) | 基于首数字定律的图像高斯模糊篡改检测方法 | |
CN108510496A (zh) | 基于图像dct域的svd分解的模糊检测方法 | |
CN102184404A (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
CN101655912B (zh) | 小波变换的计算机生成图像与自然图像的检测方法 | |
CN104144339B (zh) | 一种基于人眼感知的质降参考立体图像质量客观评价方法 | |
CN110751635A (zh) | 一种基于帧间差分和hsv颜色空间的口腔检测方法 | |
CN104185022B (zh) | 基于视觉信息失真分解的全参考视频质量评估方法 | |
CN103632373B (zh) | 一种三帧差分高阶统计量结合otsu算法的絮体检测方法 | |
CN109165605A (zh) | 数据中心巡检机器人对于控制柜压板设备状态识别的方法 | |
CN102968793B (zh) | 基于dct域统计特性的自然图像与计算机生成图像的鉴别方法 | |
CN102497576A (zh) | 基于Gabor特征互信息的全参考图像质量评价方法 | |
CN102609891B (zh) | 一种基于纹理特征的数字图像被动盲取证方法 | |
CN116665258A (zh) | 一种手掌图像指缝分割方法 | |
CN109165659B (zh) | 一种基于超像素分割的车辆颜色识别方法 | |
CN103871084B (zh) | 蓝印花布图案识别方法 | |
CN107133634B (zh) | 一种植株水分亏缺程度获取方法及装置 | |
CN109447952A (zh) | 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170531 |