CN107169484B - 基于人眼视觉特性的图像质量评价方法 - Google Patents

基于人眼视觉特性的图像质量评价方法 Download PDF

Info

Publication number
CN107169484B
CN107169484B CN201710575476.1A CN201710575476A CN107169484B CN 107169484 B CN107169484 B CN 107169484B CN 201710575476 A CN201710575476 A CN 201710575476A CN 107169484 B CN107169484 B CN 107169484B
Authority
CN
China
Prior art keywords
image
evaluated
scale
significance
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.)
Active
Application number
CN201710575476.1A
Other languages
English (en)
Other versions
CN107169484A (zh
Inventor
唐贵进
张诗
林宝栋
刘小花
崔子冠
刘峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201710575476.1A priority Critical patent/CN107169484B/zh
Publication of CN107169484A publication Critical patent/CN107169484A/zh
Application granted granted Critical
Publication of CN107169484B publication Critical patent/CN107169484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20052—Discrete cosine transform [DCT]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明公开了一种基于人眼视觉特性的图像质量评价方法，可以对无参考帧情况下的图像处理后的效果进行客观评价。本发明的质量评价方法首先生成输入图像的显著度图像，然后对原图和显著度图像都进行尺度划分，接着在每个尺度上提取原图像的特征，并利用凸显人眼感兴趣区域的显著度图像的加权策略，对原图像的特征加权得到不同尺度的质量因子，最后对各个尺度的质量因子加权平均得到最终的图像质量评价指标。本发明的方法充分考虑了人眼的视觉特性，因此能更有效、更准确地对图像质量进行评价。

Description

基于人眼视觉特性的图像质量评价方法
技术领域
本发明涉及一种基于人眼视觉特性的图像质量评价方法，适用无参考帧情况下的图像质量评价，属于计算机视觉研究领域。
背景技术
图像处理技术的不断发展促进了图像质量评价方法深入的研究与应用，图像的质量评价方法一般来评价一幅图像的效果从而判断图像处理算法的优劣。
图像质量评价的方法一般分为两种方式：主观评价和客观评价。主观评价主要分为基于色知觉的主观评价和基于嗜好的主观评价，它是一种定性的评价方法。ITU推荐了双刺激连续质量尺度法、双刺激损伤尺度法、单刺激连续质量度量法等，以获取主观评分。客观评价从本质上是通过恰当的物理量或者是质量特性参数来对图像质量进行量化的描述。客观图像质量评价方法分为3种：(1)全参考图像质量评价法；(2)半参考图像质量评价法；(3)无参考图像质量评价法。
图像处理算法越来越成熟，但在无参考帧的情况下，一直缺乏一个客观有效的通用的评价体系和方法。而且现有的很多图像质量评价方法也没有很好地将人眼的视觉感知特性融入其中。这就导致了一个算法的优劣通常需要主观实验的方法来判定评价，但是主观质量评价对于人力物力的需求巨大，所以其在获得比较准确的评价的同时，带来的结果是操作复杂且成本较高，因此无法广泛应用于实际的算法研究中。客观质量评价主要是根据人的主观评价中的感受建立相对应的数学模型，然后根据数学模型生成的数学公式计算，从而得到类似于主观评价的质量指标，该方法成本低且计算简单，是一种大量使用的方法。数学模型对于最后的评价结果有着决定性的影响。目前常见的客观质量评价指标有如下几类：(1)图像对比度；(2)图像信息熵；(3)图像的清晰度；(4)图像的自然性保持。
单一的图像特征信息提取往往会造成评价效果精确度的下降，对有些图像无法达到主客观相一致的效果。
发明内容
针对上述问题，本发明设计了一种基于人眼视觉特性的图像质量评价方法，使得主客观评价基本一致，避免了单一特征的局限性。本发明的目的是利用人眼的视觉特性，使用影响人眼视觉感知图像的负面特征作为一幅图像的主要特征，同时采取多尺度的图像处理不仅避免了单尺度的局限性，同时也诠释了人眼在感知图像时的多层次性。最后采用的基于显著度的权重分配策略也是符合人眼视觉特性的。本发明包含了影响人眼视觉的特征的提取、多尺度的分离、以及显著度权重矩阵的生成等环节，以实现客观评价与主观评价在主要方面的一致。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种基于人眼视觉特性的图像质量评价方法，其特征在于，包括以下具体步骤：
步骤1，生成待评价图像的显著度图像以及显著度权重矩阵；
步骤2，分别对待评价图像及其显著度图像进行尺度划分；
步骤3，对尺度划分后待评价图像的每个尺度进行图像特征的提取，并将各个尺度提取的图像特征进行合并，得到各个尺度下待评价图像的特征质量分布矩阵；
步骤4，对各个尺度的显著度权重矩阵和质量分布矩阵进行加权处理，得到待评价图像的质量评价指标，实现对待评价图像的质量评价。
作为本发明的进一步技术方案，步骤1中待评价图像的显著度图像的生成方法为：
1.1，将待评价图像分解为RGB三通道图像，分别对三通道图像进行DCT变换，并利用sign函数获得各个通道的图像描述子；
1.2，对步骤1.1获得的图像描述子进行反DCT变换，重建待评价图像的显著性区域图；
1.3，对步骤1.2中重建的显著性区域图进行合成，生成待评价图像的特征图；
1.4，通过高斯滤波去除步骤1.3中待评价图像的特征图中的噪声，得到待评价图像的显著度图像，并利用人眼视觉灵敏度函数获得显著度权重矩阵。
作为本发明的进一步技术方案，步骤2中采用降采样方法进行图像的尺度划分。
作为本发明的进一步技术方案，步骤3中图像特征的提取包括：模糊度的提取、噪声度的提取以及方块度的提取。
作为本发明的进一步技术方案，步骤3中特征质量分布矩阵FQD(x,y)＝Blurriness(x,y)×Noisiness(x,y)×Blockiness，其中，Blurriness(x,y)表示图像的模糊度，Noisiness(x,y)表示图像的噪声度，Blockiness表示图像的方块度。
作为本发明的进一步技术方案，步骤4中待评价图像的质量评价指标为：
Figure BDA0001350840160000021
其中，λ表示尺度数量，
Figure BDA0001350840160000031
M、N表示第k个尺度图像的长、宽，FQDk(x,y)表示第k个尺度下待评价图像的特征质量分布矩阵，Wk(x,y)表示第k个尺度下的显著度权重矩阵。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、大部分现有的质量评价方法都在单尺度上进行，忽略了单尺度评价方法的不足；本发明使用多尺度的加权策略，避免了单尺度的不足，在最终的评价效果上能满足人眼的视觉特性；
2、本发明中图像特征的提取区别于现如今的一些方法。很多方法提取的特征是正特征，这样的特征提取是提取图像中能被人眼接受的一些细节；而在本发明中，提取的特征是负特征，这样的特征不仅影响人眼视觉特性，而且客观上也是导致图像效果不佳的体现；
3、每个尺度分别利用显著度权重矩阵加权策略，可以凸显人眼视觉关注区域的图像特征，并抑制非视觉关注区域的特征，从而可以使评价指标可信度更高；最后的加权平均不仅可以避免某个尺度的误差，而且计算简单、复杂度低。
附图说明
图1是本发明基于人眼视觉特性的图像质量评价方法的流程图；
图2是本发明中输入图像使用降采样实现多尺度的示意图；
图3是本发明中显著度图像的提取直观效果图，其中，(a)是质量较差的图像，(b)是(a)的显著度图像，(c)是质量较好的图像，(d)是(c)的显著度图像；
图4是本发明中显著度图像进行降采样示意图；
图5是本发明中两个滤波器滤波图，其中，(a)是Filter1平均滤波器，(b)是Filter2转换滤波器。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明针对现在普遍的主客观评价的不一致的现象，提出的基于人眼视觉特性的图像质量评价方法不仅克服了单尺度评价的精确度较低的缺点，而且也更符合人眼的视觉特性。同时，本发明的方法复杂度低、计算量小。
如图1所示的是本发明的详细步骤：
1、首先输入需要进行质量评价的图像，然后生成原图像的显著度图像。图像的显著特性能模仿人类的视觉观察过程，满足人眼的视觉特性。
显著度图像的生成方法如下：
(1)将原图像分解为RGB三个通道，然后对每个通道进行DCT变换从而使其从空域变换到变换域，并利用sign函数进行处理来获得各个通道的图像描述子Is(x)。
Is(x)＝sign[f(x)]
其中，f(·)是DCT变换函数，sign是符号函数。
(2)得到图像描述子之后，再对其进行反DCT变换重建图像的显著性区域图。
xf＝f'[·]
其中，xf是分离出来的显著性区域图，f'[·]是DCT反变换函数。
(3)在重建每个通道的显著性区域图后，合成原图像的特征图。
Si＝xf·xf
Figure BDA0001350840160000041
其中，Si是第i个通道的平方图像，fM表示原图像的特征图。
(4)通过高斯滤波来去除fM在提取图像描述子过程中产生的噪声，获得原图像的显著度图像。从图3中的(a)-(d)可以很明显的看出质量较好的图像的显著度区域比质量较差的图像的显著度区域大。最后利用人眼视觉灵敏度函数进行修正来获得显著度权重矩阵：
SM＝G*fM
W(x.y)＝SM·csf
csf＝2.6(0.192+0.114f)exp[-(0114f)1.1]
其中，G为滤波核σ＝0.05的高斯滤波算子，csf是视觉灵敏度函数，W(x.y)是显著度权重矩阵。
2、在上述获得显著度图像之后，分别对原图像和显著度图像进行尺度划分。对于图像特征的提取要在不同尺度上进行，避免单尺度的局限性，满足了人眼视觉感知过程的多尺度特性。在本发明中多尺度分离采取的方法是降采样。
如图2所示，首先将需要进行尺度划分的图像认为是第一个尺度，那么降采样一次之后获得的图像即为第二个尺度的图像，然后再以第二个尺度图像为基准，继续降采样获得第三个尺度的图像，依次降采样直到获得第五个尺度的图像为止。本发明中，显著度图像进行降采样如图4所示。
3、在获得原图像的五个尺度的图像之后，对于每个尺度都进行图像特征的提取。图像特征的提取满足人类的主观感知的图像质量，显著度权重矩阵的采集满足人眼的视觉特性。图像的特征提取要考虑人眼的视觉特性，同时这些特征是图像的主要代表特征。
本发明提取的图像特征是影响人眼视觉的三个主要特征：图像的模糊度、噪声度和方块度，提取方法如下所示：
(1)模糊度(Blurriness)的提取：图像的模糊度可以用如下公式计算
Figure BDA0001350840160000051
gb(x,y)＝B(x,y)-B'(x,y)
其中，B(x,y)和B'(x,y)可以通过两个滤波器获得，将不同尺度的原图像经过滤波器Filter2滤波获得B(x,y)，经过滤波器Filter1和Filter2滤波获得B'(x,y)。如图5中的(a)和(b)所示，滤波器Filter1是一个平均滤波器，滤波器Filter2是一个转换滤波器，并且Filter2对图像滤波之后可以将图像中的所有像素遵循平均值为零的拉普拉斯分布。m、n、p、q为参数，默认值为1。
(2)噪声度(Noisiness)的提取：图像的噪声度可以通过下面的公式计算
Figure BDA0001350840160000052
gn(x,y)＝N'(x,y)-N(x,y)
其中，N(x,y)的获得依旧用平均滤波器Filter1对原图像滤波获得，而在获取N'(x,y)时，需要在图像中添加一定的高斯噪声，然后再通过Filter1对原图像滤波获得。m、n、p、q为参数，默认值为1。
(3)方块度(Blockiness)的提取：图像的方块度可以用下面的公式计算
Figure BDA0001350840160000053
Figure BDA0001350840160000054
其中，hN1和hN2是比原图像水平方向阈值大的像素数量，vN1和vN2是比原图像垂直方向阈值大的像素数量，根据上述的第二个公式可以计算出gb。g'b是当原图像的图像块的数量增大15％时，根据gb的计算公式重新计算出来的值。
(4)在每个尺度上将图像的特征进行合并得到特征质量分布(Feature QualityDistribution，FQD)，这里采取公式：FQD(x,y)＝Blurriness(x,y)×Noisiness(x,y)×Blockiness，得到图像特征的整体质量分布矩阵。
4、对各个尺度的图像特征进行显著度加权，得到各尺度图像的质量评价指标，并加权平均从而得到最终的质量评价指标，对每个尺度的质量评价指标加权平均得到更有效、更准确的评价指标。
图像多尺度划分的第k个尺度的图像质量指标Qk由第k个尺度质量分布矩阵与相应的权重函数Wk得到：
Figure BDA0001350840160000061
其中，M,N为第k尺度图像的长、宽，这里的图像可以指待评价图像也可以指显著度图像，因为它们两个在不同尺度中的尺寸是相同的。
最后根据每个尺度下的图像质量指标进行加权平均得到最终的图像质量评价指标：
Figure BDA0001350840160000062
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (1)

1.基于人眼视觉特性的图像质量评价方法，其特征在于，包括以下具体步骤：
步骤1，生成待评价图像的显著度图像以及显著度权重矩阵，包括：
待评价图像的显著度图像的生成方法为：
1.1，将待评价图像分解为RGB三通道图像，分别对三通道图像进行DCT变换，并利用sign函数获得各个通道的图像描述子；
1.2，对步骤1.1获得的图像描述子进行反DCT变换，重建待评价图像的显著性区域图；
1.3，对步骤1.2中重建的显著性区域图进行合成，生成待评价图像的特征图；
1.4，通过高斯滤波去除步骤1.3中待评价图像的特征图中的噪声，得到待评价图像的显著度图像，并利用人眼视觉灵敏度函数获得显著度权重矩阵；
步骤2，分别对待评价图像及其显著度图像进行尺度划分，采用降采样方法进行图像的尺度划分；
步骤3，对尺度划分后待评价图像的每个尺度进行图像特征的提取，并将各个尺度提取的图像特征进行合并，得到各个尺度下待评价图像的特征质量分布矩阵，图像特征的提取包括：模糊度的提取、噪声度的提取以及方块度的提取，特征质量分布矩阵FQD(x,y)＝Blurriness(x,y)×Noisiness(x,y)×Blockiness，其中，Blurriness(x,y)表示图像的模糊度，Noisiness(x,y)表示图像的噪声度，Blockiness表示图像的方块度；
步骤4，对各个尺度的显著度权重矩阵和质量分布矩阵进行加权处理，得到待评价图像的质量评价指标，实现对待评价图像的质量评价；
待评价图像的质量评价指标为：
Figure FDA0002713101010000011
其中，λ表示尺度数量，
Figure FDA0002713101010000012
M、N表示第k个尺度图像的长、宽，FQDk(x,y)表示第k个尺度下待评价图像的特征质量分布矩阵，Wk(x,y)表示第k个尺度下的显著度权重矩阵；
所述方法提取的图像特征是影响人眼视觉的三个特征：图像的模糊度、噪声度和方块度，提取方法如下所示：
(1)模糊度(Blurriness)的提取：图像的模糊度用如下公式计算：
Figure FDA0002713101010000013
gb(x,y)＝B(x,y)-B′(x,y)
其中，B(x,y)和B′(x,y)通过两个滤波器获得，将不同尺度的原图像经过滤波器Filter2滤波获得B(x,y)，经过滤波器Filter1和Filter2滤波获得B′(x,y)，滤波器Filter1是一个平均滤波器，滤波器Filter2是一个转换滤波器，并且Filter2对图像滤波之后可以将图像中的所有像素遵循平均值为零的拉普拉斯分布，m、n、p、q为参数，默认值为1；
(2)噪声度(Noisiness)的提取：图像的噪声度通过下面的公式计算：
Figure FDA0002713101010000021
gn(x,y)＝N′(x,y)-N(x,y)
其中，N(x,y)的获得依旧用平均滤波器Filter1对原图像滤波获得，而在获取N′(x,y)时，需要在图像中添加一定的高斯噪声，然后再通过Filter1对原图像滤波获得，m、n、p、q为参数，默认值为1；
(3)方块度(Blockiness)的提取：图像的方块度用下面的公式计算：
Figure FDA0002713101010000022
Figure FDA0002713101010000023
其中，hN1和hN2是比原图像水平方向阈值大的像素数量，vN1和vN2是比原图像垂直方向阈值大的像素数量，根据上述的第二个公式计算出gb，g′b是当原图像的图像块的数量增大15％时，根据gb的计算公式重新计算出来的值。
CN201710575476.1A 2017-07-14 2017-07-14 基于人眼视觉特性的图像质量评价方法 Active CN107169484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710575476.1A CN107169484B (zh) 2017-07-14 2017-07-14 基于人眼视觉特性的图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710575476.1A CN107169484B (zh) 2017-07-14 2017-07-14 基于人眼视觉特性的图像质量评价方法

Publications (2)

Publication Number Publication Date
CN107169484A CN107169484A (zh) 2017-09-15
CN107169484B true CN107169484B (zh) 2021-01-12

Family

ID=59824176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710575476.1A Active CN107169484B (zh) 2017-07-14 2017-07-14 基于人眼视觉特性的图像质量评价方法

Country Status (1)

Country Link
CN (1) CN107169484B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543820B (zh) * 2018-11-23 2022-09-23 中山大学 基于架构短句约束向量和双重视觉关注机制的图像描述生成方法
CN111079740A (zh) * 2019-12-02 2020-04-28 咪咕文化科技有限公司 图像的质量评价方法、电子设备和计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631890A (zh) * 2016-02-04 2016-06-01 上海文广科技（集团）有限公司 基于图像梯度和相位一致性的失焦图片质量评价方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631890A (zh) * 2016-02-04 2016-06-01 上海文广科技（集团）有限公司 基于图像梯度和相位一致性的失焦图片质量评价方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Detecting visual saliency using image signature;M.Karthikeyan et al;《2015 International Conference on Computing and Communications Technologies》;20151231;第302-305页 *
No-reference image quality assessment based on BNB measurement;Ruigang Fang et al;《ChinaSIP 2013》;20131231;第528-532页 *
一种基于视觉特性的图像质量评价指标;杨迪威 等;《信号处理》;20111130;第27卷(第11期);第1691-1695页 *
基于尺度不变性的无参考图像质量评价;田金沙 等;《计算机应用》;20160310;第36卷(第3期);第789-794页 *

Also Published As

Publication number Publication date
CN107169484A (zh) 2017-09-15

Similar Documents

Publication Publication Date Title
CN108830796B (zh) 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法
CN107862249B (zh) 一种分叉掌纹识别方法及装置
CN110517327B (zh) 一种基于颜色校正和对比度拉伸的水下图像增强方法
Qian et al. 3-D nonlocal means filter with noise estimation for hyperspectral imagery denoising
CN106127688B (zh) 一种超分辨率图像重建方法及其系统
US8401300B2 (en) Targeted image transformation of skin attribute
CN109255358B (zh) 一种基于视觉显著性和深度图的3d图像质量评价方法
CN103426148A (zh) 生成低分辨率输入数据结构的超分辨率版本的方法和设备
CN113837974B (zh) 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法
CN114240797B (zh) 一种oct图像去噪方法、装置、设备及介质
Ahmed et al. Medical image denoising system based on stacked convolutional autoencoder for enhancing 2-dimensional gel electrophoresis noise reduction
CN111612741A (zh) 一种基于失真识别的精确无参考图像质量评价方法
CN106204502B (zh) 基于混合阶l0正则化模糊核估计方法
CN104021523A (zh) 一种基于边缘分类的图像超分辨率放大的新方法
CN107169484B (zh) 基于人眼视觉特性的图像质量评价方法
Singh et al. A review of image fusion: Methods, applications and performance metrics
CN108447058B (zh) 一种图像质量评价方法及系统
Pham Kriging-weighted laplacian kernels for grayscale image sharpening
Njeh et al. Speckle noise reduction in breast ultrasound images: SMU (SRAD median unsharp) approch
CN107203968A (zh) 基于改进的子空间追踪算法的单幅图像超分辨率重建方法
CN106940904A (zh) 基于人脸识别和语音识别的考勤系统
CN113298733A (zh) 一种基于隐式边缘先验的尺度渐进的图像补全方法
CN105930811A (zh) 基于图像处理的手掌纹理特征检测方法
CN112700409A (zh) 视网膜微动脉瘤自动检测方法及成像方法
CN116630198A (zh) 一种结合自适应伽马校正的多尺度融合水下图像增强方法

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170915

Assignee: NANJING NANYOU INSTITUTE OF INFORMATION TECHNOVATION Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2021980014141

Denomination of invention: Image quality evaluation method based on human visual characteristics

Granted publication date: 20210112

License type: Common License

Record date: 20211206

EE01 Entry into force of recordation of patent licensing contract
EC01 Cancellation of recordation of patent licensing contract

Assignee: NANJING NANYOU INSTITUTE OF INFORMATION TECHNOVATION Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2021980014141

Date of cancellation: 20231107

EC01 Cancellation of recordation of patent licensing contract