CN107292331A - 基于无监督特征学习的无参考屏幕图像质量评价方法 - Google Patents

基于无监督特征学习的无参考屏幕图像质量评价方法 Download PDF

Info

Publication number
CN107292331A
CN107292331A CN201710368508.0A CN201710368508A CN107292331A CN 107292331 A CN107292331 A CN 107292331A CN 201710368508 A CN201710368508 A CN 201710368508A CN 107292331 A CN107292331 A CN 107292331A
Authority
CN
China
Prior art keywords
screen
org
represent
screen image
normalization
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.)
Granted
Application number
CN201710368508.0A
Other languages
English (en)
Other versions
CN107292331B (zh
Inventor
周武杰
邱薇薇
周扬
赵颖
何成
迟梁
陈芳妮
吴茗蔚
葛丁飞
金国英
孙丽慧
陈寿法
郑卫红
李鑫
吴洁雯
王昕峰
施祥
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.)
Jiaxing Zhixu Information Technology Co ltd
Original Assignee
Zhejiang Lover Health Science and Technology Development Co Ltd
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 Zhejiang Lover Health Science and Technology Development Co Ltd filed Critical Zhejiang Lover Health Science and Technology Development Co Ltd
Priority to CN201710368508.0A priority Critical patent/CN107292331B/zh
Publication of CN107292331A publication Critical patent/CN107292331A/zh
Application granted granted Critical
Publication of CN107292331B publication Critical patent/CN107292331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于无监督特征学习的无参考屏幕图像质量评价方法，其先获取若干幅无失真屏幕图像的归一化屏幕图像；然后根据该归一化屏幕图像，并采用ZCA操作和无监督聚类算法，获得字典码书；接着获取待评价的失真屏幕图像的归一化屏幕图像；而后采用Gaussian kernel similarity weight方法和K‑Nearest Neighbor方法对该归一化屏幕图像进行处理，获得权值特征矩阵；再根据字典码书和权值特征矩阵，并采用LLC算法，获得LLC特征向量；最后利用支持向量回归技术对LLC特征向量进行测试，预测得到待评价的失真屏幕图像的客观质量评价预测值；优点是能够充分考虑到局部信息变化对视觉质量的影响，从而能够提高客观评价结果与主观感知之间的相关性。

Description

基于无监督特征学习的无参考屏幕图像质量评价方法
技术领域
本发明涉及一种图像质量评价方法，尤其是涉及一种基于无监督特征学习的无参考屏幕图像质量评价方法。
背景技术
图像是人类获取信息的重要途径，图像质量表示图像向人或设备提供信息的能力，直接关系着所获取信息的充分性与准确性。然而，图像在获取、处理、传输和存储的过程中，由于各种因素影响将不可避免的产生降质问题，这给信息的获取或图像的后期处理带来了极大困难。因此，建立有效的图像质量评价机制非常重要，如在图像去噪、图像融合等处理过程中可用于各种算法的性能比较、参数选择；在图像编码与通信领域可用于指导整个图像的传输过程并评估系统性能。
图像质量评价方法可以分为两类：主观评价方法和客观评价方法，前者是由观察者对图像质量进行评分，得到平均评价分用以衡量图像质量；后者利用数学模型计算图像质量。主观评价方法的实验结果比较可靠，但费时费力。客观评价方法又可分为三类：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，当前研究最多的是全参考图像质量评价方法，但是多数应用中无法获得相应的原始图像，因此，无参考图像质量评价方法的研究更具实用价值。
无参考图像质量评价方法可分为特定失真评价方法和通用评价方法两种，特定失真评价方法只能对某种特定失真类型的图像进行评价，例如JPEG、JPEG2K及Gblur失真等，无法对其它失真类型的图像及多种处理技术处理后的图像进行质量评价；通用评价方法可以同时对多种失真类型的图像进行质量评价。
现有的通用无参考图像质量评价方法主要针对一般的图像，而针对特殊图像(例如，屏幕图像)的研究相对较少，由于屏幕图像含有文字、图形和图像等内容，因此对屏幕图像采用通用无参考的评价方法更具有挑战性。
发明内容
本发明所要解决的技术问题是提供一种基于无监督特征学习的无参考屏幕图像质量评价方法，其能够充分考虑到局部信息变化对视觉质量的影响，从而能够提高客观评价结果与主观感知之间的相关性。
本发明解决上述技术问题所采用的技术方案为：一种基于无监督特征学习的无参考屏幕图像质量评价方法，其特征在于包括以下步骤：
步骤①：选取N幅无失真屏幕图像，将第i幅无失真屏幕图像记为{Ii,org(x,y)}；然后获取每幅无失真屏幕图像的归一化屏幕图像，将{Ii,org(x,y)}的归一化屏幕图像记为接着采用ZCA操作对每幅无失真屏幕图像的归一化屏幕图像进行处理，得到每幅无失真屏幕图像的归一化屏幕图像的ZCA操作结果图像；再采用无监督聚类算法对所有无失真屏幕图像的归一化屏幕图像的ZCA操作结果图像进行聚类操作，得到矩阵形式表示的字典码书，记为{Corg(x,y)}；
其中，N≥1，1≤i≤N，1≤x≤W,1≤y≤H，W表示{Ii,org(x,y)}的宽度，H表示{Ii,org(x,y)}的高度，Ii,org(x,y)表示{Ii,org(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值，Corg(x,y)表示{Corg(x,y)}中下标为(x,y)的元素的值；
步骤②：令{Id(x,y)}表示待评价的失真屏幕图像；然后获取{Id(x,y)}的归一化屏幕图像，记为再先后采用Gaussian kernel similarity weight方法和K-Nearest Neighbor方法对进行处理，得到{Id(x,y)}的权值特征矩阵，记为{Fd(x,y)}；
其中，1≤x≤W,1≤y≤H，W亦表示{Id(x,y)}的宽度，H亦表示{Id(x,y)}的高度，Id(x,y)表示{Id(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值，Fd(x,y)表示{Fd(x,y)}中下标为(x,y)的元素的值；
步骤③：根据{Corg(x,y)}和{Fd(x,y)}，并采用LLC算法对{Fd(x,y)}进行编码，获得{Id(x,y)}的LLC特征向量；
步骤④：采用n”幅原始的无失真屏幕图像，建立其在不同失真类型不同失真程度下的失真屏幕图像集合，将该失真屏幕图像集合作为训练集，其包括多幅失真屏幕图像；然后利用主观质量评价方法评价出训练集中的每幅失真屏幕图像的主观评分，将训练集中的第k幅失真屏幕图像的主观评分记为DMOSk；再按照步骤②和步骤③的操作，以相同的方式获取训练集中的每幅失真屏幕图像的LLC特征向量；
其中，n”>1，1≤k≤K，K表示训练集中包含的失真屏幕图像的总幅数，K≥5，0≤DMOSk≤100；
步骤⑤：利用支持向量回归对训练集中的所有失真屏幕图像各自的主观评分和LLC特征向量进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对{Id(x,y)}的LLC特征向量进行测试，预测得到{Id(x,y)}的客观质量评价预测值，记为Q，Q＝f(x)，
其中，f()为函数表示形式，Q是x的函数，x为输入，x用于代表{Id(x,y)}的LLC特征向量，(Wopt)T为Wopt的转置矢量，为x的线性函数。
所述的步骤①中，其中，μi,org表示{Ii,org(x,y)}中的所有像素点的像素值的均值，σi,org表示{Ii,org(x,y)}中的所有像素点的像素值的方差。
所述的步骤①中的无监督聚类算法选用无监督K-means聚类算法。
所述的步骤②中，其中，μd表示{Id(x,y)}中的所有像素点的像素值的均值，σd表示{Id(x,y)}中的所有像素点的像素值的方差。
与现有技术相比，本发明的优点在于：
1)本发明方法采用基于人眼视觉特性处理的无监督特征学习方法(即无监督聚类算法)提取局部特征信息，使得本发明方法能够充分考虑到视觉感知特性对局部失真的敏感性。
2)本发明方法采用LLC对特征进行编码，能更好的表达图像视觉特征。
3)本发明方法采用符合人脑机理特性的支持向量回归(SVR)预测得到待评价的失真屏幕图像的客观质量评价预测值，能有效地提高客观评价结果与主观感知之间的相关性。
附图说明
图1为本发明方法的总体实现框图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于无监督特征学习的无参考屏幕图像质量评价方法，其总体实现框图如图1所示，其包括以下步骤：
步骤①：选取N幅无失真屏幕图像，将第i幅无失真屏幕图像记为{Ii,org(x,y)}；然后获取每幅无失真屏幕图像的归一化屏幕图像，将{Ii,org(x,y)}的归一化屏幕图像记为接着采用现有的ZCA(Zero-phase Component Analysis，ZCA)操作对每幅无失真屏幕图像的归一化屏幕图像进行处理，得到每幅无失真屏幕图像的归一化屏幕图像的ZCA操作结果图像；再采用现有的无监督聚类算法对所有无失真屏幕图像的归一化屏幕图像的ZCA操作结果图像进行聚类操作，得到矩阵形式表示的字典码书，记为{Corg(x,y)}；其中，N≥1，1≤i≤N，1≤x≤W,1≤y≤H，W表示{Ii,org(x,y)}的宽度，H表示{Ii,org(x,y)}的高度，Ii,org(x,y)表示{Ii,org(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值，Corg(x,y)表示{Corg(x,y)}中下标为(x,y)的元素的值。
在本实施例中，步骤①中，其中，μi,org表示{Ii,org(x,y)}中的所有像素点的像素值的均值，σi,org表示{Ii,org(x,y)}中的所有像素点的像素值的方差。
在本实施例中，步骤①中的无监督聚类算法选用无监督K-means聚类算法。
步骤②：令{Id(x,y)}表示待评价的失真屏幕图像；然后获取{Id(x,y)}的归一化屏幕图像，记为再先后采用现有的Gaussian kernel similarity weight方法和现有的K-Nearest Neighbor方法对进行处理，得到{Id(x,y)}的权值特征矩阵，记为{Fd(x,y)}；其中，1≤x≤W,1≤y≤H，W亦表示{Id(x,y)}的宽度，H亦表示{Id(x,y)}的高度，Id(x,y)表示{Id(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值，Fd(x,y)表示{Fd(x,y)}中下标为(x,y)的元素的值。
在本实施例中，步骤②中，其中，μd表示{Id(x,y)}中的所有像素点的像素值的均值，σd表示{Id(x,y)}中的所有像素点的像素值的方差。
步骤③：根据{Corg(x,y)}和{Fd(x,y)}，并采用LLC(Locality-constrainedLinear Codeing，LLC)算法对{Fd(x,y)}进行编码，获得{Id(x,y)}的LLC特征向量。
步骤④：采用n”幅原始的无失真屏幕图像，建立其在不同失真类型不同失真程度下的失真屏幕图像集合，将该失真屏幕图像集合作为训练集，其包括多幅失真屏幕图像；然后利用现有的主观质量评价方法评价出训练集中的每幅失真屏幕图像的主观评分，将训练集中的第k幅失真屏幕图像的主观评分记为DMOSk；再按照步骤②和步骤③的操作，以相同的方式获取训练集中的每幅失真屏幕图像的LLC特征向量；其中，n”>1，如取n”＝10，1≤k≤K，K表示训练集中包含的失真屏幕图像的总幅数，K≥5，如K＝70，0≤DMOSk≤100。
步骤⑤：支持向量回归(SupportVectorRegression，SVR)是基于结构风险最小化准则的新型机器学习方法和统计学理论，其可以有效地抑制过拟合问题，因此本发明利用支持向量回归对训练集中的所有失真屏幕图像各自的主观评分和LLC特征向量进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对{Id(x,y)}的LLC特征向量进行测试，预测得到{Id(x,y)}的客观质量评价预测值，记为Q，Q＝f(x)，其中，f()为函数表示形式，Q是x的函数，x为输入，x用于代表{Id(x,y)}的LLC特征向量，(Wopt)T为Wopt的转置矢量，为x的线性函数。
为了进一步验证本发明方法的可行性和有效性，进行实验。
在此，采用NTU屏幕图像库来分析利用本发明方法得到的失真屏幕图像的客观质量评价预测值与主观评分之间的相关性。这里，利用评估屏幕图像质量评价方法的3个常用客观参量作为评价指标，即非线性回归条件下的Pearson相关系数(Pearson linearcorrelation coefficient，PLCC)、Spearman相关系数(Spearman rank ordercorrelation coefficient，SROCC)、均方误差(root mean squared error，RMSE)，PLCC和RMSE反映失真屏幕图像的客观评价结果的准确性，SROCC反映其单调性。
利用本发明方法计算NTU屏幕图像库中的每幅失真屏幕图像的客观质量评价预测值，再利用现有的主观质量评价方法获得NTU屏幕图像库中的每幅失真屏幕图像的主观评分。将按本发明方法计算得到的失真屏幕图像的客观质量评价预测值做五参数Logistic函数非线性拟合，PLCC和SROCC值越高，RMSE值越低说明客观评价方法的客观评价结果与平均主观评分差值之间的相关性越好。反映本发明方法的质量评价性能的PLCC、SROCC和RMSE相关系数如表1所列。从表1所列的数据可知，按本发明方法得到的失真屏幕图像的客观质量评价预测值与主观评分之间的相关性是很好的，表明客观评价结果与人眼主观感知的结果较为一致，足以说明本发明方法的可行性和有效性。
表1 利用本发明方法得到的失真屏幕图像的客观质量评价预测值与主观评分之间的相关性

Claims (4)

1.一种基于无监督特征学习的无参考屏幕图像质量评价方法，其特征在于包括以下步骤：
步骤①：选取N幅无失真屏幕图像，将第i幅无失真屏幕图像记为{Ii,org(x,y)}；然后获取每幅无失真屏幕图像的归一化屏幕图像，将{Ii,org(x,y)}的归一化屏幕图像记为接着采用ZCA操作对每幅无失真屏幕图像的归一化屏幕图像进行处理，得到每幅无失真屏幕图像的归一化屏幕图像的ZCA操作结果图像；再采用无监督聚类算法对所有无失真屏幕图像的归一化屏幕图像的ZCA操作结果图像进行聚类操作，得到矩阵形式表示的字典码书，记为{Corg(x,y)}；
其中，N≥1，1≤i≤N，1≤x≤W,1≤y≤H，W表示{Ii,org(x,y)}的宽度，H表示{Ii,org(x,y)}的高度，Ii,org(x,y)表示{Ii,org(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值，Corg(x,y)表示{Corg(x,y)}中下标为(x,y)的元素的值；
步骤②：令{Id(x,y)}表示待评价的失真屏幕图像；然后获取{Id(x,y)}的归一化屏幕图像，记为再先后采用Gaussian kernel similarity weight方法和K-NearestNeighbor方法对进行处理，得到{Id(x,y)}的权值特征矩阵，记为{Fd(x,y)}；
其中，1≤x≤W,1≤y≤H，W亦表示{Id(x,y)}的宽度，H亦表示{Id(x,y)}的高度，Id(x,y)表示{Id(x,y)}中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值，Fd(x,y)表示{Fd(x,y)}中下标为(x,y)的元素的值；
步骤③：根据{Corg(x,y)}和{Fd(x,y)}，并采用LLC算法对{Fd(x,y)}进行编码，获得{Id(x,y)}的LLC特征向量；
步骤④：采用n”幅原始的无失真屏幕图像，建立其在不同失真类型不同失真程度下的失真屏幕图像集合，将该失真屏幕图像集合作为训练集，其包括多幅失真屏幕图像；然后利用主观质量评价方法评价出训练集中的每幅失真屏幕图像的主观评分，将训练集中的第k幅失真屏幕图像的主观评分记为DMOSk；再按照步骤②和步骤③的操作，以相同的方式获取训练集中的每幅失真屏幕图像的LLC特征向量；
其中，n”>1，1≤k≤K，K表示训练集中包含的失真屏幕图像的总幅数，K≥5，0≤DMOSk≤100；
步骤⑤：利用支持向量回归对训练集中的所有失真屏幕图像各自的主观评分和LLC特征向量进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对{Id(x,y)}的LLC特征向量进行测试，预测得到{Id(x,y)}的客观质量评价预测值，记为Q，Q＝f(x)，
其中，f()为函数表示形式，Q是x的函数，x为输入，x用于代表{Id(x,y)}的LLC特征向量，(Wopt)T为Wopt的转置矢量，为x的线性函数。
2.根据权利要求1所述的基于无监督特征学习的无参考屏幕图像质量评价方法，其特征在于所述的步骤①中，其中，μi,org表示{Ii,org(x,y)}中的所有像素点的像素值的均值，σi,org表示{Ii,org(x,y)}中的所有像素点的像素值的方差。
3.根据权利要求1或2所述的基于无监督特征学习的无参考屏幕图像质量评价方法，其特征在于所述的步骤①中的无监督聚类算法选用无监督K-means聚类算法。
4.根据权利要求3所述的基于无监督特征学习的无参考屏幕图像质量评价方法，其特征在于所述的步骤②中，其中，μd表示{Id(x,y)}中的所有像素点的像素值的均值，σd表示{Id(x,y)}中的所有像素点的像素值的方差。
CN201710368508.0A 2017-05-22 2017-05-22 基于无监督特征学习的无参考屏幕图像质量评价方法 Active CN107292331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710368508.0A CN107292331B (zh) 2017-05-22 2017-05-22 基于无监督特征学习的无参考屏幕图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710368508.0A CN107292331B (zh) 2017-05-22 2017-05-22 基于无监督特征学习的无参考屏幕图像质量评价方法

Publications (2)

Publication Number Publication Date
CN107292331A true CN107292331A (zh) 2017-10-24
CN107292331B CN107292331B (zh) 2019-06-11

Family

ID=60094554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710368508.0A Active CN107292331B (zh) 2017-05-22 2017-05-22 基于无监督特征学习的无参考屏幕图像质量评价方法

Country Status (1)

Country Link
CN (1) CN107292331B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544504A (zh) * 2018-10-16 2019-03-29 天津大学 基于稀疏表示的屏幕图像质量评价方法
CN109977815A (zh) * 2019-03-13 2019-07-05 上海商汤智能科技有限公司 图像质量评价方法及装置、电子设备、存储介质
CN110473148A (zh) * 2019-01-17 2019-11-19 张红梅 计算机质量判断系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105261013A (zh) * 2015-09-25 2016-01-20 孙高磊 一种扫描图像质量综合评价方法及评价系统
US20160379352A1 (en) * 2015-06-24 2016-12-29 Samsung Electronics Co., Ltd. Label-free non-reference image quality assessment via deep neural network
CN106504230A (zh) * 2016-10-11 2017-03-15 华侨大学 基于相位一致性的全参考彩色屏幕图像质量评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160379352A1 (en) * 2015-06-24 2016-12-29 Samsung Electronics Co., Ltd. Label-free non-reference image quality assessment via deep neural network
CN105261013A (zh) * 2015-09-25 2016-01-20 孙高磊 一种扫描图像质量综合评价方法及评价系统
CN106504230A (zh) * 2016-10-11 2017-03-15 华侨大学 基于相位一致性的全参考彩色屏幕图像质量评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LINGXUAN ZUO等: "Screen content image quality assessment via convolutional neural network", 《2016 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
李从利 等: "基于码书的雾天图像质量评价方法研究", 《图学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544504A (zh) * 2018-10-16 2019-03-29 天津大学 基于稀疏表示的屏幕图像质量评价方法
CN110473148A (zh) * 2019-01-17 2019-11-19 张红梅 计算机质量判断系统
CN110473148B (zh) * 2019-01-17 2020-09-29 平湖市凯荣亿机械科技有限公司 计算机质量判断系统
CN109977815A (zh) * 2019-03-13 2019-07-05 上海商汤智能科技有限公司 图像质量评价方法及装置、电子设备、存储介质

Also Published As

Publication number Publication date
CN107292331B (zh) 2019-06-11

Similar Documents

Publication Publication Date Title
CN104902267B (zh) 一种基于梯度信息的无参考图像质量评价方法
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
US9734567B2 (en) Label-free non-reference image quality assessment via deep neural network
Xue et al. Learning without human scores for blind image quality assessment
CN106600597B (zh) 一种基于局部二值模式的无参考彩色图像质量评价方法
CN104658002B (zh) 一种无参考图像客观质量评价方法
Yue et al. Effective and efficient blind quality evaluator for contrast distorted images
CN107770517A (zh) 基于图像失真类型的全参考图像质量评价方法
Wang et al. Image quality assessment based on local linear information and distortion-specific compensation
CN105574901B (zh) 一种基于局部对比度模式的通用无参考图像质量评价方法
CN107146220B (zh) 一种通用型无参考图像质量评价方法
CN106791822B (zh) 一种基于单双目特征学习的无参考立体图像质量评价方法
CN105243385B (zh) 一种基于非监督学习的图像质量评价方法
CN107292331B (zh) 基于无监督特征学习的无参考屏幕图像质量评价方法
CN107743225A (zh) 一种利用多层深度表征进行无参考图像质量预测的方法
CN105357519A (zh) 基于自相似度特征的无参考立体图像质量客观评价方法
CN107146216A (zh) 一种基于梯度自相似度的无参考图像客观质量评价方法
CN104902268A (zh) 基于局部三元模式的无参考立体图像客观质量评价方法
CN106683079B (zh) 一种基于结构失真的无参考图像客观质量评价方法
CN110717892B (zh) 一种色调映射图像质量评价方法
CN106210710B (zh) 一种基于多尺度字典的立体图像视觉舒适度评价方法
CN107274388A (zh) 一种基于全局信息的无参考屏幕图像质量评价方法
Yang et al. EHNQ: Subjective and objective quality evaluation of enhanced night-time images
He et al. Fast image quality assessment via supervised iterative quantization method
CN115457015A (zh) 一种基于视觉交互感知双流网络的图像无参考质量评估方法及装置

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
TR01 Transfer of patent right

Effective date of registration: 20210928

Address after: 510670 room 517, No. 91 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou Fangwei Intellectual Property Operation Co.,Ltd.

Address before: 310023 No. 318 stay Road, Xihu District, Zhejiang, Hangzhou

Patentee before: ZHEJIANG University OF SCIENCE AND TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220909

Address after: 314500 02, No. 4, South Zaoqiang street, No. 1, Nanmen Gongnong Road, Chongfu Town, Tongxiang City, Jiaxing City, Zhejiang Province

Patentee after: Jiaxing Zhixu Information Technology Co.,Ltd.

Address before: 510670 room 517, No. 91 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee before: Guangzhou Fangwei Intellectual Property Operation Co.,Ltd.

TR01 Transfer of patent right