CN107292866A - 一种基于相对梯度的图像质量客观评价方法 - Google Patents
一种基于相对梯度的图像质量客观评价方法 Download PDFInfo
- Publication number
- CN107292866A CN107292866A CN201710347108.1A CN201710347108A CN107292866A CN 107292866 A CN107292866 A CN 107292866A CN 201710347108 A CN201710347108 A CN 201710347108A CN 107292866 A CN107292866 A CN 107292866A
- Authority
- CN
- China
- Prior art keywords
- gradient
- image
- pixel
- coordinate position
- designated
- 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
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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于相对梯度的图像质量客观评价方法,其获取参考图像和失真图像各自的梯度幅值图像和梯度相位图像;然后获取参考图像和失真图像各自的水平梯度均值图像、垂直梯度均值图像和梯度相位均值图像;再根据参考图像和失真图像各自的水平梯度图像、垂直梯度图像、水平梯度均值图像、垂直梯度均值图像,获得各自的梯度相对幅值图像;根据各自的梯度相位图像和梯度相位均值图像,获得各自的梯度相对相位图像;最后根据两者的梯度幅值图像、梯度相对幅值图像、梯度相对相位图像,计算失真图像的客观质量评价分;优点是能考虑到失真图像的相对梯度信息改变对其质量的影响,从而能够提高客观质量评价结果与人眼主观感知之间的相关性。
Description
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相对梯度的图像质量客观评价方法。
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。传统的全参考图像质量评价方法如PSNR等指标,由于计算复杂度低、数学意义清晰,在图像处理与编码等技术中得到了广泛应用,但是,其是基于像素误差统计的评价方法,没有充分地考虑像素间的相关性和人眼视觉特性,因此不能很好地反映人对图像的主观感受。
发明内容
本发明所要解决的技术问题是提供一种基于相对梯度的图像质量客观评价方法,其能够考虑到失真图像的相对梯度信息改变对其质量的影响,从而能够提高客观质量评价结果与人眼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:一种基于相对梯度的图像质量客观评价方法,其特征在于包括以下步骤:
步骤①:令{Io(i,j)}表示宽度为W且高度为H的参考图像,并令{Id(i,j)}表示{Io(i,j)}经失真处理后得到的失真图像,其中,1≤i≤W,1≤j≤H,Io(i,j)表示{Io(i,j)}中坐标位置为(i,j)的像素点的像素值,Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值;
步骤②:计算{Io(i,j)}的水平梯度图像和垂直梯度图像,对应记为{Gx_o(i,j)}和{Gy_o(i,j)},其中,Gx_o(i,j)表示{Io(i,j)}中坐标位置为(i,j)的像素点的水平梯度,亦表示{Gx_o(i,j)}中坐标位置为(i,j)的像素点的像素值,Gy_o(i,j)表示{Io(i,j)}中坐标位置为(i,j)的像素点的垂直梯度,亦表示{Gy_o(i,j)}中坐标位置为(i,j)的像素点的像素值;
同样,计算{Id(i,j)}的水平梯度图像和垂直梯度图像,对应记为{Gx_d(i,j)}和{Gy_d(i,j)},其中,Gx_d(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的水平梯度,亦表示{Gx_d(i,j)}中坐标位置为(i,j)的像素点的像素值,Gy_d(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的垂直梯度,亦表示{Gy_d(i,j)}中坐标位置为(i,j)的像素点的像素值;
步骤③:根据{Gx_o(i,j)}和{Gy_o(i,j)},获取{Io(i,j)}的梯度幅值图像和梯度相位图像,对应记为{Mo(i,j)}和{Po(i,j)},其中,Mo(i,j)表示{Mo(i,j)}中坐标位置为(i,j)的像素点的像素值,Po(i,j)表示{Po(i,j)}中坐标位置为(i,j)的像素点的像素值;
同样,根据{Gx_d(i,j)}和{Gy_d(i,j)},获取{Id(i,j)}的梯度幅值图像和梯度相位图像,对应记为{Md(i,j)}和{Pd(i,j)},其中,Md(i,j)表示{Md(i,j)}中坐标位置为(i,j)的像素点的像素值,Pd(i,j)表示{Pd(i,j)}中坐标位置为(i,j)的像素点的像素值;
步骤④:根据{Gx_o(i,j)},获取{Io(i,j)}的水平梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
同样,根据{Gy_o(i,j)},获取{Io(i,j)}的垂直梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
根据{Gx_d(i,j)},获取{Id(i,j)}的水平梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
根据{Gy_d(i,j)},获取{Id(i,j)}的垂直梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
根据{Po(i,j)},获取{Io(i,j)}的梯度相位均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
根据{Pd(i,j)},获取{Id(i,j)}的梯度相位均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
步骤⑤:根据{Gx_o(i,j)}、{Gy_o(i,j)}、和获取{Io(i,j)}的梯度相对幅值图像,记为并根据{Po(i,j)}和获取{Io(i,j)}的梯度相对相位图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值,表示中坐标位置为(i,j)的像素点的像素值;
同样,根据{Gx_d(i,j)}、{Gy_d(i,j)}、和获取{Id(i,j)}的梯度相对幅值图像,记为并根据{Pd(i,j)}和获取{Id(i,j)}的梯度相对相位图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值,表示中坐标位置为(i,j)的像素点的像素值;
步骤⑥:根据{Mo(i,j)}和{Md(i,j)}、和和计算{Id(i,j)}的客观质量评价分,记为Q。
所述的步骤②中,获取{Gx_o(i,j)}和{Gy_o(i,j)}、{Gx_d(i,j)}和{Gy_d(i,j)}均采用高斯偏导数滤波器梯度算子。
所述的步骤③中,Mo(i,j)=|Gx_o(i,j)|+|Gy_o(i,j)|,Md(i,j)=|Gx_d(i,j)|+|Gy_d(i,j)|,其中,符号“||”为取绝对值符号,arc tan()为求反正切函数。
所述的步骤④中,获取和均采用均值滤波的方法。
所述的步骤⑤中, 其中,符号“||”为取绝对值符号。
所述的步骤⑥中,其中,
,C1、C2和C3均为用于防止分母为0的系数,C1、C2和C3的取值为较小的正数。
与现有技术相比,本发明的优点在于:
1)本发明方法考虑了失真图像的梯度相对幅值信息改变对其质量的影响,从而使得评价结果与人的主观感受较为一致,较好地反映了人眼的主观感知结果。
2)本发明方法考虑了失真图像的梯度相对相位信息改变对其质量的影响,使得本发明方法能够充分考虑到视觉感知特性。
3)本发明方法综合考虑了梯度幅值信息、梯度相对幅值信息和梯度相对相位信息等变化,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相对梯度的图像质量客观评价方法,其总体实现框图如图1所示,其包括以下步骤:
步骤①:令{Io(i,j)}表示宽度为W且高度为H的参考图像,并令{Id(i,j)}表示{Io(i,j)}经失真处理后得到的失真图像,其中,1≤i≤W,1≤j≤H,Io(i,j)表示{Io(i,j)}中坐标位置为(i,j)的像素点的像素值,Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值。
步骤②:采用高斯偏导数滤波器(Gaussian partial derivative filter)梯度算子,计算{Io(i,j)}的水平梯度图像和垂直梯度图像,对应记为{Gx_o(i,j)}和{Gy_o(i,j)},其中,Gx_o(i,j)表示{Io(i,j)}中坐标位置为(i,j)的像素点的水平梯度,亦表示{Gx_o(i,j)}中坐标位置为(i,j)的像素点的像素值,Gy_o(i,j)表示{Io(i,j)}中坐标位置为(i,j)的像素点的垂直梯度,亦表示{Gy_o(i,j)}中坐标位置为(i,j)的像素点的像素值。
同样,采用高斯偏导数滤波器梯度算子,计算{Id(i,j)}的水平梯度图像和垂直梯度图像,对应记为{Gx_d(i,j)}和{Gy_d(i,j)},其中,Gx_d(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的水平梯度,亦表示{Gx_d(i,j)}中坐标位置为(i,j)的像素点的像素值,Gy_d(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的垂直梯度,亦表示{Gy_d(i,j)}中坐标位置为(i,j)的像素点的像素值。
步骤③:根据{Gx_o(i,j)}和{Gy_o(i,j)},获取{Io(i,j)}的梯度幅值图像和梯度相位图像,对应记为{Mo(i,j)}和{Po(i,j)},其中,Mo(i,j)表示{Mo(i,j)}中坐标位置为(i,j)的像素点的像素值,Po(i,j)表示{Po(i,j)}中坐标位置为(i,j)的像素点的像素值。
同样,根据{Gx_d(i,j)}和{Gy_d(i,j)},获取{Id(i,j)}的梯度幅值图像和梯度相位图像,对应记为{Md(i,j)}和{Pd(i,j)},其中,Md(i,j)表示{Md(i,j)}中坐标位置为(i,j)的像素点的像素值,Pd(i,j)表示{Pd(i,j)}中坐标位置为(i,j)的像素点的像素值。
在本实施例中,步骤③中,Mo(i,j)=|Gx_o(i,j)|+|Gy_o(i,j)|,Md(i,j)=|Gx_d(i,j)|+|Gy_d(i,j)|,其中,符号“||”为取绝对值符号,arc tan()为求反正切函数。
步骤④:根据{Gx_o(i,j)},并采用均值滤波的方法,获取{Io(i,j)}的水平梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值。
同样,根据{Gy_o(i,j)},并采用均值滤波的方法,获取{Io(i,j)}的垂直梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值。
根据{Gx_d(i,j)},并采用均值滤波的方法,获取{Id(i,j)}的水平梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值。
根据{Gy_d(i,j)},并采用均值滤波的方法,获取{Id(i,j)}的垂直梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值。
根据{Po(i,j)},并采用均值滤波的方法,获取{Io(i,j)}的梯度相位均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值。
根据{Pd(i,j)},并采用均值滤波的方法,获取{Id(i,j)}的梯度相位均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值。
步骤⑤:根据{Gx_o(i,j)}、{Gy_o(i,j)}、和获取{Io(i,j)}的梯度相对幅值图像,记为并根据{Po(i,j)}和获取{Io(i,j)}的梯度相对相位图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值,表示中坐标位置为(i,j)的像素点的像素值。
同样,根据{Gx_d(i,j)}、{Gy_d(i,j)}、和获取{Id(i,j)}的梯度相对幅值图像,记为并根据{Pd(i,j)}和获取{Id(i,j)}的梯度相对相位图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值,表示中坐标位置为(i,j)的像素点的像素值。
在本实施例中,步骤⑤中, 其中,符号“||”为取绝对值符号。
步骤⑥:根据{Mo(i,j)}和{Md(i,j)}、和和计算{Id(i,j)}的客观质量评价分,记为Q。
在本实施例中,步骤⑥中,其中,
,C1、C2和C3均为用于防止分母为0的系数,C1、C2和C3的取值为较小的正数,在本实施例中取C1=C2=C3=0.085。
在本实施例中,采用本发明方法所得的失真图像的客观质量评价分Q与人眼主观评价分数的相关性分析所用图像选自LIVE图像质量评估数据库,LIVE图像质量评估数据库中包括29幅高分辨率的RGB原始图像(参考图像),失真类型包括JPEG2000压缩、JPEG压缩、白噪声、高斯模糊、比特流信道传输快速衰减失真等,共计779幅失真图像。LIVE图像质量评估数据库还给出了每幅失真图像的DMOS(Difference Mean Opinion Scores)值,DMOS值由观测者给出的原始评价分数经过处理后得到,该值越小的失真图像其主观质量越好。为了更好地比较本发明方法的性能,本实施例采用3个常用客观参量作为评估的指标,即:非线性回归条件下的Pearson相关系数(Correlation Coefficient,CC)、Spearman相关系数(Rank-Order Correlation Coefficient,ROCC)和均方根误差(Root Mean SquaredError,RMSE)。CC指标是一种计算相对简单的相关性度量法,可反映图像客观质量评价方法评价的精确性,该值接近于1表明图像客观质量评价方法得出的客观质量评价分与主观评价分值(DMOS)的差异越小;ROCC指标主要测量的是两组顺序配对样本的次序相关性,即图像客观质量评价方法得出的客观质量评价分与DMOS值相对幅度相一致的程度,其值越接近1,表示图像客观质量评价方法得出的客观质量评价分与DMOS值单调性越好;RMSE指标可以作为图像客观质量评价方法对图像质量评价准确性的度量,即图像客观质量评价方法以最小平均错误率预测DMOS值的能力,其值越小,表示图像客观质量评价方法对DMOS值的预测越准确,图像客观质量评价方法的性能越好,反之,则越差。表1给出了非线性回归条件下的Pearson相关系数CC、Spearman相关系数ROCC和均方根误差RMSE的性能指标,实验结果表明本发明方法所得到的客观质量评价分Q与人眼主观感知的结果较为一致,说明了本发明方法的有效性。
表1本发明方法所得到的客观质量评价分Q与人眼主观评分之间一致性的性能指标
Claims (6)
1.一种基于相对梯度的图像质量客观评价方法,其特征在于包括以下步骤:
步骤①:令{Io(i,j)}表示宽度为W且高度为H的参考图像,并令{Id(i,j)}表示{Io(i,j)}经失真处理后得到的失真图像,其中,1≤i≤W,1≤j≤H,Io(i,j)表示{Io(i,j)}中坐标位置为(i,j)的像素点的像素值,Id(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的像素值;
步骤②:计算{Io(i,j)}的水平梯度图像和垂直梯度图像,对应记为{Gx_o(i,j)}和{Gy_o(i,j)},其中,Gx_o(i,j)表示{Io(i,j)}中坐标位置为(i,j)的像素点的水平梯度,亦表示{Gx_o(i,j)}中坐标位置为(i,j)的像素点的像素值,Gy_o(i,j)表示{Io(i,j)}中坐标位置为(i,j)的像素点的垂直梯度,亦表示{Gy_o(i,j)}中坐标位置为(i,j)的像素点的像素值;
同样,计算{Id(i,j)}的水平梯度图像和垂直梯度图像,对应记为{Gx_d(i,j)}和{Gy_d(i,j)},其中,Gx_d(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的水平梯度,亦表示{Gx_d(i,j)}中坐标位置为(i,j)的像素点的像素值,Gy_d(i,j)表示{Id(i,j)}中坐标位置为(i,j)的像素点的垂直梯度,亦表示{Gy_d(i,j)}中坐标位置为(i,j)的像素点的像素值;
步骤③:根据{Gx_o(i,j)}和{Gy_o(i,j)},获取{Io(i,j)}的梯度幅值图像和梯度相位图像,对应记为{Mo(i,j)}和{Po(i,j)},其中,Mo(i,j)表示{Mo(i,j)}中坐标位置为(i,j)的像素点的像素值,Po(i,j)表示{Po(i,j)}中坐标位置为(i,j)的像素点的像素值;
同样,根据{Gx_d(i,j)}和{Gy_d(i,j)},获取{Id(i,j)}的梯度幅值图像和梯度相位图像,对应记为{Md(i,j)}和{Pd(i,j)},其中,Md(i,j)表示{Md(i,j)}中坐标位置为(i,j)的像素点的像素值,Pd(i,j)表示{Pd(i,j)}中坐标位置为(i,j)的像素点的像素值;
步骤④:根据{Gx_o(i,j)},获取{Io(i,j)}的水平梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
同样,根据{Gy_o(i,j)},获取{Io(i,j)}的垂直梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
根据{Gx_d(i,j)},获取{Id(i,j)}的水平梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
根据{Gy_d(i,j)},获取{Id(i,j)}的垂直梯度均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
根据{Po(i,j)},获取{Io(i,j)}的梯度相位均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
根据{Pd(i,j)},获取{Id(i,j)}的梯度相位均值图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
步骤⑤:根据{Gx_o(i,j)}、{Gy_o(i,j)}、和获取{Io(i,j)}的梯度相对幅值图像,记为并根据{Po(i,j)}和获取{Io(i,j)}的梯度相对相位图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值,表示中坐标位置为(i,j)的像素点的像素值;
同样,根据{Gx_d(i,j)}、{Gy_d(i,j)}、和获取{Id(i,j)}的梯度相对幅值图像,记为并根据{Pd(i,j)}和获取{Id(i,j)}的梯度相对相位图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值,表示中坐标位置为(i,j)的像素点的像素值;
步骤⑥:根据{Mo(i,j)}和{Md(i,j)}、和和计算{Id(i,j)}的客观质量评价分,记为Q。
2.根据权利要求1所述的一种基于相对梯度的图像质量客观评价方法,其特征在于所述的步骤②中,获取{Gx_o(i,j)}和{Gy_o(i,j)}、{Gx_d(i,j)}和{Gy_d(i,j)}均采用高斯偏导数滤波器梯度算子。
3.根据权利要求1或2所述的一种基于相对梯度的图像质量客观评价方法,其特征在于所述的步骤③中,Mo(i,j)=|Gx_o(i,j)|+|Gy_o(i,j)|,Md(i,j)=|Gx_d(i,j)|+|Gy_d(i,j)|,其中,符号“||”为取绝对值符号,arc tan()为求反正切函数。
4.根据权利要求3所述的一种基于相对梯度的图像质量客观评价方法,其特征在于所述的步骤④中,获取和均采用均值滤波的方法。
5.根据权利要求1所述的一种基于相对梯度的图像质量客观评价方法,其特征在于所述的步骤⑤中, 其中,符号“||”为取绝对值符号。
6.根据权利要求1或5所述的一种基于相对梯度的图像质量客观评价方法,其特征在于所述的步骤⑥中,其中,,C1、C2和C3均为用于防止分母为0的系数,C1、C2和C3的取值为较小的正数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710347108.1A CN107292866B (zh) | 2017-05-17 | 2017-05-17 | 一种基于相对梯度的图像质量客观评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710347108.1A CN107292866B (zh) | 2017-05-17 | 2017-05-17 | 一种基于相对梯度的图像质量客观评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292866A true CN107292866A (zh) | 2017-10-24 |
CN107292866B CN107292866B (zh) | 2020-04-17 |
Family
ID=60094135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710347108.1A Active CN107292866B (zh) | 2017-05-17 | 2017-05-17 | 一种基于相对梯度的图像质量客观评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292866B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492289A (zh) * | 2018-03-19 | 2018-09-04 | 上海宝谊图片有限公司 | 一种数码影像质量评价系统 |
CN108734686A (zh) * | 2018-05-28 | 2018-11-02 | 成都信息工程大学 | 基于非负矩阵分解及视觉感知的多聚焦图像融合方法 |
CN112508908A (zh) * | 2020-12-02 | 2021-03-16 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理动车组撒砂管接头断开故障检测方法 |
CN113160088A (zh) * | 2021-04-30 | 2021-07-23 | 河南大学 | 一种基于Sobel算子及图像熵的散斑干涉相位图滤波评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833766A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 基于gssim的立体图像客观质量评价算法 |
CN102075786A (zh) * | 2011-01-19 | 2011-05-25 | 宁波大学 | 一种图像客观质量评价方法 |
CN102947858A (zh) * | 2010-04-08 | 2013-02-27 | 帕斯科数码有限责任公司(商业用为奥姆尼克斯有限责任公司) | 包括重叠边缘对比的图像质量评价 |
CN105354835A (zh) * | 2015-10-16 | 2016-02-24 | 浙江工业大学 | 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法 |
CN105469413A (zh) * | 2015-12-10 | 2016-04-06 | 哈尔滨工业大学 | 一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 |
US20160100160A1 (en) * | 2014-10-02 | 2016-04-07 | Vivotek Inc. | Blurry image detecting method and related camera and image processing system |
-
2017
- 2017-05-17 CN CN201710347108.1A patent/CN107292866B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102947858A (zh) * | 2010-04-08 | 2013-02-27 | 帕斯科数码有限责任公司(商业用为奥姆尼克斯有限责任公司) | 包括重叠边缘对比的图像质量评价 |
CN101833766A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 基于gssim的立体图像客观质量评价算法 |
CN102075786A (zh) * | 2011-01-19 | 2011-05-25 | 宁波大学 | 一种图像客观质量评价方法 |
US20160100160A1 (en) * | 2014-10-02 | 2016-04-07 | Vivotek Inc. | Blurry image detecting method and related camera and image processing system |
CN105354835A (zh) * | 2015-10-16 | 2016-02-24 | 浙江工业大学 | 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法 |
CN105469413A (zh) * | 2015-12-10 | 2016-04-06 | 哈尔滨工业大学 | 一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492289A (zh) * | 2018-03-19 | 2018-09-04 | 上海宝谊图片有限公司 | 一种数码影像质量评价系统 |
CN108492289B (zh) * | 2018-03-19 | 2021-09-10 | 上海宝谊图片有限公司 | 一种数码影像质量评价系统 |
CN108734686A (zh) * | 2018-05-28 | 2018-11-02 | 成都信息工程大学 | 基于非负矩阵分解及视觉感知的多聚焦图像融合方法 |
CN112508908A (zh) * | 2020-12-02 | 2021-03-16 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理动车组撒砂管接头断开故障检测方法 |
CN113160088A (zh) * | 2021-04-30 | 2021-07-23 | 河南大学 | 一种基于Sobel算子及图像熵的散斑干涉相位图滤波评价方法 |
CN113160088B (zh) * | 2021-04-30 | 2022-08-12 | 河南大学 | 一种基于Sobel算子及图像熵的散斑干涉相位图滤波评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107292866B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gupta et al. | A modified PSNR metric based on HVS for quality assessment of color images | |
Shao et al. | Full-reference quality assessment of stereoscopic images by learning binocular receptive field properties | |
Zhang et al. | FSIM: A feature similarity index for image quality assessment | |
Narvekar et al. | A no-reference image blur metric based on the cumulative probability of blur detection (CPBD) | |
Zhu et al. | Image quality assessment by visual gradient similarity | |
CN107292866A (zh) | 一种基于相对梯度的图像质量客观评价方法 | |
CN108428227A (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
CN109978854B (zh) | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 | |
CN101562675B (zh) | 基于Contourlet变换的无参考型图像质量评测方法 | |
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 | |
Zhang et al. | Fine-grained quality assessment for compressed images | |
Gupta et al. | A novel full reference image quality index for color images | |
CN101282481A (zh) | 一种基于人工神经网络的视频质量评价方法 | |
CN104036493B (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
CN104104943A (zh) | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 | |
CN108550146A (zh) | 一种基于roi的图像质量评价方法 | |
CN109788275A (zh) | 自然性、结构和双目不对称无参考立体图像质量评价方法 | |
CN107343196A (zh) | 一种混合失真无参考图像质量评价方法 | |
Wang et al. | Screen content image quality assessment with edge features in gradient domain | |
CN105894507B (zh) | 基于图像信息量自然场景统计特征的图像质量评价方法 | |
CN105976351A (zh) | 基于中央偏移的立体图像质量评价方法 | |
Hassan et al. | Color-based structural similarity image quality assessment | |
Samani et al. | Transform domain measure of enhancement—TDME—for security imaging applications | |
CN108776958B (zh) | 混合降质图像的图像质量评价方法和装置 | |
Ponomarenko et al. | Statistical evaluation of no-reference image visual quality metrics |
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 |