CN107767363A - 一种基于自然场景的无参考高动态图像质量评价算法 - Google Patents
一种基于自然场景的无参考高动态图像质量评价算法 Download PDFInfo
- Publication number
- CN107767363A CN107767363A CN201710792267.2A CN201710792267A CN107767363A CN 107767363 A CN107767363 A CN 107767363A CN 201710792267 A CN201710792267 A CN 201710792267A CN 107767363 A CN107767363 A CN 107767363A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- msub
- mover
- msup
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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]
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自然场景的无参考高动态图像质量评价算法,包括第一步:对HDR图像进行PU编码,获得对应LDR图像;第二步:对LDR图像进行均值减损归一化;第三步:提取显著区域图像块的图像特征;第四步:图像质量计算,在获得原始HDR图像和失真HDR图像的特征后,分别用多元高斯模型(MVG)进行拟合,获得均值和方差矩阵和∑。与现有技术相比,本发明与人眼主观高动态图像质量评价取得较好的一致性,并且计算过程不需要复杂的变换域变换,复杂度低,可以实现实时的高动态图像质量评价;与此同时,该算法将高动态图像与无参考图像质量评价相结合,通用性较强,也为高动态图像质量评价的研究丰富了思路。
Description
技术领域
本发明涉及图像质量评价技术,特别是涉及一种无参考的高动态图像质量评价算法。
背景技术
自然界中的场景都有着非常大的动态范围,最亮的物体亮度和最暗的物体亮度之比为108cd/m2,而人类眼睛所能看到的范围是105cd/m2左右。但是,传统的电视系统提供标准的动态范围(SDR)大约为1000:1(最亮和最暗的亮度之间的比例),与人眼所能感知的范围相差甚远,导致了人眼最终所感知到的画面层次感较差,大量细节丢失。
高动态范围(High Dynamic Range,HDR)图像能够记录具有很高亮度动态范围的景象,更加符合人眼视觉特性。HDR能够很好的解决电视显示问题,使色彩更加饱满和真实,色调的渐变也更加细腻。与低动态范围(Low Dynamic Range,LDR)图像类似,HDR图像在获取、处理、压缩、存储和传输时也会存在不同程度的失真,这些失真会影响HDR图像的视觉效果。因此,为保证系统能够提供良好的视觉体验,对HDR图像质量的评估是至关重要的。
由于HDR图像有着更大的动态范围,目前应用于LDR图像的典型质量评价算法,如依赖于输入像素值之间的感知线性度,没有考虑亮度掩蔽等因素的PSNR、SSIM评价算法,并不能很好的评价HDR图像质量。
主观的图像质量评价方法需针对多个测试图像进行多次重复实验,耗时多、费用高,难以操作,所以需要一种客观的图像质量评价方法。依据对参考图像的依赖程度,图像客观质量评价可分为全参考(FR)、半参考(RR)和无参考(NR)。根据韦伯定律,人类视觉系统(HVS)对光亮度值的敏感性近似于一个对数函数。为了扩展LDR指标的应用范围,并考虑HVS的敏感性,Aydin等人已经提出了感知一致(Perceptually Uniform,PU)编码的方法,将HDR图像转换为LDR,结合已经存在的LDR全参考算法对图像进行评价。Mantiuk等人通过合理地模拟HVS,建立一系列人眼视觉模型,综合HDR图像的亮度和对比度特征,提出了视觉差异预测方法HDR-VDP-2及其权重修正的HDR-VDP-2.2算法。由于HDR-VDP-2及HDR-VDP-2.2评价方法适应自然界图像的所有亮度范围,很好地模拟了人类对HDR图像的高亮度范围的感知,所以该评价方法得到了广泛的应用。
发明内容
借鉴现有技术中Aydin等人提出的PU编码的方法,本发明提出一种基于自然场景的无参考HDR图像质量评价算法,将HDR图像降为LDR图像,根据HVS特性和自然场景统计特性(NSS),构造一系列质量感知特征,并将这些特征拟合到多元高斯(MVG)模型上,进而对HDR图像进行评价。
本发明的一种基于自然场景的无参考高动态图像质量评价算法,该方法包括以下步骤:
第一步:对HDR图像进行PU编码,获得对应LDR图像;
首先,计算HDR图像的对比与强度cvi,计算公式如下:
其中,CSF表示对比度函数,X表示除了适应亮度Lα和背景亮度L之外的所有影响HVS的参数;MA()函数为灵敏度损失估计计算函数;
基于两个假设:假设人眼存在最小的适应亮度水平Lα-min;假设眼睛适应了高于Lα-min的所有亮度水平,将检验阈值估计值计算公式表示如下:
t(L)=cvi(L,max(L,Lα-min)) (2)
采用递归公式寻找映射关系。递归公式如下:
fi=fi-1(1+t(fi-1)) f:Lm’→Lm,i∈[2...N] (3)
其中,fi-1表示上一个亮度索引值i-1对应的亮度值;t(fi-1)表示亮度值为fi-1时对应的检测阈值;L’m表示经过γ压缩处理后的亮度域;Lm表示真实亮度域;f为映射函数,每一个L’m域中的亮度索引i都对应Lm域中的一个真实亮度值fi;i表示L’m域中的亮度索引值,取值范围为[2…N];f1表示最小的编码亮度Lmin;PU:Lm→Lm'表示正向映射函数,将f的值作为查找表中的值,并对于给定的亮度值fi找到最近的插值索引i;
根据上述公式(1)~(3),将HDR图像转换为对应的LDR图像;
第二步:对LDR图像进行均值减损归一化,像素归一化计算公式为:
其中,表示位置在(m,n)处像素的均值减损对比归一化(Mean SubtractedContrast Normalized,MSCN)系数;I(m,n)表示LDR图像中位于(m,n)位置处像素点的亮度分量,m∈1,2,...,P,n∈1,2,...,Q表示图像空域坐标;P、Q分别表示图像的高度和宽度;C是常数,取1;w={wk,l|k=-3,...,3,l=-3,...,3}为圆形对称的高斯权重函数,K=L=3;μ(m,n)表示LDR图像(m,n)位置处像素点的均值;σ(m,n)表示LDR图像(m,n)位置处像素点的标准差;
第三步:提取显著区域图像块的图像特征。公式(6)中的标准差σ(m,n)具有丰富的结构信息,可以利用σ(m,n)来量化局部图像的锐度。首先,按列从左至右,行从上到下的顺序将LDR图像分为96×96大小的互不重叠的图像块;然后,计算图像块patchb的平均方差δ,计算公式如下
δ(m,n)=∑∑m,n∈patchbσ(m,n) (7)
其中,patchb表示LDR图像中大小为96×96的图像块;m,n表示patchb中像素所在的行和列;δ表示局部图像块的平均方差;选取δ>T的图像块作为特征显著图像块,T通常取最大局部平均方差的0.6~0.9倍,在本实验中T为最大局部平均方差的0.75倍;根据公式(7)选取LDR图像中纹理和边界都明显的图像块作为显著区域图像块;
在提取的显著区域图像块上,对MSCN系数利用广义高斯分布模型(GGD)进行拟合,采用快速匹配法估计归一化后的广义高斯分布参数(a,σ2)。GGD模型如下所示:
其中,x表示归一化后的像素值,即MSCN系数;a表示形状参数,决定GGD密度函数的衰减速度,且a越小衰减得越厉害,因而a也称为衰减率;σ为GGD的标准差;Γ(.)是gamma函数;β为GGD的尺寸参数,
利用MSCN系数对LDR图像分别从水平方向、垂直方向、主对角线方向和次对角线方向计算图像相关性,如下:
上式中,m,n分别表示像素的行和列,取值为m∈1,2,...,P,n∈1,2,...,Q;H(m,n),V(m,n),D1(m,n)和D2(m,n)分别表示位于(m,n)处像素点的水平、垂直、主对角线和次对角线方向的相关性。表示位于(m,n)处的像素点的MSCN系数,其余像素点的含义与类似;
采用非对称高斯分布(AGGD)对式(9)中得到的4个方向的相关性图像进行拟合,每个方向的估计参数(η,v,σl,σr)利用快速匹配法进行估计。将4个方向估计的16个参数作为相邻系数相关性特征。由于自然图像统计特性的多尺度性,通过对LDR图像进行下采因子为2的下采样,实现在两个尺度下提取图像统计特征,每个尺度下包括2个高斯分布特征和16个相邻系数相关性特征,一共有2×(2+16)=36个特征。
第四步:图像质量计算,对提取的36个特征,通过拟合多元高斯MVG模型计算模型参数和∑,MVG模型公式为:
其中,是通过式(4)-(9)计算的图像特征向量,其中k=36;∑代表MVG模型的36×36维方差矩阵,表示图像特征向量对应的均值向量;和∑可利用最大似然估计方法进行计算得到。∑-1表示∑的逆,|Σ|表示∑的行列式。表示的转置。计算失真图像与自然图像拟合参数之间的距离来衡量图像质量:
其中,和Σ1分别代表自然图像MVG模型的36×1维的均值向量和36×36维的方差矩阵;和Σ2分别代表失真图像MVG模型的36×1维的均值向量和36×36维的方差矩阵;表示两个均值向量差值的转置;表示两方差矩阵对应元素相减取平均后的逆矩阵。
与现有技术相比,本发明与人眼主观高动态图像质量评价取得较好的一致性,并且计算过程不需要复杂的变换域变换,复杂度低,可以实现实时的高动态图像质量评价。与此同时,该算法将高动态图像与无参考图像质量评价相结合,通用性较强,也为高动态图像质量评价的研究丰富了思路。
附图说明
图1是一种基于自然场景的无参考HDR图像质量评价算法模型框图。
具体实施方式
下面将结合附图对本发明的实施方式作进一步的详细描述。
本发明的一种基于自然场景的无参考HDR图像质量评价算法,具体包括如下步骤:
第一步:对HDR图像进行PU编码,获得对应LDR图像。本发明使用Aydin等人在官网上提供的Matlab版本PU编码,PU编码的思路为:
首先,计算HDR图像的对比与强度cvi,计算公式如下:
其中,CSF表示对比度函数,X表示除了适应亮度Lα和背景亮度L之外的所有影响HVS的参数(空间频率、方向、刺激大小等);MA()函数为灵敏度损失估计计算函数,用于估计由于适应不良而造成的灵敏度损失。
在PU编码中,假设人眼存在最小的适应亮度水平Lα-min;也即假设眼睛适应了高于Lα-min的所有亮度水平,则适应亮度等于背景亮度(Lα=L)。基于上面两个假设,检验阈值估计值计算公式如下:
t(L)=cvi(L,max(L,Lα-min)) (2)
获得检测阈值估计值t(L)后,采用递归公式寻找映射关系。递归公式如下:
fi=fi-1(1+t(fi-1)) f:L’m→Lm,i∈[2...N] (3)
其中,fi-1表示上一个亮度索引值i-1对应的亮度值;t(fi-1)表示亮度值为fi-1时对应的检测阈值;L’m表示经过γ压缩处理后的亮度域;Lm表示以cd/m2为单位的真实亮度域。f为映射函数,每一个L’m域中的亮度索引i都对应Lm域中的一个真实亮度值fi。i表示L’m域中的亮度索引值,取值范围为[2…N]。为保证fi-1有意义,i的最小值为2,f1表示最小的编码亮度Lmin(Lmin通常取值为10-5cd/m2)。N取值要足够大,使得fN大于最大编码亮度Lmax(Lmax通常为1010cd/m2)。Aydin等人用PU:Lm→Lm'表示正向映射函数,将f的值作为查找表中的值,并对于给定的亮度值fi找到最近的(插值)索引i。根据上面3个公式,就可以将HDR图像转换为对应的LDR图像。
第二步:对LDR图像进行均值减损归一化,像素归一化计算公式为:
其中,表示位置在(m,n)处像素的均值减损对比归一化(Mean SubtractedContrast Normalized,MSCN)系数;I(m,n)表示LDR图像中位于(m,n)位置处像素点的亮度分量,m∈1,2,...,P,n∈1,2,...,Q表示图像空域坐标;P、Q分别表示图像的高度和宽度;C是常数,取1;w={wk,l|k=-3,...,3,l=-3,...,3}为圆形对称的高斯权重函数,K=L=3;μ(m,n)表示LDR图像(m,n)位置处像素点的均值;σ(m,n)表示LDR图像(m,n)位置处像素点的标准差。与I(m,n)相比,减少了相邻像素之间的相关性。
第三步:提取显著区域图像块的图像特征。公式(6)中的标准差σ(m,n)具有丰富的结构信息,可以利用σ(m,n)来量化局部图像的锐度。首先,按列从左至右,行从上到下的顺序将LDR图像分为96×96大小的互不重叠的图像块;然后,计算图像块patchb的平均方差δ,计算公式如下
δ(m,n)=∑∑m,n∈patchbσ(m,n) (7)
其中,patchb表示LDR图像中大小为96×96的图像块;m,n表示patchb中像素所在的行和列;δ表示局部图像块的平均方差。选取δ>T的图像块作为特征显著图像块,T通常取最大局部平均方差的0.6~0.9倍,在本实验中T为最大局部平均方差的0.75倍。根据公式(7)选取LDR图像中纹理和边界都明显的图像块作为显著区域图像块。
失真的存在会破坏相邻MSCN系数之间存在的规律性。MSCN系数的特征包括广义高斯分布(GGD)特征和相邻系数相关性。在提取的显著区域图像块上,对MSCN系数利用广义高斯分布模型(GGD)进行拟合,采用快速匹配法估计归一化后的广义高斯分布参数(a,σ2)。GGD模型如下所示:
其中,x表示归一化后的像素值,即MSCN系数;a表示形状参数,决定GGD密度函数的衰减速度,且a越小衰减得越厉害,因而a也称为衰减率;σ为GGD的标准差;Γ(.)是gamma函数;β为GGD的尺寸参数,
利用MSCN系数对LDR图像分别从水平方向、垂直方向、主对角线方向和次对角线方向计算图像相关性,如下:
上式中,m,n分别表示像素的行和列,取值为m∈1,2,...,P,n∈1,2,...,Q;H(m,n),V(m,n),D1(m,n)和D2(m,n)分别表示位于(m,n)处像素点的水平、垂直、主对角线和次对角线方向的相关性。表示位于(m,n)处的像素点的MSCN系数,其余像素点的含义与类似。
采用非对称高斯分布(AGGD)对式(9)中得到的4个方向的相关性图像进行拟合,每个方向的估计参数(η,v,σl,σr)利用快速匹配法进行估计。将4个方向估计的16个参数作为相邻系数相关性特征。由于自然图像统计特性的多尺度性,通过对LDR图像进行下采因子为2的下采样,实现在两个尺度下提取图像统计特征,每个尺度下包括2个高斯分布特征和16个相邻系数相关性特征,一共有2×(2+16)=36个特征。
第四步:图像质量计算,对提取的36个特征,通过拟合多元高斯MVG模型计算模型参数和∑,MVG模型公式为:
其中,是通过式(4)-(9)计算的图像特征向量,其中k=36;∑代表MVG模型的36×36维方差矩阵,表示图像特征向量对应的均值向量;和∑可利用最大似然估计方法进行计算得到。∑-1表示∑的逆,|Σ|表示∑的行列式。表示的转置。计算失真图像与自然图像拟合参数之间的距离来衡量图像质量:
其中,和Σ1分别代表自然图像MVG模型的36×1维的均值向量和36×36维的方差矩阵;和Σ2分别代表失真图像MVG模型的36×1维的均值向量和36×36维的方差矩阵;表示两个均值向量差值的转置;表示两方差矩阵对应元素相减取平均后的逆矩阵。
最佳实施方式说明:
1、图像库选取:本发明使用Giuseppe Valenzise等人在2014年发布的HDR图像库。HDR图像库具体内容如表1所示:
表1、HDR图像库说明
图像库来源 | 原始HDR图像 | 失真HDR图像 | 失真种类 | 有无主观分数 |
Giuseppe等人 | 5 | 44 | 10 | 有MOS值 |
2、HDR图像PU编码及特征提取:首先使用Aydin等人在官网上提供的Matlab版本PU编码,对输入的HDR图像进行PU编码,获得对应的LDR图像。再按照公式(4)~(6)对LDR图像进行均值减损归一化,获得MSCN系数。接着根据公式(7)~(9),分别提取原始HDR图像及失真HDR图像的两个尺度下的36个特征。
3、HDR图像质量评价:在获得原始HDR图像和失真HDR图像的特征后,分别用多元高斯模型(MVG)进行拟合,获得均值和方差矩阵和∑。最后,根据公式(11)计算两张图像之间距离。
4、性能测试
选取表1中所描述的HDR数据库,并且使用斯皮尔曼等级次序相关系数(SROCC)、皮尔森线性相关系数(PLCC)、肯德尔秩次相关系数(KROCC)及均方根误差(RMSE)作为评价算法性能的指标。SROCC、PLCC和KROCC三个相关系数的绝对值越接近于1,RMSE值越小,说明算法越准确。表2给出了所提算法对不同失真类型HDR图像的评价性能。本发明提出的无参考算法评价结果显示,SROCC和PLCC的绝对值达到0.7以上,KROCC的绝对值达到0.5以上,RMSE也较小,说明本发明能够有效的对HDR图像进行评价。对比表2中的其他算法,作为无参考算法,本算法的预测准确度可以与PU_MSE和PU_PSNR通用全参考算法相比拟。综上所述,本算法与人眼主观质量评价的一致性较好,算法复杂度较低,并且对各种失真类型的HDR图像进行质量评价时都具有很好的鲁棒性。
表2、不同算法的评价性能
评价指标 | |SROCC| | |PLCC| | |KROCC| | RMSE |
PU_MSE | 0.736 | 0.573 | 0.495 | 21.254 |
PU_PSNR | 0.736 | 0.801 | 0.495 | 15.555 |
NR_HDR_IQA | 0.755 | 0.775 | 0.572 | 16.396 |
Claims (1)
1.一种基于自然场景的无参考高动态图像质量评价算法,其特征在于,该方法包括以下步骤:
第一步:对HDR图像进行PU编码,获得对应LDR图像;
首先,计算HDR图像的对比与强度cvi,计算公式如下:
<mrow>
<mi>c</mi>
<mi>v</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>&alpha;</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<munder>
<mi>max</mi>
<mi>X</mi>
</munder>
<mo>&lsqb;</mo>
<mi>C</mi>
<mi>S</mi>
<mi>F</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>L</mi>
<mi>&alpha;</mi>
</msub>
<mo>,</mo>
<mi>X</mi>
</mrow>
<mo>)</mo>
<mi>M</mi>
<mi>A</mi>
<mo>(</mo>
<mrow>
<mo>|</mo>
<mi>L</mi>
<mo>-</mo>
<msub>
<mi>L</mi>
<mi>&alpha;</mi>
</msub>
<mo>|</mo>
</mrow>
<mo>)</mo>
<mo>&rsqb;</mo>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,CSF表示对比度函数,X表示除了适应亮度Lα和背景亮度L之外的所有影响HVS的参数;MA()函数表示灵敏度损失估计计算函数;
基于两个假设:假设人眼存在最小的适应亮度水平Lα-min;假设眼睛适应了高于Lα-min的所有亮度水平,将检验阈值估计值计算公式表示如下:
t(L)=cvi(L,max(L,Lα-min)) (2)
采用递归公式寻找映射关系。递归公式如下:
fi=fi-1(1+t(fi-1)) f:Lm’→Lm,i∈[2...N] (3)
其中,fi-1表示上一个亮度索引值i-1对应的亮度值;t(fi-1)表示亮度值为fi-1时对应的检测阈值;L’m表示经过γ压缩处理后的亮度域;Lm表示真实亮度域;f为映射函数,每一个L’m域中的亮度索引i都对应Lm域中的一个真实亮度值fi;i表示L’m域中的亮度索引值,取值范围为[2…N];f1表示最小的编码亮度Lmin;PU:Lm→Lm'表示正向映射函数,将f的值作为查找表中的值,并对于给定的亮度值fi找到最近的插值索引i;
根据上述公式(1)~(3),将HDR图像转换为对应的LDR图像;
第二步:对LDR图像进行均值减损归一化,像素归一化计算公式为:
<mrow>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>C</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mo>-</mo>
<mi>K</mi>
</mrow>
<mi>K</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mo>-</mo>
<mi>L</mi>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mi>k</mi>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mo>-</mo>
<mi>K</mi>
</mrow>
<mi>K</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mo>-</mo>
<mi>L</mi>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mi>k</mi>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&mu;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,表示位置在(m,n)处像素的均值减损对比归一化(Mean SubtractedContrastNormalized,MSCN)系数;I(m,n)表示LDR图像中位于(m,n)位置处像素点的亮度分量,m∈1,2,...,P,n∈1,2,...,Q表示图像空域坐标;P、Q分别表示图像的高度和宽度;C是常数,取1;w={wk,l|k=-3,...,3,l=-3,...,3}为圆形对称的高斯权重函数,K=L=3;μ(m,n)表示LDR图像(m,n)位置处像素点的均值;σ(m,n)表示LDR图像(m,n)位置处像素点的标准差;
第三步:提取显著区域图像块的图像特征。公式(6)中的标准差σ(m,n)具有丰富的结构信息,可以利用σ(m,n)来量化局部图像的锐度。首先,按列从左至右,行从上到下的顺序将LDR图像分为96×96大小的互不重叠的图像块;然后,计算图像块patchb的平均方差δ,计算公式如下
δ(m,n)=∑∑m,n∈patchbσ(m,n) (7)
其中,patchb表示LDR图像中大小为96×96的图像块;m,n表示patchb中像素所在的行和列;δ表示局部图像块的平均方差;选取δ>T的图像块作为特征显著图像块,T通常取最大局部平均方差的0.6~0.9倍,在本实验中T为最大局部平均方差的0.75倍;根据公式(7)选取LDR图像中纹理和边界都明显的图像块作为显著区域图像块;
在提取的显著区域图像块上,对MSCN系数利用广义高斯分布模型(GGD)进行拟合,采用快速匹配法估计归一化后的广义高斯分布参数(a,σ2)。GGD模型如下所示:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>;</mo>
<mi>a</mi>
<mo>,</mo>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mi>a</mi>
<mrow>
<mn>2</mn>
<mi>&beta;</mi>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>x</mi>
<mo>|</mo>
</mrow>
<mi>&beta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>a</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,x表示归一化后的像素值,即MSCN系数;a表示形状参数,决定GGD密度函数的衰减速度,且a越小衰减得越厉害,因而a也称为衰减率;σ为GGD的标准差;Γ(.)是gamma函数;β为GGD的尺寸参数,
利用MSCN系数对LDR图像分别从水平方向、垂直方向、主对角线方向和次对角线方向计算图像相关性,如下:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
上式中,m,n分别表示像素的行和列,取值为m∈1,2,...,P,n∈1,2,...,Q;H(m,n),V(m,n),D1(m,n)和D2(m,n)分别表示位于(m,n)处像素点的水平、垂直、主对角线和次对角线方向的相关性。表示位于(m,n)处的像素点的MSCN系数,其余像素点的含义与类似;
采用非对称高斯分布(AGGD)对式(9)中得到的4个方向的相关性图像进行拟合,每个方向的估计参数(η,v,σl,σr)利用快速匹配法进行估计。将4个方向估计的16个参数作为相邻系数相关性特征。由于自然图像统计特性的多尺度性,通过对LDR图像进行下采因子为2的下采样,实现在两个尺度下提取图像统计特征,每个尺度下包括2个高斯分布特征和16个相邻系数相关性特征,一共有2×(2+16)=36个特征。
第四步:图像质量计算,对提取的36个特征,通过拟合多元高斯MVG模型计算模型参数和∑;MVG模型公式为:
<mrow>
<msub>
<mi>f</mi>
<mi>X</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>k</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>|</mo>
<mo>&Sigma;</mo>
<msup>
<mo>|</mo>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mo>&Sigma;</mo>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>(</mo>
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,是通过式(4)-(9)计算的图像特征向量,其中k=36;∑代表MVG模型的36×36维方差矩阵,表示图像特征向量对应的均值向量;和∑可利用最大似然估计方法进行计算得到。∑-1表示∑的逆,|Σ|表示∑的行列式。表示的转置。计算失真图像与自然图像拟合参数之间的距离来衡量图像质量:
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&Sigma;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&Sigma;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&Sigma;</mi>
<mn>2</mn>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,和Σ1分别代表自然图像MVG模型的36×1维的均值向量和36×36维的方差矩阵;和Σ2分别代表失真图像MVG模型的36×1维的均值向量和36×36维的方差矩阵;表示两个均值向量差值的转置;表示两方差矩阵对应元素相减取平均后的逆矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710792267.2A CN107767363A (zh) | 2017-09-05 | 2017-09-05 | 一种基于自然场景的无参考高动态图像质量评价算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710792267.2A CN107767363A (zh) | 2017-09-05 | 2017-09-05 | 一种基于自然场景的无参考高动态图像质量评价算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107767363A true CN107767363A (zh) | 2018-03-06 |
Family
ID=61265092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710792267.2A Pending CN107767363A (zh) | 2017-09-05 | 2017-09-05 | 一种基于自然场景的无参考高动态图像质量评价算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107767363A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596169A (zh) * | 2018-03-12 | 2018-09-28 | 北京建筑大学 | 基于视频流图像的分块信号转换与目标检测方法及装置 |
CN109191431A (zh) * | 2018-07-27 | 2019-01-11 | 天津大学 | 基于特征相似度的高动态彩色图像质量评价方法 |
CN109377472A (zh) * | 2018-09-12 | 2019-02-22 | 宁波大学 | 一种眼底图像质量评价方法 |
CN109598681A (zh) * | 2018-11-01 | 2019-04-09 | 兰州理工大学 | 一种对称唐卡修复后图像的无参考质量评价方法 |
CN109801257A (zh) * | 2018-12-17 | 2019-05-24 | 天津大学 | 无参考dibr生成图像质量评价方法 |
CN110415242A (zh) * | 2019-08-02 | 2019-11-05 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于参考图像的超分辨倍率评价方法 |
CN110505472A (zh) * | 2019-07-15 | 2019-11-26 | 武汉大学 | 一种h.265超高清视频质量评价方法 |
CN111539909A (zh) * | 2020-03-12 | 2020-08-14 | 上海交通大学 | 一种相似场景图像组的图像质量评估方法、系统及终端 |
CN111709914A (zh) * | 2020-05-27 | 2020-09-25 | 西安理工大学 | 一种基于hvs特性的无参考图像质量评价方法 |
CN112132775A (zh) * | 2020-08-05 | 2020-12-25 | 浙江万里学院 | 一种基于Fisher编码的屏幕内容图像无参考质量评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778636A (zh) * | 2014-01-22 | 2014-05-07 | 上海交通大学 | 一种用于无参考图像质量评价的特征构建方法 |
CN105451016A (zh) * | 2015-12-07 | 2016-03-30 | 天津大学 | 一种适用于视频监控系统的无参考视频质量评价方法 |
CN106447646A (zh) * | 2016-06-28 | 2017-02-22 | 中国人民解放军陆军军官学院 | 一种用于无人机图像的质量盲评价方法 |
CN106485702A (zh) * | 2016-09-30 | 2017-03-08 | 杭州电子科技大学 | 基于自然图像特征统计的图像模糊检测方法 |
CN106815839A (zh) * | 2017-01-18 | 2017-06-09 | 中国科学院上海高等研究院 | 一种图像质量盲评估方法 |
-
2017
- 2017-09-05 CN CN201710792267.2A patent/CN107767363A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778636A (zh) * | 2014-01-22 | 2014-05-07 | 上海交通大学 | 一种用于无参考图像质量评价的特征构建方法 |
CN105451016A (zh) * | 2015-12-07 | 2016-03-30 | 天津大学 | 一种适用于视频监控系统的无参考视频质量评价方法 |
CN106447646A (zh) * | 2016-06-28 | 2017-02-22 | 中国人民解放军陆军军官学院 | 一种用于无人机图像的质量盲评价方法 |
CN106485702A (zh) * | 2016-09-30 | 2017-03-08 | 杭州电子科技大学 | 基于自然图像特征统计的图像模糊检测方法 |
CN106815839A (zh) * | 2017-01-18 | 2017-06-09 | 中国科学院上海高等研究院 | 一种图像质量盲评估方法 |
Non-Patent Citations (5)
Title |
---|
PHILIPPE HANHART等: "Benchmarking of objective quality metrics for HDR image quality assessment", 《EURASIP JOURNAL ON IMAGE AND VIDEO PROCESSING》 * |
TUNC OZAN AYDIN等: "Extending Quality Metrics to Full Luminance Range Images", 《SPIE PROCEEDINGS》 * |
张淑芳等: "通用型无参考图像质量评价算法综述", 《计算机工程与应用》 * |
张聪: "视频质量客观评价算法研究", 《万方数据》 * |
邵雪等: "基于亮度阈值效应的无参考图像质量评价方法", 《包装工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596169B (zh) * | 2018-03-12 | 2021-05-14 | 北京建筑大学 | 基于视频流图像的分块信号转换与目标检测方法及装置 |
CN108596169A (zh) * | 2018-03-12 | 2018-09-28 | 北京建筑大学 | 基于视频流图像的分块信号转换与目标检测方法及装置 |
CN109191431A (zh) * | 2018-07-27 | 2019-01-11 | 天津大学 | 基于特征相似度的高动态彩色图像质量评价方法 |
CN109377472A (zh) * | 2018-09-12 | 2019-02-22 | 宁波大学 | 一种眼底图像质量评价方法 |
CN109377472B (zh) * | 2018-09-12 | 2021-08-03 | 宁波大学 | 一种眼底图像质量评价方法 |
CN109598681A (zh) * | 2018-11-01 | 2019-04-09 | 兰州理工大学 | 一种对称唐卡修复后图像的无参考质量评价方法 |
CN109598681B (zh) * | 2018-11-01 | 2022-09-13 | 兰州理工大学 | 一种对称唐卡修复后图像的无参考质量评价方法 |
CN109801257A (zh) * | 2018-12-17 | 2019-05-24 | 天津大学 | 无参考dibr生成图像质量评价方法 |
CN110505472A (zh) * | 2019-07-15 | 2019-11-26 | 武汉大学 | 一种h.265超高清视频质量评价方法 |
CN110415242B (zh) * | 2019-08-02 | 2020-05-19 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于参考图像的超分辨倍率评价方法 |
CN110415242A (zh) * | 2019-08-02 | 2019-11-05 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于参考图像的超分辨倍率评价方法 |
CN111539909A (zh) * | 2020-03-12 | 2020-08-14 | 上海交通大学 | 一种相似场景图像组的图像质量评估方法、系统及终端 |
CN111539909B (zh) * | 2020-03-12 | 2023-04-28 | 上海交通大学 | 一种相似场景图像组的图像质量评估方法、系统及终端 |
CN111709914A (zh) * | 2020-05-27 | 2020-09-25 | 西安理工大学 | 一种基于hvs特性的无参考图像质量评价方法 |
CN112132775A (zh) * | 2020-08-05 | 2020-12-25 | 浙江万里学院 | 一种基于Fisher编码的屏幕内容图像无参考质量评价方法 |
CN112132775B (zh) * | 2020-08-05 | 2023-10-31 | 浙江万里学院 | 一种基于Fisher编码的屏幕内容图像无参考质量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767363A (zh) | 一种基于自然场景的无参考高动态图像质量评价算法 | |
CN110046673B (zh) | 基于多特征融合的无参考色调映射图像质量评价方法 | |
Wang et al. | Simple low-light image enhancement based on Weber–Fechner law in logarithmic space | |
Qureshi et al. | Towards the design of a consistent image contrast enhancement evaluation measure | |
Sandić-Stanković et al. | DIBR synthesized image quality assessment based on morphological wavelets | |
Panetta et al. | No reference color image contrast and quality measures | |
Maalouf et al. | CYCLOP: A stereo color image quality assessment metric | |
CN108010024B (zh) | 一种盲参考色调映射图像质量评价方法 | |
CN102333233B (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN103426173B (zh) | 一种立体图像质量的客观评价方法 | |
CN109345502B (zh) | 一种基于视差图立体结构信息提取的立体图像质量评价方法 | |
CN105049851A (zh) | 基于色彩感知的通用无参考图像质量评价方法 | |
Gao et al. | No reference color image quality measures | |
CN107105223A (zh) | 一种基于全局特征的色调映射图像质量客观评价方法 | |
CN104318545A (zh) | 一种用于雾天偏振图像的质量评价方法 | |
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 | |
Narasimhan et al. | A comparison of contrast enhancement techniques in poor illuminated gray level and color images | |
CN107146220A (zh) | 一种通用型无参考图像质量评价方法 | |
CN102722888A (zh) | 基于生理与心理立体视觉的立体图像客观质量评价方法 | |
CN111462002B (zh) | 一种基于卷积神经网络的水下图像增强与复原方法 | |
Tsai et al. | Quality assessment of 3D synthesized views with depth map distortion | |
CN110910347B (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
CN104346809A (zh) | 采用高动态范围的图像质量数据集的图像质量评价方法 | |
Tian et al. | SC-IQA: Shift compensation based image quality assessment for DIBR-synthesized views | |
Kudelka Jr | Image quality assessment |
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: 20180306 |