CN108171704A - 一种基于激励响应的无参考图像质量评价方法 - Google Patents

一种基于激励响应的无参考图像质量评价方法 Download PDF

Info

Publication number
CN108171704A
CN108171704A CN201810054420.6A CN201810054420A CN108171704A CN 108171704 A CN108171704 A CN 108171704A CN 201810054420 A CN201810054420 A CN 201810054420A CN 108171704 A CN108171704 A CN 108171704A
Authority
CN
China
Prior art keywords
image
channels
yiq
exciter response
response signal
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
CN201810054420.6A
Other languages
English (en)
Other versions
CN108171704B (zh
Inventor
丁勇
谢欣
商小宝
周博
周一博
孙光明
罗述杰
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810054420.6A priority Critical patent/CN108171704B/zh
Publication of CN108171704A publication Critical patent/CN108171704A/zh
Application granted granted Critical
Publication of CN108171704B publication Critical patent/CN108171704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于激励响应的无参考图像质量评价方法。步骤如下：构建一个激励信号，并且将其作用于待评价图像，得到激励响应信号；将待评价图像和激励响应信号由RGB空间转换到YIQ空间；构建一组二维边缘检测算子，对待评价图像和激励响应信号在YIQ空间Y通道上的分量进行卷积处理，获得待评价图像和激励响应信号在YIQ空间Y通道上、I通道和Q通道上的分量的特征信息；以特征信息作为输入，利用机器学习的方法对待测试图像的图像质量映射的质量评价，得到待评价图像质量客观评价值。本发明有效地提取了图像的特征信息，运算速度快，计算复杂度比较低，并且基于此方法得到图像质量客观评价值与主观评价具有较好的一致性，能够比较好的评价图像的质量。

Description

一种基于激励响应的无参考图像质量评价方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于激励响应的无参考图像质量评价方法。
背景技术
人类获得的大部分信息都来自于我们的视觉系统，也就是说我们从图像中获得我们需要的大部分信息。可见图像在我们的日常生活中扮演着十分重要的角色，但是图像在获取、存储、压缩、传输和重建的过程中往往会引入失真而导致图像质量的损失。图像质量评价采用一定的评价标准度量图像质量的损失程度，是度量和优化图像和视频处理系统性能的一个重要指标，具有重要的应用价值。
主观评价和客观评价是图像质量评价的两种主要方法。主观质量评价是利用观察者对测试图像进行评价，此方法评价结果最为真实可靠，但存在费时费力，可操作性差和很难直接应用于工程等缺点。而客观图像质量评价可以通过构建数学模型的方法实现自动、高校的对图像质量进行评价，具有十分重要的研究价值。客观图像质量评价可以分为全参考、半参考和无参考的方法，其区别在于对无失真图像的依赖程度。由于无参考方法不依赖于原始参考图像，所以其具有很重要的应用价值。
实际应用中，无参考图像质量评价通常基于人类视觉系统的研究成果，利用图像的统计特性，提取与图像质量密切相关的特征信息，实现对图像失真程度的度量。由于目前对人类视觉生理以及心理学的认知并不充分，因此基于人类视觉系统特性的图像质量评价往往并不能十分好的反应图像的损伤程度。
发明内容
本发明的目的是针对现有的基于自然图像统计特性的无参考图像质量评价方法中，由于对自然图像的统计特性了解不够全面而导致的图像质量性能不够高等缺陷，提出一种基于激励响应的无参考图像质量评价方法。通过将激励信号作用于失真图像，根据带评价图像对激励信号的不同相应来评价图像的质量。
本发明采取的技术方案是：
首先将激励信号作用于失真图像，得到激励相应信号，分别将激励相应信号和失真图像转换到YIQ空间，提取激励相应信号和失真图像在Y通道的梯度幅值方差信息以及在I和Q通道的方差信息作为评价图像质量的基准，接下来，利用支持向量机将提取的度量信息进行聚合以及映射得到失真图像的质量评价值。
本发明解决其技术问题所采用的技术方案如下：
步骤(1).输入公知数据库(如美国德州大学奥斯汀分校的LIVE图像数据库) 中的失真图像ID；
步骤(2).构建激励信号Rx，例如可以使用下面的激励信号：
步骤(3).利用步骤(2)所建立的激励相应对步骤(1)输入的失真图像ID进行卷积计算，得到激励相应信号IR：
其中，i表示的是图像中像素点的位置，代表卷积运算。
步骤(4).将激励响应信号IR和失真图像ID由RGB空间转换到YIQ空间，例如可以使用下面的转换公式：
其中，IDR表示步骤(1)输入的失真图像ID的红色分量，IDG表示步骤(1)输入的失真图像ID的绿色分量，IDB表示步骤(1)输入的失真图像ID的蓝色分量，IRR表示步骤(3)生成的激励响应信号IR的红色分量，IRG表示步骤(3)生成的激励响应信号IR的绿色分量，IRB表示步骤(3)生成的激励响应信号IR的蓝色分量，IYD示图像 ID在YIQ空间Y通道上的值，IID示图像ID在YIQ空间I通道上的值，IQD示激励响应信号ID在YIQ空间Q通道上的值,IYR示激励响应信号IR在YIQ空间Y通道上的值,IIR示激励响应信号IR在YIQ空间I通道上的值,IQR示图像IR在YIQ空间Q通道上的值。
步骤(5).构建二维边缘检测算子SOx和SOy，例如可以使用Sobel算子：
步骤(6).利用步骤(5)所构建的边缘检测算子对失真图像ID在YIQ空间Y通道上的值IYD和激励响应信号IR在YIQ空间Y通道上的值IYR分别进行卷积计算，得到失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度信息GYD和GYR：
其中，i表示的是图像中像素点的位置，代表卷积运算。
步骤(7).利用步骤(6)得到的失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度信息GYD和GYR，计算失真图像ID和激励响应信号IR在YIQ空间Y通道上每个像素点之间梯度的相似度；记梯度相似度为GSY：
其中，i表示的是图像中像素点的位置，c1表示一个常数值。
然后，计算失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度幅值方差信息：
其中，M表示一幅图像中整体像素数，
步骤(8).利用步骤(4)得到的失真图像ID和激励响应信号IR在YIQ空间I通道上的值IID和IIR，计算失真图像ID和激励响应信号IR在YIQ空间I通道上每个像素点之间的相似度；记相似度为GSI：
其中，i表示的是图像中像素点的位置，c2表示一个常数值。
然后，计算失真图像ID和激励响应信号IR在YIQ空间I通道上的方差信息：
其中，M表示一幅图像中整体像素数，
步骤(9).利用步骤(4)得到的失真图像ID和激励响应信号IR在YIQ空间Q通道上的值IQD和IQR，计算失真图像ID和激励响应信号IR在YIQ空间Q通道上每个像素点之间的相似度；记相似度为GSQ：
其中，i表示的是图像中像素点的位置，c3表示一个常数值。
然后，计算失真图像ID和激励响应信号IR在YIQ空间I通道上的方差信息：
其中，M表示一幅图像中整体像素数，
步骤(10).在现在已知的公知的有关图像质量评价的数据库中，采用机器学习的方法(例如BP神经网络、卷积神经网络、支持向量机等)将步骤(7)得到失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度幅值均值信息GSYM、方差信息GSYD，步骤(8)得到失真图像ID和激励响应信号IR在YIQ空间I通道上的均值信息GSIM、方差信息GSID和计算失真图像ID和激励响应信号IR在YIQ 空间I通道上的均值信息GSQM、方差信息GSQD，综合并且映射为图像失真程度，得到待评价图像的质量。
Qquality＝F(GSYD,GSYM,GSID,GSIM,GSQD,GSQM|DMOS)(14)
其中，F表示机器学习方法，DMOS表示公知的图像质量评价数据库中图像的主观评价得分。
本发明的有益效果：
本发明通过失真图像对激励信号的不同响应得到图像的特征信息，并且采用机器学习的方法将得到的特征信息映射为图像的失真程度，从而实现对图像质量的客观评价。实验结果表明，基于本发明所提出的方法得到的图像客观质量与主观评价结果具有很好的一致性，能够较好的评价图像的质量。
附图说明
图1为本发明一种基于激励响应的无参考图像质量评价方法的结构框图。
具体实施方式
下面结合附图对本发明方法作进一步说明。
如图1所示，一种基于激励响应的无参考图像质量评价方法，其具体实施步骤如下：
步骤(1).在Matlab环境下输入数据库(比如LIVE、CSIQ、TID2008和TID2013 等公知数据库)中的测试图像ID；
步骤(2).构建激励信号Rx，例如下面的激励信号：
步骤(3).利用步骤(2)所建立的激励相应对步骤(1)输入的失真图像ID进行卷积计算，得到激励相应信号IR：
其中，i表示的是图像中像素点的位置，代表卷积运算。
步骤(4).将激励响应信号IR和失真图像ID由RGB空间转换到YIQ空间，例如可以使用下面的转换公式：
其中，IDR表示步骤(1)输入的失真图像ID的红色分量，IDG表示步骤(1)输入的失真图像ID的绿色分量，IDB表示步骤(1)输入的失真图像ID的蓝色分量，IRR表示步骤(3)生成的激励响应信号IR的红色分量，IRG表示步骤(3)生成的激励响应信号IR的绿色分量，IRB表示步骤(3)生成的激励响应信号IR的蓝色分量，IYD示图像 ID在YIQ空间Y通道上的值，IID示图像ID在YIQ空间I通道上的值，IQD示激励响应信号ID在YIQ空间Q通道上的值,IYR示激励响应信号IR在YIQ空间Y通道上的值, IIR示激励响应信号IR在YIQ空间I通道上的值,IQR示图像IR在YIQ空间Q通道上的值。
步骤(5).构建二维SOx和SOy，例如Sobel算子：
步骤(6).利用步骤(5)所构建的Sobel算子对失真图像ID在YIQ空间Y通道上的值IYD和激励响应信号IR在YIQ空间Y通道上的值IYR分别进行卷积计算，得到失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度信息GYD和GYR：
其中，i表示的是图像中像素点的位置，代表卷积运算。
步骤(7).利用步骤(6)得到的失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度信息GYD和GYR，计算失真图像ID和激励响应信号IR在YIQ空间Y通道上每个像素点之间梯度的相似度；记梯度相似度为GSY：
其中，i表示的是图像中像素点的位置，c1表示一个常数值。在本实施例中，c1的取值为0.01。
然后，计算失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度幅值方差信息：
其中，M表示一幅图像中整体像素数，
步骤(8).利用步骤(4)得到的失真图像ID和激励响应信号IR在YIQ空间I通道上的值IID和IIR，计算失真图像ID和激励响应信号IR在YIQ空间I通道上每个像素点之间的相似度；记相似度为GSI：
其中，i表示的是图像中像素点的位置，c2表示一个常数值。在本实施例中，c2的取值为0.01。
然后，计算失真图像ID和激励响应信号IR在YIQ空间I通道上的方差信息：
其中，M表示一幅图像中整体像素数，
步骤(9).利用步骤(4)得到的失真图像ID和激励响应信号IR在YIQ空间Q通道上的值IQD和IQR，计算失真图像ID和激励响应信号IR在YIQ空间Q通道上每个像素点之间的相似度；记相似度为GSQ：
其中，i表示的是图像中像素点的位置，c3表示一个常数值。在本实施例中，c3的取值为1。
然后，计算失真图像ID和激励响应信号IR在YIQ空间I通道上的方差信息：
其中，M表示一幅图像中整体像素数，
步骤(10).在现在已知的公知的有关图像质量评价的数据库中，采用机器学习的方法(例如BP神经网络、卷积神经网络、支持向量机等)将步骤(7)得到失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度幅值均值信息GSYM、方差信息GSYD，步骤(8)得到失真图像ID和激励响应信号IR在YIQ空间I通道上的均值信息GSIM、方差信息GSID和计算失真图像ID和激励响应信号IR在YIQ 空间I通道上的均值信息GSQM、方差信息GSQD，综合并且映射为图像失真程度，得到待评价图像的质值。
Qquality＝F(GSYD,GSYM,GSID,GSIM,GSQD,GSQM|DMOS)(14)
其中，F表示机器学习方法，在本实施例中，调用的是中国台湾林智仁教授开发的lib-SVM机器学习函数，将步骤(7)、步骤(8)和步骤(9)中得到数据作为该函数的输入。DMOS表示公知的图像质量评价数据库中图像的主观评价得分。在本实施例中，LIVE数据库中的数据被用来进行实验，Pearson线性相关系数(PLCC)，均方根误差(Root Mean SquareError,RMSE)以及Spearman等级相关系数 (SROCC)被用来对客观图像质量评价算法进行评价，实验结果如表1所示：
表1 LIVE数据库中的实验结果
由表1可以看出，在本实施例中，一种基于激励相应的无参考图像质量评价方法能够取得比较好的总体实验效果，并且对于噪声JPEG(JPEG)、JP2K (JPEG2000)、高斯白噪声(WN)以及高斯模糊(GB)的评价效果都比较好，但是对快速衰落(FF)噪声的评价效果不是特别理想，有待加强。

Claims (6)

1.一种基于激励响应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).输入失真图像ID；
步骤(2).构建激励信号Rx：
步骤(3).利用步骤(2)所建立的激励相应对步骤(1)输入的失真图像ID进行卷积计算，得到激励相应信号IR：
其中，i表示的是图像中像素点的位置，代表卷积运算；
步骤(4).将激励响应信号IR和失真图像ID由RGB空间转换到YIQ空间，
步骤(5).构建二维边缘检测算子SOx和SOy：
步骤(6).利用步骤(5)所构建的二维边缘检测算子对失真图像ID在YIQ空间Y通道上的值IYD和激励响应信号IR在YIQ空间Y通道上的值IYR分别进行卷积计算，得到失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度信息GYD和GYR：
其中，i表示的是图像中像素点的位置，代表卷积运算；
步骤(7).利用步骤(6)得到的失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度信息GYD和GYR，计算失真图像ID和激励响应信号IR在YIQ空间Y通道上每个像素点之间梯度的相似度；记梯度相似度为GSY：
其中，i表示的是图像中像素点的位置，c1表示一个常数值；
然后，计算失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度幅值方差信息：
其中，M表示一幅图像中整体像素数，
步骤(8).利用步骤(4)得到的失真图像ID和激励响应信号IR在YIQ空间I通道上的值IID和IIR，计算失真图像ID和激励响应信号IR在YIQ空间I通道上每个像素点之间的相似度；记相似度为GSI：
其中，i表示的是图像中像素点的位置，c2表示一个常数值；
然后，计算失真图像ID和激励响应信号IR在YIQ空间I通道上的方差信息：
其中，M表示一幅图像中整体像素数，
步骤(9).利用步骤(4)得到的失真图像ID和激励响应信号IR在YIQ空间Q通道上的值IQD和IQR，计算失真图像ID和激励响应信号IR在YIQ空间Q通道上每个像素点之间的相似度；记相似度为GSQ：
其中，i表示的是图像中像素点的位置，c3表示一个常数值；
然后，计算失真图像ID和激励响应信号IR在YIQ空间I通道上的方差信息：
其中，M表示一幅图像中整体像素数，
步骤(10).采用机器学习的方法将步骤(7)得到失真图像ID和激励响应信号IR在YIQ空间Y通道上的梯度幅值均值信息GSYM、方差信息GSYD，步骤(8)得到失真图像ID和激励响应信号IR在YIQ空间I通道上的均值信息GSIM、方差信息GSID和计算失真图像ID和激励响应信号IR在YIQ空间I通道上的均值信息GSQM、方差信息GSQD，综合并且映射为图像失真程度，得到待评价图像的质量；
Qquality＝F(GSYD,GSYM,GSID,GSIM,GSQD,GSQM|DMOS)
其中，F表示机器学习方法，DMOS表示公知的图像质量评价数据库中图像的主观评价得分。
2.如权利要求1所述的基于激励响应的无参考图像质量评价方法，其特征在于所述的步骤(2)中构建激励信号Rx，例如可以使用下面的激励相应信号：
3.如权利要求1所述的基于激励响应的无参考图像质量评价方法，其特征在于所述的步骤(4)将激励响应信号IR和失真图像ID由RGB空间转换到YIQ空间，例如可以使用下面的转换公式：
其中，IDR表示步骤(1)输入的失真图像ID的红色分量，IDG表示步骤(1)输入的失真图像ID的绿色分量，IDB表示步骤(1)输入的失真图像ID的蓝色分量，IRR表示步骤(3)生成的激励响应信号IR的红色分量，IRG表示步骤(3)生成的激励响应信号IR的绿色分量，IRB表示步骤(3)生成的激励响应信号IR的蓝色分量，IYD示图像ID在YIQ空间Y通道上的值，IID示图像ID在YIQ空间I通道上的值，IQD示激励响应信号ID在YIQ空间Q通道上的值,IYR示激励响应信号IR在YIQ空间Y通道上的值,IIR示激励响应信号IR在YIQ空间I通道上的值,IQR示图像IR在YIQ空间Q通道上的值。
4.如权利要求1所述的基于激励响应的无参考图像质量评价方法，其特征在于所述的步骤(5)构建二维边缘检测算子SOx和SOy，例如可以使用Sobel算子：
5.如权利要求1所述的基于激励响应的无参考图像质量评价方法，其特征在于所述的失真图像ID来源于公知数据库。
6.如权利要求1所述的基于激励响应的无参考图像质量评价方法，其特征在于所述的机器学习的方法为BP神经网络、卷积神经网络或支持向量机。
CN201810054420.6A 2018-01-19 2018-01-19 一种基于激励响应的无参考图像质量评价方法 Active CN108171704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810054420.6A CN108171704B (zh) 2018-01-19 2018-01-19 一种基于激励响应的无参考图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810054420.6A CN108171704B (zh) 2018-01-19 2018-01-19 一种基于激励响应的无参考图像质量评价方法

Publications (2)

Publication Number Publication Date
CN108171704A true CN108171704A (zh) 2018-06-15
CN108171704B CN108171704B (zh) 2019-12-20

Family

ID=62515427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810054420.6A Active CN108171704B (zh) 2018-01-19 2018-01-19 一种基于激励响应的无参考图像质量评价方法

Country Status (1)

Country Link
CN (1) CN108171704B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114067006A (zh) * 2022-01-17 2022-02-18 湖南工商大学 一种基于离散余弦变换的屏幕内容图像质量评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006067423A (ja) * 2004-08-30 2006-03-09 Fuji Photo Film Co Ltd 画像品質定量評価方法及びその装置
CN105825503A (zh) * 2016-03-10 2016-08-03 天津大学 基于视觉显著性的图像质量评价方法
CN106709958A (zh) * 2016-12-03 2017-05-24 浙江大学 一种基于灰度梯度和颜色直方图的图像质量评价方法
CN107578403A (zh) * 2017-08-22 2018-01-12 浙江大学 基于梯度信息指导双目视图融合的立体图像质量评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006067423A (ja) * 2004-08-30 2006-03-09 Fuji Photo Film Co Ltd 画像品質定量評価方法及びその装置
CN105825503A (zh) * 2016-03-10 2016-08-03 天津大学 基于视觉显著性的图像质量评价方法
CN106709958A (zh) * 2016-12-03 2017-05-24 浙江大学 一种基于灰度梯度和颜色直方图的图像质量评价方法
CN107578403A (zh) * 2017-08-22 2018-01-12 浙江大学 基于梯度信息指导双目视图融合的立体图像质量评价方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114067006A (zh) * 2022-01-17 2022-02-18 湖南工商大学 一种基于离散余弦变换的屏幕内容图像质量评价方法
CN114067006B (zh) * 2022-01-17 2022-04-08 湖南工商大学 一种基于离散余弦变换的屏幕内容图像质量评价方法

Also Published As

Publication number Publication date
CN108171704B (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
CN103996192B (zh) 基于高质量自然图像统计量模型的无参考图像质量评价方法
CN105678700B (zh) 基于预测梯度的图像插值方法及系统
CN109871845B (zh) 证件图像提取方法及终端设备
CN110400275B (zh) 一种基于全卷积神经网络和特征金字塔的颜色校正方法
CN112419151A (zh) 图像退化处理方法、装置、存储介质及电子设备
CN106709958A (zh) 一种基于灰度梯度和颜色直方图的图像质量评价方法
CN101872479A (zh) 一种立体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
CN107610093B (zh) 基于相似性特征融合的全参考型图像质量评价方法
CN109242834A (zh) 一种基于卷积神经网络的无参考立体图像质量评价方法
CN103325120A (zh) 一种快速自适应支持权值双目视觉立体匹配方法
CN112634146A (zh) 基于多种注意力机制的多通道cnn医学ct图像去噪方法
CN112950596A (zh) 基于多区域多层次的色调映射全向图像质量评价方法
CN107018410A (zh) 一种基于预注意机制和空间依赖性的无参考图像质量评价方法
Fu et al. Screen content image quality assessment using Euclidean distance
CN108171704A (zh) 一种基于激励响应的无参考图像质量评价方法
CN113706400A (zh) 图像矫正方法、装置、显微镜图像的矫正方法及电子设备
CN111325700B (zh) 基于彩色图像的多维度融合方法和系统
CN103108209A (zh) 基于视觉阈值与通道融合的立体图像客观质量评价方法
CN112508847A (zh) 一种基于深度特征与结构加权lbp特征的图像质量评价方法
CN114067006B (zh) 一种基于离散余弦变换的屏幕内容图像质量评价方法
Barai et al. Human visual system inspired saliency guided edge preserving tone-mapping for high dynamic range imaging
CN116402802A (zh) 一种基于颜色空间多特征融合的水下图像质量评价方法
CN108596831B (zh) 一种基于AdaBoost实例回归的超分辨率重建方法

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