CN108665433A - 一种结合多种特征的无参考自然图像质量评价方法 - Google Patents
一种结合多种特征的无参考自然图像质量评价方法 Download PDFInfo
- Publication number
- CN108665433A CN108665433A CN201710213198.5A CN201710213198A CN108665433A CN 108665433 A CN108665433 A CN 108665433A CN 201710213198 A CN201710213198 A CN 201710213198A CN 108665433 A CN108665433 A CN 108665433A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- value
- gray level
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000013441 quality evaluation Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种结合多种特征的无参考自然图像质量评价方法，通过计算得到的8个特征，然后构建一个向量fi＝[featureHBC featureNCSD featureH featureL featureHDW featureEAV featureASD featureN]T将图像的特征向量转化为无标注图像的评价概率矩阵，最终可得到无标注的图像i的评分di＝[x1 x2 x3 x4 x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5；该结合多种特征的无参考图像质量评价方法，结合多种图像特征对图像进行质量评价，能够综合考虑图像噪声、图像清晰度等特征，可以更好对图像进行分类，具有更好的普遍性，能够适应各种不同特性的图像质量评价，方便对图像进行科学的分类。
Description
技术领域
本发明属于图像质量评价技术领域，具体涉及一种结合多种特征的无参考自然图像质量评价方法。
背景技术
随着近些年多媒体设备的快速发展，大众对图像质量的要求急剧提高，故图像质量评价在近年获得极大关注。图像质量评价分为全参考、半参考、无参考图像质量评价三类，由于绝大多数实际情况无法获得无失真的本体信息，所以无参考图像质量评价方法最为实用。
1、全参考算法：基本思路是通过设计特征来比较失真图像和参考图像的局部差异，然后在整幅图像上求出一个总的平均统计量，并把这个统计量与图像质量关联起来。这类方法分为有基于误差统计量和和基于HVS模型的算法，主要代表有均方误差(MSE)模型、峰值信噪比(PSNR)等均属于这类方法。该类方法研究时间最长，也最为成熟；但由于需要比较像素级差异，因此计算量较大，另外该类算法由于需要参考图，应用时灵活性差。
2、半参考算法：基本思路是首先将图像分块，然后以图像块为单位分别统计失真图像和参考图像的相关特征，最后比较这些统计特征之间的差异。这类方法又分为基于图像特征统计量的算法和基于数字水印的算法，主要代表有结构相似度(SSIM)模型、NSS模型、VIF算法。这类算法的特点是其只需从参考图像中提取部分统计量用于比较，无需原始的像素级别的信息，数据量较全参考算法更小，计算代价更小；与全参考算法一样，该类方法仍然需要参考图像，应用时灵活性差。
3、无参考算法：主要包括针对失真类型的算法和基于机器学习的算法，代表方法有频域评价算法、循环反向传播(CBP)神经网络。这类方法的特点无需参考图像，应用更广，泛化能力更强，近几年来无参考算法已经开始成为研究的热点。但目前的无参考算法无法摆脱其评价结果受图像内容的影响。
现有的无参考图像质量评价方法主要分两类，第一类主要针对一种特征进行评价，由于图像的复杂性，无法精确的模拟图像和感知质量之间的映射关系，单一类型的特征只能对特定的失真进行判定，缺乏普适性。第二类方法主要是根据统计规律来进行判定，但是图像种类繁多，不同种类的图像统计规律差异极大，此方法只能针对特定类型的图像有效。
发明内容
本发明的目的是提供一种结合多种特征的无参考图像质量评价方法。
为此，本发明提供了一种结合多种特征的无参考自然图像质量评价方法，包括如下步骤：
步骤1、输入图像，对原图进行曝光值加减处理，得到+1EV、+2EV、-1EV、-2EV的4幅图像；
步骤2、将步骤1中得到的4幅图像和原图依次转为灰度图像，得到5幅灰度图像；
步骤3、将5幅图像分别进行直方图统计，计算其直方图均衡系数
其中，N为总像素数，n为灰度级的数量，count(i)为灰度为i的像素数；故可以得到5个直方图均衡系数
步骤4、对步骤3中得到的5个直方图均衡系数构建一个4次拟合函数，并求该拟合函数的极小值点，归一化之后作为特征featureHBC；
步骤5、对步骤2得到的5幅灰度图像分别计算其均方根对比度系数
其中，Imax为灰度值的最大值，Imin为最小值，μ为全图的灰度均值，其余与步骤3中定义相同；
步骤6、对步骤5中5个均方根对比度值进行修正其中，为理想状态下的CCSD值，用修正后的5个均方根对比度构建4次拟合函数，并求极小值点，归一化之后作为特征featureNCSD；
步骤7、对步骤2得到的5幅灰度图像分别计算其熵值
其中，pi为灰度级为i的像素在图中出现的概率，其余定义与步骤5中相同；
步骤8、对步骤7中的5个熵值构建4次拟合函数，并求极小值点，归一化之后作为特征featureH；
步骤9、对步骤2中获得的原图的灰度图像计算其宽容度量化系数
并作为特征featureL；
步骤10、对步骤2中获得的原图的灰度图像进行分块，计算每一块图像的熵值hi，从步骤7中获取全图熵值H；取hi的中位数为hmed；
步骤11、利用步骤10中的hmed和H构建分段函数(5)，然后根据公式(6)计算分块带权值的熵值均值
其中，r＝|hmed-H|，MAX为分的块数，并将hDW归一化之后作为特征featureHDW；
步骤12、对步骤2中获得的原图的灰度图像进行8邻域点锐度均值计算
其中，wa为权值ΔI为灰度差，N为总像素数；EAV值归一化之后转化为特征featureEAV；
步骤13、从步骤12中获取8邻域点锐度均值EAV和每一点的8邻域点锐度计算其标准差
将ASD归一化之后转化为特征featureASD；
步骤14、对步骤2中获得的原图的灰度图像进行分割，计算每一个小块的灰度均值其中，Ii为灰度值，N为小块内的像素数，然后计算小块内的标准差对所有小块进行计算之后，得到所有小块的LSD值LSDi，然后进行统计，并建立K个统计区间，每个统计区间的间隔然后取含LSDi最多的统计区间，将区间内的LSDi值取出来求均值DLSD,计算参数作为特征featureN；
步骤15：利用上述步骤得到的8个特征构建一个向量
fi＝[featureHBC featureNCSD featureH featureL featureHDW featureEAVfeatureASD featureN]T；
步骤16、定义矩阵F＝[f1 f2 …… fn]＝[F1，F2],fj(j＝1,2,…,n)为第j张图像的特征向量，F1为人工标注数据，F2为未标注的数据；
步骤17、定义评分向量d＝[x1 x2 x3 x4 x5]T，其中，x1为评价为极差的概率，x2为评价为差的概率，x3为评价为一般的概率，x4为评价为好的概率，x5为评价为极好的概率，然后输入已标注的统计概率；
步骤18、定义矩阵di(i＝1,2,…,n)指第i张图的评价结果；
步骤19、计算所有图像的特征点之间的欧氏距离ρ(fi,fj)＝||fi-fj||2，寻找每个点k近邻点；
步骤20、用K个近邻点线性表示原数据点，其误差函数最小时的权值矩阵，约束条件
步骤21、利用步骤20中的权值矩阵wij将训练样本点映射到5维的评分空间d＝[x1x2 x3 x4 x5]中；映射方程为：满足约束条件其中，最小化问题可转化为即可求出无标注图像的评价概率矩阵D2；
步骤22、根据步骤21解得的无标注图像的评价概率矩阵D2，可得到无标注的图像i的评分di＝[x1 x2 x3 x4 x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5。若ai≤0.5则最终评价结果为极差，若0.5＜ai≤1.5则最终评价结果为差，若1.5＜ai≤2.5则最终评价结果为一般，若2.5＜ai≤3.5则最终评价结果为好，若ai≥3.5则最终评价结果为极好。
所述拟合函数的定义为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2；步骤4中，y的取值为5个对应的直方图均衡系数；步骤6中，y的取值为修正后的5个均方根；步骤8中，y的取值为5个熵值构建4次拟合函数。
所述步骤4、步骤6、步骤8中的归一化函数为y＝e-x；其中x为输入值，即对应步骤4、步骤6、步骤8的拟合函数的极小值点的绝对值，y为结果值。
所述步骤11的归一化函数为其中x为输入的hDW,y为结果，n为分块的尺寸，即5或7或9。
所述步骤12的归一化函数为其中x为EAV值,y为结果。
所述步骤13的归一化函数为其中x为标准差ASD值,y为结果，N为总像素数。
所述步骤10中，原图的灰度图像进行分块的范围为25到81块(5*5到9*9)。
所述步骤14中，原图的灰度图像进行分割的范围为900到10000块(30*30到100*100)。
本发明的有益效果：本发明提供的这种结合多种特征的无参考图像质量评价方法，结合多种图像特征对图像进行质量评价，能够综合考虑图像噪声、图像清晰度等特征，可以更好对图像进行分类，具有更好的普遍性，能够适应各种不同特性的图像质量评价，方便对图像进行科学的分类。
以下将结合附图对本发明做进一步详细说明。
附图说明
图1是结合多种特征的无参考图像质量评价方法流程示意图。
具体实施方式
为进一步阐述本发明达成预定目的所采取的技术手段及功效，以下结合附图及实施例对本发明的具体实施方式、结构特征及其功效，详细说明如下。
为了克服现有图像质量评价针对的图像特征单一，缺乏普遍性的问题，本发明提供了一种如图1所述的种结合多种特征的无参考自然图像质量评价方法，包括如下步骤：
步骤1、输入图像，对原图进行曝光值加减处理，得到+1EV、+2EV、-1EV、-2EV的4幅图像；
步骤2、将步骤1中得到的4幅图像和原图依次转为灰度图像，得到5幅灰度图像；
步骤3、将5幅图像分别进行直方图统计，计算其直方图均衡系数
其中，N为总像素数，n为灰度级的数量，count(i)为灰度为i的像素数；故可以得到5个直方图均衡系数
步骤4、对步骤3中得到的5个直方图均衡系数构建一个4次拟合函数，拟合函数的定义为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2，y为步骤3中得到的对应的直方图均衡系数，将x,y带入拟合函数后，确定a0、a1、a2、a3、a4的值，然后该拟合函数的极小值点，将极小值点取绝对值，使用y＝e-x方程进行归一化(其中x为输入值，即拟合函数的极小值点的绝对值，y为结果值)，结果值作为特征featureHBC；
步骤5、对步骤2得到的5幅灰度图像分别计算其均方根对比度系数
其中，Imax为灰度值的最大值，Imin为最小值，μ为全图的灰度均值，其余与步骤3中定义相同；
步骤6、对步骤5中5个均方根对比度值进行修正其中，为理想状态下的CCSD值，用修正后的5个均方根对比度构建4次拟合函数，拟合函数的定义同样为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2，y为步骤5中得到的5个均方根，将x,y带入拟合函数后，确定a0、a1、a2、a3、a4的值，然后该拟合函数的极小值点，将极小值点取绝对值，使用y＝e-x方程进行归一化(其中x为输入值，即拟合函数的极小值点的绝对值，y为结果值)，归一化之后作为特征featureNCSD；
步骤7、对步骤2得到的5幅灰度图像分别计算其熵值
其中，pi为灰度级为i的像素在图中出现的概率，其余定义与步骤5中相同；
步骤8、对步骤7中的5个熵值构建4次拟合函数，拟合函数的定义同样为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2，y的取值为步骤7中的5个熵值，将x,y带入拟合函数后，确定a0、a1、a2、a3、a4的值，然后该拟合函数的极小值点，将极小值点取绝对值，使用y＝e-x方程进行归一化(其中x为输入值，即拟合函数的极小值点的绝对值，y为结果值)，，归一化之后作为特征featureH；
步骤9、对步骤2中获得的原图的灰度图像计算其宽容度量化系数
并作为特征featureL；
步骤10、对步骤2中获得的原图的灰度图像进行分块，分块的范围为25到81块(即：5*5到9*9)，计算每一块图像的熵值hi，从步骤7中获取全图熵值H；取hi的中位数为hmed；
步骤11、利用步骤10中的hmed和H构建分段函数(5)，然后根据公式(6)计算分块带权值的熵值均值
其中，r＝|hmed-H|，MAX为分的块数，并将hDW归一化之后作为特征featureHDW；归一化函数为其中x为输入的hDW,y为结果，n为分块的尺寸，即5或7或9；
步骤12、对步骤2中获得的原图的灰度图像进行8邻域点锐度均值计算
其中，wa为权值ΔI为灰度差，N为总像素数；EAV值归一化之后转化为特征featureEAV；归一化函数为其中x为EAV值,y为结果；
步骤13、从步骤12中获取8邻域点锐度均值EAV和每一点的8邻域点锐度计算其标准差
将ASD归一化之后转化为特征featureASD；归一化函数为其中x为标准差ASD值,y为结果，N为总像素数；
步骤14、对步骤2中获得的原图的灰度图像进行分割，分割的范围为900到10000块(30*30到100*100)；计算每一个小块的灰度均值其中，Ii为灰度值，N为小块内的像素数，然后计算小块内的标准差对所有小块进行计算之后，得到所有小块的LSD值LSDi，然后进行统计，并建立K个统计区间，每个统计区间的间隔然后取含LSDi最多的统计区间，将区间内的LSDi值取出来求均值DLSD,计算参数作为特征featureN；
步骤15：利用上述步骤得到的8个特征构建一个向量
fi＝[featureHBC featureNCSD featureH featureL featureHDW featureEAVfeatureASD featureN]T；
步骤16、定义矩阵F＝[f1 f2 …… fn]＝[F1，F2],fj(j＝1,2,…,n)为第j张图像的特征向量，F1为人工标注数据，F2为未标注的数据；
步骤17、定义评分向量d＝[x1 x2 x3 x4 x5]T，其中，x1为评价为极差的概率，x2为评价为差的概率，x3为评价为一般的概率，x4为评价为好的概率，x5为评价为极好的概率，然后输入已标注的统计概率；
步骤18、定义矩阵di(i＝1,2,…,n)指第i张图的评价结果；
步骤19、计算所有图像的特征点之间的欧氏距离ρ(fi,fj)＝||fi-fj||2，寻找每个点k近邻点；
步骤20、用K个近邻点线性表示原数据点，其误差函数最小时的权值矩阵，约束条件
步骤21、利用步骤20中的权值矩阵wij将训练样本点映射到5维的评分空间d＝[x1x2 x3 x4 x5]中；映射方程为：满足约束条件其中，最小化问题可转化为即可求出无标注图像的评价概率矩阵D2；
步骤22、根据步骤21解得的无标注图像的评价概率矩阵D2，可得到无标注的图像i的评分di＝[x1 x2 x3 x4 x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5。若ai≤0.5则最终评价结果为极差，若0.5＜ai≤1.5则最终评价结果为差，若1.5＜ai≤2.5则最终评价结果为一般，若2.5＜ai≤3.5则最终评价结果为好，若ai≥3.5则最终评价结果为极好。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (8)
1.一种结合多种特征的无参考自然图像质量评价方法，其特征在于，包括如下步骤：
步骤1、输入图像，对原图进行曝光值加减处理，得到+1EV、+2EV、-1EV、-2EV的4幅图像；
步骤2、将步骤1中得到的4幅图像和原图依次转为灰度图像，得到5幅灰度图像；
步骤3、将5幅图像分别进行直方图统计，计算其直方图均衡系数
其中，N为总像素数，n为灰度级的数量，count(i)为灰度为i的像素数；故可以得到5个直方图均衡系数
步骤4、对步骤3中得到的5个直方图均衡系数构建一个4次拟合函数，并求该拟合函数的极小值点，归一化之后作为特征featureHBC；
步骤5、对步骤2得到的5幅灰度图像分别计算其均方根对比度系数
其中，Imax为灰度值的最大值，Imin为最小值，μ为全图的灰度均值，其余与步骤3中定义相同；
步骤6、对步骤5中5个均方根对比度值进行修正其中，为理想状态下的CCSD值，用修正后的5个均方根对比度构建4次拟合函数，并求极小值点，归一化之后作为特征featureNCSD；
步骤7、对步骤2得到的5幅灰度图像分别计算其熵值
其中，pi为灰度级为i的像素在图中出现的概率，其余定义与步骤5中相同；
步骤8、对步骤7中的5个熵值构建4次拟合函数，并求极小值点，归一化之后作为特征featureH；
步骤9、对步骤2中获得的原图的灰度图像计算其宽容度量化系数(4)
并作为特征featureL；
步骤10、对步骤2中获得的原图的灰度图像进行分块，计算每一块图像的熵值hi，从步骤7中获取全图熵值H；取hi的中位数为hmed；
步骤11、利用步骤10中的hmed和H构建分段函数(5)，然后根据公式(6)计算分块带权值的熵值均值
其中，r＝|hmed-H|，MAX为分的块数，并将hDW归一化之后作为特征featureHDW；
步骤12、对步骤2中获得的原图的灰度图像进行8邻域点锐度均值计算
其中，wa为权值ΔI为灰度差，N为总像素数；EAV值归一化之后转化为特征featureEAV；
步骤13、从步骤12中获取8邻域点锐度均值EAV和每一点的8邻域点锐度计算其标准差
将ASD归一化之后转化为特征featureASD；
步骤14、对步骤2中获得的原图的灰度图像进行分割，计算每一个小块的灰度均值其中，Ii为灰度值，N为小块内的像素数，然后计算小块内的标准差对所有小块进行计算之后，得到所有小块的LSD值LSDi，然后进行统计，并建立K个统计区间，每个统计区间的间隔然后取含LSDi最多的统计区间，将区间内的LSDi值取出来求均值DLSD,计算参数作为特征featureN；
步骤15：利用上述步骤得到的8个特征构建一个向量
fi＝[featureHBC featureNCSD featureH featureL featureHDW featureEAV featureASDfeatureN]T；
步骤16、定义矩阵F＝[f1 f2 …… fn]＝[F1，F2],fj(j＝1,2,…,n)为第j张图像的特征向量，F1为人工标注数据，F2为未标注的数据；
步骤17、定义评分向量d＝[x1 x2 x3 x4 x5]T，其中，x1为评价为极差的概率，x2为评价为差的概率，x3为评价为一般的概率，x4为评价为好的概率，x5为评价为极好的概率，然后输入已标注的统计概率；
步骤18、定义矩阵di(i＝1,2,…,n)指第i张图的评价结果；
步骤19、计算所有图像的特征点之间的欧氏距离ρ(fi,fj)＝||fi-fj||2，寻找每个点k近邻点；
步骤20、用K个近邻点线性表示原数据点，其误差函数最小时的权值矩阵，约束条件
步骤21、利用步骤20中的权值矩阵wij将训练样本点映射到5维的评分空间d＝[x1 x2 x3x4 x5]中；映射方程为：满足约束条件其中，最小化问题可转化为即可求出无标注图像的评价概率矩阵D2；
步骤22、根据步骤21解得的无标注图像的评价概率矩阵D2，可得到无标注的图像i的评分di＝[x1 x2 x3 x4 x5]，无标注的图像i的最终评价概率加权ai＝0*x1+1*x2+2*x3+3*x4+4*x5。若ai≤0.5则最终评价结果为极差，若0.5＜ai≤1.5则最终评价结果为差，若1.5＜ai≤2.5则最终评价结果为一般，若2.5＜ai≤3.5则最终评价结果为好，若ai≥3.5则最终评价结果为极好。
2.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述拟合函数的定义为y＝a0+a1x+a2x2+a3x3+a4x4,其中，a0、a1、a2、a3、a4为待定系数，x的取值为：0、-1、-2、1、2；步骤4中，y的取值为5个对应的直方图均衡系数；步骤6中，y的取值为修正后的5个均方根；步骤8中，y的取值为5个熵值构建4次拟合函数。
3.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤4、步骤6、步骤8中的归一化函数为y＝e-x；其中x为输入值，即对应步骤4、步骤6、步骤8的拟合函数的极小值点的绝对值，y为结果值。
4.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤11的归一化函数为其中x为输入的hDW,y为结果，n为分块的尺寸，即5或7或9。
5.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤12的归一化函数为其中x为EAV值,y为结果。
6.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤13的归一化函数为其中x为标准差ASD值,y为结果，N为总像素数。
7.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤10中，原图的灰度图像进行分块的范围为25到81块(5*5到9*9)。
8.如权利要求1所述的结合多种特征的无参考自然图像质量评价方法，其特征在于：所述步骤14中，原图的灰度图像进行分割的范围为900到10000块(30*30到100*100)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710213198.5A CN108665433B (zh) | 2017-04-01 | 2017-04-01 | 一种结合多种特征的无参考自然图像质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710213198.5A CN108665433B (zh) | 2017-04-01 | 2017-04-01 | 一种结合多种特征的无参考自然图像质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108665433A true CN108665433A (zh) | 2018-10-16 |
| CN108665433B CN108665433B (zh) | 2021-05-18 |
Family
ID=63783810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710213198.5A Active CN108665433B (zh) | 2017-04-01 | 2017-04-01 | 一种结合多种特征的无参考自然图像质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108665433B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112233111A (zh) * | 2020-11-18 | 2021-01-15 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测方法 |
| CN113311430A (zh) * | 2020-11-10 | 2021-08-27 | 电子科技大学 | 蜂群无人机数量估计和航迹生成方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
| CN102629318A (zh) * | 2012-03-22 | 2012-08-08 | 中国电子科技集团公司第五十八研究所 | 一种基于支持向量机的指纹图像分割方法 |
| US20140354826A1 (en) * | 2013-05-28 | 2014-12-04 | Apple Inc. | Reference and non-reference video quality evaluation |
-
2017
- 2017-04-01 CN CN201710213198.5A patent/CN108665433B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
| CN102629318A (zh) * | 2012-03-22 | 2012-08-08 | 中国电子科技集团公司第五十八研究所 | 一种基于支持向量机的指纹图像分割方法 |
| US20140354826A1 (en) * | 2013-05-28 | 2014-12-04 | Apple Inc. | Reference and non-reference video quality evaluation |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113311430A (zh) * | 2020-11-10 | 2021-08-27 | 电子科技大学 | 蜂群无人机数量估计和航迹生成方法 |
| CN113311430B (zh) * | 2020-11-10 | 2022-06-07 | 电子科技大学 | 蜂群无人机数量估计和航迹生成方法 |
| CN112233111A (zh) * | 2020-11-18 | 2021-01-15 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108665433B (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104751456B (zh) | 基于条件直方图码书的盲图像质量评价方法 | |
| CN102722876B (zh) | 一种基于残差的图像超分辨率重建方法 | |
| 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 | |
| CN105261013B (zh) | 一种扫描图像质量综合评价方法及评价系统 | |
| CN104284126B (zh) | 影像插补方法以及应用该方法的影像插补装置与影像装置 | |
| CN104376565B (zh) | 基于离散余弦变换和稀疏表示的无参考图像质量评价方法 | |
| CN104243973B (zh) | 基于感兴趣区域的视频感知质量无参考客观评价方法 | |
| CN107123088A (zh) | 一种自动更换证件照背景颜色的方法 | |
| CN104063706A (zh) | 一种基于surf算法的视频指纹提取方法 | |
| CN109151475A (zh) | 一种视频编码方法、解码方法、装置及电子设备 | |
| CN103778636A (zh) | 一种用于无参考图像质量评价的特征构建方法 | |
| Göring et al. | deimeq-A Deep Neural Network Based Hybrid No-reference Image Quality Model | |
| CN102915527A (zh) | 基于形态学成分分析的人脸图像超分辨率重建方法 | |
| CN106651829B (zh) | 一种基于能量和纹理分析的无参考图像客观质量评价方法 | |
| CN106228557B (zh) | 基于二次jpeg压缩的图像篡改区域检测方法 | |
| CN110415207A (zh) | 一种基于图像失真类型的图像质量评估的方法 | |
| CN109064418A (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
| 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 | |
| CN109754390B (zh) | 一种基于混合视觉特征的无参考图像质量评价方法 | |
| CN108665433A (zh) | 一种结合多种特征的无参考自然图像质量评价方法 | |
| CN110458792A (zh) | 人脸图像质量的评价方法及装置 | |
| CN108846800A (zh) | 一种图像超分辨率重建的无参考图像质量评价方法 | |
| CN109685772A (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
| CN107451970A (zh) | 一种基于单帧图像的高动态范围图像生成方法 | |
| CN106934770A (zh) | 一种评价雾霾图像去雾效果的方法和装置 |
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 |