CN109218716A - 基于色彩统计和信息熵无参考色调映射图像质量评价方法 - Google Patents
基于色彩统计和信息熵无参考色调映射图像质量评价方法 Download PDFInfo
- Publication number
- CN109218716A CN109218716A CN201811230553.0A CN201811230553A CN109218716A CN 109218716 A CN109218716 A CN 109218716A CN 201811230553 A CN201811230553 A CN 201811230553A CN 109218716 A CN109218716 A CN 109218716A
- Authority
- CN
- China
- Prior art keywords
- color
- channel
- image
- space
- indicates
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Color Image Communication Systems (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理领域,为提出一种结合色彩统计特征和信息熵特征的无参考评价方法。为此,本发明采取的技术方案是,基于色彩统计和信息熵无参考色调映射图像质量评价方法,步骤如下:第一步,数据准备;第二步,色彩统计特征提取,主要包括以下三个步骤:(1)颜色通道分解;(2)对(1)中通道进行除法归一化运算,得到各自的颜色归一化系数;(3)参数拟合;第三步,信息熵特征提取;第四步,质量预测。对测试集进行特征提取,输入到训练好的模型中,预测测试图的质量分数。本发明主要应用于图像处理场合。
Description
技术领域
本发明属于图像处理领域,尤其是色调映射图像的质量评价。具体讲,涉及基于色彩统计和信息熵无参考色调映射图像质量评价方法。
背景技术
图像质量评价(Image Quality Assessment,IQA)是图像处理领域的研究热点,主要分为主观质量评价和客观质量评价,主观评价需要庞大的被试数量、苛刻的实验环境和较长的时间支出,因此不常采用。客观质量评价方法是研究的一大趋势,主要分为全参考(Full Reference,FR)、半参考(Reduced Reference,RR)和无参考(No Reference,NR)三种类型。近年来,随着显示技术的发展,人们对日常的显示设备有着比较高的要求,真实场景到显示设备的转换还存在诸多问题,其中一个比较突出的问题就是色调映射。色调映射旨在将高动态范围的场景映射到低动态范围的显示设备上,尽量减少场景色彩和细节的丢失,因此,涌现出了大量色调映射算法。针对色调映射算法处理的图像质量评价问题,前人做出了很多贡献,但是色调映射图像质量评价仍有很大的提升空间。本发明结合色调映射图像的色彩统计特征和信息熵特征,提出了高效的无参考质量评价方法,对解决色调映射图像的质量评价问题提供了可行的方案。
发明内容
为克服现有技术的不足,本发明旨在针对色调映射图像质量评价问题,提出一种结合色彩统计特征和信息熵特征的无参考评价方法。为此,本发明采取的技术方案是,基于色彩统计和信息熵无参考色调映射图像质量评价方法,步骤如下:
第一步,数据准备,选择ESPL-LIVE HDR Database作为数据集,总计1811张色调映射图像,将数据库80%的数据作为训练集,剩余20%作为测试集;
第二步,色彩统计特征提取,主要包括以下三个步骤:(1)颜色通道分解,对LMS,Lab,YCbCr和RGB空间进行颜色通道分解和构造,对分解的LMS通道取对数运算,对分解的RGB通道构造新的颜色通道;(2)对(1)中通道进行除法归一化运算,得到各自的颜色归一化系数;(3)参数拟合,用广义高斯分布和非对称广义高斯拟合颜色归一化系数的统计分布,取拟合参数记为色彩统计特征fC;
第三步,信息熵特征提取,取{1,1/2,1/4,1/8,1/16}五个尺度大小的灰度图进行熵计算,记熵特征为fH;
第四步,质量预测,将训练集的特征[fC fH]和相关的主观质量分数送入支持向量回归模型中训练,得到一个质量评价模型。然后对测试集进行特征提取,输入到训练好的模型中,预测测试图的质量分数。
验证步骤,采用四种衡量客观图像质量的指标,首先通过逻辑回归函数减少预测非线性误差的影响,然后比较预测的质量分数和主观质量分数的相关性,分析结果。
第二步,色彩统计特征提取具体地,
1)颜色通道分解
LMS空间比较符合人眼视觉特性,通过下式转换得到:
将分解的LMS通道进行对数运算,使之更加符合人眼对色彩的感知:
Lab颜色空间中的L分量用于表示像素的亮度,a表示从红色到绿色的范围,b表示从黄色到蓝色的范围,对于RGB图像,先将其转换到XYZ空间,再将XYZ空间转换为Lab空间:
其中,M与成像印件系统的色度学特性有关,Xn,Yn,Zn是白光条件下的刺激值;
YCbCr颜色空间中,Y表示图像的亮度信息,Cb和Cr分别表示蓝色和红色分量,
从RGB颜色空间中构建黄色通道,记为Y:
2)除法归一化
给定一张MxN大小的图像I,经过除法归一化运算,它的颜色归一化系数表示为:
其中,I(i,j)表示位置(i,j)处的像素值,ω={ωh,w|h=-H,...,H;w=-W,...,W}表示2D高斯窗函数,H和W表示图像的高度和宽度,取值为3x3的像素块;
对LMS颜色空间的L’,M’,S’通道,Lab颜色空间的a,b通道,YCbCr颜色空间的Cb,Cr通道以及RGB空间的Y通道进行除法归一化运算,记归一化的通道为
3)参数拟合
零均值的广义高斯分布GGD表示如下:
公式(11)中,x表示颜色归一化系数,α和σ2表示分布的形状和变化参数,拟合颜色归一化系数的两个参数为[α,σ];
非对称广义高斯分布AGGD模型表示为:
其中,参数v控制分布的形状,η表示分布的均值,σl 2,σr 2是表示左右方差的参数,拟合颜色归一化系数的三个参数为[v,σl,σr];
针对归一化后的LMS通道,构造蓝黄(BY)和红绿(RG)颜色通道:
进而,将C中替换为BY和RG,替换后的颜色通道分为两组,分别为和CGGD=Y,将CAGGD和CGGD中的图像颜色分量分别用AGGD和GGD拟合,其拟合参数记为色彩统计特征fC。
第三步,信息熵特征提取具体地,采用熵来度量色调映射图像的信息量:
其中,H(I)表示图像的信息熵,Pl(I)表示第l个灰度级上的概率密度,将一张灰度图像进行尺寸缩放,尺寸因子为{1,1/2,1/4,1/8,1/16},提取五个尺度上的信息熵,记为fH;
将总的特征记作F,F=[fC fH]。
本发明的特点及有益效果是:
本发明提取了色调映射图像色彩统计特征和信息熵特征,融合两种特征进行训练,得到一个质量评价模型。实验结果表明,该模型具有高效的性能,预测的客观质量分数与人眼的主观评分有很高的一致性。
附图说明:
图1本发明框图。
具体实施方式
本发明提出了一种无参考色调映射图像质量评价方法,具体包括以下步骤:
第一步,数据准备。选择ESPL-LIVE HDR Database作为数据集,总计1811张色调映射图像,将数据库80%的数据作为训练集,剩余20%作为测试集。
第二步,色彩统计特征提取。主要包括以下三个步骤:(1)颜色通道分解,对LMS,Lab,YCbCr和RGB空间进行颜色通道分解和构造,对分解的LMS通道取对数运算,对分解的RGB通道构造新的颜色通道;(2)对(1)中通道进行除法归一化运算,得到各自的颜色归一化系数;(3)参数拟合,用广义高斯分布和非对称广义高斯拟合颜色归一化系数的统计分布,取拟合参数记为色彩统计特征fC。
第三步,信息熵特征提取。取{1,1/2,1/4,1/8,1/16}五个尺度大小的灰度图进行熵计算,记熵特征为fH。
第四步,质量预测。将训练集的特征[fC fH]和相关的主观质量分数送入支持向量回归模型中训练,得到一个质量评价模型。然后对测试集进行特征提取,输入到训练好的模型中,即可预测测试图的质量分数。
第五步,算法性能。采用四种衡量客观图像质量的指标,首先通过逻辑回归函数减少预测非线性误差的影响,然后比较预测的质量分数和主观质量分数的相关性,分析本发明的优良性能。
第一步,数据准备。
本发明选取ESPL-LIVE HDR Database作为数据集来验证算法的有效性。ESPL-LIVE HDR Database总计1811张色调映射图像,处理的方法主要包括色调映射算子,多曝光融合算法以及软件后期处理。将整个数据集分为训练集和测试集,其中80%用于训练,剩余的用作测试数据。
第二步,色彩统计特征提取
4)颜色通道分解
LMS空间比较符合人眼视觉特性,可以通过下式转换得到:
将分解的LMS通道进行对数运算,使之更加符合人眼对色彩的感知。
Lab是一种设备无关的颜色系统,它接近于人眼对颜色的感知。Lab颜色空间中的L分量用于表示像素的亮度,a表示从红色到绿色的范围,b表示从黄色到蓝色的范围。对于RGB图像,先将其转换到XYZ空间,再将XYZ空间转换为Lab空间:
其中,M与成像印件系统的色度学特性有关,Xn,Yn,Zn是白光条件下的刺激值,一般Xn,Yn,Zn分别为95.047,100.0,108.883。
YCbCr颜色空间中,Y表示图像的亮度信息,Cb和Cr分别表示蓝色和红色分量。亮度信息和色度信息相互独立,Cb和Cr分量不受亮度的影响。
从RGB颜色空间中构建黄色通道,记为Y:
5)除法归一化
给定一张MxN大小的图像I,经过除法归一化运算,它的颜色归一化系数可以表示为:
其中,I(i,j)表示位置(i,j)处的像素值,ω={ωh,w|h=-H,...,H;w=-W,...,W}表示2D高斯窗函数,H和W表示图像的高度和宽度,取值为3x3的像素块。
对LMS颜色空间的L’,M’,S’通道,Lab颜色空间的a,b通道,YCbCr颜色空间的Cb,Cr通道以及RGB空间的Y通道进行除法归一化运算,记归一化的通道为
6)参数拟合
颜色归一化系数的统计特性会随着失真的存在而改变,广义高斯分布(Generalized Gaussian Distribution,GGD)和非对称广义高斯分布(AsymmetricGeneralized Gaussian Distribution,AGGD)可以很好拟合颜色归一化系数的统计特征。
零均值的GGD可以表示如下:
公式(29)中,x表示颜色归一化系数,α和σ2表示分布的形状和变化参数,拟合颜色归一化系数的两个参数为[α,σ]。
AGGD模型可以表示为:
其中,参数v控制分布的形状,η表示分布的均值,σl 2,σr 2是表示左右方差的参数,拟合颜色归一化系数的三个参数为[v,σl,σr]。
针对归一化后的LMS通道,构造蓝黄(BY)和红绿(RG)颜色通道:
进而,将C中替换为BY和RG,替换后的颜色通道分为两组,分别为和CGGD=Y,将CAGGD和CGGD中的图像颜色分量分别用AGGD和GGD拟合,其拟合参数记为色彩统计特征fC。
第三步,信息熵特征提取
本发明采用熵来度量色调映射图像的信息量:
其中,H(I)表示图像的信息熵,Pl(I)表示第l个灰度级上的概率密度。将一张灰度图像进行尺寸缩放,尺寸因子为{1,1/2,1/4,1/8,1/16},提取五个尺度上的信息熵,记为fH。
将总的特征记作F,F=[fC fH]。
第四步,质量预测
经过特征提取,获得了色彩统计和信息熵特征,采用支持向量回归(SupportVector Regression,SVR)算法,将高维特征转化到客观质量分数上。具体地,结合附图1,将训练集的主观质量分数和提取的特征F送入SVR中进行训练,得到一个客观质量评价模型。对测试集同样进行特征提取操作,将特征向量输入训练好的模型中,从而预测出测试集图片的质量分数。
第五步,算法性能
为了验证本发明所提出方法的有效性,本发明选择了四个国际上常用的图像质量算法评估指标,分别是皮尔森线性相关系数(Pearson Linear Correlation Coefficient,PLCC)、斯皮尔曼秩相关系数(Spearman Rank-order Correlation Coefficient,SRCC)、肯德尔秩相关系数(Kendall’s Rank Correlation Coefficient,KRCC)和均方根误差(RootMean Squared Error,RMSE)。如果IQA算法性能越好,那么相应的PLCC、SRCC和KRCC的值就会越接近于1,RMSE的值越接近于0,说明算法客观评价图像的质量分数与人眼主观评分比较一致。
预测质量分数时,为了避免非线性的影响,在计算PLCC和RMSE前使用五参数逻辑回归函数来减少这种影响:
其中,q是输入的客观质量分数,Q是经逻辑函数运算后得到的质量分数,{λ1,λ2,λ3,λ4,λ5}是逻辑回归函数的参数。
将训练集、测试集随机分割1000次,并取1000次测试结果的中间值作为最终结果,性能见表1。
表1算法性能
如表1所示,可以看出,本发明所提出的无参考图像质量评估方法有比较大的PLCC、SRCC和KRCC值,同时RMSE也比较小,表明所提出的算法与人眼主观判断图像的质量有很高的一致性,因此可以作为一个优秀的图像质量评价模型。只要给定一张测试图,输入到训练好的模型中,经过特征提取,就可以预测其质量分数,且实验结果表明预测分数与主观分数有比较高的一致性。
Claims (3)
1.一种基于色彩统计和信息熵无参考色调映射图像质量评价方法,其特征是,步骤如下:
第一步,数据准备,选择ESPL-LIVE HDR Database作为数据集,总计1811张色调映射图像,将数据库80%的数据作为训练集,剩余20%作为测试集;
第二步,色彩统计特征提取,包括以下三个步骤:(1)颜色通道分解,对LMS,Lab,YCbCr和RGB空间进行颜色通道分解和构造,对分解的LMS通道取对数运算,对分解的RGB通道构造新的颜色通道;(2)对(1)中通道进行除法归一化运算,得到各自的颜色归一化系数;(3)参数拟合,用广义高斯分布和非对称广义高斯拟合颜色归一化系数的统计分布,取拟合参数记为色彩统计特征fC;
第三步,信息熵特征提取,取{1,1/2,1/4,1/8,1/16}五个尺度大小的灰度图进行熵计算,记熵特征为fH;
第四步,质量预测,将训练集的特征[fC fH]和相关的主观质量分数送入支持向量回归模型中训练,得到一个质量评价模型。然后对测试集进行特征提取,输入到训练好的模型中,预测测试图的质量分数。
2.如权利要求1所述的基于色彩统计和信息熵无参考色调映射图像质量评价方法,其特征是,还包括验证步骤,采用四种衡量客观图像质量的指标,首先通过逻辑回归函数减少预测非线性误差的影响,然后比较预测的质量分数和主观质量分数的相关性,分析结果。
3.如权利要求1所述的基于色彩统计和信息熵无参考色调映射图像质量评价方法,其特征是,第二步,色彩统计特征提取具体地:
1)颜色通道分解
LMS空间比较符合人眼视觉特性,通过下式转换得到:
将分解的LMS通道进行对数运算,使之更加符合人眼对色彩的感知:
Lab颜色空间中的L分量用于表示像素的亮度,a表示从红色到绿色的范围,b表示从黄色到蓝色的范围,对于RGB图像,先将其转换到XYZ空间,再将XYZ空间转换为Lab空间:
其中,M与成像印件系统的色度学特性有关,Xn,Yn,Zn是白光条件下的刺激值;
YCbCr颜色空间中,Y表示图像的亮度信息,Cb和Cr分别表示蓝色和红色分量,
从RGB颜色空间中构建黄色通道,记为Y:
2)除法归一化
给定一张M x N大小的图像I,经过除法归一化运算,它的颜色归一化系数表示为:
其中,I(i,j)表示位置(i,j)处的像素值,ω={ωh,w|h=-H,...,H;w=-W,...,W}表示2D高斯窗函数,H和W表示图像的高度和宽度,取值为3x 3的像素块;
对LMS颜色空间的L’,M’,S’通道,Lab颜色空间的a,b通道,YCbCr颜色空间的Cb,Cr通道以及RGB空间的Y通道进行除法归一化运算,记归一化的通道为
3)参数拟合
零均值的广义高斯分布GGD表示如下:
公式(11)中,x表示颜色归一化系数,α和σ2表示分布的形状和变化参数,拟合颜色归一化系数的两个参数为[α,σ];
非对称广义高斯分布AGGD模型表示为:
其中,参数v控制分布的形状,η表示分布的均值,σl 2,σr 2是表示左右方差的参数,拟合颜色归一化系数的三个参数为[v,σl,σr];
针对归一化后的LMS通道,构造蓝黄(BY)和红绿(RG)颜色通道:
进而,将C中替换为BY和RG,替换后的颜色通道分为两组,分别为和CGGD=Y,将CAGGD和CGGD中的图像颜色分量分别用AGGD和GGD拟合,其拟合参数记为色彩统计特征fC。
第三步,信息熵特征提取具体地,采用熵来度量色调映射图像的信息量:
其中,H(I)表示图像的信息熵,Pl(I)表示第l个灰度级上的概率密度,将一张灰度图像进行尺寸缩放,尺寸因子为{1,1/2,1/4,1/8,1/16},提取五个尺度上的信息熵,记为fH;
将总的特征记作F,F=[fC fH]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811230553.0A CN109218716B (zh) | 2018-10-22 | 2018-10-22 | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811230553.0A CN109218716B (zh) | 2018-10-22 | 2018-10-22 | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109218716A true CN109218716A (zh) | 2019-01-15 |
CN109218716B CN109218716B (zh) | 2020-11-06 |
Family
ID=64980038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811230553.0A Active CN109218716B (zh) | 2018-10-22 | 2018-10-22 | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109218716B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919959A (zh) * | 2019-01-24 | 2019-06-21 | 天津大学 | 基于色彩、自然性及结构的色调映射图像质量评价方法 |
CN110046673A (zh) * | 2019-04-25 | 2019-07-23 | 上海大学 | 基于多特征融合的无参考色调映射图像质量评价方法 |
CN110570420A (zh) * | 2019-09-16 | 2019-12-13 | 中山大学 | 一种无参考对比度失真图像质量评价方法 |
CN110827237A (zh) * | 2019-09-27 | 2020-02-21 | 浙江工商职业技术学院 | 基于拮抗颜色空间半参考色调映射图像质量评价方法 |
CN110910346A (zh) * | 2019-10-17 | 2020-03-24 | 浙江工商职业技术学院 | 基于稠密尺度不变特征变换的色调映射图像质量评价方法 |
CN111489333A (zh) * | 2020-03-31 | 2020-08-04 | 天津大学 | 一种无参考夜间自然图像质量评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116713A1 (en) * | 2007-10-18 | 2009-05-07 | Michelle Xiao-Hong Yan | Method and system for human vision model guided medical image quality assessment |
CN105741328A (zh) * | 2016-01-22 | 2016-07-06 | 西安电子科技大学 | 基于视觉感知的拍摄图像质量评价方法 |
CN107105223A (zh) * | 2017-03-20 | 2017-08-29 | 宁波大学 | 一种基于全局特征的色调映射图像质量客观评价方法 |
CN108010024A (zh) * | 2017-12-11 | 2018-05-08 | 宁波大学 | 一种盲参考色调映射图像质量评价方法 |
-
2018
- 2018-10-22 CN CN201811230553.0A patent/CN109218716B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116713A1 (en) * | 2007-10-18 | 2009-05-07 | Michelle Xiao-Hong Yan | Method and system for human vision model guided medical image quality assessment |
CN105741328A (zh) * | 2016-01-22 | 2016-07-06 | 西安电子科技大学 | 基于视觉感知的拍摄图像质量评价方法 |
CN107105223A (zh) * | 2017-03-20 | 2017-08-29 | 宁波大学 | 一种基于全局特征的色调映射图像质量客观评价方法 |
CN108010024A (zh) * | 2017-12-11 | 2018-05-08 | 宁波大学 | 一种盲参考色调映射图像质量评价方法 |
Non-Patent Citations (4)
Title |
---|
GUANGHUIYUE ET AL: "Biologically Inspired Blind Quality Assessment of Tone-Mapped Images", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
KE GU ET AL: "Blind Quality Assessment of Tone-Mapped Images Via Analysis of Information, Naturalness, and Structure", 《IEEE TRANSACTIONS ON MULTIMEDIA》 * |
侯春萍等: "沃尔什哈达玛变换域的无参考图像质量评价", 《湖南大学学报(自然科学版)》 * |
闻武,左凌轩: "基于色彩特征的无参考彩色图像质量评价", 《计算机科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919959A (zh) * | 2019-01-24 | 2019-06-21 | 天津大学 | 基于色彩、自然性及结构的色调映射图像质量评价方法 |
CN109919959B (zh) * | 2019-01-24 | 2023-01-20 | 天津大学 | 基于色彩、自然性及结构的色调映射图像质量评价方法 |
CN110046673A (zh) * | 2019-04-25 | 2019-07-23 | 上海大学 | 基于多特征融合的无参考色调映射图像质量评价方法 |
CN110570420A (zh) * | 2019-09-16 | 2019-12-13 | 中山大学 | 一种无参考对比度失真图像质量评价方法 |
CN110827237A (zh) * | 2019-09-27 | 2020-02-21 | 浙江工商职业技术学院 | 基于拮抗颜色空间半参考色调映射图像质量评价方法 |
CN110827237B (zh) * | 2019-09-27 | 2022-10-04 | 浙江工商职业技术学院 | 基于拮抗颜色空间半参考色调映射图像质量评价方法 |
CN110910346A (zh) * | 2019-10-17 | 2020-03-24 | 浙江工商职业技术学院 | 基于稠密尺度不变特征变换的色调映射图像质量评价方法 |
CN111489333A (zh) * | 2020-03-31 | 2020-08-04 | 天津大学 | 一种无参考夜间自然图像质量评价方法 |
CN111489333B (zh) * | 2020-03-31 | 2022-06-03 | 天津大学 | 一种无参考夜间自然图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109218716B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109218716A (zh) | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 | |
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 | |
CN108010024B (zh) | 一种盲参考色调映射图像质量评价方法 | |
Liu et al. | CID: IQ–a new image quality database | |
CN107657619B (zh) | 一种低照度林火图像分割方法 | |
CN106504212A (zh) | 一种改进的hsi空间信息低照度彩色图像增强算法 | |
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 | |
CN109191460B (zh) | 一种对于色调映射图像的质量评价方法 | |
CN103593830A (zh) | 一种低照度视频图像增强方法 | |
CN105809643B (zh) | 一种基于自适应块通道拉伸的图像增强方法 | |
CN106683082B (zh) | 一种基于四元数的全参考彩色图像质量评价方法 | |
CN113436167A (zh) | 基于深度学习和视觉感知的无参考彩色图像质量评价方法 | |
CN109829905A (zh) | 一种面部美化感知质量的无参考评价方法 | |
CN109871852B (zh) | 一种无参考色调映射图像质量评价方法 | |
CN109035175A (zh) | 基于色彩纠正与脉冲耦合神经网络的人脸图像增强方法 | |
Lei et al. | An algorithm of skin detection based on texture | |
CN107767367A (zh) | 一种针对hdr图的无参考质量客观评价方法 | |
CN105844640A (zh) | 基于梯度的彩色图像质量评价方法 | |
CN107358592B (zh) | 一种迭代式全局自适应图像增强方法 | |
CN111489333B (zh) | 一种无参考夜间自然图像质量评价方法 | |
CN104010189B (zh) | 一种基于色度共生矩阵加权的视频质量客观评价方法 | |
CN109102473B (zh) | 一种改善彩色数字图像质量的方法 | |
CN107862681B (zh) | 一种自拍图像质量推荐方法 | |
Yuan et al. | Color image quality assessment with multi deep convolutional networks | |
CN105631812B (zh) | 一种对显示图像进行色彩增强的控制方法及控制装置 |
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 |