CN109389591B - 基于彩色描述子的彩色图像质量评价方法 - Google Patents
基于彩色描述子的彩色图像质量评价方法 Download PDFInfo
- Publication number
- CN109389591B CN109389591B CN201811159828.6A CN201811159828A CN109389591B CN 109389591 B CN109389591 B CN 109389591B CN 201811159828 A CN201811159828 A CN 201811159828A CN 109389591 B CN109389591 B CN 109389591B
- Authority
- CN
- China
- Prior art keywords
- image
- color
- images
- hue
- quality
- 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.)
- Active
Links
Images
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
- G06T7/90—Determination of colour characteristics
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于彩色描述子的彩色图像质量评价方法,主要解决现有技术只能给出图像之间的排序结果,不能给出人类更容易接受的质量分数。其实现方案是:在选择两幅图像构建偏好图像对,并提取每张图像的颜色和谐描述子、色彩对比度描述子和色彩丰富度这三个特征;对图像对中的两张图像特征做差作为图像对的特征差,并估计图像对的偏好类标;利用每个图像对的特征差和对应的偏好类标来建立训练数据集;将所有图像对的特征差向量映射至其对应的偏好类标;根据偏好类标与质量感知分数算出图像感知质量分数。本发明提高了图像的色彩布局、色相及和谐颜色的质量评价准确性,质量分数符合人类习惯,可用于彩色图像的压缩、存储和传输过程。
Description
技术领域
本发明属于图像处理技术领域,特别是一种彩色图像质量评价方法,可用于彩色图像压缩、存储、传输过程中对彩色图像的处理。
背景技术
随着彩色成像技术的快速发展,彩色数字图像已被大规模应用于数据可视化领域中。与灰度图像相比,彩色图像包含了更高的信息层次,它能够真实而生动的描述客观世界。但对彩色图像进行数字化处理时,比如在信息采集、变换处理、压缩存储、信道传输、终端显示等过程中,无法避免的会引入一些失真,导致图像的颜色信息发生畸变或丢失等现象,使彩色图像的质量发生不同程度的下降。降质会导致彩色图像出现物体间颜色杂糅、物体边缘色彩块状模糊化等现象,难以从图像中获取有效信息,这对人们认识客观世界带来了很大的困扰,也为后续的彩色图像处理系统和分析带来了障碍,因此需要设计合理的彩色图像质量评价算法。
现有的图像质量评价算法多数是针对于图像结构畸变而设计的,即通过提取图像相应特征来测评图像完整度,色彩变化引起的失真很少影响图像的结构,而是引起图像的颜色信息发生畸变或丢失等现象。研究表明,在一个人观察一幅图像的初期,人眼接收到的视觉信息80%为图像的颜色信息,即使在观察几分钟之后,这个百分比也可以保持在50%左右。由此可见,色彩信息在人类感知图像的过程中扮演着重要的角色。因此,需要在图像质量评价中考虑到颜色对于图像失真的影响。由于色彩变化的多样性和人类视觉对颜色感知的复杂性,这使得对彩色图像质量的量化评价更加困难,针对图像色彩失真特点设计可适用于彩色图像的质量评价方法是十分必要的。
金伟其、高绍姝等人所申请的专利“基于颜色协调性的彩色融合图像颜色质量评价方法”(公开号:102800111B,公开日:2015年1月21日,申请日:2012年7月19日)中通过衡量海天、绿色植物这类自然场景融合图像颜色与对应典型类人脑中记忆色的相似度,以及选择城镇建筑物图像的最佳色彩度范围,计算三种典型场景图像色彩与场景内容的协调性;同时在颜色组合协调性模型基础上,将颜色区域面积之和作为加权系数构造图像中不同大小颜色区域组合加权协调性模型。但这种方法没有考虑到色彩分布和颜色丰富性,并不符合人眼视觉的特点,使得评价结果不能很好的符合主观评价的结果。
蒋婷婷、范志巍等人所申请的专利“基于成对比较的图像主观质量的评价方法和装置”(公开号:105635727A,公开日:2016年6月1日,申请日:2015年12月29日)中利用图像客观质量评价算法,生成待评价的所有图像的客观质量分数。所述图像对包括两个图像,当前成对比较结果,生成图像的当前全局排序结果,然后再进行一次主观比较的价值。从所述图像组的图像对中,选择一个第一图像对。获取观测者对第一图像对的相对质量的判断结果,从而更新当前成对比较结果,进而更新全局排序结果,判断更新后的排序结果是否满足以下任一条件,满足以下任一条件时,则结束;否则,重新获取图像对进行判断;所述条件为:所述图像的当前全局排序结果的被更新次数大于比较次数阈值;或者所述图像的当前全局排序结果与前面预订比较次数的全局排序结果均相同。这种方法不仅操作麻烦,泛化性差,而且只能给出图像之间的排序结果,不能给出人类更容易接受的质量分数。
发明内容
本发明的目的是针对上述现有技术的不足,提出一种基于彩色描述子的彩色图像质量评价方法,以提高对图像的色彩布局、色相及和谐颜色进行质量评价的准确性,并将评价结果映射为更符合人类习惯的质量分数,满足更多彩色图像的使用需求。
本发明的技术方案是这样实现的:
本发明从人类视觉色度感知生理学过程出发,将彩色信号引起的颜色感知过程抽象为彩色特征,提取能够表征影响人来视觉系统感知图像彩色失真的特征:颜色和谐度,彩色对比度和色彩丰富度这三个彩色特征。受排序算法的启发,将质量预测问题转化为排序问题,将排序问题弱化为偏好学习问题,进而构建图像特征与人类视觉感受之间的算法模型。其实现步骤包括如下:
(1)输入一幅待评价的彩色图像;
(2)从输入的彩色图像中获得颜色和谐描述子:
(2a)对待测图像进行取样,取样大小为32乘32的局部图像块,且每隔5个像素取样一次,若边缘剩余像素大于20,则补零;若小于等于20个像素,则舍弃,筛选出需要的图像局部块;
(2b)把局部图像块从RGB彩色空间转换到Munsell彩色空间,并计算出每个局部块的色调值,将色调值频率最高的色调定为这个局部块的主要颜色;
(2c)将图像块中每个像素的色调值与该图像块对应的主颜色的色调值相减并求取绝对值,再根据计算结果求出这个局部图像块的色调频率分布直方图;
(2d)利用K均值聚类法将所得到的颜色信息进行量化,获得图像编码;
(2e)对图像编码进行串联,得到颜色和谐描述子;
(3)将图像转换为YIQ色彩空间,按照下式,计算输入彩色图像的色彩对比度描述子:f=[f1,f2,f3,f4,f5],其中:
式中,M代表输入图像的像素个数;I(x)为图像转换为YIQ色彩空间后的由橙到青的色相图,Q(x)为图像转换为YIQ色彩空间后的由紫到黄绿的色相图;Ii为输入图像在I色相下的第i个色度值,Qi为输入图像在Q色相下的第i个色度值;Imean为输入图像在I色相下色度值的均值,Qmean为输入图像在Q色相下色度值的均值;σI(x)为输入图像在I色相下色度值的方差,σQ(x)为输入图像在Q色相下色度值的方差;
(4)从输入的彩色图像中获得色彩丰富度描述子:
(4a)将图像转为CIELAB色彩空间;
(4b)根据CIELAB色彩空间中的像素分布情况,按照下式,计算色彩丰富度Cf:
Cf=σa+σb+0.49σab
其中,σa和σb是分别是CIELAB色彩空间a轴和b轴的轴的标准偏差;σab是a轴和b轴的三角长度的方差;
(5)构建数据集:
选取750张失真图像,评价每幅图像的主观质量,将每幅失真图像的主观评分MOS作为其质量标签,随机选取所有失真图像的80%组成训练集,将剩下20%的失真图像作为测试集;
(6)训练数据集预处理:
在训练集随机抽取两张图像组成图像对,对图像对里的每张图像按照上述(2)、(3)、(4)分别提取三种颜色描述子作为他们各自的特征,再将这两张图像的特征作差,得到该图像对的差向量;对图像对中两张图像的主观评分MOS值作差,并将该差值输入sign函数进行差值二值化,即映射为{+1,-1}集合,作为该图像对的类标;
(7)将图像对的差向量和该图像对的类标作为训练数据,利用支持向量机分类器进行训练,得到最优分类器;
(8)将预测图像和数据库中的所有图像一一组成图像对,依次输入到已经训练好的分类器中,得到与预测图像相对应的一系列预测类标,再将这一系列的预测类标,通过线性映射为0到100之间的感知质量分数。
本发明与现有技术相比,具有如下优点:
第一,由于本发明充分考虑了自然场景图像的色彩分布往往比较复杂的特点,提取了大量符合人类视觉模型的特征,克服了现有技术单纯考虑图像结构的变形和完整程度,确忽略色彩变化引起的颜色信息发生畸变或丢失的缺点。使得本发明具有在评价自然图像的质量时,结果更加符合人类感知。
第二,由于本发明在图像综合评价指标的建立中采图像的相对质量,充分考虑了人眼分辨出图像之间的细微差别,克服了现有技术中获取的图像质量往往不够准确的缺点,使得本发明在综合评价图像质量时结果更加准确。
附图说明
图1是本发明评价自然图像质量的实现流程图;
具体实施方式
以下参照附图和实施例对本发明做进一步详细描述:
参照图1,对本实例的具体实现步骤如下。
步骤1,输入一张训练数据库中所不包含的待测图像。
在计算机中应用Matlab软件读取存储在计算机硬盘空间中的不包含在训练数据库内的待测图像。
步骤2,获得待测图像的颜色和谐描述子。
(2a)对待测图像进行取样,取样大小为32乘32的局部图像块,且每隔5个像素取样一次,若边缘剩余像素大于20,则补零;若小于等于20个像素,则舍弃,筛选出需要的图像局部块;
(2b)把局部图像块从RGB彩色空间转换到Munsell彩色空间,并计算出每个局部块的色调值,将色调值频率最高的色调定为这个局部块的主要颜色;
(2c)将图像块中每个像素的色调值与主颜色的色调值相减求取绝对值,并求出色调差的频率分布直方图;
(2d)将局部图像块的频率分布直方图作为空间坐标,采用数据和数据之间的距离作为相似性指标,距离越近,认为特征最相似,利用K均值聚类法将给定数据集中的数据分为5个簇,每个簇用其聚类中心来描述,且每个聚类中心坐标是根据簇中所有数据求均值得到;
(2e)将得到的每个聚类中心的坐标值横向串联为一组一维向量,最后串联结果作为该张待测图像的颜色和谐描述子。
步骤3,将待测图像转换为YIQ色彩空间,按照下式,计算待测图像的色彩对比度描述子:f=[f1,f2,f3,f4,f5],其中:
式中,M代表待测图像的像素个数;I(x)为待测图像转换为YIQ色彩空间后的由橙到青的色相图,Q(x)为待测图像转换为YIQ色彩空间后的由紫到黄绿的色相图;Ii为待测图像在I色相下的第i个色度值,Qi为待测图像在Q色相下的第i个色度值;Imean为待测图像在I色相下色度值的均值,Qmean为待测图像在Q色相下色度值的均值;σI(x)为待测图像在I色相下色度值的方差,σQ(x)为待测图像在Q色相下色度值的方差。
步骤4,获得色彩丰富度特征。
将待测图像转为CIELAB色彩空间,按照下式,计算色彩丰富度:
Cf=σa+σb+0.49σab
其中,σa和σb是分别是CIELAB色彩空间a轴和b轴的轴的标准偏差;σab是a轴和b轴的三角长度的方差。
步骤5,获得训练数据库中训练图像的偏好对类标。
(5a)观测人员在特定的测试环境下先使用Matlab的心理物理学工具箱来评估数据库中待测图像,再通过Matlab计算出全部观察人员打出分数的平均值,得到一个平均主观分数MOS值,以此作为图像的主观质量评价结果;
(5b)根据MOS判断两幅图像(I1,I2)的质量差异,通过比较MOS1,MOS2的值来设计偏好类标,若I1质量优于I2质量,即MOS1-MOS2>0,则偏好类标y1等于1,反之y1等于-1,用{-1,1}表示这对图像对的偏好类标。
步骤6,创建训练数据集。
(6a)训练数据库中的n张彩色自然图像I={I1,I1…In},得到他们的主观质量平均分数值MOS={MOS1,MOS1…MOSn},MOSi为图像Ii对应的主观质量分数;
(6b)构造训练数据库中的图像偏好对ρk=(Ii,Ij),通过比较图像对中两张图像对应的主观质量分数MOSi,MOSj的大小来比较两幅图像Ii,Ij的质量差异,根据MOSi和MOSj的差值来设计偏好类标,若Ii质量优于Ij质量,即MOSi-MOSj>0,则偏好类标yi等于1,反之yi等于-1,用yi表示这对图像对(Ii,Ij)的偏好类标;
(6c)对训练数据库中第i幅图像提取(2)(3)(4)所述的特征,即颜色和谐描述子特征,色彩对比度描述子特征,色彩丰富度特征,将这三个特征横向串联组成一维向量记为fi;对每对图像偏好对(Ii,Ij)里面的两张图像分别提取特征,记为fi和fj;
(6d)将训练数据库中第K个图像对ρk=(Ii,Ij)中的两张图像的特征向量相减得到特征差向量Xk=fi-fj。
步骤7,构建最优分类器。
(7a)将训练数据集中的所有图像对所对应的特征差向量χ={X1,...Xn}映射到比自己维数高一维的空间中,再根据每个特征差对应的偏好类标{+1,-1},用任意一个超平面将偏好类标为+1的特征差向量划分为一个空间,其余的特征差向量划分为另一个空间;
(7e)重复(7d)步骤L次,最终获得的最优超平面,即为所求的最优分类器,L取值最少为5000次。
步骤8,待测图像的图像质量测度。
(8b)根据待测图像获得的一系列偏好类标,按照下式,计算出待测图像在所选数据库中获得的增益gtest
(8c)计算图像的感知质量分数Q:
(8c1)根据待测图像的增益gtest与该待测图像的感知质量成正比的关系,设质量感知分数和增益之间的关系为:
Q=Pgtest+b,
P=a/(n-1)
其中P为增益的线性映射系数,n代表训练数据库中的图像总数量,a为区间调节系数,b为偏执项,a和b的值由感知质量分数的区间决定;
(8c2)设置感知质量分数区间为[0,100],其中0分代表最差分数,100分代表最符合人眼观看的最佳分数;假设具有最小增益-(n-1)的图像对应最差视觉感知分数,具有最大增益(n-1)的图像对应最佳视觉感知分数,得到增益与视觉感知质量的关系如下:
(8c3)将解得a和b的值代入(8c1)公式,得到质量感知分数:
本发明的优点可通过以下实验进一步说明:
1.仿真条件:
本发明的仿真实验硬件平台为:Intel(R)Xeon(R)CPU E5-2630,2.40GHz*16,内存为64G,仿真实验采用Matlab软件。
2.仿真内容:
采用本发明和8个现有技术BIQI,BLIINDS2,DIIVINE,CORNIA,NIQE,QAC,IL-NIQE,BLIINDS2,分别对三个公知数据库LIVE、TID2013和CSIQ中的失真图像进行质量评价,并利用斯皮尔曼秩相关系数SROCC和线性相关系数PLCC这两个指标对这九种质量评价结果的准确性进行对比,结果如表1。
表1九种方法的评价效果
斯皮尔曼秩相关系数SROCC∈[-1,1],其数值越高,说明被评判的图像质量评价方法能更准确地区分好图像和坏图像;所述的线性相关系数PLCC∈[-1,1],其数值越高,说明被评判的图像质量评价方法给出的质量评价结果和人类给出的主观评价分数相关性越高。
所述的斯皮尔曼秩相关系数SROCC和线性相关系数PLCC是按照下式计算得到的:
其中,SROCC表示斯皮尔曼秩相关系数,n表示用来评价的图像总数,∑表示求和操作,be表示第e幅失真图像的质量评价结果与其标准主观评价结果之差;PLCC表示线性相关系数,sr表示质量评价算法给出的第r幅失真图像的质量评价结果,表示所有需要测试的失真图像的质量评价结果的平均值,pr表示第r幅失真图像的标准主观评价结果,表示需要测试的所有失真图像的标准主观评价结果的平均值。
从表1可见,本发明在三种公知数据库上评价结果的斯皮尔曼秩相关系数SROCC和线性相关系数PLCC均高于8种现有技术,证明本发明具有更好的图像质量评价效果。
Claims (6)
1.一种基于彩色描述子的彩色图像质量评价方法,包括如下:
(1)输入一幅待评价的彩色图像;
(2)从输入的彩色图像中获得颜色和谐描述子:
(2a)对待测图像进行取样,取样大小为32乘32的局部图像块,且每隔5个像素取样一次,若边缘剩余像素大于20,则补零;若小于等于20个像素,则舍弃,筛选出需要的图像局部块;
(2b)把局部图像块从RGB彩色空间转换到Munsell彩色空间,并计算出每个局部块的色调值,将色调值频率最高的色调定为这个局部块的主要颜色;
(2c)将图像块中每个像素的色调值与该图像块对应的主颜色的色调值相减并求取绝对值,再根据计算结果求出这个局部图像块的色调频率分布直方图;
(2d)利用K均值聚类法将所得到的颜色信息进行量化,获得图像编码;
(2e)对图像编码进行串联,得到颜色和谐描述子;
(3)将图像转换为YIQ色彩空间,按照下式,计算输入彩色图像的色彩对比度描述子:f=[f1,f2,f3,f4,f5],其中:
式中,M代表输入图像的像素个数;I(x)为图像转换为YIQ色彩空间后的由橙到青的色相图,Q(x)为图像转换为YIQ色彩空间后的由紫到黄绿的色相图;Ii为输入图像在I色相下的第i个色度值,Qi为输入图像在Q色相下的第i个色度值;Imean为输入图像在I色相下色度值的均值,Qmean为输入图像在Q色相下色度值的均值;σI(x)为输入图像在I色相下色度值的方差,σQ(x)为输入图像在Q色相下色度值的方差;
(4)从输入的彩色图像中获得色彩丰富度描述子:
(4a)将图像转为CIELAB色彩空间;
(4b)根据CIELAB色彩空间中的像素分布情况,按照下式,计算色彩丰富度Cf:
Cf=σa+σb+0.49σab
其中,σa和σb是分别是CIELAB色彩空间a轴和b轴的轴的标准偏差;σab是a轴和b轴的三角长度的方差;
(5)构建数据集:
选取750张失真图像,评价每幅图像的主观质量,将每幅失真图像的主观评分MOS作为其质量标签,随机选取所有失真图像的80%组成训练集,将剩下20%的失真图像作为测试集;
(6)训练数据集预处理:
在训练集随机抽取两张图像组成图像对,对图像对里的每张图像按照上述(2)、(3)、(4)分别提取三种颜色描述子作为他们各自的特征,再将这两张图像的特征作差,得到该图像对的差向量;对图像对中两张图像的主观评分MOS值作差,并将该差值输入sign函数进行差值二值化,即映射为{+1,-1}集合,作为该图像对的偏好类标;
(7)将图像对的差向量和该图像对的类标作为训练数据,利用支持向量机分类器进行训练,得到最优分类器;
(8)将预测图像和数据库中的所有图像一一组成图像对,依次输入到已经训练好的分类器中,得到与预测图像相对应的一系列预测类标,再将这一系列的预测类标,通过线性映射为0到100之间的感知质量分数。
2.根据权利要求1所述的方法,其中步骤(2d)中利用K均值聚类法将所得到的颜色信息进行量化,其实现如下:
(2d1)将每个图像块的色调差频率分布情况表达为矢量,视为该图像块的空间坐标,并作为一个分类对象,输入图像的所有分类对象的集合作为分类样本集;
(2d2)任意选取5个对象作为初始中心,其中选取的每个对象都代表一个聚类中心;
(2d3)对于分类样本集中的每个对象,计算它们与这些聚类中心的各自的欧氏距离,按距离最近的准则将它们分到距离它们最近的聚类中心,即最相似所对应的类,计算样本集中每个对象和它们的聚类中心之间的平方和;
(2d4)更新聚类中心,即将每个类别中所有对象所对应的均值作为该类别的聚类中心;
(2d5)判断每个聚类中心和每个类的距离平方和的值是否发生改变,若不变,则输出5个类的聚类中心的坐标,若改变,则返回(2d3)。
3.根据权利要求1所述的方法,其中步骤(2e)中对图像编码进行串联,是将5个聚类中心的坐标串联,串联结果作为该张输入图的颜色和谐描述子。
4.根据权利要求1所述的方法,其中步骤(5)中评价每幅图像的主观质量,其实现如下:
(5a)设屏幕分辨率为1024乘768,待测图像以其原生分辨率显示,测试者的观看距离为45厘米至55厘米,测试期间的光照水平,在220到240勒克斯之间变化,确保它们在不同的测试之间不会发生显著变化;
(5b)选取R名志愿者,每个人使用Matlab的心理物理学工具箱来评估数据库中待测图像,其中R最少为25名;
(5c)评价分为两轮,每轮评价需要评价750张待测图像,其中25张为完美质量的无失真图像,对这25张无失真图像添加24种不同类型5种不同程度的噪声信号后组成725张失真图像的集合,为了避免观看人员的烦躁心理,每轮分为五个小测试,每个小测试评估150张待测图像;
(5d)每一轮的每个小测试,先将150图像随机打乱,再将每张图像依次显示为7秒,测试者在一个连续不断的滑动质量栏上对图像进行评分,滑动质量栏上 写着“坏”、“差”、“公平”、“好”和“优秀”,测试者对每张图像的评价结果由Matlab软件记录为一个矢量;
(5e)软件所记录下来的评价结果,线性转换为0到1的数值,此时得到每个人对每张图打分的频率分布;
(5f)对测试者所给出的主观分数处理,以降低对图像内容的人为偏好而对最终主观分数的影响,即将无失真图像的得分和无失真图像对应的一系列失真图像的得分相减,将相减得出的不符合正态分布的差值剔除,将剩下的差值分数重新线性映射为0到100的分数,即主观分数MOS值。
5.根据权利要求1所述的方法,其中步骤(7)中利用支持向量机分类器对训练数据进行训练,其实现如下:
(7a)将训练数据集中的所有图像对所对应的特征差向量映射到比自己维数高一维的空间中,再根据每个特征差对应的偏好类标{+1,-1},用任意一个超平面将偏好类标为+1的特征差向量划分为一个空间,其余的特征差向量划分为另一个空间;
(7e)重复(7d)步骤L次,最终获得的最优超平面,便是所求的最优分类器,L取值最少为5000次。
6.根据权利要求1所述的方法,其中步骤(8)中通过线性映射为0到100之间的感知质量分数,其实现如下:
(8b)按照下式,计算出图像在所选数据库中获得的增益gtest
(8c)计算图像的感知质量分数Q:
(8c1)根据测试图像的增益与该测试图像的感知质量成正比的关系,设质量感知分数和增益之间关系为:
Q=Pgtest+b,
P=a/(n-1)
其中P为增益的线性映射系数,n代表训练数据库中的图像总数量,a为区间调节系数,b为偏执项;a和b由感知质量分数的区间决定;
(8c2)设置感知质量分数区间为[0,100],其中0分代表最差分数,100分代表最符合人眼观看的分数;假设具有最小增益-(n-1)的图像对应最差视觉感知分数,具有最大增益(n-1)的图像对应最佳视觉感知分数,得到增益和视觉感知质量的关系如果下:
(8c3)将解得a和b的值代入(8c1)公式,得质量感知分数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159828.6A CN109389591B (zh) | 2018-09-30 | 2018-09-30 | 基于彩色描述子的彩色图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159828.6A CN109389591B (zh) | 2018-09-30 | 2018-09-30 | 基于彩色描述子的彩色图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389591A CN109389591A (zh) | 2019-02-26 |
CN109389591B true CN109389591B (zh) | 2020-11-20 |
Family
ID=65419263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811159828.6A Active CN109389591B (zh) | 2018-09-30 | 2018-09-30 | 基于彩色描述子的彩色图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389591B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797845A (zh) * | 2019-03-19 | 2020-10-20 | 北京沃东天骏信息技术有限公司 | 图片处理方法、装置、存储介质及电子设备 |
CN110084317B (zh) * | 2019-05-06 | 2023-04-21 | 北京字节跳动网络技术有限公司 | 用于识别图像的方法和装置 |
CN111241372B (zh) * | 2020-01-17 | 2021-11-05 | 浙江工商大学 | 根据用户偏好学习预测颜色和谐程度的方法 |
CN111709922B (zh) * | 2020-06-10 | 2023-07-04 | 北京百度网讯科技有限公司 | 图像质量比较方法、装置、设备以及存储介质 |
CN112597916B (zh) * | 2020-12-24 | 2021-10-26 | 中标慧安信息技术股份有限公司 | 人脸图像抓拍质量分析方法和系统 |
CN112949709A (zh) * | 2021-02-26 | 2021-06-11 | 北京达佳互联信息技术有限公司 | 图像数据标注方法、装置、电子设备和存储介质 |
CN113077405A (zh) * | 2021-03-27 | 2021-07-06 | 荆门汇易佳信息科技有限公司 | 二分割分块的颜色传递及其质量评价体系 |
CN113408798B (zh) * | 2021-06-14 | 2022-03-29 | 华中师范大学 | 一种面向色觉异常人群的无障碍vr教学资源色彩优化方法 |
CN113781395B (zh) * | 2021-08-09 | 2023-07-14 | 天津大学 | 适用于中国传统绘画的照明颜色质量评价方法 |
CN114025104B (zh) * | 2021-11-03 | 2024-02-20 | 江苏金视传奇科技有限公司 | 一种彩色图像显示装置及彩色图像显示系统 |
CN115713634B (zh) * | 2023-01-05 | 2023-04-14 | 武汉纺织大学 | 一种联合相似性度量与视觉感知的色彩搭配评价方法 |
CN116912259B (zh) * | 2023-09-14 | 2023-11-24 | 江西财经大学 | 针对计算摄影图像的图像色彩感知差异评价方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005174133A (ja) * | 2003-12-12 | 2005-06-30 | Fuji Xerox Co Ltd | 画像評価装置、画像評価方法およびプログラム |
CN103824292A (zh) * | 2014-02-26 | 2014-05-28 | 宁波大学 | 一种基于三维梯度幅度的立体图像质量客观评价方法 |
CN104361593A (zh) * | 2014-11-14 | 2015-02-18 | 南京大学 | 一种基于hvs和四元数的彩色图像质量评价方法 |
CN105046708A (zh) * | 2015-07-14 | 2015-11-11 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
CN107578395A (zh) * | 2017-08-31 | 2018-01-12 | 中国地质大学(武汉) | 一种基于视觉感知的图像质量评价方法 |
-
2018
- 2018-09-30 CN CN201811159828.6A patent/CN109389591B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005174133A (ja) * | 2003-12-12 | 2005-06-30 | Fuji Xerox Co Ltd | 画像評価装置、画像評価方法およびプログラム |
CN103824292A (zh) * | 2014-02-26 | 2014-05-28 | 宁波大学 | 一种基于三维梯度幅度的立体图像质量客观评价方法 |
CN104361593A (zh) * | 2014-11-14 | 2015-02-18 | 南京大学 | 一种基于hvs和四元数的彩色图像质量评价方法 |
CN105046708A (zh) * | 2015-07-14 | 2015-11-11 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
CN107578395A (zh) * | 2017-08-31 | 2018-01-12 | 中国地质大学(武汉) | 一种基于视觉感知的图像质量评价方法 |
Non-Patent Citations (1)
Title |
---|
Optimized Filtering With Binary Descriptor for Blind Image Quality Assessment;Mariusz Oszust;《Journals & Magazines》;20180820;第6卷;第42917-42928页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109389591A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389591B (zh) | 基于彩色描述子的彩色图像质量评价方法 | |
Ma et al. | Objective quality assessment for color-to-gray image conversion | |
CN108010024B (zh) | 一种盲参考色调映射图像质量评价方法 | |
CN108090902A (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
Vazquez-Corral et al. | Color constancy by category correlation | |
He et al. | Image quality assessment based on S-CIELAB model | |
Tourancheau et al. | Impact of subjective dataset on the performance of image quality metrics | |
El Khoury et al. | Color and sharpness assessment of single image dehazing | |
CN107146220B (zh) | 一种通用型无参考图像质量评价方法 | |
CN110443800B (zh) | 视频图像质量的评价方法 | |
CN109741285B (zh) | 一种水下图像数据集的构建方法及系统 | |
CN110706196B (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
CN112184672A (zh) | 一种无参考图像质量评价方法及系统 | |
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 | |
Hassan et al. | Color-based structural similarity image quality assessment | |
CN111047618A (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
CN112488997B (zh) | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 | |
CN112132774A (zh) | 一种色调映射图像的质量评价方法 | |
CN108010023B (zh) | 基于张量域曲率分析的高动态范围图像质量评价方法 | |
Hashim et al. | No reference Image Quality Measure for Hazy Images. | |
Istiadi et al. | Identification of tempe fermentation maturity using principal component analysis and k-nearest neighbor | |
Shi et al. | The objective evaluation of image object segmentation quality | |
CN108322723B (zh) | 一种色彩失真的补偿方法、装置和电视机 | |
Menotti et al. | Fast hue-preserving histogram equalization methods for color image contrast enhancement | |
Kim et al. | No-reference contrast measurement for color images based on visual stimulus |
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 |