CN109978840A - 一种基于卷积神经网络的含纹理图像质量的判别方法 - Google Patents
一种基于卷积神经网络的含纹理图像质量的判别方法 Download PDFInfo
- Publication number
- CN109978840A CN109978840A CN201910178618.XA CN201910178618A CN109978840A CN 109978840 A CN109978840 A CN 109978840A CN 201910178618 A CN201910178618 A CN 201910178618A CN 109978840 A CN109978840 A CN 109978840A
- Authority
- CN
- China
- Prior art keywords
- image
- convolutional neural
- neural networks
- texture
- discrimination
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,特别涉及通过机器评判图像质量领域。一种基于卷积神经网络的含纹理图像质量的判别方法,按照如下步骤进行:构建深度卷积神经网络并使用大量图像对其进行预训练;挑选待评价的原始退化纹理图像分别截取其中具有自相似特点的一小块纹理相似的区域,然后将像素值归一化到0‑1;送入经过预训练的深度卷积神经网络,提取深度卷积神经网络中适当层的输出输出作为图像特征;计算标准图像与待检测的图像的两个gram矩阵之间的余弦距离,得到图像质量的评分。
Description
技术领域
本发明涉及图像处理领域,特别涉及通过机器评判图像质量领域。
背景技术
光学系统在成像时受许多不可控因素影响,包括:由重力和热变化产生的像差,由大气湍流引起的波前误差和抖动带来的图像模糊。一般来说我们获得的图片有不同程度上的退化,这就需要评价图像质量的好坏。人工观察具有不可靠性,通过机器评判图像质量能够弥补了人工观察的不可靠性。
发明内容
本发明所要解决的技术问题是:如何对我们获得的图片进行图像质量评估,以剔除不满足质量的图像。
本发明所采用的技术方案是:一种基于卷积神经网络的含纹理图像质量的判别方法,按照如下步骤进行:
步骤一:构建深度卷积神经网络并使用大量图像对其进行预训练,其中深度卷积神经网络可以根据需求选取,例如Vgg-Net等;
步骤二:挑选待评价的原始退化纹理图像(特定光学仪器拍摄到的自然图像,即待评判图像)和与之具有相同纹理的高分辨图像(使用同一仪器在良好外界环境/在自适应光学或其他辅助手段下获取的图像,即标准图像),分别截取其中具有自相似特点的一小块纹理相似的区域,大小不限,分别记作图像A和图像B,并对图像A和图像B做预处理去均值,然后将像素值归一化到0-1;
步骤三:将像素值归一化到0-1的图像A和图像B送入经过预训练的深度卷积神经网络,提取深度卷积神经网络中适当层的输出输出作为图像特征;
步骤四:用提取的图像特征构建出gram矩阵,gram矩阵中的元素为 Gij= (vi,vj),其中vi,vj分别为提取的图像特征。然后计算标准图像与待检测的图像的两个gram矩阵之间的余弦距离cosØ=(A,B)/(|A||B|),得到图像质量的评分(即待评判图像A相对于标准图像B的评分)。
作为一种优选方式:步骤二中所述具有相同纹理的高分辨图像是指在良好环境下或使用自适应光学成像技术去除大气湍流及抖动影响后的图像中具有纹理的部分。
作为一种优选方式:步骤二中纹理图像指的是具有重复性结构的自然图像如沙漠、树林、海洋,细胞,天文图像等。
本发明的有益效果是:本发明根据自然图像纹理相似性,结合深度卷积神经网络的纹理特征提取能力,根据提取出的纹理特征作为图像质量评价指标。
具体实施方式
本实施例我们将在下面通过构建一种基于卷积神经网络的含纹理图像质量的判别方法进行详细的说明。本实施例包含如下的步骤:
实验数据:实验选用的太阳望远镜拍摄的高分辨率图片数据作为原始数据(标准图像),图片大小为1024*1024,对高分辨率图像利用大气湍流干扰(贾鹏,基于衍射光学元件的通用型大气湍流相位屏的设计方法:中国,CN104374546A[P].2015-02-25)做不同程度的退化获得模糊图片(待评判图像)。
步骤一:构建深度卷积神经网络并使用大量图像对其进行预训练,其中深度卷积神经网络采用的是Vgg-Net,Vgg-Net是一种卷积神经网络,在Karen Simonyan, AndrewZisserman《Very Deep Convolutional NetWorks for Large-Scale Image Recognition》有详细构造介绍;
步骤二:选取高分辨率的太阳图像和退化图像,截取其中纹理相似的部分大小为300*300,高分辨率的图像部分记为A,退化部分记为B,对图像A,B做数据预处理去均值和归一化到0-1;
步骤三:将像素值归一化到0-1的图像A和图像B送入经过预训练的深度卷积神经网络,提取深度卷积神经网络最后一个卷积层的输出作为图像特征;
步骤四:用提取的图像特征构建出gram矩阵,gram矩阵中的元素为 Gij= (vi,vj),其中vi,vj分别为提取的图像特征。然后计算标准图像与待检测的图像的两个gram矩阵之间的余弦距离cosØ=(A,B)/(|A||B|),得到图像质量的评分,评分的取值范围0-1,以标准图特征构建的gram矩阵为标准,待检测图构建的gram矩阵如果越接近标准图特征构建的gram矩阵,则得分越高,图像质量越好,反之得分越低图像质量越差。
Claims (4)
1.一种基于卷积神经网络的含纹理图像质量的判别方法,其特征在于:按照如下步骤进行:
步骤一:构建深度卷积神经网络并使用大量图像对其进行预训练;
步骤二:挑选待评价的原始退化纹理图像和与之具有相同纹理的高分辨图像,分别截取其中具有自相似特点的一小块纹理相似的区域,大小不限,分别记作图像A和图像B,并对图像A和图像B做预处理去均值,然后将像素值归一化到0-1;
步骤三:将像素值归一化到0-1的图像A和图像B送入经过预训练的深度卷积神经网络,提取深度卷积神经网络中的输出作为图像特征;
步骤四:用提取的图像特征构建出gram矩阵,gram矩阵中的元素为Gij= (vi,vj),其中vi,vj分别为提取的图像特征,然后计算标准图像与待检测的图像的两个gram矩阵之间的余弦距离cosØ=(A,B)/(|A||B|),得到图像质量的评分。
2.根据权利要求1所述的一种基于卷积神经网络的图像质量的判别方法,其特征在于:步骤二中所述具有相同纹理的高分辨图像是指在良好环境下或使用自适应光学成像技术去除大气湍流及抖动影响后的图像中具有纹理的部分。
3.根据权利要求1所述的一种基于卷积神经网络的图像质量的判别方法,其特征在于:步骤二中纹理图像指的是具有重复性结构的自然图像如沙漠、树林、海洋,细胞,天文图像等。
4.根据权利要求1所述的一种基于卷积神经网络的图像质量的判别方法,其特征在于:深度卷积神经网络为Vgg-Net。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178618.XA CN109978840A (zh) | 2019-03-11 | 2019-03-11 | 一种基于卷积神经网络的含纹理图像质量的判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178618.XA CN109978840A (zh) | 2019-03-11 | 2019-03-11 | 一种基于卷积神经网络的含纹理图像质量的判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978840A true CN109978840A (zh) | 2019-07-05 |
Family
ID=67078429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910178618.XA Pending CN109978840A (zh) | 2019-03-11 | 2019-03-11 | 一种基于卷积神经网络的含纹理图像质量的判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978840A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069779A (zh) * | 2015-07-20 | 2015-11-18 | 童垸林 | 一种建筑陶瓷表面花纹图案质量检测方法 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估系统 |
CN106709945A (zh) * | 2017-01-09 | 2017-05-24 | 方玉明 | 一种对于超分辨率图像的质量评价方法 |
CN107123123A (zh) * | 2017-05-02 | 2017-09-01 | 电子科技大学 | 基于卷积神经网络的图像分割质量评价方法 |
US20170294010A1 (en) * | 2016-04-12 | 2017-10-12 | Adobe Systems Incorporated | Utilizing deep learning for rating aesthetics of digital images |
CN107330383A (zh) * | 2017-06-18 | 2017-11-07 | 天津大学 | 一种基于深度卷积神经网络的人脸识别方法 |
CN107492070A (zh) * | 2017-07-10 | 2017-12-19 | 华北电力大学 | 一种双通道卷积神经网络的单图像超分辨率计算方法 |
CN107610123A (zh) * | 2017-10-11 | 2018-01-19 | 中共中央办公厅电子科技学院 | 一种基于深度卷积神经网络的图像美学质量评价方法 |
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN107948635A (zh) * | 2017-11-28 | 2018-04-20 | 厦门大学 | 一种基于退化测量的无参考声纳图像质量测评方法 |
CN108711137A (zh) * | 2018-05-18 | 2018-10-26 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
US20180352174A1 (en) * | 2017-06-05 | 2018-12-06 | Adasky, Ltd. | Shutterless far infrared (fir) camera for automotive safety and driving systems |
CN109426858A (zh) * | 2017-08-29 | 2019-03-05 | 京东方科技集团股份有限公司 | 神经网络、训练方法、图像处理方法及图像处理装置 |
-
2019
- 2019-03-11 CN CN201910178618.XA patent/CN109978840A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069779A (zh) * | 2015-07-20 | 2015-11-18 | 童垸林 | 一种建筑陶瓷表面花纹图案质量检测方法 |
US20170294010A1 (en) * | 2016-04-12 | 2017-10-12 | Adobe Systems Incorporated | Utilizing deep learning for rating aesthetics of digital images |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估系统 |
CN106709945A (zh) * | 2017-01-09 | 2017-05-24 | 方玉明 | 一种对于超分辨率图像的质量评价方法 |
CN107123123A (zh) * | 2017-05-02 | 2017-09-01 | 电子科技大学 | 基于卷积神经网络的图像分割质量评价方法 |
US20180352174A1 (en) * | 2017-06-05 | 2018-12-06 | Adasky, Ltd. | Shutterless far infrared (fir) camera for automotive safety and driving systems |
CN107330383A (zh) * | 2017-06-18 | 2017-11-07 | 天津大学 | 一种基于深度卷积神经网络的人脸识别方法 |
CN107492070A (zh) * | 2017-07-10 | 2017-12-19 | 华北电力大学 | 一种双通道卷积神经网络的单图像超分辨率计算方法 |
CN109426858A (zh) * | 2017-08-29 | 2019-03-05 | 京东方科技集团股份有限公司 | 神经网络、训练方法、图像处理方法及图像处理装置 |
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN107610123A (zh) * | 2017-10-11 | 2018-01-19 | 中共中央办公厅电子科技学院 | 一种基于深度卷积神经网络的图像美学质量评价方法 |
CN107948635A (zh) * | 2017-11-28 | 2018-04-20 | 厦门大学 | 一种基于退化测量的无参考声纳图像质量测评方法 |
CN108711137A (zh) * | 2018-05-18 | 2018-10-26 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570353B (zh) | 密集连接生成对抗网络单幅图像超分辨率重建方法 | |
CN110363158B (zh) | 一种基于神经网络的毫米波雷达与视觉协同目标检测与识别方法 | |
CN104933755B (zh) | 一种静态物体重建方法和系统 | |
CN108648161B (zh) | 非对称核卷积神经网络的双目视觉障碍物检测系统及方法 | |
CN107358631A (zh) | 一种虑及三维畸变的双目视觉重建方法 | |
CN102507592B (zh) | 表面缺陷仿蝇视觉在线检测装置及检测方法 | |
CN111223053A (zh) | 基于深度图像的数据增强方法 | |
CN109801215A (zh) | 基于对抗生成网络的红外超分辨率成像方法 | |
CN106526839B (zh) | 一种基于模式的同步无波前自适应光学系统 | |
CN106340045B (zh) | 三维人脸重建中基于双目立体视觉的标定优化方法 | |
CN114973032B (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
CN110910456B (zh) | 基于Harris角点互信息匹配的立体相机动态标定方法 | |
CN114298151A (zh) | 一种基于点云数据与图像数据融合的3d目标检测方法 | |
CN111476714B (zh) | 基于psv神经网络的跨尺度图像拼接方法及装置 | |
CN108537862A (zh) | 一种自适应降噪的傅里叶衍射扫描显微镜成像方法 | |
CN117291808B (zh) | 一种基于流先验与极偏补偿的光场图像超分辨处理方法 | |
CN104133874B (zh) | 基于真彩色点云的街景影像生成方法 | |
CN109978840A (zh) | 一种基于卷积神经网络的含纹理图像质量的判别方法 | |
US20230292016A1 (en) | Meta-lens enabled light-field camera with extreme depth-of-field | |
CN110599416B (zh) | 一种基于空间目标图像数据库的非合作目标图像盲复原方法 | |
CN112070675A (zh) | 一种基于图的正则化光场超分辨率方法和光场显微装置 | |
CN116600528A (zh) | 一种基于温度分布场的通信机房制冷监控方法及系统 | |
CN115661117A (zh) | 一种接触网绝缘子可见光图像检测方法 | |
CN116109768A (zh) | 一种傅里叶光场显微镜超分辨成像方法及系统 | |
CN112700504B (zh) | 一种多视角远心相机的视差测量方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |