CN110415207A - 一种基于图像失真类型的图像质量评估的方法 - Google Patents

一种基于图像失真类型的图像质量评估的方法 Download PDF

Info

Publication number
CN110415207A
CN110415207A CN201910364614.0A CN201910364614A CN110415207A CN 110415207 A CN110415207 A CN 110415207A CN 201910364614 A CN201910364614 A CN 201910364614A CN 110415207 A CN110415207 A CN 110415207A
Authority
CN
China
Prior art keywords
image
distortion
iqa
distorted
evaluation
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
Application number
CN201910364614.0A
Other languages
English (en)
Inventor
颜成钢
滕统
孙垚棋
张继勇
张勇东
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910364614.0A priority Critical patent/CN110415207A/zh
Publication of CN110415207A publication Critical patent/CN110415207A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了一种基于图像失真类型的图像质量评估的方法。本发明用DCT方法把高维度图像的信息量在低维度图像上表示出来，提取出失真特征；然后利用支持向量机的方法，建立标签为1,2,3,4,…,n的SVM分类器中，将失真类型分为n种；将图像的失真特征输入，通过决策函数对所选图像进行分类；在判断出图像失真类型后，再按评估模型计算得出图像质量的评价指标IQA。本发明针对每一种失真类型建立一套评价模型，从而提高图像质量的客观评价效率。

Description

一种基于图像失真类型的图像质量评估的方法
技术领域
本发明涉及数字图像处理领域，具体的说提供一种基于图像失真类型的图像质量评估的方法，关于图像质量评估的方法。
背景技术
图像是记录或描述视觉信息的载体，是最普遍也是最方便的信息传播方式，据统计，人类获取到的信息中，70％～80％均为视觉信息。简单来说，图像所承载的信息主要包括物体的位置、尺寸以及所表示的信息相互之间的关联等，通过其描述的空间信息，我们可以直观地对客观世界进行感知，并在此基础上采用合理有效的方法对其进行处理。随着信息时代的推进，数字图像成为最常见的一种信息媒体，有着非常广泛的应用领域，主要包括工农业、生物医学及医疗保健、工程、军事、航天和航空、气象、安全等各个方面。在图像的采集、处理、存储、传输、修复及重建等过程中，由于成像系统、输出设备、存储和控制设备、处理手段及通信方式等的不完善，会不可避免地出现不同类型和程度的图像失真，影响信息的准确度和可靠性。例如，在生物医学领域，最重要的辅助手段就是医学图像，医学图像不够清晰完整，医生将无法获取精确的图像信息进而准确诊断病情；在军事领域，将来自卫星的图像用于军事侦察，卫星图像出现失真会对动态目标的识别和跟踪产生偏离，会使通过地形匹配实现精确轰炸这一过程出现偏差。
图像质量是图像固有的属性，一般而言，图像质量的测度主要有三个方面的应用:第一，为质量控制系统提供图像质量管理，例如图像采集系统可以利用质量测度对图像质量进行监控，并自动进行调整以获得最佳质量的图像数据；第二，作为衡量图像处理系统及相关算法的标准，从多种图像处理系统中选出与特定目标相切合的处理系统；第三，嵌入到图像处理系统中对算法及参数集进行优化，例如在可视化通信系统中，利用质量测度可以帮助系统优化编码器中的前置滤波和比特分配算法，以及解码器中的后置处理算法等。由此可见，在图像处理及应用领域中，建立有效的图像质量评价体系，对图像质量进行合理评估，具有非常重要的实际价值。
然而，我们常常将图像质量评价方法分为主观评价和客观评价两大类。由于在主观评估中容易受到主观因素及客观条件的影响，主观评价结果往往不能稳定地反映图像质量，因此近些年人们一致致力于探究一种合适的客观质量评价方法，通过模型给出的量化指标很好地代替主观感受，进而适用于实际应用。在客观评价中主要利用了数学和工程的方法，其目的在于寻找一个理想的数学模型对图像质量进行评价，使得评价结果能与主观评价结果取得一致，模拟并代替人类视觉系统感知图像甚至视频的质量，进而被广泛应用。根据对原始图像的参考程度，图像质量客观评价方法可以分为三类:全参考评价法，部分参考评价法以及无参考评价法。
全参考图像质量评价是指在选择理想图像作为参考图像的情况下，比较待评图像与参考图像之间的差异，分析待评图像的失真程度，从而得到待评图像的质量评估。常用的全参考图像质量客观评价主要以像素统计、信息论、结构信息三方面为基础。
部分参考也成为半参考，它是以理想图像的部分特征信息作为参考，对待评图像进行比较分析，从而得到图像质量评价结果。由于所参考的信息是从图像中提取出来的特征，所以它必须要先提取待评图像和理想图像的部分特征信息，通过比较提取出的部分信息对待评图像进行质量评估。部分参考方法可分为基于原始图像特征方法、基于数字水印方法和基于Wavelet域统计模型的方法等。因为部分参考质量评价依赖于图像的部分特征，与图像整体相比而言，数据量下降了很多，目前应用比较集中在图像传输系统中。
无参考方法也称为首评价方法，因为一般的理想图像很难获得，所以这种完全脱离了对理想参考图像依赖的质量评价方法应用较为广泛。无参考方法一般都是基于图像统计特性。
发明内容
本发明的目的是针对现有要解决的技术问题，提供一种基于图像失真类型的图像质量评估的方。在对一定数量的图像进行评估，需要一种能快速匹配和准确评估图像质量的方法。
本发明的方法是在图像特征统计的基础上，用DCT方法把高维度图像的信息量在低维度图像上表示出来，提取出失真特征值。然后利用支持向量机的方法，建立标签为1,2,3,4,…,n的SVM分类器中，将失真类型分为n种。将图像的失真特征值输入，通过决策函数对所选图像进行分类。在判断出图像失真类型后，再按评估模型计算得出图像质量的评价指标IQA，具体步骤如下：
步骤(1)图像预处理
对于一幅大小为M×N的待评价的失真图像，以及与之相应的原始图像，首先进行预处理。首先将两幅图像分别转化为灰度图像，以避免色度信息的干扰，然后进行归一化处理，将不同量化精度的图像数据值归一化到区间[0,1]，以方便后续数据上的统一，于是可以得到统一后的原始图像g(x,y)和失真图像f(x,y)，然后利用图像差值法得到两幅图像的差值图像d(x,y)，即：
d(x,y)＝|g(x,y)-f(x,y)| (1)
d(x,y)表示差值图像d(x,y)，即失真图像与原始图像在对应像素位置上的差异信息；而失真图像与原始图像之间的差异信息就是失真图像的失真信息，因此在d(x,y)上做相应的特征提取，就可得到图像的失真特性。
步骤(2)图像的失真特性的提取。
首先将预处理后得到的差值图像d(x,y)分割成n×n大小的非重叠块，因此得到的图像块总数为：
Blk＝(M/n)×(N/n) (2)
按照自上而下，从左到右的次序对图像块编号，设Bi为第i个图像块，其中1≤i≤Blk。对图像块Bi的亮度数据进行二维DCT变换。
其中，Fi(u,v)为第i块图像块的DCT系数，且u,v＝0,1,…,n-1,Bi(j,k) 为Bi在第j行、第k列上的像素值，a(u)的取值与a(v)相同,
对差值图像d(x,y)进行n×n大小的分块，对每一个图像块分别做DCT变换，从变换得到的系数矩阵Fi的交流系数Fi(0,1)出发，对 F进行扫描，得到一个一维的扫描数组{Sj；j＝1,2,,n2-1}。每个经DCT 变换后的像素块，由于其主要能量都集中在矩阵左上角的低频区域，而且考虑到降低后续处理和计算的复杂度，本文取Sj的前α个元素构造成图像块Bi的DCT特征，以此来表征该像素块的信息，即 Di＝{Sj,j＝1,2,…,α},其中1≤α＜n2-1。D为每一块图像块的DCT特征值，那么第k幅差值图像的图像特征为Fk＝{D1,D2,…,Di,…DBlk},Fk是维数为dim＝α*Blk的实数向量，即为所需要的失真特性的信息。
步骤(3)创建分类器。使用支持向量机(SVM)的方法对图像进行分类。假设以高斯白噪声失真、高斯模糊失真、JPEG压缩失真、 JPEG2000压缩失真为设定的失真类型，将他们的类型标签设置为1、 2、3和4。设定SVM1对1和2、3、4进行分类，SVM2对2和3、4 分类，SVM3对3、4进行分类。对于每一个SVM分类器，根据步骤 (2)得到的失真特性，构建共有k幅图像的训练样本为：
其中，Rdim表示dim维实数集，Fk属于Rdim，是dim维实数向量，Lk为类别编号，且由此得到该分类器的决策函数为：
其中，ns为支持向量数目。通过上述决策函数能够判断出每个Fk的类别。
步骤(4)创建评估模型。假设以高斯白噪声失真、高斯模糊失真、JPEG压缩失真、JPEG2000压缩失真为设定的失真类型，调用LIVE、 TID2008和CSIQ三个图像数据库的4种失真类型图各200张，分别计算出每幅图像的PSNR、SSIM、VIF和JND值，并参考提供的主观评价打分MOS，采用多元非线性回归的方法建立评价模型，对每一种失真类型，都有其中一种或多种IQA占主要评价成分，而令剩余的IQA 作为辅助参量，弥补仍然存在的缺陷与不足，从而提高评价准确度，使得评价值要尽可能地接近MOS值，即
其中，m为模型所采用的四种算法的序号，IQA代表每种算法对应的值，IQA1表示PSNR，IQA2表示SSIM，IQA3表示JND，IQA4表示VIF，N表示多项式的最高次数，αmi为多项式每一项前面的系数，C为常数。根据上式得到α的最优值，从而得到利用模型评价图像质量的评价指标IQA
本发明有益效果如下：
本发明采取先将待处理图进行失真类型分类，然后再通过结合多种客观评价方法，融合得到一种新的客观评价模型。可以实现针对待评估图像集进行自动识别、分类、评估的批量操作。整个过程也更加贴近人体的主观评价方式，最终的评价指标的准确度也会更高，能够应用于实际生活中。
具体实施方式
本发明的目的是针对现有要解决的技术问题，提供一种基于图像失真类型的图像质量评估的方。在对一定数量的图像进行评估，需要一种能快速匹配和准确评估图像质量的方法。
针对上述实际情况，提出一种基于图像失真类型的质量评价算法，针对每一种失真类型建立一套评价模型，从而提高图像质量的客观评价效率。
本发明的方法是在图像特征统计的基础上，用DCT方法把高维度图像的信息量在低维度图像上表示出来，提取出失真特征值。然后利用支持向量机的方法，建立标签为1,2,3,4,…,n的SVM分类器中，将失真类型分为n种。将图像的失真特征值输入，通过决策函数对所选图像进行分类。在判断出图像失真类型后，再按评估模型计算得出图像质量的评价指标IQA，具体步骤如下：
步骤(1)图像预处理
对于一幅大小为M×N的待评价的失真图像，以及与之相应的原始图像，首先进行预处理。首先将两幅图像分别转化为灰度图像，以避免色度信息的干扰，然后进行归一化处理，将不同量化精度的图像数据值归一化到区间[0,1]，以方便后续数据上的统一，于是可以得到统一后的原始图像g(x,y)和失真图像f(x,y)，然后利用图像差值法得到两幅图像的差值图像d(x,y)，即：
d(x,y)＝|g(x,y)-f(x,y)| (1)
d(x,y)表示差值图像d(x,y)，即失真图像与原始图像在对应像素位置上的差异信息；而失真图像与原始图像之间的差异信息就是失真图像的失真信息，因此在d(x,y)上做相应的特征提取，就可得到图像的失真特性。
步骤(2)图像的失真特性的提取。
首先将预处理后得到的差值图像d(x,y)分割成n×n大小的非重叠块，因此得到的图像块总数为：
Blk＝(M/n)×(N/n) (2)
按照自上而下，从左到右的次序对图像块编号，设Bi为第i个图像块，其中1≤i≤Blk。对图像块Bi的亮度数据进行二维DCT变换。
其中，Fi(u,v)为第i块图像块的DCT系数，且u,v＝0,1,…,n-1,Bi(j,k) 为Bi在第j行、第k列上的像素值，a(u)的取值与a(v)相同,
对差值图像d(x,y)进行n×n大小的分块，对每一个图像块分别做DCT变换，从变换得到的系数矩阵Fi的交流系数Fi(0,1)出发，对F进行扫描，得到一个一维的扫描数组{Sj；j＝1,2,,n2-1}。每个经DCT 变换后的像素块，由于其主要能量都集中在矩阵左上角的低频区域，而且考虑到降低后续处理和计算的复杂度，本文取Sj的前α个元素构造成图像块Bi的DCT特征，以此来表征该像素块的信息，即 Di＝{Sj,j＝1,2,…,α},其中1≤α＜n2-1。D为每一块图像块的DCT特征值，那么第k幅差值图像的图像特征为Fk＝{D1,D2,…,Di,…DBlk},Fk是维数为dim＝α*Blk的实数向量，即为所需要的失真特性的信息。
步骤(3)创建分类器。使用支持向量机(SVM)的方法对图像进行分类。假设以高斯白噪声失真、高斯模糊失真、JPEG压缩失真、 JPEG2000压缩失真为设定的失真类型，将他们的类型标签设置为1、 2、3和4。设定SVM1对1和2、3、4进行分类，SVM2对2和3、4 分类，SVM3对3、4进行分类。对于每一个SVM分类器，根据步骤 (2)得到的失真特性，构建共有k幅图像的训练样本为：
其中，Rdim表示dim维实数集，Fk属于Rdim，是dim维实数向量，Lk为类别编号，且由此得到该分类器的决策函数为：
其中，ns为支持向量数目。通过上述决策函数能够判断出每个Fk的类别。
步骤(4)创建评估模型。假设以高斯白噪声失真、高斯模糊失真、JPEG压缩失真、JPEG2000压缩失真为设定的失真类型，调用LIVE、 TID2008和CSIQ三个图像数据库的4种失真类型图各200张，分别计算出每幅图像的PSNR、SSIM、VIF和JND值，并参考提供的主观评价打分MOS，采用多元非线性回归的方法建立评价模型，对每一种失真类型，都有其中一种或多种IQA占主要评价成分，而令剩余的IQA 作为辅助参量，弥补仍然存在的缺陷与不足，从而提高评价准确度，使得评价值要尽可能地接近MOS值，即
其中，m为模型所采用的四种算法的序号，IQA代表每种算法对应的值，IQA1表示PSNR，IQA2表示SSIM，IQA3表示JND，IQA4表示VIF，N表示多项式的最高次数，αmi为多项式每一项前面的系数， C为常数。根据上式得到α的最优值，从而得到利用模型评价图像质量的评价指标IQA

Claims (1)

1.一种基于图像失真类型的图像质量评估的方法，用DCT方法把高维度图像的信息量在低维度图像上表示出来，提取出失真特征值；然后利用支持向量机的方法，建立标签为1，2，3，4，...，n的SVM分类器中，将失真类型分为n种；将图像的失真特征值输入，通过决策函数对所选图像进行分类；在判断出图像失真类型后，再按评估模型计算得出图像质量的评价指标IQA，具体步骤如下：
步骤(1)图像预处理
对于一幅大小为M×N的待评价的失真图像，以及与之相应的原始图像，首先进行预处理；首先将两幅图像分别转化为灰度图像，以避免色度信息的干扰，然后进行归一化处理，将不同量化精度的图像数据值归一化到区间[0，1]，以方便后续数据上的统一，于是可以得到统一后的原始图像g(x，y)和失真图像f(x，y)，然后利用图像差值法得到两幅图像的差值图像d(x，y)，即：
d(x，y)＝|g(x，y)-f(x，y)| (1)
d(x，y)表示差值图像d(x，y)，即失真图像与原始图像在对应像素位置上的差异信息；而失真图像与原始图像之间的差异信息就是失真图像的失真信息，因此在d(x，y)上做相应的特征提取，就可得到图像的失真特性；
步骤(2)图像的失真特性的提取；
首先将预处理后得到的差值图像d(x，y)分割成n×n大小的非重叠块，因此得到的图像块总数为：
Blk＝(M/n)×(N/n) (2)
按照自上而下，从左到右的次序对图像块编号，设Bi为第i个图像块，其中1≤i≤Blk；对图像块Bi的亮度数据进行二维DCT变换；
其中，Fi(u，v)为第i块图像块的DCT系数，且u，v＝0，1，...，n-1，Bi(j，k)为Bi在第j行、第k列上的像素值，a(u)的取值与a(v)相同，
对差值图像d(x，y)进行n×n大小的分块，对每一个图像块分别做DCT变换，从变换得到的系数矩阵Fi的交流系数Fi(0，1)出发，对F进行扫描，得到一个一维的扫描数组{Sj；j＝1，2，，n2-1}；每个经DCT变换后的像素块，由于其主要能量都集中在矩阵左上角的低频区域，而且考虑到降低后续处理和计算的复杂度，本文取Sj的前α个元素构造成图像块Bi的DCT特征，以此来表征该像素块的信息，即Di＝{Sj，j＝1，2，...，α}，其中1≤α＜n2-1；D为每一块图像块的DCT特征值，那么第k幅差值图像的图像特征为Fk＝{D1，D2，...，Di，...DBlk}，Fk是维数为dim＝α*Blk的实数向量，即为所需要的失真特性的信息；
步骤(3)创建分类器；使用支持向量机(SVM)的方法对图像进行分类；假设以高斯白噪声失真、高斯模糊失真、JPEG压缩失真、JPEG2000压缩失真为设定的失真类型，将他们的类型标签设置为1、2、3和4；设定SVM1对1和2、3、4进行分类，SVM2对2和3、4分类，SVM3对3、4进行分类；对于每一个SVM分类器，根据步骤(2)得到的失真特性，构建共有k幅图像的训练样本为：
其中，Rdim表示dim维实数集，Fk属于Rdim，是dim维实数向量，Lk为类别编号，且由此得到该分类器的决策函数为：
其中，ns为支持向量数目；通过上述决策函数能够判断出每个Fk的类别；
步骤(4)创建评估模型；假设以高斯白噪声失真、高斯模糊失真、JPEG压缩失真、JPEG2000压缩失真为设定的失真类型，调用LIVE、TID2008和CSIQ三个图像数据库的4种失真类型图各200张，分别计算出每幅图像的PSNR、SSIM、VIF和JND值，并参考提供的主观评价打分MOS，采用多元非线性回归的方法建立评价模型，对每一种失真类型，都有其中一种或多种IQA占主要评价成分，而令剩余的IQA作为辅助参量，弥补仍然存在的缺陷与不足，从而提高评价准确度，使得评价值要尽可能地接近MOS值，即
其中，m为模型所采用的四种算法的序号，IQA代表每种算法对应的值，IQA1表示PSNR，IQA2表示SSIM，IQA3表示JND，IQA4表示VIF，N表示多项式的最高次数，αmi为多项式每一项前面的系数，C为常数；根据上式得到α的最优值，从而得到利用模型评价图像质量的评价指标IQA
CN201910364614.0A 2019-04-30 2019-04-30 一种基于图像失真类型的图像质量评估的方法 Pending CN110415207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910364614.0A CN110415207A (zh) 2019-04-30 2019-04-30 一种基于图像失真类型的图像质量评估的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910364614.0A CN110415207A (zh) 2019-04-30 2019-04-30 一种基于图像失真类型的图像质量评估的方法

Publications (1)

Publication Number Publication Date
CN110415207A true CN110415207A (zh) 2019-11-05

Family

ID=68357736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910364614.0A Pending CN110415207A (zh) 2019-04-30 2019-04-30 一种基于图像失真类型的图像质量评估的方法

Country Status (1)

Country Link
CN (1) CN110415207A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127587A (zh) * 2019-12-16 2020-05-08 杭州电子科技大学 一种基于对抗生成网络的无参考图像质量地图生成方法
CN111179224A (zh) * 2019-12-13 2020-05-19 中国人民解放军陆军炮兵防空兵学院 一种基于联合学习的航拍图像修复质量的无参考评价方法
CN111612741A (zh) * 2020-04-22 2020-09-01 杭州电子科技大学 一种基于失真识别的精确无参考图像质量评价方法
CN112435218A (zh) * 2020-11-04 2021-03-02 南京火眼锐视信息科技有限公司 一种文档图像的形变度评估、筛选方法和装置
CN112446878A (zh) * 2021-01-04 2021-03-05 天津科技大学 一种基于联合熵的彩色图像质量评价方法
CN112990199A (zh) * 2021-03-29 2021-06-18 杭州电子科技大学 一种基于支持向量机的烧伤创面深度分类系统
CN117952968A (zh) * 2024-03-26 2024-04-30 沐曦集成电路(上海)有限公司 一种基于深度学习的图像质量评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102547368A (zh) * 2011-12-16 2012-07-04 宁波大学 一种立体图像质量客观评价方法
CN103475897A (zh) * 2013-09-09 2013-12-25 宁波大学 一种基于失真类型判断的自适应图像质量评价方法
CN104346809A (zh) * 2014-09-23 2015-02-11 上海交通大学 采用高动态范围的图像质量数据集的图像质量评价方法
CN104392446A (zh) * 2014-11-20 2015-03-04 江南大学 一种改进的基于psnr的dct域无参考模糊图像质量评价方法
CN107770517A (zh) * 2017-10-24 2018-03-06 天津大学 基于图像失真类型的全参考图像质量评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102547368A (zh) * 2011-12-16 2012-07-04 宁波大学 一种立体图像质量客观评价方法
CN103475897A (zh) * 2013-09-09 2013-12-25 宁波大学 一种基于失真类型判断的自适应图像质量评价方法
CN104346809A (zh) * 2014-09-23 2015-02-11 上海交通大学 采用高动态范围的图像质量数据集的图像质量评价方法
CN104392446A (zh) * 2014-11-20 2015-03-04 江南大学 一种改进的基于psnr的dct域无参考模糊图像质量评价方法
CN107770517A (zh) * 2017-10-24 2018-03-06 天津大学 基于图像失真类型的全参考图像质量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李敏: "基于图像失真类型的图像质量评价算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王啸晨 等: "基于图像失真类型的自适应图像质量评价方法", 《电视技术》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179224A (zh) * 2019-12-13 2020-05-19 中国人民解放军陆军炮兵防空兵学院 一种基于联合学习的航拍图像修复质量的无参考评价方法
CN111179224B (zh) * 2019-12-13 2023-09-12 中国人民解放军陆军炮兵防空兵学院 一种基于联合学习的航拍图像修复质量的无参考评价方法
CN111127587A (zh) * 2019-12-16 2020-05-08 杭州电子科技大学 一种基于对抗生成网络的无参考图像质量地图生成方法
CN111612741A (zh) * 2020-04-22 2020-09-01 杭州电子科技大学 一种基于失真识别的精确无参考图像质量评价方法
CN111612741B (zh) * 2020-04-22 2023-11-03 杭州电子科技大学 一种基于失真识别的精确无参考图像质量评价方法
CN112435218A (zh) * 2020-11-04 2021-03-02 南京火眼锐视信息科技有限公司 一种文档图像的形变度评估、筛选方法和装置
CN112446878A (zh) * 2021-01-04 2021-03-05 天津科技大学 一种基于联合熵的彩色图像质量评价方法
CN112446878B (zh) * 2021-01-04 2023-03-14 天津科技大学 一种基于联合熵的彩色图像质量评价方法
CN112990199A (zh) * 2021-03-29 2021-06-18 杭州电子科技大学 一种基于支持向量机的烧伤创面深度分类系统
CN112990199B (zh) * 2021-03-29 2024-04-26 杭州电子科技大学 一种基于支持向量机的烧伤创面深度分类系统
CN117952968A (zh) * 2024-03-26 2024-04-30 沐曦集成电路(上海)有限公司 一种基于深度学习的图像质量评价方法

Similar Documents

Publication Publication Date Title
CN110415207A (zh) 一种基于图像失真类型的图像质量评估的方法
Shao et al. Full-reference quality assessment of stereoscopic images by learning binocular receptive field properties
CN104008538B (zh) 基于单张图像超分辨率方法
Ciancio et al. No-reference blur assessment of digital pictures based on multifeature classifiers
Saha et al. Utilizing image scales towards totally training free blind image quality assessment
Kim et al. Dynamic receptive field generation for full-reference image quality assessment
Zhou et al. Utilizing dictionary learning and machine learning for blind quality assessment of 3-D images
CN101610425B (zh) 一种评测立体图像质量的方法和装置
CN108171250A (zh) 目标检测方法及装置
Su et al. Color and depth priors in natural images
CN109919920A (zh) 统一结构的全参考和无参考图像质量评价方法
Jiang et al. No reference stereo video quality assessment based on motion feature in tensor decomposition domain
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
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
Wang et al. A new blind image quality framework based on natural color statistic
CN109754390B (zh) 一种基于混合视觉特征的无参考图像质量评价方法
CN112184672A (zh) 一种无参考图像质量评价方法及系统
Ding Visual quality assessment for natural and medical image
CN105894507B (zh) 基于图像信息量自然场景统计特征的图像质量评价方法
CN110969202A (zh) 基于颜色分量和感知哈希算法的人像采集环境验证方法及系统
Wu et al. Visual structural degradation based reduced-reference image quality assessment
CN110826380A (zh) 一种异常签名的识别方法及其系统
Jin et al. Perceptual Gradient Similarity Deviation for Full Reference Image Quality Assessment.
Lévêque et al. CUID: A new study of perceived image quality and its subjective assessment
Cui et al. An Image Quality Metric based on Corner, Edge and Symmetry Maps.

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191105