CN110766658A - 一种无参考激光干扰图像质量评价方法 - Google Patents

一种无参考激光干扰图像质量评价方法 Download PDF

Info

Publication number
CN110766658A
CN110766658A CN201910899277.5A CN201910899277A CN110766658A CN 110766658 A CN110766658 A CN 110766658A CN 201910899277 A CN201910899277 A CN 201910899277A CN 110766658 A CN110766658 A CN 110766658A
Authority
CN
China
Prior art keywords
image
quality
input image
img
support vector
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
Application number
CN201910899277.5A
Other languages
English (en)
Other versions
CN110766658B (zh
Inventor
胡静
蒋侃
任立均
高翔
熊涛
沈宜帆
康愫愫
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910899277.5A priority Critical patent/CN110766658B/zh
Publication of CN110766658A publication Critical patent/CN110766658A/zh
Application granted granted Critical
Publication of CN110766658B publication Critical patent/CN110766658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or 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
    • G06T2207/20—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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种无参考激光干扰图像质量评价方法，属于图像处理领域，该方法包括：构建支撑向量回归器；该支撑向量回归器包括：局部特征提取模块，对输入图像进行局部信息估计，得到局部信息估计特征；自然场景统计特征提取模块，对输入图像进行基于空间域的自然场景统计，得到自然场景统计特征；质量评分模块，根据局部信息估计特征和自然场景统计特征，对输入图像质量进行评分；将干扰图像数据集输入支撑向量回归器进行训练，得到训练好的支撑向量回归器；将待评价图像输入训练好的支撑向量回归器进行质量评价，得到待评价图像的质量评分。本发明能够真实描述激光干扰图像的失真，在不需要参考图像的基础上准确反映激光干扰图像的质量损失。

Description

一种无参考激光干扰图像质量评价方法
技术领域
本发明属于图像处理领域，更具体地，涉及一种无参考激光干扰图像质量评价方法。
背景技术
激光在光学器件(透镜和光圈)中和像面上产生的复杂光学、电学响应，会在图像中产生形状各异的高亮度光斑，从而使得图像质量显著下降；同时，干扰光斑对图像关键信息的遮挡，特别是对目标的遮挡，会严重影响信息处理系统的检测识别性能。深入分析图像的激光干扰效果，给出定量化的指标体系，可以为激光干扰系统的研制和发展提供技术支持和理论依据，具有重要的军事价值和现实意义。
现有的激光干扰图像质量评价算法大多需要参考图像或者含有无干扰图像的序列图像，目前没有真正意义上的无参考评价算法。而在实际应用中，参考图像或者含有无干扰图像的序列图像难以获得，限制了目前的激光干扰图像质量评价算法的应用场景，因此无参考激光干扰图像质量评价方法的研究具有重要意义。无参考激光干扰图像质量评价的难点在于，在没有参考图像的情况下，如何评估图像中关键信息的丢失程度，如何描述激光干扰图像的亮度、对比度、清晰度的变化。如图1所示，目前的无参考图像质量评价方法，一般思路是提取能描述图像失真的图像特征，使用支撑向量回归，在已知图像质量的数据集上训练回归模型；利用训练好的回归模型和图像特征，预测图像质量得分。
目前常用的描述图像失真的图像特征大多是基于空间域自然场景的统计特征，但是为了更准确的描述图像失真，还需将人类视觉特征、干扰光斑特征、图像统计特征和局部特征损失等因素定量化，因此仅使用这一特征无法描述激光干扰图像的失真，造成对激光干扰图像质量的评分准确度低。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种无参考激光干扰图像质量评价方法，其目的在于解决目前的无参考图像质量评价方法提取的特征无法真实描述激光干扰图像的失真，造成质量评价的准确度低的技术问题。
为实现上述目的，本发明提供了一种无参考激光干扰图像质量评价方法，包括以下步骤：
(1)构建支撑向量回归器；
所述支撑向量回归器包括：局部特征提取模块、自然场景统计特征提取模块和质量评分模块；
所述局部特征提取模块；用于对输入图像进行局部信息估计，得到局部信息估计特征；所述自然场景统计特征提取模块，用于对输入图像进行基于空间域的自然场景统计，得到自然场景统计特征；所述质量评分模块，用于根据所述局部信息估计特征和自然场景统计特征，对所述输入图像质量进行评分；
(2)将干扰图像数据集输入所述支撑向量回归器进行训练，得到训练好的支撑向量回归器；
(3)将待评价图像输入训练好的支撑向量回归器进行质量评价，得到待评价图像的质量评分。
进一步地，所述对输入图像进行局部信息估计，具体包括：
(01)对输入图像进行光斑饱和区域检测，得到饱和区域掩模；
(02)对输入图像进行栅格化，并计算每个栅格内的均值和方差，得到均值图imgm和方差图imgv；
(03)使用基于马尔科夫随机场的方法分别估计所述均值图imgm和方差图imgv的饱和光斑遮挡区域信息，得到均值估计图imgmE和方差估计图imgvE。
进一步地，每个栅格大小为所述输入图像的1/9。
进一步地，所述局部信息估计特征包括：第一特征f1、第二特征f2、第三特征f3和第四特征f4；
所述第一特征f1为在均值估计图imgmE上求取的光斑饱和区域的信息熵；
所述第二特征f2为均值图imgm和均值估计图imgmE的结构相似度；
所述第三特征f3为方差图imgv和方差估计图imgvE的结构相似度
所述第四特征f4为饱和区域掩模计算得到的输入图像的饱和像素率。
进一步地，所述对输入图像进行基于空间域的自然场景统计，具体包括：
(11)求取输入图像的均值减归一化系数MSCN，并分别使用广义高斯分布和非对称广义高斯分布分别拟合所述均值减归一化系数MSCN的分布；
(12)求取所述均值减归一化系数MSCN的对积衍生子带，并使用非对称广义高斯分布拟合所述对积衍生子带；
(13)求取所述均值减归一化系数MSCN的对数衍生子带，并使用广义高斯分布拟合所述对数衍生子带。
进一步地，所述自然场景统计特征包括：拟合所述均值减归一化系数MSCN的分布得到的参数、拟合所述对积衍生子带得到的参数和拟合所述对数衍生子带得到的参数。
进一步地，所述干扰图像数据集通过光斑的理论模型仿真生成。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明所提出的基于自然场景统计和遮挡区域信息估计的无参考评价算法，对激光干扰图像进行局部信息估计特征提取和基于空间域自然场景统计的特征提取，能够真实描述激光干扰图像的失真，与传统算法相比，本发明方法不需要参考图像，并能较准确地反映激光干扰图像的质量损失。
(2)本发明在利用基于马尔科夫随机场的算法对激光干扰图像进行饱和光斑遮挡区域的信息估计的基础上，通过图像分块，大幅降低了激光干扰图像进行局部信息估计特征的提取时间，进而提高了激光干扰图像的质量评价效率。
附图说明
图1是现有无参考图像质量评价方法流程图；
图2是本发明提供的一种无参考激光干扰图像质量评价方法流程图；
图3是采用本发明的质量评价方法在测试集上的预测得分与真实得分分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图2所示，本发明提供了一种无参考激光干扰图像质量评价方法，包括以下步骤：
(1)构建支撑向量回归器；
支撑向量回归器包括：局部特征提取模块、自然场景统计特征提取模块和质量评分模块；局部特征提取模块；用于对输入图像进行局部信息估计，得到局部信息估计特征；自然场景统计特征提取模块，用于对输入图像进行基于空间域的自然场景统计，得到自然场景统计特征；质量评分模块，用于根据局部信息估计特征和自然场景统计特征，对输入图像质量进行评分；
具体地，对输入图像进行局部信息估计，具体包括：(01)对输入图像进行光斑饱和区域检测，得到饱和区域掩模；(02)对输入图像进行栅格化，并计算每个栅格内的均值和方差，得到均值图imgm和方差图imgv；本发明实施例每个栅格大小为所述输入图像的1/9，具体应用中不做限制；(03)使用基于马尔科夫随机场的方法分别估计所述均值图imgm和方差图imgv的饱和光斑遮挡区域信息，得到均值估计图imgmE和方差估计图imgvE。
由此得到的局部信息估计特征包括：第一特征f1、第二特征f2、第三特征f3和第四特征f4；第一特征f1为在均值估计图imgmE上求取的光斑饱和区域的信息熵；第二特征f2为均值图imgm和均值估计图imgmE的结构相似度；第三特征f3为方差图imgv和方差估计图imgvE的结构相似度；第四特征f4为饱和区域掩模计算得到的输入图像的饱和像素率。
对输入图像进行基于空间域的自然场景统计，具体包括：
(11)求取输入图像的均值减归一化系数MSCN，并分别使用广义高斯分布和非对称广义高斯分布分别拟合均值减归一化系数MSCN的分布；
MSCN的求取公式为:
Figure BDA0002211312590000051
其中，i∈1,2,…,M,j∈1,2,…N，M,N是图像的宽和高，C＝1是防止分母为0或者接近0时的计算不稳定，I(i,j)表示是针对灰度图像中每个像素点的亮度，μ(i,j)表示均值，σ(i,j)表示标准差；
Figure BDA0002211312590000061
Figure BDA0002211312590000062
其中，w＝{wk,l|k＝-K,…K,l＝-L,...L}是一个二维高斯权重函数。
分别使用广义高斯分布GGD和非对称广义高斯分布AGGD拟合均值减归一化系数MSCN的分布，得到(a,σ2)和
Figure BDA0002211312590000063
分别作为特征f5～f10，其中GGD模型拟合的参数(a,σ2)，a为形状参数，控制分布的形状，σ2为控制分布的方差；AGGD模型拟合的参数
Figure BDA0002211312590000064
分别描述形状、均值、左方差、右方差。
(12)求取所述均值减归一化系数MSCN的对积衍生子带，并使用非对称广义高斯分布拟合所述对积衍生子带；
具体地，在每个坐标处计算四个方向系数积，计算公式如下：
水平方向系数积：
Figure BDA0002211312590000065
垂直方向系数积：
主对角线方向系数积：
Figure BDA0002211312590000067
次对角线方向系数积：
Figure BDA0002211312590000068
使用非对称广义高斯分布拟合上述对积衍生子带，四组参数分别作为特征f11～f26。
(13)求取所述均值减归一化系数MSCN的对数衍生子带，并使用广义高斯分布拟合所述对数衍生子带；
定义函数
Figure BDA0002211312590000069
其中K是一个稳定常数，对数导数计算如下：
PD1(i,j)＝J(i,j+1)-J(i,j)
PD2(i,j)＝J(i+1,j)-J(i,j)
PD3(i,j)＝J(i+1,j+1)-J(i,j)
PD4(i,j)＝J(i+1,j-1)-J(i,j)
PD5(i,j)＝J(i-1,j)+J(i+1,j)-J(i,j-1)-J(i,j+1)
PD6(i,j)＝J(i,j)+J(i+1,j+1)-J(i,j+1)-J(i+1,j)
PD7(i,j)＝J(i-1,j-1)+J(i+1,j+1)-J(i-1,j+1)-J(i+1,j-1)
使用广义高斯分布拟合上述对数衍生子带，到七组(a′,σ′2)参数，分别作为特征f27～f40。由此得到的自然场景统计特征为f1～f40。
(2)将干扰图像数据集输入所述支撑向量回归器进行训练，得到训练好的支撑向量回归器；
具体地，干扰图像数据集通过光斑的理论模型仿真生成。
(3)将待评价图像输入训练好的支撑向量回归器进行质量评价，得到待评价图像的质量评分。
为了验证本发明方法在无参考情况下，对激光干扰图像质量评价结果的效果。根据激光干扰图像的特点和理论耀斑模型，通过图像仿真生成激光干扰图像数据集，其中训练集包含12500张干扰图像，测试集包含3150张干扰图像。使用全参考的激光干扰图像质量评价方法为这些参考图像生成参考分数。数据集准备好之后，需要对模型训练和测试，具体过程如下：
首先，对所有图像提取局部估计特征(ef)和基于空间域的自然场景统计特征，局部估计特征的提取如下表所示：
Figure BDA0002211312590000071
基于空间域的自然场景统计特征的提取如下表所示：
然后，利用训练集上的数据，训练支撑向量回归器，其中支撑向量回归器(SVR)使用多项式核。在训练集上，使用不同的特征组合训练SVR，并记录下每组特征训练的模型指标，包括均方根误差(Root Mean Squared Error,RMSE)、拟合度(R-Squared)、均方误差(Mean Squared Error,MSE)和平均绝对误差(MeanAbsolute Deviation,MAE)等指标，如下表所示。可以看出本发明提出的特征组合取得了最佳表现。
Figure BDA0002211312590000082
测试阶段，提取干扰图像特征，利用训练好的支撑向量回归器，预测图像得分。在测试集上，支撑向量回归器的预测得分与图像质量的真实得分分布如图3所示，可以看出预测得分均匀的分布在真实得分两侧。同时使用斯皮尔曼秩相关系数(Spearman RankCorrelation Coefficient,SRCC)度量实际值和预测值之间的非线性单调性；用皮尔逊线性相关系数(Pearson linear correlation coefficient,LCC)度量实际值和预测值之间的线性相关性。测试集上不同特征组合的LCC和SRCC如下表所示。可以看出本发明提出的特征组合在测试集上也取得了最佳表现。
Figure BDA0002211312590000091
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种无参考激光干扰图像质量评价方法，其特征在于，包括：
(1)构建支撑向量回归器；
所述支撑向量回归器包括：局部特征提取模块、自然场景统计特征提取模块和质量评分模块；
所述局部特征提取模块；用于对输入图像进行局部信息估计，得到局部信息估计特征；所述自然场景统计特征提取模块，用于对输入图像进行基于空间域的自然场景统计，得到自然场景统计特征；所述质量评分模块，用于根据所述局部信息估计特征和自然场景统计特征，对所述输入图像质量进行评分；
(2)将干扰图像数据集输入所述支撑向量回归器进行训练，得到训练好的支撑向量回归器；
(3)将待评价图像输入训练好的支撑向量回归器进行质量评价，得到待评价图像的质量评分。
2.根据权利要求1所述的一种无参考激光干扰图像质量评价方法，其特征在于，所述对输入图像进行局部信息估计，具体包括：
(01)对输入图像进行光斑饱和区域检测，得到饱和区域掩模；
(02)对输入图像进行栅格化，并计算每个栅格内的均值和方差，得到均值图imgm和方差图imgv；
(03)使用基于马尔科夫随机场的方法分别估计所述均值图imgm和方差图imgv的饱和光斑遮挡区域信息，得到均值估计图imgmE和方差估计图imgvE。
3.根据权利要求2所述的一种无参考激光干扰图像质量评价方法，其特征在于，每个栅格大小为所述输入图像的1/9。
4.根据权利要求2所述的一种无参考激光干扰图像质量评价方法，其特征在于，所述局部信息估计特征包括：第一特征f1、第二特征f2、第三特征f3和第四特征f4；
所述第一特征f1为在均值估计图imgmE上求取的光斑饱和区域的信息熵；
所述第二特征f2为均值图imgm和均值估计图imgmE的结构相似度；
所述第三特征f3为方差图imgv和方差估计图imgvE的结构相似度；
所述第四特征f4为饱和区域掩模计算得到的输入图像的饱和像素率。
5.根据权利要求1所述的一种无参考激光干扰图像质量评价方法，其特征在于，所述对输入图像进行基于空间域的自然场景统计，具体包括：
(11)求取输入图像的均值减归一化系数MSCN，并分别使用广义高斯分布和非对称广义高斯分布分别拟合所述均值减归一化系数MSCN的分布；
(12)求取所述均值减归一化系数MSCN的对积衍生子带，并使用非对称广义高斯分布拟合所述对积衍生子带；
(13)求取所述均值减归一化系数MSCN的对数衍生子带，并使用广义高斯分布拟合所述对数衍生子带。
6.根据权利要求5所述的一种无参考激光干扰图像质量评价方法，其特征在于，所述自然场景统计特征包括：拟合所述均值减归一化系数MSCN的分布得到的参数、拟合所述对积衍生子带得到的参数和拟合所述对数衍生子带得到的参数。
7.根据权利要求1-6任一项所述的一种无参考激光干扰图像质量评价方法，其特征在于，所述干扰图像数据集通过光斑的理论模型仿真生成。
CN201910899277.5A 2019-09-23 2019-09-23 一种无参考激光干扰图像质量评价方法 Active CN110766658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910899277.5A CN110766658B (zh) 2019-09-23 2019-09-23 一种无参考激光干扰图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910899277.5A CN110766658B (zh) 2019-09-23 2019-09-23 一种无参考激光干扰图像质量评价方法

Publications (2)

Publication Number Publication Date
CN110766658A true CN110766658A (zh) 2020-02-07
CN110766658B CN110766658B (zh) 2022-06-14

Family

ID=69329675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910899277.5A Active CN110766658B (zh) 2019-09-23 2019-09-23 一种无参考激光干扰图像质量评价方法

Country Status (1)

Country Link
CN (1) CN110766658B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111524123A (zh) * 2020-04-23 2020-08-11 北京百度网讯科技有限公司 用于处理图像的方法和装置
CN112418292A (zh) * 2020-11-17 2021-02-26 平安科技（深圳）有限公司 一种图像质量评价的方法、装置、计算机设备及存储介质
CN112950629A (zh) * 2021-04-02 2021-06-11 上海大学 一种无参考全景图像质量评价方法及系统
CN114494246A (zh) * 2022-03-31 2022-05-13 腾讯科技（深圳）有限公司 图像质量评估方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001055967A2 (en) * 2000-01-27 2001-08-02 Applied Precision, Inc. Image metrics in the statistical analysis of dna microarray data
CN104867138A (zh) * 2015-05-07 2015-08-26 天津大学 基于pca和ga-elm的立体图像质量客观评价方法
CN105959684A (zh) * 2016-05-26 2016-09-21 天津大学 基于双目融合的立体图像质量评价方法
CN106127234A (zh) * 2016-06-17 2016-11-16 西安电子科技大学 基于特征字典的无参考图像质量评价方法
CN106127741A (zh) * 2016-06-17 2016-11-16 西安电子科技大学 基于改良自然场景统计模型的无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
WO2001055967A2 (en) * 2000-01-27 2001-08-02 Applied Precision, Inc. Image metrics in the statistical analysis of dna microarray data
CN104867138A (zh) * 2015-05-07 2015-08-26 天津大学 基于pca和ga-elm的立体图像质量客观评价方法
CN105959684A (zh) * 2016-05-26 2016-09-21 天津大学 基于双目融合的立体图像质量评价方法
CN106127234A (zh) * 2016-06-17 2016-11-16 西安电子科技大学 基于特征字典的无参考图像质量评价方法
CN106127741A (zh) * 2016-06-17 2016-11-16 西安电子科技大学 基于改良自然场景统计模型的无参考图像质量评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. MITTAL ET AL: "No-reference image quality assessment in the spatial domain", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
Y. ZHANG ET AL: "An algorithm for no-reference image quality assessment based on log-derivative statistics of natural scenes", 《IS&T/SPIE ELECTRONIC IMAGING》 *
钱方等: "基于光斑与图像特征的动态激光干扰效果评估", 《中国激光》 *
钱方等: "无参考的特征点复杂度激光干扰图像评估", 《光学精密工程》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111524123A (zh) * 2020-04-23 2020-08-11 北京百度网讯科技有限公司 用于处理图像的方法和装置
CN111524123B (zh) * 2020-04-23 2023-08-08 北京百度网讯科技有限公司 用于处理图像的方法和装置
US11734809B2 (en) 2020-04-23 2023-08-22 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for processing image
CN112418292A (zh) * 2020-11-17 2021-02-26 平安科技（深圳）有限公司 一种图像质量评价的方法、装置、计算机设备及存储介质
CN112418292B (zh) * 2020-11-17 2024-05-10 平安科技（深圳）有限公司 一种图像质量评价的方法、装置、计算机设备及存储介质
CN112950629A (zh) * 2021-04-02 2021-06-11 上海大学 一种无参考全景图像质量评价方法及系统
CN114494246A (zh) * 2022-03-31 2022-05-13 腾讯科技（深圳）有限公司 图像质量评估方法、装置、电子设备及存储介质
CN114494246B (zh) * 2022-03-31 2022-07-12 腾讯科技（深圳）有限公司 图像质量评估方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110766658B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN110766658B (zh) 一种无参考激光干扰图像质量评价方法
CN104023230B (zh) 一种基于梯度关联性的无参考图像质量评价方法
CN107330437B (zh) 基于卷积神经网络目标实时检测模型的特征提取方法
Pei et al. Image quality assessment using human visual DOG model fused with random forest
CN109766835B (zh) 基于多参数优化生成对抗网络的sar目标识别方法
Wang et al. Image quality assessment based on local linear information and distortion-specific compensation
CN110728656A (zh) 基于元学习的无参考图像质量数据处理方法、智能终端
CN105260998A (zh) 基于mcmc采样和阈值低秩逼近的图像去噪方法
CN107318014B (zh) 基于视觉显著区域和时空特性的视频质量评估方法
CN107146220B (zh) 一种通用型无参考图像质量评价方法
CN115877555B (zh) 一种显微镜照明仿真模拟系统
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
CN109754390A (zh) 一种基于混合视觉特征的无参考图像质量评价方法
CN108259893B (zh) 基于双流卷积神经网络的虚拟现实视频质量评价方法
CN104282019A (zh) 基于自然场景统计和感知质量传播的盲图像质量评价方法
CN106960433B (zh) 一种基于图像熵以及边缘的全参考声纳图像质量评测方法
CN104915945A (zh) 一种基于区域互信息的无参考图像质量评价方法
CN113298700A (zh) 一种在散射场景中的高分辨图像重构方法
CN110796635B (zh) 一种基于剪切波变换的光场图像质量评价方法
CN107977967B (zh) 一种面向视角合成的无参考图像质量评价方法
Peng et al. Multiple levels perceptual noise backed visual information fidelity for picture quality assessment
CN105516716B (zh) 闭环安防系统视频画质的现场测试方法
CN104915959A (zh) 一种航拍图像的质量评价方法及系统
Park et al. Stationary data and the effect of the minimum wage on teenage employment
Khan et al. Sparsity based stereoscopic image quality assessment

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