CN111145150B - 一种通用型无参考图像质量评价方法 - Google Patents
一种通用型无参考图像质量评价方法 Download PDFInfo
- Publication number
- CN111145150B CN111145150B CN201911321628.0A CN201911321628A CN111145150B CN 111145150 B CN111145150 B CN 111145150B CN 201911321628 A CN201911321628 A CN 201911321628A CN 111145150 B CN111145150 B CN 111145150B
- Authority
- CN
- China
- Prior art keywords
- image
- block
- quality
- images
- image 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000000638 solvent extraction Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 241001465754 Metazoa Species 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了一种通用型无参考图像质量评价方法，包括步骤：收集具有高视觉质量的自然场景图像，建立图像质量参考模型训练集；对图像进行分块后提取多类图像自然场景统计特征，然后对特征向量进行降维和MVG模型拟合，得到预训练的像质参考模型；对给定的测试图像在图像分块后通过块匹配进行相似块分组，从每个块组中提取图像的自然场景统计特征，然后对特征向量进行MVG模型拟合；计算每个模型与像质参考模型之间的距离作为中心图像块的质量初步估计；在块组内进行块质量加权平均，得到该块组中心图像块质量的进一步估计，然后将所有中心图像块的质量估计平均得到测试图像的最终图像质量评价结果。
Description
技术领域
本发明涉及无参考图像质量评价技术领域，具体涉及一种通用型无参考图像质量评价方法，其是一种在原始图像未知的情况下，对像质遭受退化的测试图像进行客观图像质量评价的方法。
背景技术
随着成像技术的发展，图像质量评价相应地成为一项重要议题。典型的图像质量评价可分为主观评价和客观，其中主观评价方法对对人力成本和时间成本要求较高，因而实际应用中人们更多地倾向于采用客观图像质量评价技术。客观图像质量评价又可细分为全参考评价、半参考评价和无参考评价。在现实情况中，无参考图像质量评价任务更为常见。
在研究初期，学者们提出的无参考图像质量评价方法多基于失真类型先验。这类方法先判断图像可能遭受的失真类型，进而在这种假设下对其失真程度进行度量来获得图像质量的预测。发展到中期，人们逐渐减弱对于图像失真类型的依赖，开发出基于特定图像库来进行训练的基于特征的无参考图像质量评价方法，但是受到图像库样本数量和类型的限制，这类方法同样无法取得很好的应用效果。因此，近年来相继出现了具有更强的通用性和实用性的图像质量评价方法，在各个公开的自然图像数据库上均表现出较为优异的图像质量评价效果。然而，自然图像包括非常丰富的图像类型，在公开发表的研究成果中，未见有关遥感图像质量评价的相关内容。经实验验证，上述各通用型自然图像无参考质量评价方法在遥感场景图像上均不能得到真实客观的图像质量预测结果。另一方面，近年来提出的无参考图像质量评价方法主要基于图像块的局部自然场景统计特征，而无法反映图像的高维内在特性，这也显示出对图像特征的利用度不足进而导致本质上的图像特征表达欠缺。
发明内容
本发明公开提出一种新的技术方案，旨在提高自然图像全类别的图像质量评价性能。通过引入块匹配技术以及基于结构相似度的，加强对图像块间相关性和内在特征的表达。与以往方法相比，本方法在公开的自然图像库上获得更准确的图像质量评价主客观一致性，同时表现出更稳定的图像质量评价性能。另一方面，以往的通用型无参考图像质量评价方法均未考虑遥感自然图像方面的应用，事实上对于遥感图像来说无参考图像质量评价任务比其他应用领域往往更为常见也更为重要。本发明利用灰度共生矩阵的四种特定统计特征来表征遥感图像的场景特性，在原有的图像特征包上进行了扩展，最终得到了较好的遥感图像无参考质量评价结果，实现了更全面的图像质量评价目标。
为了实现所述的目的，本发明的技术解决方案是：一种通用型无参考图像质量评价方法，包括如下步骤：
(1)广泛收集具有高视觉质量的自然场景图像，包括人、动物、风景、遥感场景等，建立自然图像质量参考模型训练样本集；
(2)对上述图像训练样本集中的图像进行分块，并从每个图像块中提取图像自然场景统计特征和灰度共生矩阵特征；
(3)对得到的图像特征向量进行PCA降维，然后对降维后的图像特征向量进行MVG(Multivariate Gaussian，多元高斯)模型拟合，得到最终的图像质量参考模型；
(4)对给定的测试图像进行图像分块，通过块匹配对相似图像块进行聚类得到多个图像块组，同时记录每次块匹配过程的相似度和匹配块方位；
(5)从每个图像块组中提取图像自然场景统计特征和灰度共生矩阵特征，并对特征向量进行PCA降维；
(6)对每个块组经过降维后的图像特征向量分别进行MVG模型拟合，然后计算此模型与预训练得到的图像质量参考模型之间的巴氏距离得到该块组中心图像块的质量初步估计；
(7)利用之前记录的块匹配相似度作为权值，将每个块组里的相似块的质量初步估计进行加权平均，得到该块组中心图像块质量的进一步估计；
(8)对每个中心图像块的二次质量估计结果进行平权平均得到测试图像的最终图像质量评价结果。
进一步地，收集具有高视觉质量的自然场景图像以及图像质量参考模型训练样本集的建立包括以下步骤：
1)通过各种渠道收集具有高分辨率、高对比度、无明显色彩失真的可见光自然图像，并且要求图像类别尽可能涵盖人物、动物、风景、各类遥感场景，将图像依次进行编号；
2)组织5名或5名以上科研人员，用国际通用的主观图像质量评价标准对这几名人员进行培训，然后安排他们对收集到的所有高视觉质量自然图像进行主观评判，仅留下获得全体评判人员一致同意的高质量自然图像作为实验图像，以此建立图像质量参考模型的训练样本集。
进一步地，对图像训练样本集中的图像进行分块，并从每个图像块中提取图像自然场景统计特征和灰度共生矩阵特征包括以下步骤：
将训练样本集中的图像分成大小为84×84的图像块，然后依次从各图像块中提取MSCN(Mean Subtracted Contrast Normalized)系数、色彩、梯度、log-Gabor滤波器响应、GLCM(Gray-level co-occurrence matrix，灰度共生矩阵)五类特征向量，用于描述图像的光学特征、色彩特征、结构特征和纹理特征。
进一步地，对给定的测试图像进行图像分块和相似块聚类包括以下步骤：
给定一幅需要进行质量评价的测试图像，我们首先对其进行84×84的图像分块，得到N个原始图像块，然后依次以每一块作为中心块与其他图像块进行遍历的块匹配，所有相似块将聚集在一个块组里，最终得到N个块组。在这个过程中，取结构相似度SSIM(Structural Similarity)作为相似度测度，相似度计算值高于阈值0.69的图像块我们认为其与中心图像块相似，该相似块在原图像中的位置以及计算得到的相似度将对应的记录在另外一个矩阵中。
进一步地，对块组内相似块的质量初步估计进行加权平均得到该块组中心图像块质量的进一步估计包括以下步骤：
得到每个图像块的像质初步估计之后，提取各相似块组的相似度向量，将相似度值作为权值对块组中的所有相似块的像质初步估计值进行加权平均，得到该块组中心图像块的像质进一步估计结果。
本发明与现有技术相比的优点在于：
(1)本发明能够改善现阶段基于统计特征的无参考图像质量评价方法的局部性，通过引入块匹配技术实现局部块处理单元下的全局特征提取，加强了图像统计特征表达的完备性和鲁棒性；
(2)本发明能开拓无参考图像质量评价方法的应用领域，将其应用到遥感图像质量评价任务上，使得面向自然图像的图像质量评价方法更具通用性；
(3)本发明可以给遥感图像质量评价任务带来新方向。目前针对遥感图像质量评价大都采用工程技术指标，这种方式对成像系统本身具有很强的依赖性。本发明所提出的方法可以实现实时的、客观的完全基于测试图像的图像质量评价。
附图说明
图1为本发明基于遥感特征整合的通用型无参考图像质量评价方法的流程图。
具体实施方式
本发明的应用对象为全类别可见光自然场景图像。下面结合附图对本发明进行具体描述，图1为本发明基于遥感特征整合的通用型无参考图像质量评价方法的流程图，具体提步骤包括：
(1)广泛收集具有高视觉质量的自然场景图像，包括人、动物、风景、遥感场景等，建立图像质量参考模型训练样本集。步骤如下：
(1.1)通过各种渠道收集具有高分辨率、高对比度、无明显色彩失真的可见光自然图像，并且要求图像类别尽可能涵盖人物、动物、风景、各类遥感场景。将图像依次进行编号；
(1.2)组织5名(或以上)科研人员，用国际通用的主观图像质量评价标准对这几名人员进行培训。然后安排他们对收集到的所有高视觉质量自然图像进行主观评判，仅留下获得全体评判人员一致同意的高质量自然图像作为实验图像，以此建立图像质量参考模型的训练样本集。
(2)对上述图像训练样本集中的图像进行分块，并从每个图像块中提取图像自然场景统计特征和灰度共生矩阵特征。具体步骤包括：
(2.1)将训练样本集中的图像分成大小为84×84的图像块，然后依次从各图像块中提取MSCN(Mean Subtracted Contrast Normalized)系数、色彩、梯度、log-Gabor滤波器响应、GLCM(Gray-level co-occurrence matrix，灰度共生矩阵)五类特征向量，用于描述图像的光学特征、色彩特征、结构特征和纹理特征。
(3)对得到的图像特征向量进行PCA降维，然后对降维后的图像特征向量进行MVG(Multivariate Gaussian，多元高斯)模型拟合，得到最终的图像质量参考模型。具体步骤包括：
(3.1)上一步得到的图像特征向量{xi,i＝1,2,3,…,n}可能存在冗余，因而我们需要对其进行降维处理。采用经典的PCA降维算法得到降维后的特征向量{xi’,i＝1,2,3,…,n}，φ是学习得到的映射矩阵；
(3.2)将xi’作为样本来拟合MVG分布模型，得到一个完全由(μ,∑)来描述的高斯分布，此模型即为预训练得到的图像质量计算参考模型。
(4)对给定的测试图像进行图像分块，通过块匹配对相似图像块进行聚类得到多个图像块组，同时记录每次块匹配过程的相似度和匹配块方位。具体步骤包括：
(4.1)给定一幅需要进行质量评价的测试图像，我们首先对其进行84×84的图像分块，得到N个原始图像块。然后依次以每一块作为中心块与其他图像块进行遍历的块匹配，所有相似块将聚集在一个块组里，最终得到N个块组。在这个过程中，我们取结构相似度SSIM(Structural Similarity)作为相似度测度，相似度计算值高于阈值0.69的图像块我们认为其与中心图像块相似，该相似块在原图像中的位置以及计算得到的相似度将对应的记录在另外一个矩阵中。
(5)从每个图像块组中提取图像自然场景统计特征和灰度共生矩阵特征，并对特征向量进行PAC降维；
(6)对每个块组经过降维后的图像特征向量分别进行MVG模型拟合，然后计算此模型与预训练得到的图像质量参考模型之间的巴氏距离得到该块组中心图像块的质量初步估计；
(7)利用之前记录的块匹配相似度作为权值，将每个块组里的相似块的质量初步估计进行加权平均，得到该块组中心图像块质量的进一步估计。具体步骤包括：
(7.1)得到每个图像块的像质初步估计之后，提取各相似块组的相似度向量，将相似度值作为权值对块组中的所有相似块的像质初步估计值进行加权平均，得到该块组中心图像块的像质进一步估计结果。
(8)对每个中心图像块的二次质量估计结果进行平权平均得到测试图像的最终图像质量评价结果。表1为本发明方法在国际公开自然图像库上的性能指标。
表1本发明方法在国际公开自然图像库上的性能指标
注：字体加粗的数据代表最优性能。本发明命名为BM-RSIQE。
Claims (5)
1.一种通用型无参考图像质量评价方法，该方法利用图像块匹配和灰度共生矩阵来加强自然图像的特征表达，其特征在于：包括以下步骤：
(1)广泛收集具有高视觉质量的自然场景图像，包括人、动物、风景、遥感场景，建立自然图像质量参考模型训练样本集；
(2)对训练样本集中的图像进行分块，并从每个图像块中提取图像自然场景统计特征和灰度共生矩阵特征；
(3)对得到的图像特征向量进行PCA降维，然后对降维后的图像特征向量进行MVG(Multivariate Gaussian，多元高斯)模型拟合，得到最终的图像质量参考模型；
(4)对给定的测试图像进行图像分块，通过块匹配对相似图像块进行聚类得到多个图像块组，同时记录每次块匹配过程的相似度和匹配块方位；
(5)从每个图像块组中提取图像自然场景统计特征和灰度共生矩阵特征，并对特征向量进行PCA降维；
(6)对每个块组经过降维后的图像特征向量分别进行MVG模型拟合，然后计算此模型与预训练得到的图像质量参考模型之间的巴氏距离得到该块组中心图像块的质量初步估计；
(7)利用之前记录的块匹配相似度作为权值，将每个块组里的相似块的质量初步估计进行加权平均，得到该块组中心图像块质量的进一步估计；
(8)对每个中心图像块的二次质量估计结果进行平权平均得到测试图像的最终图像质量评价结果。
2.按权利要求1所述的通用型无参考图像质量评价方法，其特征在于：收集具有高视觉质量的自然场景图像以及自然图像质量参考模型训练样本集的建立包括以下步骤：
1)通过各种渠道收集具有高分辨率、高对比度、无明显色彩失真的可见光自然图像，并且要求图像类别涵盖人物、动物、风景、各类遥感场景，将图像依次进行编号；
2)组织5名或5名以上科研人员，用国际通用的主观图像质量评价标准对这几名人员进行培训，然后安排他们对收集到的所有高视觉质量自然图像进行主观评判，仅留下获得全体评判人员一致同意的高质量自然图像作为实验图像，以此建立图像质量参考模型的训练样本集。
3.按权利要求1所述的通用型无参考图像质量评价方法，其特征在于：对图像训练样本集中的图像进行分块，并从每个图像块中提取自然图像场景统计特征和灰度共生矩阵特征包括以下步骤：
将训练样本集中的图像分成大小为84×84的图像块，然后依次从各图像块中提取MSCN(Mean Subtracted Contrast Normalized)系数、色彩、梯度、log-Gabor滤波器响应、GLCM(Gray-level co-occurrence matrix，灰度共生矩阵)五类特征向量，用于描述图像的光学特征、色彩特征、结构特征和纹理特征。
4.按权利要求1所述的通用型无参考图像质量评价方法，其特征在于：对给定的测试图像进行图像分块和相似块聚类包括以下步骤：
给定一幅需要进行质量评价的测试图像，首先对其进行84×84的图像分块，得到N个原始图像块，然后依次以每一块作为中心块与其他图像块进行遍历的块匹配，所有相似块将聚集在一个块组里，最终得到N个块组；在这个过程中，取结构相似度SSIM(StructuralSimilarity)作为相似度测度，相似度计算值高于阈值0.69的图像块认为其与中心图像块相似，该相似块在原图像中的位置以及计算得到的相似度将对应的记录在另外一个矩阵中。
5.按权利要求1所述的通用型无参考图像质量评价方法，其特征在于：对块组内相似块的质量初步估计进行加权平均得到该块组中心图像块质量的进一步估计包括以下步骤：
得到每个图像块的像质初步估计之后，提取各相似块组的相似度向量，将相似度值作为权值对块组中的所有相似块的像质初步估计值进行加权平均，得到该块组中心图像块的像质进一步估计结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911321628.0A CN111145150B (zh) | 2019-12-20 | 2019-12-20 | 一种通用型无参考图像质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911321628.0A CN111145150B (zh) | 2019-12-20 | 2019-12-20 | 一种通用型无参考图像质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111145150A CN111145150A (zh) | 2020-05-12 |
| CN111145150B true CN111145150B (zh) | 2022-11-11 |
Family
ID=70518965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911321628.0A Active CN111145150B (zh) | 2019-12-20 | 2019-12-20 | 一种通用型无参考图像质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111145150B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996192A (zh) * | 2014-05-12 | 2014-08-20 | 同济大学 | 基于高质量自然图像统计量模型的无参考图像质量评价方法 |
| CN104318545A (zh) * | 2014-09-22 | 2015-01-28 | 中国人民解放军陆军军官学院 | 一种用于雾天偏振图像的质量评价方法 |
| CN104376565A (zh) * | 2014-11-26 | 2015-02-25 | 西安电子科技大学 | 基于离散余弦变换和稀疏表示的无参考图像质量评价方法 |
| CN106022362A (zh) * | 2016-05-13 | 2016-10-12 | 天津大学 | 针对jpeg2000压缩失真的无参考图像质量客观评价方法 |
| CN106408561A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 一种基于图像纹理特征的无参考图像质量评价方法 |
| CN106530282A (zh) * | 2016-10-20 | 2017-03-22 | 天津大学 | 基于空域特征的无参考立体图像质量客观评价方法 |
| CN106780449A (zh) * | 2016-12-06 | 2017-05-31 | 嘉兴学院 | 一种基于纹理特征的无参考图像质量评价方法 |
| CN107146220A (zh) * | 2017-04-14 | 2017-09-08 | 西北大学 | 一种通用型无参考图像质量评价方法 |
| CN108389192A (zh) * | 2018-02-11 | 2018-08-10 | 天津大学 | 基于卷积神经网络的立体图像舒适度评价方法 |
| CN108765414A (zh) * | 2018-06-14 | 2018-11-06 | 上海大学 | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 |
| CN109448037A (zh) * | 2018-11-14 | 2019-03-08 | 北京奇艺世纪科技有限公司 | 一种图像质量评价方法及装置 |
| CN109788275A (zh) * | 2018-12-28 | 2019-05-21 | 天津大学 | 自然性、结构和双目不对称无参考立体图像质量评价方法 |
| CN110516716A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于多分支相似度网络的无参考图像质量评价方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9542736B2 (en) * | 2013-06-04 | 2017-01-10 | Paypal, Inc. | Evaluating image sharpness |
-
2019
- 2019-12-20 CN CN201911321628.0A patent/CN111145150B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996192A (zh) * | 2014-05-12 | 2014-08-20 | 同济大学 | 基于高质量自然图像统计量模型的无参考图像质量评价方法 |
| CN104318545A (zh) * | 2014-09-22 | 2015-01-28 | 中国人民解放军陆军军官学院 | 一种用于雾天偏振图像的质量评价方法 |
| CN104376565A (zh) * | 2014-11-26 | 2015-02-25 | 西安电子科技大学 | 基于离散余弦变换和稀疏表示的无参考图像质量评价方法 |
| CN106022362A (zh) * | 2016-05-13 | 2016-10-12 | 天津大学 | 针对jpeg2000压缩失真的无参考图像质量客观评价方法 |
| CN106408561A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 一种基于图像纹理特征的无参考图像质量评价方法 |
| CN106530282A (zh) * | 2016-10-20 | 2017-03-22 | 天津大学 | 基于空域特征的无参考立体图像质量客观评价方法 |
| CN106780449A (zh) * | 2016-12-06 | 2017-05-31 | 嘉兴学院 | 一种基于纹理特征的无参考图像质量评价方法 |
| CN107146220A (zh) * | 2017-04-14 | 2017-09-08 | 西北大学 | 一种通用型无参考图像质量评价方法 |
| CN108389192A (zh) * | 2018-02-11 | 2018-08-10 | 天津大学 | 基于卷积神经网络的立体图像舒适度评价方法 |
| CN108765414A (zh) * | 2018-06-14 | 2018-11-06 | 上海大学 | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 |
| CN109448037A (zh) * | 2018-11-14 | 2019-03-08 | 北京奇艺世纪科技有限公司 | 一种图像质量评价方法及装置 |
| CN109788275A (zh) * | 2018-12-28 | 2019-05-21 | 天津大学 | 自然性、结构和双目不对称无参考立体图像质量评价方法 |
| CN110516716A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于多分支相似度网络的无参考图像质量评价方法 |
Non-Patent Citations (4)
| Title |
|---|
| A NO-REFERENCE IMAGE QUALITY ASSESSMENT METRIC BY MULTIPLE CHARACTERISTICS OF LIGHT FIELD IMAGES;LIANG SHAN ET AL.;《IEEE ACCESS》;20190909;第7卷;第127217-127229页 * |
| 一种基于图像融合的无参考立体图像质量评价方法;李苗苗等;《光学技术》;20170115(第01期);第28-35页 * |
| 基于灰度共生矩阵的无参考模糊图像质量评价方法;桑庆兵等;《模式识别与人工智能》;20130515(第05期);第78-83页 * |
| 基于自然场景统计的无参考图像质量评价算法;高立发等;《电视技术》;20140102(第01期);第17-22页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111145150A (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
| CN103996192B (zh) | 基于高质量自然图像统计量模型的无参考图像质量评价方法 | |
| CN106204779B (zh) | 基于多人脸数据采集策略和深度学习的课堂考勤方法 | |
| CN102054270B (zh) | 一种视频图像中提取前景的方法及装置 | |
| CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
| CN114359526B (zh) | 基于语义gan的跨域图像风格迁移方法 | |
| CN105913413A (zh) | 一种基于在线流形学习的彩色图像质量客观评价方法 | |
| CN112818969A (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
| CN112257741B (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
| CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
| CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
| CN113610046B (zh) | 一种基于深度视频联动特征的行为识别方法 | |
| CN113095149A (zh) | 一种基于单张人脸图像的全头部纹理网络结构及生成方法 | |
| CN109788275A (zh) | 自然性、结构和双目不对称无参考立体图像质量评价方法 | |
| CN111666852A (zh) | 一种基于卷积神经网络的微表情双流网络识别方法 | |
| 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 | |
| CN113297988A (zh) | 一种基于域迁移和深度补全的物体姿态估计方法 | |
| CN111882516B (zh) | 一种基于视觉显著性和深度神经网络的图像质量评价方法 | |
| CN114663769B (zh) | 一种基于YOLO v5的水果识别方法 | |
| CN110874576A (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
| CN113810683A (zh) | 一种客观评估水下视频质量的无参考评价方法 | |
| CN117541574A (zh) | 一种基于ai语义分割和图像识别的舌诊检测方法 | |
| CN110796635B (zh) | 一种基于剪切波变换的光场图像质量评价方法 | |
| CN111145150B (zh) | 一种通用型无参考图像质量评价方法 | |
| CN112580569A (zh) | 一种基于多维特征的车辆重识别方法及装置 |
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 |