CN111709914A - 一种基于hvs特性的无参考图像质量评价方法 - Google Patents

一种基于hvs特性的无参考图像质量评价方法 Download PDF

Info

Publication number
CN111709914A
CN111709914A CN202010461505.3A CN202010461505A CN111709914A CN 111709914 A CN111709914 A CN 111709914A CN 202010461505 A CN202010461505 A CN 202010461505A CN 111709914 A CN111709914 A CN 111709914A
Authority
CN
China
Prior art keywords
image
training
image set
region
test
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
CN202010461505.3A
Other languages
English (en)
Other versions
CN111709914B (zh
Inventor
谢国
高欢
刘涵
梁莉莉
钱富才
张春丽
陈庞
王雨冰
王丹
彭希
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.)
Beijing Chinasoft Hezhong Technology Co.,Ltd.
Shenzhen Wanzhida Technology Co ltd
Original Assignee
Xian University of 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010461505.3A priority Critical patent/CN111709914B/zh
Publication of CN111709914A publication Critical patent/CN111709914A/zh
Application granted granted Critical
Publication of CN111709914B publication Critical patent/CN111709914B/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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (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)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于HVS特性的无参考图像质量评价方法，首先将图像数据库中的失真图像分为训练图像集和测试图像集，然后提取训练图像集和测试图像集的显著性区域，将训练图像集和测试图像集中的每幅图像划分为易引起视觉注意的显著性区域和不易引起人眼关注的非显著性区域；最后对训练图像集和测试图像集中的每幅图像进行分块，分别对训练图像集中显著性区域的图像块和非显著性区域的图像块提取自然统计特征，将测试集图像中提取的统计特征输入支持向量机SVM中进行回归预测获得分数，分数越高表明图像质量越好。本发明使得图像质量评价的结果更好的拟合人类视觉系统特性。

Description

一种基于HVS特性的无参考图像质量评价方法
技术领域
本发明属于无参考图像质量评价技术领域，具体涉及一种基于HVS特性的无参考图像质量评价方法。
背景技术
随着移动互联网、计算机和移动通讯等信息技术的不断发展，人类社会己经全面进入信息时代。信息正逐渐改变着人们的生活方式，人们能够通过手机、电脑等设备非常快速地获取各种信息，其中，“图像”作为视觉信息的载体，是人类社会活动中最普遍的信息传播方式。和语音、文字相比较，图像更加的直观、高效，具备其余载体所不可比拟的优势。随着图像处理技术的飞快发展，数字图像已经成为了多媒体信息技术中不可或缺的一部分。因为数字图像在采集，存储，传输和处理过程中，有可能会产生一定水平的失真，继而可能会给后续解决问题带来一定程度的困难。因此，如何快速而精确的评估图像质量，具有重要的意义。
图像质量评价一般可分为主观图像质量评价和客观图像质量评价。主观质量评价是图像质量评价的最终标准，因为人眼是视觉信号的最终接收者，主观质量评价可以直接地反映出图像的质量信息，因此被认为是一种有效可靠的图像质量评价方法。尽管其准确性和可靠性高，但主观质量评价繁琐，耗时，昂贵，并且不能重现，很难在实际应用当中取得广泛的运用。因此，通过数学建模和计算机理论模拟人眼视觉系统(Human Visual System,HVS)来预测图像质量得分的客观质量评价方法显得极具现实意义。
目前，客观图像质量评价的研究已经成为了图像处理范畴的热点。客观图像质量评价方法的目标就是建立一套可以自动评价图像质量分数的机制，其最终目标就是能够代替人类进行视觉系统(Human Visual System,HVS)进行评价，得到与人的主观感受相一致的客观评价结果。按照使用原始图像信息的程度，客观图像质量评价方法可分为全参考型方法，部分参考型方法和无参考型方法，相比于全参考型和半参考型方法，无参考型具于更高的实用价值，已逐渐成为图像质量评价领域的研究重点。本发明是针对无参考型的图像质量评价方法。
发明内容
本发明的目的是提供一种基于HVS特性的无参考图像质量评价方法，使得图像质量评价的结果更好的拟合人类视觉系统特性。
本发明所采用的技术方案是，一种基于HVS特性的无参考图像质量评价方法，具体按照以下步骤实施：
步骤1、将图像数据库中的失真图像分为训练图像集和测试图像集，其中，训练图像集中包含种类不同的自然图像且包含不同失真水平和多种失真类型的降质图像；
步骤2、提取训练图像集和测试图像集的显著性区域，将训练图像集和测试图像集中的每幅图像划分为易引起视觉注意的显著性区域和不易引起人眼关注的非显著性区域；
步骤3、对训练图像集和测试图像集中的每幅图像进行分块，分别对训练图像集中显著性区域的图像块和非显著性区域的图像块提取自然统计特征，进行特征有效融合作为图像的最终特征，对无失真图像和有失真图像评价得分的差异作为DMOS值，使用从训练图像集中提取的统计特征和相应的DMOS值对支持向量回归模型SVR进行训练，在此基础上，对测试图像集中显著性区域的图像块和非显著性区域的图像块提取自然统计特征，将测试集图像中提取的统计特征输入支持向量机SVM中进行回归预测获得分数，分数越高表明图像质量越好。
本发明的特点还在于，
步骤2具体如下：
步骤2.1、采用多尺度分析方法，使用离散线性高斯滤波器对训练图像集和测试图像集中的每幅图像进行降采样，生成N层高斯金字塔，N为正整数，然后提取每一层的图像特征，图像特征包括颜色特征、亮度特征、方向特征，将每一层的图像特征进行融合，得到每幅图像的颜色特征图、亮度特征图、方向特征图；
步骤2.2、对步骤2.1得到的颜色特征图、亮度特征图、方向特征图进行融合，然后进行线性相加获取图像的视觉显著图，视觉显著图的计算方法如下：
Figure BDA0002511153010000031
其中，S表示图像的视觉显著图，
Figure BDA0002511153010000032
表示亮度特征图，
Figure BDA0002511153010000033
表示颜色特征图，
Figure BDA0002511153010000034
表示方向特征图，
Figure BDA0002511153010000035
表示亮度特征，
Figure BDA0002511153010000036
表示颜色特征，
Figure BDA0002511153010000037
表示方向特征；
步骤2.3、采用神经网络中的WTA算法进行显著性区域选择，计算公式如下式所示：
Figure BDA0002511153010000041
其中，(x,y)为显著性区域选择中的像素点坐标，x为横坐标，y为纵坐标，(xm,ym)为极大值点，xm为极大值点横坐标，ym为极大值点纵坐标，s(x,y)为像素点的显著值，s(xm,ym)为极大值点的显著值，D(x,y)为显著点，如果D(x,y)＝1则表示该点为显著性最强的点，若D(x,y)＝0则表示该点为抑制点，所有D(x,y)＝1的点组成最终的显著性区域，每幅图像中除了显著性区域之外剩余的区域为非显著性区域。
步骤3中对经过步骤2之后的训练集图像和经过步骤2之后的测试集图像进行分块的原则具体如下：
只要该图像块中有任何一个像素点在显著性区域中，则认为该图像块属于显著性区域，遍历每一个图像块。
步骤3中图像最终特征的计算方法如下：
分别对显著性区域图像块和非显著性区域图像块提取自然统计特征，进行特征有效融合作为图像的最终特征，图像最终特征计算公式如下：
V＝λV显著+(1-λ)V非显著
其中，V表示最终的图像特征，V显著表示显著性区域提取的特征向量，V非显著表示非显著性区域提取的特征向量，参数λ为图像显著性区域所占的权值，(1-λ)表示非显著性区域权值。
步骤3中提取自然统计特征的具体步骤如下：
步骤3.1、对经过步骤2区域划分之后的训练图像集和测试图像集中的每幅图像进行预处理，获取均值对比度归一化系数MSCN，具体公式如下所示：
Figure BDA0002511153010000051
其中，(i,j)表示提取自然统计特征的像素点坐标，i为横坐标，j为纵坐标，I(i,j)是像素点(i,j)处的图像强度；C为常数，C取值为1以避免分母为0；
Figure BDA0002511153010000052
是MSCN系数；μ(i,j)表示窗口内的局部均值；σ(i,j)是窗口内的局部方差；μ(i,j)和σ(i,j)通过下面公式计算得到：
Figure BDA0002511153010000053
Figure BDA0002511153010000054
其中，Wk,l为二维高斯窗口；K和L为正整数；Ik,l(i,j)表示窗口内像素点(i,j)处的图像强度，i为横坐标，j为纵坐标；
步骤3.2、提取MSCN分布的广义高斯分布GGD参数以及八个相邻方向上的MSCN邻域乘积分布的非对称广义高斯分布AGGD参数，并提取相应的模型参数作为统计特征进行质量评价，在原尺度和二分之一尺度上进行特征提取，最后使用支持向量机SVM获取预测值；
步骤3.3、通过特征提取获取训练集图像的特征值，通过数据导入的方式，获取训练集图像的主观评分值，将两者进行合并，然后进行编辑作为支持向量机的输入，经过支持向量机SVM的处理后，最终获得训练模型；
步骤3.4、将经过步骤2区域划分之后的测试集图像进行图像预处理，对测试集图像通过步骤2.1～步骤3.2的方法进行特征提取，最终得到测试集图像的特征值，输入支持向量机SVM中进行回归预测获得分数，分数越高表明图像质量越好。
本发明的有益效果是，一种基于HVS特性的无参考图像质量评价方法，首先，提取自然图像的显著区域和非显著区域，然后分别在对应的区域内提取图像特征进行融合，最后完成了基于视觉感兴趣区域的图像质量评价方法，解决了目前大多数图像质量评价方法只考虑了图像的自然统计特征等信息，而没有考虑人眼在观察图像时的视觉注意机制的问题。本方法还具有评价结果具有较高的主观一致性，且能够准确反映人眼的视觉感知质量的优点。
附图说明
图1是本发明一种基于HVS特性的无参考图像质量评价方法的总体流程图；
图2是本发明一种基于HVS特性的无参考图像质量评价方法中显著性区域检测算法的整体框架图；
图3是本发明一种基于HVS特性的无参考图像质量评价方法中八方向MSCN的示意图；
图4是本发明一种基于HVS特性的无参考图像质量评价方法中支持向量机(SVM)训练部分的流程图；
图5是本发明一种基于HVS特性的无参考图像质量评价方法中支持向量机(SVM)测试部分的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于HVS特性的无参考图像质量评价方法，流程图如图1所示，具体按照以下步骤实施：
步骤1、将图像数据库中的失真图像分为训练图像集和测试图像集，其中，训练图像集中包含种类不同的自然图像且包含不同失真水平和多种失真类型的降质图像；
步骤2、提取训练图像集和测试图像集的显著性区域，将训练图像集和测试图像集中的每幅图像划分为易引起视觉注意的显著性区域和不易引起人眼关注的非显著性区域；
如图2所示，步骤2具体如下：
步骤2.1、采用多尺度分析方法，使用离散线性高斯滤波器对训练图像集和测试图像集中的每幅图像进行降采样，生成N层高斯金字塔，N为正整数，然后提取每一层的图像特征，图像特征包括颜色特征、亮度特征、方向特征，将每一层的图像特征进行融合，得到每幅图像的颜色特征图、亮度特征图、方向特征图；
步骤2.2、对步骤2.1得到的颜色特征图、亮度特征图、方向特征图进行融合，然后进行线性相加获取图像的视觉显著图，视觉显著图的计算方法如下：
Figure BDA0002511153010000071
其中，S表示图像的视觉显著图，
Figure BDA0002511153010000072
表示亮度特征图，
Figure BDA0002511153010000073
表示颜色特征图，
Figure BDA0002511153010000074
表示方向特征图，
Figure BDA0002511153010000075
表示亮度特征，
Figure BDA0002511153010000076
表示颜色特征，
Figure BDA0002511153010000077
表示方向特征；
步骤2.3、采用神经网络中的WTA算法进行显著性区域选择，计算公式如下式所示：
Figure BDA0002511153010000081
其中，(x,y)为显著性区域选择中的像素点坐标，x为横坐标，y为纵坐标，(xm,ym)为极大值点，xm为极大值点横坐标，ym为极大值点纵坐标，s(x,y)为像素点的显著值，s(xm,ym)为极大值点的显著值，D(x,y)为显著点，如果D(x,y)＝1则表示该点为显著性最强的点，若D(x,y)＝0则表示该点为抑制点，所有D(x,y)＝1的点组成最终的显著性区域，每幅图像中除了显著性区域之外剩余的区域为非显著性区域。
步骤3、对训练图像集和测试图像集中的每幅图像进行分块，分别对训练图像集中显著性区域的图像块和非显著性区域的图像块提取自然统计特征，进行特征有效融合作为图像的最终特征，对无失真图像和有失真图像评价得分的差异作为DMOS值，使用从训练图像集中提取的统计特征和相应的DMOS值对支持向量回归模型SVR进行训练，在此基础上，对测试图像集中显著性区域的图像块和非显著性区域的图像块提取自然统计特征，将测试集图像中提取的统计特征输入支持向量机SVM中进行回归预测获得分数，分数越高表明图像质量越好。
步骤3中对经过步骤2之后的训练集图像和经过步骤2之后的测试集图像进行分块的原则具体如下：
只要该图像块中有任何一个像素点在显著性区域中，则认为该图像块属于显著性区域，遍历每一个图像块。
步骤3中图像最终特征的计算方法如下：
分别对显著性区域图像块和非显著性区域图像块提取自然统计特征，进行特征有效融合作为图像的最终特征，图像最终特征计算公式如下：
V＝λV显著+(1-λ)V非显著
其中，V表示最终的图像特征，V显著表示显著性区域提取的特征向量，V非显著表示非显著性区域提取的特征向量，参数λ为图像显著性区域所占的权值，(1-λ)表示非显著性区域权值。
步骤3中提取自然统计特征的具体步骤如下：
步骤3.1、对经过步骤2区域划分之后的训练图像集和测试图像集中的每幅图像进行预处理，获取均值对比度归一化系数MSCN，具体公式如下所示：
Figure BDA0002511153010000091
其中，(i,j)表示提取自然统计特征的像素点坐标，i为横坐标，j为纵坐标，I(i,j)是像素点(i,j)处的图像强度；C为常数，C取值为1以避免分母为0；
Figure BDA0002511153010000092
是MSCN系数；μ(i,j)表示窗口内的局部均值；σ(i,j)是窗口内的局部方差；μ(i,j)和σ(i,j)通过下面公式计算得到：
Figure BDA0002511153010000093
Figure BDA0002511153010000094
其中，Wk,l为二维高斯窗口；K和L为正整数；Ik,l(i,j)表示窗口内像素点(i,j)处的图像强度，i为横坐标，j为纵坐标；
步骤3.2、如图3、图4所示，提取MSCN分布的广义高斯分布GGD参数以及八个相邻方向上的MSCN邻域乘积分布的非对称广义高斯分布AGGD参数，并提取相应的模型参数作为统计特征进行质量评价，在原尺度和二分之一尺度上进行特征提取，最后使用支持向量机SVM获取预测值；
步骤3.3、通过特征提取获取训练集图像的特征值，通过数据导入的方式，获取训练集图像的主观评分值，将两者进行合并，然后进行编辑作为支持向量机的输入，经过支持向量机SVM的处理后，最终获得训练模型；
步骤3.4、如图5所示，将经过步骤2区域划分之后的测试集图像进行图像预处理，对测试集图像通过步骤2.1～步骤3.2的方法进行特征提取，最终得到测试集图像的特征值，输入支持向量机SVM中进行回归预测获得分数，分数越高表明图像质量越好
本发明一种基于HVS特性的无参考图像质量评价方法，首先，提取自然图像的显著区域和非显著区域，然后分别在对应的区域内提取图像特征进行融合，最后完成了基于视觉感兴趣区域的图像质量评价方法，解决了目前大多数图像质量评价方法只考虑了图像的自然统计特征等信息，而没有考虑人眼在观察图像时的视觉注意机制的问题。

Claims (5)

1.一种基于HVS特性的无参考图像质量评价方法，其特征在于，具体按照以下步骤实施：
步骤1、将图像数据库中的失真图像分为训练图像集和测试图像集，其中，训练图像集中包含种类不同的自然图像且包含不同失真水平和多种失真类型的降质图像；
步骤2、提取训练图像集和测试图像集的显著性区域，将训练图像集和测试图像集中的每幅图像划分为易引起视觉注意的显著性区域和不易引起人眼关注的非显著性区域；
步骤3、对训练图像集和测试图像集中的每幅图像进行分块，分别对训练图像集中显著性区域的图像块和非显著性区域的图像块提取自然统计特征，进行特征有效融合作为图像的最终特征，对无失真图像和有失真图像评价得分的差异作为DMOS值，使用从训练图像集中提取的统计特征和相应的DMOS值对支持向量回归模型SVR进行训练，在此基础上，对测试图像集中显著性区域的图像块和非显著性区域的图像块提取自然统计特征，将测试集图像中提取的统计特征输入支持向量机SVM中进行回归预测获得分数，分数越高表明图像质量越好。
2.根据权利要求1所述的一种基于HVS特性的无参考图像质量评价方法，其特征在于，所述步骤2具体如下：
步骤2.1、采用多尺度分析方法，使用离散线性高斯滤波器对训练图像集和测试图像集中的每幅图像进行降采样，生成N层高斯金字塔，N为正整数，然后提取每一层的图像特征，图像特征包括颜色特征、亮度特征、方向特征，将每一层的图像特征进行融合，得到每幅图像的颜色特征图、亮度特征图、方向特征图；
步骤2.2、对步骤2.1得到的颜色特征图、亮度特征图、方向特征图进行融合，然后进行线性相加获取图像的视觉显著图，视觉显著图的计算方法如下：
Figure FDA0002511152000000021
其中，S表示图像的视觉显著图，
Figure FDA0002511152000000022
表示亮度特征图，
Figure FDA0002511152000000023
表示颜色特征图，
Figure FDA0002511152000000024
表示方向特征图，
Figure FDA0002511152000000025
表示亮度特征，
Figure FDA0002511152000000026
表示颜色特征，
Figure FDA0002511152000000027
表示方向特征；
步骤2.3、采用神经网络中的WTA算法进行显著性区域选择，计算公式如下式所示：
Figure FDA0002511152000000028
其中，(x,y)为显著性区域选择中的像素点坐标，x为横坐标，y为纵坐标，(xm,ym)为极大值点，xm为极大值点横坐标，ym为极大值点纵坐标，s(x,y)为像素点的显著值，s(xm,ym)为极大值点的显著值，D(x,y)为显著点，如果D(x,y)＝1则表示该点为显著性最强的点，若D(x,y)＝0则表示该点为抑制点，所有D(x,y)＝1的点组成最终的显著性区域，每幅图像中除了显著性区域之外剩余的区域为非显著性区域。
3.根据权利要求2所述的一种基于HVS特性的无参考图像质量评价方法，其特征在于，所述步骤3中对经过步骤2之后的训练集图像和经过步骤2之后的测试集图像进行分块的原则具体如下：
只要该图像块中有任何一个像素点在显著性区域中，则认为该图像块属于显著性区域，遍历每一个图像块。
4.根据权利要求3所述的一种基于HVS特性的无参考图像质量评价方法，其特征在于，所述步骤3中图像最终特征的计算方法如下：
分别对显著性区域图像块和非显著性区域图像块提取自然统计特征，进行特征有效融合作为图像的最终特征，图像最终特征计算公式如下：
V＝λV显著+(1-λ)V非显著
其中，V表示最终的图像特征，V显著表示显著性区域提取的特征向量，V非显著表示非显著性区域提取的特征向量，参数λ为图像显著性区域所占的权值，(1-λ)表示非显著性区域权值。
5.根据权利要求4所述的一种基于HVS特性的无参考图像质量评价方法，其特征在于，所述步骤3中提取自然统计特征的具体步骤如下：
步骤3.1、对经过步骤2区域划分之后的训练图像集和测试图像集中的每幅图像进行预处理，获取均值对比度归一化系数MSCN，具体公式如下所示：
Figure FDA0002511152000000031
其中，(i,j)表示提取自然统计特征的像素点坐标，i为横坐标，j为纵坐标，I(i,j)是像素点(i,j)处的图像强度；C为常数，C取值为1以避免分母为0；
Figure FDA0002511152000000032
是MSCN系数；μ(i,j)表示窗口内的局部均值；σ(i,j)是窗口内的局部方差；μ(i,j)和σ(i,j)通过下面公式计算得到：
Figure FDA0002511152000000033
Figure FDA0002511152000000041
其中，Wk,l为二维高斯窗口；K和L为正整数；Ik,l(i,j)表示窗口内像素点(i,j)处的图像强度，i为横坐标，j为纵坐标；
步骤3.2、提取MSCN分布的广义高斯分布GGD参数以及八个相邻方向上的MSCN邻域乘积分布的非对称广义高斯分布AGGD参数，并提取相应的模型参数作为统计特征进行质量评价，在原尺度和二分之一尺度上进行特征提取，最后使用支持向量机SVM获取预测值；
步骤3.3、通过特征提取获取训练集图像的特征值，通过数据导入的方式，获取训练集图像的主观评分值，将两者进行合并，然后进行编辑作为支持向量机的输入，经过支持向量机SVM的处理后，最终获得训练模型；
步骤3.4、将经过步骤2区域划分之后的测试集图像进行图像预处理，对测试集图像通过步骤2.1～步骤3.2的方法进行特征提取，最终得到测试集图像的特征值，输入支持向量机SVM中进行回归预测获得分数，分数越高表明图像质量越好。
CN202010461505.3A 2020-05-27 2020-05-27 一种基于hvs特性的无参考图像质量评价方法 Active CN111709914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010461505.3A CN111709914B (zh) 2020-05-27 2020-05-27 一种基于hvs特性的无参考图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010461505.3A CN111709914B (zh) 2020-05-27 2020-05-27 一种基于hvs特性的无参考图像质量评价方法

Publications (2)

Publication Number Publication Date
CN111709914A true CN111709914A (zh) 2020-09-25
CN111709914B CN111709914B (zh) 2022-04-22

Family

ID=72538029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010461505.3A Active CN111709914B (zh) 2020-05-27 2020-05-27 一种基于hvs特性的无参考图像质量评价方法

Country Status (1)

Country Link
CN (1) CN111709914B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734733A (zh) * 2021-01-12 2021-04-30 天津大学 基于通道重组与特征融合的无参考图像质量监测方法
CN113255786A (zh) * 2021-05-31 2021-08-13 西安电子科技大学 基于脑电信号和目标显著特性的视频质量评价方法
WO2022236874A1 (zh) * 2021-05-14 2022-11-17 广州广电运通金融电子股份有限公司 一种基于多光谱图像的钞票质量检测方法、系统及介质
CN115937647A (zh) * 2023-01-31 2023-04-07 西南石油大学 一种多特征融合的图像显著性检测方法
CN117876321A (zh) * 2024-01-10 2024-04-12 中国人民解放军91977部队 一种图像质量评估方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289808A (zh) * 2011-07-22 2011-12-21 清华大学 一种图像融合质量评估方法和系统
CN103544708A (zh) * 2013-10-31 2014-01-29 南京邮电大学 一种基于mmtd的图像质量客观评价方法
CN105825503A (zh) * 2016-03-10 2016-08-03 天津大学 基于视觉显著性的图像质量评价方法
CN107767363A (zh) * 2017-09-05 2018-03-06 天津大学 一种基于自然场景的无参考高动态图像质量评价算法
US20180189937A1 (en) * 2017-01-04 2018-07-05 Samsung Electronics Co., Ltd. Multiframe image processing using semantic saliency
CN108961227A (zh) * 2018-06-22 2018-12-07 西安理工大学 一种基于空域和变换域多特征融合的图像质量评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289808A (zh) * 2011-07-22 2011-12-21 清华大学 一种图像融合质量评估方法和系统
CN103544708A (zh) * 2013-10-31 2014-01-29 南京邮电大学 一种基于mmtd的图像质量客观评价方法
CN105825503A (zh) * 2016-03-10 2016-08-03 天津大学 基于视觉显著性的图像质量评价方法
US20180189937A1 (en) * 2017-01-04 2018-07-05 Samsung Electronics Co., Ltd. Multiframe image processing using semantic saliency
CN107767363A (zh) * 2017-09-05 2018-03-06 天津大学 一种基于自然场景的无参考高动态图像质量评价算法
CN108961227A (zh) * 2018-06-22 2018-12-07 西安理工大学 一种基于空域和变换域多特征融合的图像质量评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANISH MITTAL ET AL.: ""Making a "Completely Blind" Image Quality Analyzer"", 《IEEE SIGNAL PROCESSING LETTERS》 *
安福定 等: ""基于视觉注意机制的感兴趣区提取方法"", 《煤炭技术》 *
贾惠珍: ""基于视觉特性和自然场景统计特性的图像质量评价研究"", 《万方》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734733A (zh) * 2021-01-12 2021-04-30 天津大学 基于通道重组与特征融合的无参考图像质量监测方法
CN112734733B (zh) * 2021-01-12 2022-11-01 天津大学 基于通道重组与特征融合的无参考图像质量监测方法
WO2022236874A1 (zh) * 2021-05-14 2022-11-17 广州广电运通金融电子股份有限公司 一种基于多光谱图像的钞票质量检测方法、系统及介质
CN113255786A (zh) * 2021-05-31 2021-08-13 西安电子科技大学 基于脑电信号和目标显著特性的视频质量评价方法
CN113255786B (zh) * 2021-05-31 2024-02-09 西安电子科技大学 基于脑电信号和目标显著特性的视频质量评价方法
CN115937647A (zh) * 2023-01-31 2023-04-07 西南石油大学 一种多特征融合的图像显著性检测方法
CN115937647B (zh) * 2023-01-31 2023-05-19 西南石油大学 一种多特征融合的图像显著性检测方法
CN117876321A (zh) * 2024-01-10 2024-04-12 中国人民解放军91977部队 一种图像质量评估方法及装置

Also Published As

Publication number Publication date
CN111709914B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN111709914B (zh) 一种基于hvs特性的无参考图像质量评价方法
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
Zhang et al. Edge strength similarity for image quality assessment
CN107665492B (zh) 基于深度网络的结直肠全景数字病理图像组织分割方法
CN109325550B (zh) 基于图像熵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
CN111754396B (zh) 脸部图像处理方法、装置、计算机设备和存储介质
CN107679466B (zh) 信息输出方法和装置
Yue et al. Blind stereoscopic 3D image quality assessment via analysis of naturalness, structure, and binocular asymmetry
CN109978854B (zh) 一种基于边缘与结构特征的屏幕内容图像质量评估方法
CN110400293B (zh) 一种基于深度森林分类的无参考图像质量评价方法
CN108629338A (zh) 一种基于lbp和卷积神经网络的人脸美丽预测方法
CN109360178A (zh) 基于融合图像的无参考立体图像质量评价方法
CN109711268B (zh) 一种人脸图像筛选方法及设备
CN110807757A (zh) 基于人工智能的图像质量评估方法、装置及计算机设备
CN107318014B (zh) 基于视觉显著区域和时空特性的视频质量评估方法
Fu et al. Twice mixing: a rank learning based quality assessment approach for underwater image enhancement
CN113610862A (zh) 一种屏幕内容图像质量评估方法
Sahu et al. Trends and prospects of techniques for haze removal from degraded images: A survey
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
CN109754390A (zh) 一种基于混合视觉特征的无参考图像质量评价方法
CN111641822A (zh) 一种重定位立体图像质量评价方法
Li et al. AEMS: an attention enhancement network of modules stacking for lowlight image enhancement
CN111047618A (zh) 基于多尺度的无参考屏幕内容图像质量评估方法
Zeng et al. Screen content video quality assessment model using hybrid spatiotemporal features

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
TR01 Transfer of patent right

Effective date of registration: 20231122

Address after: No. 291, 7th Floor, Building 1, No. 158 West Fourth Ring North Road, Haidian District, Beijing, 100000

Patentee after: Beijing Chinasoft Hezhong Technology Co.,Ltd.

Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee before: Shenzhen Wanzhida Technology Co.,Ltd.

Effective date of registration: 20231122

Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Wanzhida Technology Co.,Ltd.

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5

Patentee before: XI'AN University OF TECHNOLOGY

TR01 Transfer of patent right