CN112801950A - 一种基于几何失真度量的图像适配质量评价方法 - Google Patents
一种基于几何失真度量的图像适配质量评价方法 Download PDFInfo
- Publication number
- CN112801950A CN112801950A CN202110055744.3A CN202110055744A CN112801950A CN 112801950 A CN112801950 A CN 112801950A CN 202110055744 A CN202110055744 A CN 202110055744A CN 112801950 A CN112801950 A CN 112801950A
- Authority
- CN
- China
- Prior art keywords
- image
- vector
- edge
- local
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 48
- 230000006978 adaptation Effects 0.000 title claims abstract description 44
- 238000005259 measurement Methods 0.000 title claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 183
- 230000003044 adaptive effect Effects 0.000 claims abstract description 52
- 230000014759 maintenance of location Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 13
- 238000012886 linear function Methods 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000001303 quality assessment method Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008685 targeting Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 229910001369 Brass Inorganic materials 0.000 description 4
- 239000010951 brass Substances 0.000 description 4
- 238000004321 preservation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 150000003839 salts Chemical group 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Abstract
本发明公开了一种基于几何失真度量的图像适配质量评价方法,其采用预训练的边缘形状分类器对原始图像和适配图像中的每个图像块进行分类,得到图像块对应的类别概率分布向量作为局部几何特征向量;计算匹配图像块的局部几何特征向量的JS散度,采用边缘强弱值加权得到局部几何失真分数;利用分类概率最大的边缘来表示图像块的边缘形状,统计每类边缘表示的图像块的个数并归一化,得到全局几何特征向量,计算原始图像与适配图像的全局几何特征向量的JS散度,得到全局几何失真分数;利用支持向量回归模型融合显著区域保持分数得到客观质量评价预测值;优点是从局部和全局两个角度对几何失真进行度量,能更加准确地预测适配图像的客观质量。
Description
技术领域
本发明涉及一种图像质量评价方法,尤其是涉及一种基于几何失真度量的图像适配质量评价方法。
背景技术
随着不同的工业和消费电子设备的出现,将图像调整为不同宽高比进而适配各种显示器的需求越来越广泛。为了满足该需求,在过去的十年中已经提出了多种图像适配(Image Retargeting,IR)算法。然而,图像适配可能会导致图像内容的信息丢失和图像结构的几何变化,例如挤压、拉伸、不均匀形变和几何不连续等,因此适配图像的视觉质量会不可避免地降低。因此,有必要进行图像适配质量评价(Image Retargeting QualityAssessment,IRQA)以选择高质量的适配图像。
传统的图像适配质量评价方法主要度量场景中显著目标的信息损失和几何形变。然而,根据人眼视觉特性,人眼对于非显著区域的几何失真同样十分敏感,如果仅以显著目标的特征来预测适配图像的视觉质量,则会导致无法精确预测得到客观评价值。因此,如何在视觉质量评价过程中有效地度量适配图像的几何失真程度,使得客观评价结果更加感觉符合人类视觉系统,是在对适配图像进行客观质量评价过程中需要研究解决的问题。
发明内容
本发明所要解决的技术问题是提供一种基于几何失真度量的图像适配质量评价方法,其能够很好地度量图像适配过程中图像产生的几何形变,进而能够有效地提高客观评价结果与主观感知的相关性。
本发明解决上述技术问题所采用的技术方案为:一种基于几何失真度量的图像适配质量评价方法,其特征在于包括以下步骤:
步骤一:将原始的图像记为{IO(x,y)},将{IO(x,y)}对应的适配图像记为{IR(x',y')};其中,(x,y)表示{IO(x,y)}中的像素点的坐标位置,1≤x≤W,1≤y≤H,W表示{IO(x,y)}的宽度,H表示{IO(x,y)}的高度,IO(x,y)表示{IO(x,y)}中坐标位置为(x,y)的像素点的像素值,(x',y')表示{IR(x',y')}中的像素点的坐标位置,1≤x'≤W',1≤y'≤H',W'表示{IR(x',y')}的宽度,H'表示{IR(x',y')}的高度,IR(x',y')表示{IR(x',y')}中坐标位置为(x',y')的像素点的像素值;
步骤二:对{IO(x,y)}的四周边界扩展17个像素点;然后以{IO(x,y)}中的每个像素点为中心取尺寸大小为35×35的图像块,共得到W×H个图像块,将{IO(x,y)}中以坐标位置为(x,y)的像素点为中心的图像块记为p(x,y);接着采用预训练的基于Sketch Token的边缘形状分类器对{IO(x,y)}中的每个图像块进行分类,得到{IO(x,y)}中的每个图像块对应的类别概率分布向量;再将{IO(x,y)}中的每个图像块对应的类别概率分布向量作为{IO(x,y)}中的每个图像块的局部几何特征向量,将p(x,y)的局部几何特征向量记为vp(x,y),vp(x,y)即为p(x,y)对应的类别概率分布向量,
同样,对{IR(x',y')}的四周边界扩展17个像素点;然后以{IR(x',y')}中的每个像素点为中心取尺寸大小为35×35的图像块,共得到W'×H'个图像块,将{IR(x',y')}中以坐标位置为(x',y')的像素点为中心的图像块记为接着采用预训练的基于SketchToken的边缘形状分类器对{IR(x',y')}中的每个图像块进行分类,得到{IR(x',y')}中的每个图像块对应的类别概率分布向量;再将{IR(x',y')}中的每个图像块对应的类别概率分布向量作为{IR(x',y')}中的每个图像块的局部几何特征向量,将的局部几何特征向量记为即为对应的类别概率分布向量,
其中,vp(x,y)的维数为(K+1)×1,K表示预训练的基于Sketch Token的边缘形状分类器中确定的边缘类别总数,表示p(x,y)属于第1类边缘的概率值,表示p(x,y)属于第k类边缘的概率值,表示p(x,y)属于第K类边缘的概率值,表示p(x,y)属于非边缘类的概率值,1≤k≤K,表示属于第1类边缘的概率值,表示属于第k类边缘的概率值,表示属于第K类边缘的概率值,表示属于非边缘类的概率值,
步骤三:计算{IR(x',y')}中的每个像素点在{IO(x,y)}中的匹配像素点,进而确定{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块;然后计算{IR(x',y')}中的每个图像块的局部几何特征向量与{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度;接着计算{IR(x',y')}的局部边缘几何形变图,{IR(x',y')}的局部边缘几何形变图中坐标位置为(x',y')的像素点的像素值等于的局部几何特征向量与在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度;之后计算{IR(x',y')}中的每个图像块的边缘性强弱值;再利用{IR(x',y')}中的所有图像块的边缘性强弱值对{IR(x',y')}的局部边缘几何形变图进行加权融合,得到{IR(x',y')}的局部几何失真分数,记为QLGD;
步骤四:记录从{IO(x,y)}中的每个图像块的局部几何特征向量中的前K个元素中找出的最大值对应的索引值,将从vp(x,y)中的前K个元素中找出的最大值对应的索引值记为sp(x,y),max,若从vp(x,y)中的前K个元素中找出的最大值为第k个元素即则sp(x,y),max等于k;然后利用第sp(x,y),max类边缘来表示p(x,y)的边缘形状;接着在{IO(x,y)}中统计K类边缘中每类边缘表示的图像块的个数,将在{IO(x,y)}中第k类边缘表示的图像块的个数记为num(k);再针对{IO(x,y)},对K类边缘中每类边缘表示的图像块的个数进行归一化处理,得到{IO(x,y)}的全局几何特征向量,记为
同样,记录从{IR(x',y')}中的每个图像块的局部几何特征向量中的前K个元素中找出的最大值对应的索引值,将从中的前K个元素中找出的最大值对应的索引值记为若从中的前K个元素中找出的最大值为第k个元素即则等于k;然后利用第类边缘来表示的边缘形状;接着在{IR(x',y')}中统计K类边缘中每类边缘表示的图像块的个数,将在{IR(x',y')}中第k类边缘表示的图像块的个数记为num'(k);再针对{IR(x',y')},对K类边缘中每类边缘表示的图像块的个数进行归一化处理,得到{IR(x',y')}的全局几何特征向量,记为
其中,等于W×H,cIO的维数为K×1,num(1)表示在{IO(x,y)}中第1类边缘表示的图像块的个数,num(K)表示在{IO(x,y)}中第K类边缘表示的图像块的个数,等于W'×H',cIR的维数为K×1,num'(1)表示在{IR(x',y')}中第1类边缘表示的图像块的个数,num'(K)表示在{IR(x',y')}中第K类边缘表示的图像块的个数;
步骤六:计算{IR(x',y')}的网格长宽比相似度;然后将{IR(x',y')}的网格长宽比相似度作为{IR(x',y')}的显著区域保持分数,记为QSRP;
步骤七:从一个适配图像集中随机选取一部分适配图像,将这些适配图像及其客观分数向量和平均主观评分构成训练集,将剩余适配图像及其客观分数向量和平均主观评分构成测试集,其中,适配图像的客观分数向量为由按照步骤一至步骤六的过程以相同的方式计算得到的局部几何失真分数、全局几何失真分数、显著区域保持分数按序构成的向量;然后采用支持向量回归作为机器学习的方法,对训练集中的所有适配图像的客观分数向量进行训练,使得经过训练得到的回归函数值与平均主观评分之间的误差最小,拟合得到最优的权重矢量和最优的偏置项,进而构造得到支持向量回归模型;再采用支持向量回归模型对测试集中的每幅适配图像的客观分数向量进行测试,得到测试集中的每幅适配图像的客观质量评价预测值;经多次训练和测试后,将测试集中的每幅适配图像的多个客观质量评价预测值的平均值作为最终客观质量评价预测值。
所述的步骤二中,围绕{IO(x,y)}的四周边界以镜像反射的方式对{IO(x,y)}的四周边界扩展17个像素点;围绕{IR(x',y')}的四周边界以镜像反射的方式对{IR(x',y')}的四周边界扩展17个像素点。
所述的步骤三的具体过程为:
步骤A1:计算{IR(x',y')}中的每个像素点在{IO(x,y)}中的匹配像素点;然后根据{IR(x',y')}中的每个像素点在{IO(x,y)}中的匹配像素点,确定{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块,若{IR(x',y')}中坐标位置为(x',y')的像素点在{IO(x,y)}中的匹配像素点为{IO(x,y)}中坐标位置为(x,y)的像素点,那么确定在{IO(x,y)}中的匹配图像块为p(x,y);
步骤A2:计算{IR(x',y')}中的每个图像块的局部几何特征向量与{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度,将与在{IO(x,y)}中的匹配图像块p(x,y)的局部几何特征向量vp(x,y)之间的JS散度记为其中,dJS()表示JS散度运算,表示vp(x,y)和的均值向量,dKL()表示KL散度运算, 表示中的第k个元素, 表示中的第K+1个元素,
步骤A3:计算{IR(x',y')}的局部边缘几何形变图,{IR(x',y')}的局部边缘几何形变图中坐标位置为(x',y')的像素点的像素值等于的局部几何特征向量与在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度;
步骤A5:利用{IR(x',y')}中的所有图像块的边缘性强弱值对{IR(x',y')}的局部边缘几何形变图进行加权融合,得到{IR(x',y')}的局部几何失真分数QLGD,其中,作为的加权值,β为控制参数。
所述的步骤七的具体过程为:
步骤B1:选取set组共M幅适配图像构成适配图像集,其中,每组包含由同一幅原始的图像生成的m幅适配图像,set≥1,m≥1,M=set×m且M≥100;然后从适配图像集中随机选取J幅适配图像,将随机选取的J幅适配图像及其客观分数向量和平均主观评分构成训练集,记为ΩJ,将ΩJ中的第j幅适配图像的客观分数向量和平均主观评分对应记为Q1,j和S1,j;并将剩余的N幅适配图像及其客观分数向量和平均主观评分构成测试集,记为ΩN,将ΩN中的第n幅适配图像的客观分数向量和平均主观评分对应记为Q2,n和S2,n;其中,符号为向上取整符号,1≤j≤J,Q1,j=[QLGD,1,j,QGGD,1,j,QSRP,1,j],QLGD,1,j表示ΩJ中的第j幅适配图像的局部几何失真分数,QGGD,1,j表示ΩJ中的第j幅适配图像的全局几何失真分数,QSRP,1,j表示ΩJ中的第j幅适配图像的显著区域保持分数,N=M-J,1≤n≤N,Q2,n=[QLGD,2,n,QGGD,2,n,QSRP,2,n],QLGD,2,n表示ΩN中的第j幅适配图像的局部几何失真分数,QGGD,2,n表示ΩN中的第j幅适配图像的全局几何失真分数,QSRP,2,n表示ΩN中的第j幅适配图像的显著区域保持分数,QLGD,1,j、QGGD,1,j、QSRP,1,j、QLGD,2,n、QGGD,2,n、QSRP,2,n为按照步骤一至步骤六的过程以相同的方式计算得到,下标“1”表示训练集,下标“2”表示测试集;
步骤B3:采用支持向量回归作为机器学习的方法,对ΩJ中的所有适配图像的客观分数向量进行训练,使得经过训练得到的回归函数值与平均主观评分之间的误差最小,拟合得到最优的权重矢量和最优的偏置项然后将最优的权重矢量和最优的偏置项的组合记为再利用最优的权重矢量和最优的偏置项构造支持向量回归模型,记为其中,Ψ表示对ΩJ中的所有适配图像的客观分数向量进行训练的所有的权重矢量和偏置项的组合的集合,表示求使得最小时和的值,Qin表示支持向量回归模型的输入向量,即为适配图像的客观分数向量,为的转置矢量,为Qin的线性函数;
步骤B4:采用支持向量回归模型对ΩN中的每幅适配图像的客观分数向量进行测试,得到ΩN中的每幅适配图像的客观质量评价预测值,将ΩN中的第n幅适配图像的客观质量评价预测值记为Qpredict,n,Qpredict,n=f(Q2,n),其中,为Q2,n的线性函数;
步骤B5:重复执行步骤B2至步骤B4共number次,得到ΩN中的每幅适配图像的number个客观质量评价预测值;然后将ΩN中的每幅适配图像的number个客观质量评价预测值的平均值作为最终客观质量评价预测值;其中,number≥100。
与现有技术相比,本发明的优点在于:
1)本发明方法采用预训练的基于Sketch Token(手绘类标)的边缘形状分类器对原始的图像和对应的适配图像中的每个图像块进行分类,得到每个图像块对应的类别概率分布向量,再将每个图像块对应的类别概率分布向量作为其局部几何特征向量,因此有效地对图像几何特性进行了描述。
2)本发明方法计算适配图像中的每个图像块与原始图像中对应的匹配图像块的局部几何特征向量之间的JS散度,进而得到适配图像的局部边缘几何形变图,然后计算适配图像中的每个图像块的边缘性强弱值,再利用边缘性强弱值对局部边缘几何形变图进行加权融合,得到局部几何失真分数;另一方面利用分类概率最大的边缘来表示图像块的边缘形状,统计每类边缘表示的图像块的个数并归一化,得到全局几何特征向量,计算原始的图像与对应的适配图像的全局几何特征向量之间的JS散度,得到全局几何失真分数。因此从局部和全局两个角度能够更加全面地对适配图像的几何形变进行度量,有效地提高了客观质量评价预测值与平均主观评分的相关性。
附图说明
图1为本发明方法的总体实现框图;
图2为150类边缘的示意图;
图3a为源图像“Brasserie_L_Aficion”;
图3b为“Brasserie_L_Aficion”经过Shift-map算法生成的适配图像;
图3c为Shift-map适配图像的局部边缘几何形变图;
图3d为“Brasserie_L_Aficion”经过Warping算法生成的适配图像;
图3e为Warping适配图像的局部边缘几何形变图;
图3f为“Brasserie_L_Aficion”经过Seam-carving算法生成的适配图像;
图3g为Seam-carving适配图像的局部边缘几何形变图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于几何失真度量的图像适配质量评价方法,其总体实现框图如图1所示,其包括以下步骤:
步骤一:将原始的图像记为{IO(x,y)},将{IO(x,y)}对应的适配图像(即重定向图像)记为{IR(x',y')};其中,(x,y)表示{IO(x,y)}中的像素点的坐标位置,1≤x≤W,1≤y≤H,W表示{IO(x,y)}的宽度,H表示{IO(x,y)}的高度,IO(x,y)表示{IO(x,y)}中坐标位置为(x,y)的像素点的像素值,(x',y')表示{IR(x',y')}中的像素点的坐标位置,1≤x'≤W',1≤y'≤H',W'表示{IR(x',y')}的宽度,H'表示{IR(x',y')}的高度,IR(x',y')表示{IR(x',y')}中坐标位置为(x',y')的像素点的像素值,W'与W相等而H'与H不相等,或W'与W不相等而H'与H相等,或W'与W不相等且H'与H也不相等。
步骤二:对{IO(x,y)}的四周边界扩展17个像素点;然后以{IO(x,y)}中的每个像素点为中心取尺寸大小为35×35的图像块,共得到W×H个图像块,将{IO(x,y)}中以坐标位置为(x,y)的像素点为中心的图像块记为p(x,y);接着采用预训练的基于Sketch Token(手绘类标)的边缘形状分类器对{IO(x,y)}中的每个图像块进行分类,得到{IO(x,y)}中的每个图像块对应的类别概率分布向量;再将{IO(x,y)}中的每个图像块对应的类别概率分布向量作为{IO(x,y)}中的每个图像块的局部几何特征向量,将p(x,y)的局部几何特征向量记为vp(x,y),vp(x,y)即为p(x,y)对应的类别概率分布向量,
同样,对{IR(x',y')}的四周边界扩展17个像素点;然后以{IR(x',y')}中的每个像素点为中心取尺寸大小为35×35的图像块,共得到W'×H'个图像块,将{IR(x',y')}中以坐标位置为(x',y')的像素点为中心的图像块记为接着采用预训练的基于SketchToken(手绘类标)的边缘形状分类器对{IR(x',y')}中的每个图像块进行分类,得到{IR(x',y')}中的每个图像块对应的类别概率分布向量;再将{IR(x',y')}中的每个图像块对应的类别概率分布向量作为{IR(x',y')}中的每个图像块的局部几何特征向量,将的局部几何特征向量记为 即为对应的类别概率分布向量,
其中,vp(x,y)的维数为(K+1)×1,K表示预训练的基于Sketch Token的边缘形状分类器中确定的边缘类别总数,表示p(x,y)属于第1类边缘的概率值,表示p(x,y)属于第k类边缘的概率值,表示p(x,y)属于第K类边缘的概率值,表示p(x,y)属于非边缘类的概率值,1≤k≤K,在本实施例中取K=150,表示属于第1类边缘的概率值,表示属于第k类边缘的概率值,表示属于第K类边缘的概率值,表示属于非边缘类的概率值,
在本实施例中,步骤二中,围绕{IO(x,y)}的四周边界以镜像反射的方式对{IO(x,y)}的四周边界扩展17个像素点;围绕{IR(x',y')}的四周边界以镜像反射的方式对{IR(x',y')}的四周边界扩展17个像素点。
在此,基于Sketch Token(手绘类标)的边缘形状分类器引用自文献“Lim J J,Zitnick C L,Dollár P.Sketch Tokens:A Learned Mid-level Representation forContour and Object Detection[C].//2013IEEE Conference on Computer Vision andPattern Recognition,2013:3158-3165.”(手绘类标:用于边缘和目标检测的一种基于学习的中层表征[C]),其提出了一种基于手工类标的分类器用于边缘检测,首先对人工手绘标定了边缘的图像按照35×35划分图像块,再对这些图像块利用K-means算法聚类得到K个手绘类标(Sketch Token),最后在BSDS数据集上训练随机森林分类器,分类的目标是得到图像块属于K类手绘类标的概率以及不包含边缘的概率,本发明使用了文献提出的预训练分类器用于特征提取,150类边缘如图2所示。
步骤三:计算{IR(x',y')}中的每个像素点在{IO(x,y)}中的匹配像素点,进而确定{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块;然后计算{IR(x',y')}中的每个图像块的局部几何特征向量与{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度(Jensen-Shannon散度);接着计算{IR(x',y')}的局部边缘几何形变图,{IR(x',y')}的局部边缘几何形变图中坐标位置为(x',y')的像素点的像素值等于的局部几何特征向量与在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度;之后计算{IR(x',y')}中的每个图像块的边缘性强弱值;再利用{IR(x',y')}中的所有图像块的边缘性强弱值对{IR(x',y')}的局部边缘几何形变图进行加权融合,得到{IR(x',y')}的局部几何失真(Local Geometric Distortion)分数,记为QLGD。
在本实施例中,步骤三的具体过程为:
步骤A1:采用现有技术计算{IR(x',y')}中的每个像素点在{IO(x,y)}中的匹配像素点;然后根据{IR(x',y')}中的每个像素点在{IO(x,y)}中的匹配像素点,确定{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块,若{IR(x',y')}中坐标位置为(x',y')的像素点在{IO(x,y)}中的匹配像素点为{IO(x,y)}中坐标位置为(x,y)的像素点,那么确定在{IO(x,y)}中的匹配图像块为p(x,y)。
步骤A2:计算{IR(x',y')}中的每个图像块的局部几何特征向量与{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度,将与在{IO(x,y)}中的匹配图像块p(x,y)的局部几何特征向量vp(x,y)之间的JS散度记为其中,dJS()表示JS散度运算,表示vp(x,y)和的均值向量,dKL()表示KL散度运算, 表示中的第k个元素, 表示中的第K+1个元素,
步骤A3:计算{IR(x',y')}的局部边缘几何形变图,{IR(x',y')}的局部边缘几何形变图中坐标位置为(x',y')的像素点的像素值等于的局部几何特征向量与在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度。
步骤A5:利用{IR(x',y')}中的所有图像块的边缘性强弱值对{IR(x',y')}的局部边缘几何形变图进行加权融合,得到{IR(x',y')}的局部几何失真分数QLGD,其中,作为的加权值,β为控制参数,在本实施例中取β=3。
在此,截取三种典型的适配图像来说明本发明方法中局部几何失真分数计算的效果。图3a给出了源图像即原始的图像“Brasserie_L_Aficion”,图3b给出了“Brasserie_L_Aficion”经过Shift-map算法生成的适配图像,图3c给出了Shift-map适配图像的局部边缘几何形变图,图3d给出了“Brasserie_L_Aficion”经过Warping算法生成的适配图像,图3e给出了Warping适配图像的局部边缘几何形变图,图3f给出了“Brasserie_L_Aficion”经过Seam-carving算法生成的适配图像,图3g给出了Seam-carving适配图像的局部边缘几何形变图。在图3c、图3e和图3g中,颜色越亮表示形变越严重,从图3c、图3e和图3g中可以看出,采用本发明方法得到的局部边缘几何形变图能够很好地反映适配图像的局部边缘失真程度。
步骤四:记录从{IO(x,y)}中的每个图像块的局部几何特征向量中的前K个元素中找出的最大值对应的索引值,将从vp(x,y)中的前K个元素中找出的最大值对应的索引值记为sp(x,y),max,若从vp(x,y)中的前K个元素中找出的最大值为第k个元素即则sp(x,y),max等于k;然后利用第sp(x,y),max类边缘来表示p(x,y)的边缘形状;接着在{IO(x,y)}中统计K类边缘中每类边缘表示的图像块的个数,将在{IO(x,y)}中第k类边缘表示的图像块的个数记为num(k);再针对{IO(x,y)},对K类边缘中每类边缘表示的图像块的个数进行归一化处理,得到{IO(x,y)}的全局几何特征向量,记为
同样,记录从{IR(x',y')}中的每个图像块的局部几何特征向量中的前K个元素中找出的最大值对应的索引值,将从中的前K个元素中找出的最大值对应的索引值记为若从中的前K个元素中找出的最大值为第k个元素即则等于k;然后利用第类边缘来表示的边缘形状;接着在{IR(x',y')}中统计K类边缘中每类边缘表示的图像块的个数,将在{IR(x',y')}中第k类边缘表示的图像块的个数记为num'(k);再针对{IR(x',y')},对K类边缘中每类边缘表示的图像块的个数进行归一化处理,得到{IR(x',y')}的全局几何特征向量,记为
其中,等于W×H,cIO的维数为K×1,num(1)表示在{IO(x,y)}中第1类边缘表示的图像块的个数,num(K)表示在{IO(x,y)}中第K类边缘表示的图像块的个数,等于W'×H',的维数为K×1,num'(1)表示在{IR(x',y')}中第1类边缘表示的图像块的个数,num'(K)表示在{IR(x',y')}中第K类边缘表示的图像块的个数。
步骤六:计算{IR(x',y')}的网格长宽比相似度(Aspect Ratio Similarity);然后将{IR(x',y')}的网格长宽比相似度作为{IR(x',y')}的显著区域保持(Salient RegionPreservation)分数,记为QSRP。
在此,网格长宽比相似度(Aspect Ratio Similarity)引用自文献“Zhang Y,FangY,Lin W,et al.Backward Registration-Based Aspect Ratio Similarity for ImageRetargeting Quality Assessment[J].IEEE Transactions on Image Processing,2016,25(9):4286-4297.”(用于图像适配质量评价的基于后向配准的长宽比相似度计算[J].)。
步骤七:从一个适配图像集中随机选取一部分适配图像,将这些适配图像及其客观分数向量和平均主观评分构成训练集,将剩余适配图像及其客观分数向量和平均主观评分构成测试集,其中,适配图像的客观分数向量为由按照步骤一至步骤六的过程以相同的方式计算得到的局部几何失真分数、全局几何失真分数、显著区域保持分数按序构成的向量;然后采用支持向量回归作为机器学习的方法,对训练集中的所有适配图像的客观分数向量进行训练,使得经过训练得到的回归函数值与平均主观评分之间的误差最小,拟合得到最优的权重矢量和最优的偏置项,进而构造得到支持向量回归模型;再采用支持向量回归模型对测试集中的每幅适配图像的客观分数向量进行测试,得到测试集中的每幅适配图像的客观质量评价预测值;经多次训练和测试后,将测试集中的每幅适配图像的多个客观质量评价预测值的平均值作为最终客观质量评价预测值。
在本实施例中,步骤七的具体过程为:
步骤B1:选取set组共M幅适配图像构成适配图像集,其中,每组包含由同一幅原始的图像生成的m幅适配图像,set≥1,m≥1,M=set×m且M≥100;然后从适配图像集中随机选取J幅适配图像,将随机选取的J幅适配图像及其客观分数向量和平均主观评分构成训练集,记为ΩJ,将ΩJ中的第j幅适配图像的客观分数向量和平均主观评分对应记为Q1,j和S1,j;并将剩余的N幅适配图像及其客观分数向量和平均主观评分构成测试集,记为ΩN,将ΩN中的第n幅适配图像的客观分数向量和平均主观评分对应记为Q2,n和S2,n;其中,符号为向上取整符号,1≤j≤J,Q1,j=[QLGD,1,j,QGGD,1,j,QSRP,1,j],QLGD,1,j表示ΩJ中的第j幅适配图像的局部几何失真分数,QGGD,1,j表示ΩJ中的第j幅适配图像的全局几何失真分数,QSRP,1,j表示ΩJ中的第j幅适配图像的显著区域保持分数,N=M-J,1≤n≤N,Q2,n=[QLGD,2,n,QGGD,2,n,QSRP,2,n],QLGD,2,n表示ΩN中的第j幅适配图像的局部几何失真分数,QGGD,2,n表示ΩN中的第j幅适配图像的全局几何失真分数,QSRP,2,n表示ΩN中的第j幅适配图像的显著区域保持分数,QLGD,1,j、QGGD,1,j、QSRP,1,j、QLGD,2,n、QGGD,2,n、QSRP,2,n为按照步骤一至步骤六的过程以相同的方式计算得到,下标“1”表示训练集,下标“2”表示测试集。
步骤B3:采用支持向量回归作为机器学习的方法,对ΩJ中的所有适配图像的客观分数向量进行训练,使得经过训练得到的回归函数值与平均主观评分之间的误差最小,拟合得到最优的权重矢量和最优的偏置项然后将最优的权重矢量和最优的偏置项的组合记为再利用最优的权重矢量和最优的偏置项构造支持向量回归模型,记为其中,Ψ表示对ΩJ中的所有适配图像的客观分数向量进行训练的所有的权重矢量和偏置项的组合的集合,表示求使得最小时和的值,Qin表示支持向量回归模型的输入向量,即为适配图像的客观分数向量,为的转置矢量,为Qin的线性函数。
步骤B4:采用支持向量回归模型对ΩN中的每幅适配图像的客观分数向量进行测试,得到ΩN中的每幅适配图像的客观质量评价预测值,将ΩN中的第n幅适配图像的客观质量评价预测值记为Qpredict,n,Qpredict,n=f(Q2,n),其中,为Q2,n的线性函数。
步骤B5:重复执行步骤B2至步骤B4共number次,得到ΩN中的每幅适配图像的number个客观质量评价预测值;然后将ΩN中的每幅适配图像的number个客观质量评价预测值的平均值作为最终客观质量评价预测值;其中,number≥100。
为进一步说明本发明方法的可行性和有效性,对本发明方法进行试验。
采用香港中文大学提供的图像适配质量评价数据库作为验证集合,该图像适配质量评价数据库包含57幅源图像(即原始的图像)以及每幅源图像对应的3幅采用不同适配算法得到的适配图像,并给出了每幅适配图像的平均主观评分(Mean Opinion Score,MOS)。香港中文大学数据库来自于L.Ma,W.Lin,C.Deng,and K.N.Ngan,“Image retargetingquality assessment:A study of subjective scores and objective metrics,”IEEEJournal of Selected Topics in Signal Processing,vol.6,no.6,pp.626–639,2012.(图像适配质量评价:主观评分以及客观方法)。
利用评估图像质量评价方法的3个常用客观参量作为评价指标,即非线性回归条件下的Pearson相关系数(Pearson linear correlation coefficient,PLCC)、Spearman相关系数(Spearman rank order correlation coefficient,SROCC)、均方误差(root meansquared error,RMSE),PLCC和RMSE反映客观质量评价预测值的准确性,SROCC反映其单调性。将图像适配质量评价数据库中的每幅适配图像按本发明方法计算得到的最终客观质量评价预测值做五参数Logistic函数非线性拟合,PLCC和SROCC值越高、RMSE值越小说明本发明方法的客观评价结果与平均主观评分的相关性越好。表1给出了由局部几何失真分数、全局几何失真分数、显著区域保持分数中的至少一个构成客观分数向量时得到的最终客观质量评价预测值与平均主观评分之间的相关性。表2给出了本发明方法与其他算法的预测值相关性比较的结果。表2中的EMD方法是指推土距离(Earth-mover’s distance,EMD)(引用自O.Pele and M.Werman,“Fast and robust earth mover's distances,”in IEEEInternational Conference on Computer Vision,2009,pp.460–467.(快速鲁棒的推土机距离度量));SIFT-flow方法是指尺度不变特征变换流(Scale-invariant featuretransform flow,SIFT-flow)(引用自C.Liu,J.Yuen,and A.Torralba,“SIFT-flow:Densecorrespondence across scenes and its applications,”IEEE Transactions onPattern Analysis and Machine Intelligence,vol.33,no.5,pp.978–994,2011.(尺度不变特征变换流:场景间稠密匹配及其应用));ARS方法是指网格长宽比相似度(AspectRatio Similarity,ARS)(引用自Y.Zhang,Y.Fang,W.Lin,X.Zhang,and L.Li,“Backwardregistration-based aspect ratio similarity for image retargeting qualityassessment,"IEEE Transactions on Image Processing,vol.25,no.9,pp.4286–4297,2016.(用于图像适配质量评价的基于后向配准的长宽比相似度计算))。
表1由局部几何失真分数、全局几何失真分数、显著区域保持分数中的至少一个构成客观分数向量时得到的最终客观质量评价预测值与平均主观评分之间的相关性
表2本发明方法与其他算法的预测值相关性比较的结果
方法 | PLCC | SROCC | RMSE |
EMD | 0.276 | 0.290 | 12.977 |
SIFT-flow | 0.314 | 0.290 | 12.977 |
ARS | 0.684 | 0.669 | 9.855 |
本发明方法 | 0.729 | 0.692 | 9.009 |
从表1中可以看出,只采用局部几何失真分数、全局几何失真分数、显著区域保持分数中的两个构成客观分数向量时得到的最终客观质量评价预测值与平均主观评分之间的相关性均不是最优的,但相比只采用局部几何失真分数、全局几何失真分数、显著区域保持分数中的一个构成客观分数向量时得到的最终客观质量评价预测值与平均主观评分之间的相关性要大,而本发明方法中的客观分数向量由局部几何失真分数、全局几何失真分数、显著区域保持分数构成,得到的最终客观质量评价预测值与平均主观评分之间的相关性最好,这说明了本发明方法提取的局部几何失真分数和全局几何失真分数是有效的,使得得到的最终客观质量评价预测值与平均主观评分之间的相关性更强,从表2中可以看出,本发明方法得到的最终客观质量评价预测值相关性高于其他算法,这足以说明本发明方法是有效的。
Claims (5)
1.一种基于几何失真度量的图像适配质量评价方法,其特征在于包括以下步骤:
步骤一:将原始的图像记为{IO(x,y)},将{IO(x,y)}对应的适配图像记为{IR(x',y')};其中,(x,y)表示{IO(x,y)}中的像素点的坐标位置,1≤x≤W,1≤y≤H,W表示{IO(x,y)}的宽度,H表示{IO(x,y)}的高度,IO(x,y)表示{IO(x,y)}中坐标位置为(x,y)的像素点的像素值,(x',y')表示{IR(x',y')}中的像素点的坐标位置,1≤x'≤W',1≤y'≤H',W'表示{IR(x',y')}的宽度,H'表示{IR(x',y')}的高度,IR(x',y')表示{IR(x',y')}中坐标位置为(x',y')的像素点的像素值;
步骤二:对{IO(x,y)}的四周边界扩展17个像素点;然后以{IO(x,y)}中的每个像素点为中心取尺寸大小为35×35的图像块,共得到W×H个图像块,将{IO(x,y)}中以坐标位置为(x,y)的像素点为中心的图像块记为p(x,y);接着采用预训练的基于Sketch Token的边缘形状分类器对{IO(x,y)}中的每个图像块进行分类,得到{IO(x,y)}中的每个图像块对应的类别概率分布向量;再将{IO(x,y)}中的每个图像块对应的类别概率分布向量作为{IO(x,y)}中的每个图像块的局部几何特征向量,将p(x,y)的局部几何特征向量记为vp(x,y),vp(x,y)即为p(x,y)对应的类别概率分布向量,
同样,对{IR(x',y')}的四周边界扩展17个像素点;然后以{IR(x',y')}中的每个像素点为中心取尺寸大小为35×35的图像块,共得到W'×H'个图像块,将{IR(x',y')}中以坐标位置为(x',y')的像素点为中心的图像块记为接着采用预训练的基于Sketch Token的边缘形状分类器对{IR(x',y')}中的每个图像块进行分类,得到{IR(x',y')}中的每个图像块对应的类别概率分布向量;再将{IR(x',y')}中的每个图像块对应的类别概率分布向量作为{IR(x',y')}中的每个图像块的局部几何特征向量,将的局部几何特征向量记为 即为对应的类别概率分布向量,
其中,vp(x,y)的维数为(K+1)×1,K表示预训练的基于Sketch Token的边缘形状分类器中确定的边缘类别总数,表示p(x,y)属于第1类边缘的概率值,表示p(x,y)属于第k类边缘的概率值,表示p(x,y)属于第K类边缘的概率值,表示p(x,y)属于非边缘类的概率值, 表示属于第1类边缘的概率值,表示属于第k类边缘的概率值,表示属于第K类边缘的概率值,表示属于非边缘类的概率值,
步骤三:计算{IR(x',y')}中的每个像素点在{IO(x,y)}中的匹配像素点,进而确定{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块;然后计算{IR(x',y')}中的每个图像块的局部几何特征向量与{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度;接着计算{IR(x',y')}的局部边缘几何形变图,{IR(x',y')}的局部边缘几何形变图中坐标位置为(x',y')的像素点的像素值等于的局部几何特征向量与在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度;之后计算{IR(x',y')}中的每个图像块的边缘性强弱值;再利用{IR(x',y')}中的所有图像块的边缘性强弱值对{IR(x',y')}的局部边缘几何形变图进行加权融合,得到{IR(x',y')}的局部几何失真分数,记为QLGD;
步骤四:记录从{IO(x,y)}中的每个图像块的局部几何特征向量中的前K个元素中找出的最大值对应的索引值,将从vp(x,y)中的前K个元素中找出的最大值对应的索引值记为sp(x,y),max,若从vp(x,y)中的前K个元素中找出的最大值为第k个元素即则sp(x,y),max等于k;然后利用第sp(x,y),max类边缘来表示p(x,y)的边缘形状;接着在{IO(x,y)}中统计K类边缘中每类边缘表示的图像块的个数,将在{IO(x,y)}中第k类边缘表示的图像块的个数记为num(k);再针对{IO(x,y)},对K类边缘中每类边缘表示的图像块的个数进行归一化处理,得到{IO(x,y)}的全局几何特征向量,记为
同样,记录从{IR(x',y')}中的每个图像块的局部几何特征向量中的前K个元素中找出的最大值对应的索引值,将从中的前K个元素中找出的最大值对应的索引值记为若从中的前K个元素中找出的最大值为第k个元素即则等于k;然后利用第类边缘来表示的边缘形状;接着在{IR(x',y')}中统计K类边缘中每类边缘表示的图像块的个数,将在{IR(x',y')}中第k类边缘表示的图像块的个数记为num'(k);再针对{IR(x',y')},对K类边缘中每类边缘表示的图像块的个数进行归一化处理,得到{IR(x',y')}的全局几何特征向量,记为
其中,等于W×H,的维数为K×1,num(1)表示在{IO(x,y)}中第1类边缘表示的图像块的个数,num(K)表示在{IO(x,y)}中第K类边缘表示的图像块的个数,等于W'×H',的维数为K×1,num'(1)表示在{IR(x',y')}中第1类边缘表示的图像块的个数,num'(K)表示在{IR(x',y')}中第K类边缘表示的图像块的个数;
步骤六:计算{IR(x',y')}的网格长宽比相似度;然后将{IR(x',y')}的网格长宽比相似度作为{IR(x',y')}的显著区域保持分数,记为QSRP;
步骤七:从一个适配图像集中随机选取一部分适配图像,将这些适配图像及其客观分数向量和平均主观评分构成训练集,将剩余适配图像及其客观分数向量和平均主观评分构成测试集,其中,适配图像的客观分数向量为由按照步骤一至步骤六的过程以相同的方式计算得到的局部几何失真分数、全局几何失真分数、显著区域保持分数按序构成的向量;然后采用支持向量回归作为机器学习的方法,对训练集中的所有适配图像的客观分数向量进行训练,使得经过训练得到的回归函数值与平均主观评分之间的误差最小,拟合得到最优的权重矢量和最优的偏置项,进而构造得到支持向量回归模型;再采用支持向量回归模型对测试集中的每幅适配图像的客观分数向量进行测试,得到测试集中的每幅适配图像的客观质量评价预测值;经多次训练和测试后,将测试集中的每幅适配图像的多个客观质量评价预测值的平均值作为最终客观质量评价预测值。
2.根据权利要求1所述的一种基于几何失真度量的图像适配质量评价方法,其特征在于所述的步骤二中,围绕{IO(x,y)}的四周边界以镜像反射的方式对{IO(x,y)}的四周边界扩展17个像素点;围绕{IR(x',y')}的四周边界以镜像反射的方式对{IR(x',y')}的四周边界扩展17个像素点。
3.根据权利要求1或2所述的一种基于几何失真度量的图像适配质量评价方法,其特征在于所述的步骤三的具体过程为:
步骤A1:计算{IR(x',y')}中的每个像素点在{IO(x,y)}中的匹配像素点;然后根据{IR(x',y')}中的每个像素点在{IO(x,y)}中的匹配像素点,确定{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块,若{IR(x',y')}中坐标位置为(x',y')的像素点在{IO(x,y)}中的匹配像素点为{IO(x,y)}中坐标位置为(x,y)的像素点,那么确定在{IO(x,y)}中的匹配图像块为p(x,y);
步骤A2:计算{IR(x',y')}中的每个图像块的局部几何特征向量与{IR(x',y')}中的每个图像块在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度,将与在{IO(x,y)}中的匹配图像块p(x,y)的局部几何特征向量vp(x,y)之间的JS散度记为其中,dJS()表示JS散度运算,表示vp(x,y)和的均值向量,dKL()表示KL散度运算,表示中的第k个元素, 表示中的第K+1个元素,
步骤A3:计算{IR(x',y')}的局部边缘几何形变图,{IR(x',y')}的局部边缘几何形变图中坐标位置为(x',y')的像素点的像素值等于的局部几何特征向量与在{IO(x,y)}中的匹配图像块的局部几何特征向量之间的JS散度;
5.根据权利要求4所述的一种基于几何失真度量的图像适配质量评价方法,其特征在于所述的步骤七的具体过程为:
步骤B1:选取set组共M幅适配图像构成适配图像集,其中,每组包含由同一幅原始的图像生成的m幅适配图像,set≥1,m≥1,M=set×m且M≥100;然后从适配图像集中随机选取J幅适配图像,将随机选取的J幅适配图像及其客观分数向量和平均主观评分构成训练集,记为ΩJ,将ΩJ中的第j幅适配图像的客观分数向量和平均主观评分对应记为Q1,j和S1,j;并将剩余的N幅适配图像及其客观分数向量和平均主观评分构成测试集,记为ΩN,将ΩN中的第n幅适配图像的客观分数向量和平均主观评分对应记为Q2,n和S2,n;其中,符号为向上取整符号,1≤j≤J,Q1,j=[QLGD,1,j,QGGD,1,j,QSRP,1,j],QLGD,1,j表示ΩJ中的第j幅适配图像的局部几何失真分数,QGGD,1,j表示ΩJ中的第j幅适配图像的全局几何失真分数,QSRP,1,j表示ΩJ中的第j幅适配图像的显著区域保持分数,N=M-J,1≤n≤N,Q2,n=[QLGD,2,n,QGGD,2,n,QSRP,2,n],QLGD,2,n表示ΩN中的第j幅适配图像的局部几何失真分数,QGGD,2,n表示ΩN中的第j幅适配图像的全局几何失真分数,QSRP,2,n表示ΩN中的第j幅适配图像的显著区域保持分数,QLGD,1,j、QGGD,1,j、QSRP,1,j、QLGD,2,n、QGGD,2,n、QSRP,2,n为按照步骤一至步骤六的过程以相同的方式计算得到,下标“1”表示训练集,下标“2”表示测试集;
步骤B3:采用支持向量回归作为机器学习的方法,对ΩJ中的所有适配图像的客观分数向量进行训练,使得经过训练得到的回归函数值与平均主观评分之间的误差最小,拟合得到最优的权重矢量和最优的偏置项然后将最优的权重矢量和最优的偏置项的组合记为再利用最优的权重矢量和最优的偏置项构造支持向量回归模型,记为其中,Ψ表示对ΩJ中的所有适配图像的客观分数向量进行训练的所有的权重矢量和偏置项的组合的集合,表示求使得最小时和的值,Qin表示支持向量回归模型的输入向量,即为适配图像的客观分数向量,为的转置矢量,为Qin的线性函数;
步骤B4:采用支持向量回归模型对ΩN中的每幅适配图像的客观分数向量进行测试,得到ΩN中的每幅适配图像的客观质量评价预测值,将ΩN中的第n幅适配图像的客观质量评价预测值记为Qpredict,n,Qpredict,n=f(Q2,n),其中,为Q2,n的线性函数;
步骤B5:重复执行步骤B2至步骤B4共number次,得到ΩN中的每幅适配图像的number个客观质量评价预测值;然后将ΩN中的每幅适配图像的number个客观质量评价预测值的平均值作为最终客观质量评价预测值;其中,number≥100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110055744.3A CN112801950B (zh) | 2021-01-15 | 2021-01-15 | 一种基于几何失真度量的图像适配质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110055744.3A CN112801950B (zh) | 2021-01-15 | 2021-01-15 | 一种基于几何失真度量的图像适配质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801950A true CN112801950A (zh) | 2021-05-14 |
CN112801950B CN112801950B (zh) | 2023-06-09 |
Family
ID=75809699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110055744.3A Active CN112801950B (zh) | 2021-01-15 | 2021-01-15 | 一种基于几何失真度量的图像适配质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801950B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793327A (zh) * | 2021-09-18 | 2021-12-14 | 北京中科智眼科技有限公司 | 一种基于token的高铁异物检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104658002A (zh) * | 2015-03-10 | 2015-05-27 | 浙江科技学院 | 一种无参考图像客观质量评价方法 |
US20170177975A1 (en) * | 2015-12-21 | 2017-06-22 | Ningbo University | Image quality objective evaluation method based on manifold feature similarity |
CN110223268A (zh) * | 2019-04-24 | 2019-09-10 | 宁波大学 | 一种绘制图像质量评价方法 |
-
2021
- 2021-01-15 CN CN202110055744.3A patent/CN112801950B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104658002A (zh) * | 2015-03-10 | 2015-05-27 | 浙江科技学院 | 一种无参考图像客观质量评价方法 |
US20170177975A1 (en) * | 2015-12-21 | 2017-06-22 | Ningbo University | Image quality objective evaluation method based on manifold feature similarity |
CN110223268A (zh) * | 2019-04-24 | 2019-09-10 | 宁波大学 | 一种绘制图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
周武杰[1,2];蒋刚毅[2];郁梅[2]: "基于块内容和支持向量回归的图像质量客观评价模型" * |
姜求平;邵枫;蒋刚毅;郁梅;: "基于视差空间图的立体图像质量客观评价方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793327A (zh) * | 2021-09-18 | 2021-12-14 | 北京中科智眼科技有限公司 | 一种基于token的高铁异物检测方法 |
CN113793327B (zh) * | 2021-09-18 | 2023-12-26 | 北京中科智眼科技有限公司 | 一种基于token的高铁异物检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112801950B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
EP3333768A1 (en) | Method and apparatus for detecting target | |
US8718380B2 (en) | Representing object shapes using radial basis function support vector machine classification | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
WO2019026104A1 (ja) | 情報処理装置、情報処理プログラム及び情報処理方法 | |
KR101786754B1 (ko) | 나이 추정 장치 및 방법 | |
Deshpande et al. | Super resolution and recognition of long range captured multi‐frame iris images | |
Zhang et al. | An objective quality of experience (QoE) assessment index for retargeted images | |
CN113610862A (zh) | 一种屏幕内容图像质量评估方法 | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
Singh et al. | Digit recognition system using back propagation neural network | |
CN110766657A (zh) | 一种激光干扰图像质量评价方法 | |
Yi et al. | Illumination normalization of face image based on illuminant direction estimation and improved retinex | |
CN112801950A (zh) | 一种基于几何失真度量的图像适配质量评价方法 | |
Rotem et al. | Combining region and edge cues for image segmentation in a probabilistic gaussian mixture framework | |
Feng et al. | A weighted-ROC graph based metric for image segmentation evaluation | |
Jena et al. | Elitist TLBO for identification and verification of plant diseases | |
Li et al. | Research on hybrid information recognition algorithm and quality of golf swing | |
Mahmood | Defocus Blur Segmentation Using Genetic Programming and Adaptive Threshold. | |
Xie et al. | An optimal orientation certainty level approach for fingerprint quality estimation |
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 |