CN112837319B - 真实失真图像质量智能评价方法、装置、设备及介质 - Google Patents
真实失真图像质量智能评价方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112837319B CN112837319B CN202110334287.1A CN202110334287A CN112837319B CN 112837319 B CN112837319 B CN 112837319B CN 202110334287 A CN202110334287 A CN 202110334287A CN 112837319 B CN112837319 B CN 112837319B
- Authority
- CN
- China
- Prior art keywords
- image
- brightness
- evaluated
- information
- low
- 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
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
- 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
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10024—Color image
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了真实失真图像质量智能评价方法、装置、设备及介质,方法包括:对真实失真图像集中的待评价图像进行色彩转换得到图像明度信息,获取每一图像明度信息中的多层明度成分信息并提取得到图像明度特征信息,从每一待评价图像中提取得到图像颜色特征信息,将图像明度特征信息与图像颜色特征信息组合为待评价图像的特征向量并输入图像评价模型进行智能评价,得到每一待评价图像的评价结果。本发明属于图像处理技术领域,基于图像颜色特征信息及图像明度特征信息作为特征向量,以对真实失真图像进行质量评估,可确保对图像进行质量评估的客观性及一致性,提高了评价结果的准确性,且处理效率高。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种真实失真图像质量智能评价方法、装置、设备及介质。
背景技术
随着多媒体和网络技术的快速发展,人类进入大数据时代,数字图像作为信息交流的重要载体,在交流的过程中起着至关重要的作用。但是由于在图像获取、传输、处理、显示等过程中,会出现不可避免的失真和退化情况,从而影响人类对图像信息的接收和后续的图像处理。图像质量评价旨在使用计算模型来衡量图像质量,使得评价结果与图像质量保持一致,因此图像质量评价在图像压缩、增强和传输等图像处理系统中发挥着重要作用。
传统技术方法均是通过观测者对图像质量进行评估,以人眼察看得到的主观感受为标准对图像质量作出评价,具体判断标准可以是观测者对图像在保真度等方面的满意程度。然而不同观测者对图像质量进行评估的判断标准可能存在差异,因此这一技术方法难以确保判断标准的客观性及一致性,导致无法准确获取评价结果;且受限于观测者的处理速度,在对海量图像进行评价时无法快速获取评价结果,导致处理效率不高。因此,现有的技术方法中存在无法高效、准确地对真实失真图像进行质量评价的问题。
发明内容
本发明实施例提供了一种真实失真图像质量智能评价方法、装置、设备及介质,旨在解决现有技术方法中所存在的无法高效、准确地对真实失真图像进行质量评价的问题。
第一方面,本发明实施例提供了一种真实失真图像质量智能评价方法,其包括:
若接收到用户输入的真实失真图像集,对所述真实失真图像集中包含的每一待评价图像分别进行色彩转换以获取对应的图像明度信息;
根据预置的分层滤波模型对每一所述待评价图像的图像明度信息进行分层滤波得到每一所述待评价图像的多层明度成分信息;
根据预置的明度特征提取规则从每一所述待评价图像的多层明度成分信息中提取得到对应的图像明度特征信息;
根据预置的颜色特征提取规则从每一所述待评价图像中提取得到对应的图像颜色特征信息;
将所述图像明度特征信息及所述图像颜色特征信息整合为每一所述待评价图像的特征向量;
将每一所述待评价图像的特征向量输入预置的图像评价模型进行智能评价,得到每一所述待评价图像的评价结果。
第二方面,本发明实施例提供了一种真实失真图像质量智能评价装置,其包括:
图像明度信息获取单元,用于若接收到用户输入的真实失真图像集,对所述真实失真图像集中包含的每一待评价图像分别进行色彩转换以获取对应的图像明度信息;
分层滤波处理单元,用于根据预置的分层滤波模型对每一所述待评价图像的图像明度信息进行分层滤波得到每一所述待评价图像的多层明度成分信息;
图像明度特征信息提取单元,用于根据预置的明度特征提取规则从每一所述待评价图像的多层明度成分信息中提取得到对应的图像明度特征信息;
图像颜色特征信息提取单元,用于根据预置的颜色特征提取规则从每一所述待评价图像中提取得到对应的图像颜色特征信息;
特征向量获取单元,用于将所述图像明度特征信息及所述图像颜色特征信息整合为每一所述待评价图像的特征向量;
评价结果获取单元,用于将每一所述待评价图像的特征向量输入预置的图像评价模型进行智能评价,得到每一所述待评价图像的评价结果。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的真实失真图像质量智能评价方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的真实失真图像质量智能评价方法。
本发明实施例提供了一种真实失真图像质量智能评价方法、装置、设备及介质。对真实失真图像集中的待评价图像进行色彩转换得到图像明度信息,获取每一图像明度信息中的多层明度成分信息并提取得到图像明度特征信息,从每一待评价图像中提取得到图像颜色特征信息,将图像明度特征信息与图像颜色特征信息组合为待评价图像的特征向量并输入图像评价模型进行智能评价,得到每一待评价图像的评价结果。通过上述方法,基于图像颜色特征信息及由图像的多层明度成分信息得到的图像明度特征信息作为特征向量,以对真实失真图像进行质量评估,可确保对图像进行质量评估的客观性及一致性,提高了评价结果的准确性,且处理效率高,能够适用于对海量图像进行质量评价。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的真实失真图像质量智能评价方法的流程示意图;
图2为本发明实施例提供的真实失真图像质量智能评价方法的子流程示意图;
图3为本发明实施例提供的真实失真图像质量智能评价方法的另一子流程示意图;
图4为本发明实施例提供的真实失真图像质量智能评价方法的另一子流程示意图;
图5为本发明实施例提供的真实失真图像质量智能评价方法的另一子流程示意图;
图6为本发明实施例提供的真实失真图像质量智能评价方法的另一流程示意图;
图7为本发明实施例提供的真实失真图像质量智能评价方法的另一流程示意图;
图8为本发明实施例提供的真实失真图像质量智能评价装置的示意性框图;
图9为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1是本发明实施例提供的真实失真图像质量智能评价方法的流程示意图;该真实失真图像质量智能评价方法应用于用户终端或管理服务器中,该真实失真图像质量智能评价方法通过安装于用户终端或管理服务器中的应用软件进行执行,用户终端即是可接收用户输入的真实失真图像集以对其中图像进行质量评价的终端设备,例如台式电脑、笔记本电脑、平板电脑或手机等,管理服务器即是可接收用户输入的真实失真图像集以对其中图像进行质量评价的服务器端,如企业或政府部门所构建的服务器。如图1所示,该方法包括步骤S110~S160。
S110、若接收到用户输入的真实失真图像集,对所述真实失真图像集中包含的每一待评价图像分别进行色彩转换以获取对应的图像明度信息。
若接收到用户输入的真实失真图像集,对所述真实失真图像集中包含的每一待评价图像分别进行色彩转换以获取对应的图像明度信息。用户可输入真实失真图像集至用户终端或管理服务器,则真实失真图像集中包含多张真实失真图像,真实失真图像可以是对焦不准或光线昏暗情况下拍摄得到的图片,真实失真图像是真实世界中由多种未知类型的失真相互叠加而产生的图像,可将真实失真图像作为待评价图像进行色彩转换处理。具体的,真实失真图像均是采用RGB色彩模式进行记载的图像,RGB色彩模式包含红色(R)、绿色(G)、蓝色(B)三个颜色通道,则真实失真图像中每一像素点均包含与三个颜色通道分别对应的三个色度值,可对RGB色彩模型进行记载的真实失真图像进行色彩转换,得到以HSV色彩模式进行记载的图像,HSV色彩模式即色相(Hue)、饱和度(Saturation)、明度(Value),则以HSV色彩模型记载的图像中每一像素点均包含与色相、饱和度及明度对应的三个特征值,获取以HSV色彩模型记载的图像中每一像素点的明度特征值,即可得到与该图像对应的图像明度信息,也即一张待评价图像对应得到一份图像明度信息。
S120、根据预置的分层滤波模型对每一所述待评价图像的图像明度信息进行分层滤波得到每一所述待评价图像的多层明度成分信息。
根据预置的分层滤波模型对每一所述待评价图像的图像明度信息进行分层滤波得到每一所述待评价图像的多层明度成分信息,其中,所述分层滤波模型包括卷积滤波规则、分层计算公式及分层阈值。具体的,基于Retinex理论(retina&cortex,视网膜大脑皮层理论),所感知到的图像明度是照明和反射率的产物,可采用公式(1)进行简单表示:
IV(x,y)=RV(x,y)·L(x,y) (1);
公式(1)中的IV(x,y)即为上述步骤所得到的图像明度信息,(x,y)表示图像中具体像素点的坐标值,RV(x,y)为图像的反射成分,L(x,y)为图像的光照率成分。
考虑到图像包含多种频率成分,将图像进行多层分解,每一层即对应一种频率成分,可采用公式(2)进行简单表示:
公式(2)中的n为一个确定的正整数,Ln(x,y)即为进行多层分解后第n层频率对应的明度成分信息。
对公式(2)进行整理即可得到第i层频率对应的低频明度成分信息Li(x,y)可被分解为低频成分Li+1(x,y)及高频成分Ri+1(x,y),低频成分Li+1(x,y)也即是低频明度成分信息Li(x,y)中的下一层低频明度成分信息,高频成分Ri+1(x,y)也即是低频明度成分信息Li(x,y)中的下一层高频明度成分信息,则三者之间的对应关系可采用公式(3)进行表示:
Li(x,y)=Li+1(x,y)·Ri+1(x,y) (3);
其中,公式(3)中i为整数且i∈[0,n-1]。公式(3)也即是对图像明度信息进行分层滤波的基本原理。
也即是可采用分层滤波模型对每一所述待评价图像的图像明度信息进行分层滤波,则一张待评价图像进行分层滤波后可得到对应的多层明度成分信息,分层滤波模型即为对待评价图像进行分层滤波处理的处理模型,分层滤波模型包括卷积滤波规则、分层计算公式及分层阈值,卷积滤波规则即为对图像明度信息进行滤波处理的具体规则,可通过卷积滤波规则对待评价图像的图像明度信息进行卷积滤波处理得到首次明度成分信息,根据分层计算公式对首层低频明度成分信息进行计算以实现分层滤波,得到对应的多个下一层低频明度成分信息,分层阈值即为最终进行分层的层数阈值信息,所得到的首层低频明度成分信息与下一层低频明度成分信息的层数总和应与分层阈值相等,也即分层阈值即可具体表现为公式(2)中的n。
在一实施例中,如图2所示,步骤S120包括子步骤S121、S122、S123、S124和S125。
S121、根据所述卷积滤波规则对每一所述待评价图像的图像明度信息进行卷积滤波处理得到首层低频明度成分信息。
具体的,首先采用卷积滤波规则对待评价图像的图像明度信息进行卷积滤波处理,卷积滤波规则中包含卷积核、卷积步长等具体信息,进行卷积滤波处理的具体过程可采用公式(4)进行表示:
S122、将所述首层低频明度成分信息作为上一层低频明度成分信息,根据所述分层计算公式对所述上一层低频明度成分信息进行计算得到下一层低频明度成分信息。
通过分层计算公式对上一层低频明度成分信息进行分层计算,即可得到与上一层低频明度成分信息对应的下一层低频明度成分信息,这一计算过程也即是对上一层低频明度成分信息进行分层滤波,具体的,分层计算公式可采用公式(5)进行表示:
采用分层计算公式对Li(x,y)进行计算得到Li+1(x,y),L0(x,y)即第1层明度成分信息,也即是对第i+1层明度成分信息进行分层滤波即可得到第i+2层明度成分信息,其中i为整数且i∈[0,n-1]。公式(5)中Ω(x,y)是以像素坐标值(x,y)为中心的j×j区域,Ω′(x,y)是以像素坐标值(x,y)为中心的m×m区域,j和m均为正整数且j不小于m,为区域Ω(x,y)中使Li+1(x,y)在局部最大的明度特征值,也即是计算Li+1(x,y)需满足其中,中的是在区域Ω(x,y)中使得Li+1(x,y)最大的像素点坐标值,λ为公式中预置的参数值;中的是在区域Ω′(x,y)中使得Li+1(x,y)最大的像素点坐标值,M(x,y)为公式中的归一化因子,M(x,y)为可采用公式(6)进行表示:
例如,在对待评价图像进行处理过程中可设置j=31、m=15、λ=3,则Ω(x,y)是以像素坐标值(x,y)为中心的31×31区域,Ω′(x,y)是以像素坐标值(x,y)为中心的15×15区域。
S123、判断所述下一层低频明度成分信息的层数值是否不小于所述分层阈值。
对下一层低频明度成分信息的层数值是否不小于分层阈值进行判断,首层低频明度成分信息L0(x,y)即第1层明度成分信息,下一层低频明度成分信息Li(x,y)即表示第i+1层明度成分信息,其中,i为整数且i∈[1,n-1],则可以判断下一层低频明度成分信息的层数值是否不小于分层阈值n。
例如,若分层阈值n设置为12,则可判断当前得到的下一层低频明度成分信息的层数值是否不小于12。
S124、若所述下一层低频明度成分信息的层数值小于所述分层阈值,将所述下一层低频明度成分信息作为上一层低频明度成分信息并返回执行所述根据所述分层计算公式对所述上一层低频明度成分信息进行计算得到下一层低频明度成分信息的步骤。
若下一层低频明度成分信息的层数值不小于分层阈值,则可以将当前得到的下一层低频明度成分信息作为上一层低频明度成分信息,并返回执行步骤S123,以再次对上一层低频明度成分信息进行分层滤波。
S125、若所述下一层低频明度成分信息的层数值不小于所述分层阈值,获取每一所述待评价图像的首层低频明度成分信息及计算得到的多个下一层低频明度成分信息,作为每一所述待评价图像的多层明度成分信息。
若下一层低频明度成分信息的层数值不小于分层阈值,则获取首层低频明度成分信息及每一次计算得到的多个下一层低频明度成分信息进行组合,作为待评价图像的多层明度成分信息,其中首层低频明度成分信息与多个下一层低频明度成分信息的像素尺寸均相等。
S130、根据预置的明度特征提取规则从每一所述待评价图像的多层明度成分信息中提取得到对应的图像明度特征信息。
根据预置的明度特征提取规则从每一所述待评价图像的多层明度成分信息中提取得到对应的图像明度特征信息。其中,所述明度特征提取规则包括明度范围计算公式,所述图像明度特征信息包括每一待评价图像的低频明度平均值及低频明度范围值。可从每一待评价图像的多层明度成分信息中获取待评价图像每一层明度成分信息的低频明度平均值,并通过明度范围计算公式计算每一层明度成分信息的低频明度范围值。
在一实施例中,如图3所示,步骤S130包括子步骤S131和S132。
S131、分别计算每一所述待评价图像中每一层明度成分信息分别包含的像素明度值的平均值,得到每一所述待评价图像的多个低频明度平均值。
对一张待评价图像中每一层明度成分信息包含的多个像素明度值的平均值进行计算得到低频明度平均值,则一层明度成分信息可对应计算得到一个低频明度平均值,低频明度平均值可表示为其中i为整数且i∈[0,n-1],一张待评价图像包含的明度成分信息的层数与对应的低频明度平均值的数量相等,根据上述方法可计算得到每一张待评价图像的多个低频明度平均值。
S132、根据所述明度范围计算公式计算每一所述待评价图像中每一层明度成分信息的低频明度范围值,得到每一所述待评价图像的多个低频明度范围值。
根据明度范围计算公式对一张待评价图像中每一层明度成分信息进行计算得到低频明度范围值,则一层明度成分信息可对应计算得到一个低频明度范围值,一张待评价图像包含的明度成分信息的层数与对应的低频明度范围值的数量相等,具体的,低频明度范围值可采用公式(7)进行表示:
其中i为整数且i∈[0,n-1]。
根据上述方法可计算得到每一张待评价图像的多个低频明度范围值。
更具体的,所述明度特征提取规则还包括低频明度绝对值计算公式,所述图像明度特征信息还包括每一待评价图像的低频明度绝对值,如图4所示,步骤S130还包括子步骤S133。
S133、根据所述低频明度绝对值计算公式对每一所述待评价图像中每一层明度成分信息的低频明度平均值及低频明度范围值分别进行计算,得到每一所述待评价图像的多个低频明度绝对值。
为提高图像明度特征信息对图像明度的特征进行表示的准确性,可在图像明度特征信息中增加低频明度绝对值,低频明度绝对值可根据明度特征提取规则中的低频明度绝对值计算公式计算得到,根据低频明度绝对值计算公式对一张待评价图像中每一层明度成分信息进行计算得到低频明度绝对值,则一层明度成分信息可对应计算得到一个低频明度绝对值,一张待评价图像包含的明度成分信息的层数与对应的低频明度绝对值的数量相等。具体的,低频明度绝对值计算公式可表示为其中i为整数且i∈[0,n-1],根据上述方法可计算得到每一张待评价图像的多个低频明度绝对值。
S140、根据预置的颜色特征提取规则从每一所述待评价图像中提取得到对应的图像颜色特征信息。
根据预置的颜色特征提取规则从每一所述待评价图像中提取得到对应的图像颜色特征信息,其中,所述颜色特征提取规则包括方差计算公式及偏度计算公式,所述图像颜色特征信息包括每一待评价图像的色度平均值、色度方差值及偏度值。可从每一待评价图像的多个颜色通道中,获取待评价图像中每一颜色通道的色度平均值,根据方差值计算公式获取每一颜色通道的色度方差值,根据色度平均值及偏度计算公式进一步获取每一颜色通道的偏度值。由于待评价图像中每一像素点均包含红色(R)、绿色(G)、蓝色(B)三个颜色通道的色度值,因此一张待评价图像中每一颜色通道均可对应获取得到对应的色度平均值、色度方差值及偏度值,则一张待评价图像的图像颜色特征信息包含三个颜色通道分别对应的色度平均值、色度方差值及偏度值。
在一实施例中,如图5所示,步骤S140包括子步骤S141、S142、S143和S144。
S141、分别计算每一所述待评价图像中每一颜色通道分别包含的像素色度值的平均值,得到每一所述待评价图像的多个色度平均值。
获取待评价图像中每一颜色通道包含的像素色度值,并计算该颜色通道像素色度的平均值得到色度平均值。像素点在任一颜色通道的色度值取值范围均为[0,255],则色度平均值的取值范围也为[0,255]。
S142、对每一所述待评价图像中每一颜色通道的像素色度值进行统计得到对应的色度梯度统计信息。
对每一待评价图像中每一颜色通道的像素色度值进行统计,得到每一颜色通道的色度梯度统计信息,具体的,一张待评价图像中一个颜色通道包含每一像素点的色度值,像素点的色度值取值范围均为[0,255]以内的整数,则可以统计该颜色通道内每一色度值包含的像素点数量,得到该颜色通道的色度梯度统计信息,色度梯度统计信息即可以体现一张待评价图像在一个颜色通道内像素点的色度分布情况。
S143、根据所述方差计算公式对每一所述颜色通道的色度梯度统计信息进行计算,得到每一所述待评价图像的多个色度方差值。
根据方差计算公式计算对每一颜色通道的色度梯度统计信息进行计算,即可得到每一颜色通道对应的一个色度方差值,每一待评价图像均对应包含三个颜色通道,则可得到每一待评价图像在三个颜色通道的色度方差值,色度方差值即可用于体现颜色通道内像素点色度分布的方差,方差值越大,则颜色通道内像素点色度分布越离散,反之则颜色通道内像素点色度分布越收敛。
S144、根据所述偏度计算公式及每一所述颜色通道的色度平均值对对应的色度梯度统计信息进行计算,得到每一所述待评价图像的多个偏度值。
根据色度平均值对色度梯度统计信息进行拆分,色度梯度统计信息中小于色度平均值的部分为第一部分,另一部分为第二部分,偏度计算公式可采用公式(8)进行表示:
其中,S2为第二部分的方差值,S1为第一部分的方差值,P为计算得到的偏度值,若P值为负,则第一部分的离散度比第二部分强,若P值为正,则第一部分的离散度比第二部分弱。
S150、将所述图像明度特征信息及所述图像颜色特征信息整合为每一所述待评价图像的特征向量。
将所述图像明度特征信息及所述图像颜色特征信息整合为每一所述待评价图像的特征向量。将同一待评价图像的图像明度特征信息及图像颜色特征信息进行整合,得到每一待评价图像的特征向量,特征向量可采用一个1×k维的向量进行表示。特征向量的维度数与图像明度特征信息及图像颜色特征信息中数值的数量相对应。
例如,图像明度特征信息中包含低频明度平均值及低频明度范围值,分层阈值n=12,图像颜色特征信息中包含色度平均值、色度方差值及偏度值,则特征向量的维度数k=12×2+3×3=33。
在一实施例中,如图6所示,步骤S160之前还包括步骤S1610。
S1610、根据预置的训练数据集对初始图像评价模型进行迭代训练,得到训练后的图像评价模型。
根据预置的训练数据集对初始图像评价模型进行迭代训练,得到训练后的图像评价模型。在使用图像评价模型之间,还可采用训练数据集对初始图像评价模型进行迭代训练,具体的,训练数据集中包含多张训练图像的特征向量及目标评分值,训练图像的特征向量可以采用上述方法从训练图像中提取得到。初始图像评价模型为基于神经网络构建得到的智能模型,初始图像评价模型由多个输入节点、一个输出节点及多个中间层组成,每一输入节点均与特征向量中一个维度的向量值相对应,输出节点及为对输入的图像的特征向量进行计算分析所得到的评分,输入节点与中间层之间、中间层与其他相邻的中间层之间、中间层与输出节点之间均通过关联公式进行关联,每一关联公式均可表示为一个一次函数y=r·x+v,则每一个一次函数中均对应包含r和v两个参数。
具体的,将一张训练图像的特征向量输入初始图像评价模型进行计算,得到对应的训练评分,计算训练评分与该训练图像的目标评分值之间的损失值,损失值可通过损失值计算公式计算得到,损失值计算公式可以是其中,t1为训练图像的训练评分,t0为训练图像的目标评分值,t0及t1的取值范围均为[0,1];将初始图像评价模型中一个参数对该训练图像的特征向量进行计算所得到的计算值输入梯度计算公式,并结合上述损失值,即可计算得到与该参数对应的更新值,这一计算过程也即为梯度下降计算。基于所计算得到每一参数的更新值对初始图像评价模型中每一参数的参数值对应更新,即完成对初始图像评价模型的一次训练过程。
具体的,梯度计算公式可表示为:
训练数据集中一张训练图像的数据信息可对初始图像评价模型进行一次训练,则可通过训练数据集中包含的多张训练图像依次对初始图像评价模型进行迭代训练,迭代训练的次数即与训练数据集中包含的训练图像的数量相等,通过训练数据集对初始图像评价模型进行迭代训练后即可得到训练后的图像评价模型。
S160、将每一所述待评价图像的特征向量输入预置的图像评价模型进行智能评价,得到每一所述待评价图像的评价结果。
将每一所述待评价图像的特征向量输入预置的图像评价模型进行智能评价,得到每一所述待评价图像的评价结果。将每一待评价图像的特征向量分别输入图像评价模型,并依据上述方式进行智能评价,得到每一待评价图像的评分值,该评分值即可作为待评价图像的评价结果。
在一实施例中,如图7所示,步骤S160之后还包括步骤S170。
S170、根据预置的筛选条件及每一所述待评价图像的评价结果,获取所述真实失真图像集中满足所述筛选条件的图像作为目标图像。
根据预置的筛选条件及每一所述待评价图像的评价结果,获取所述真实失真图像集中满足所述筛选条件的图像作为目标图像。具体的,还可根据筛选条件及每一待评价图像的评价结果,对待评价图像进行筛选,以从真实失真图像集中获取对应的目标图像。筛选条件可以是评分阈值或筛选百分比,例如,可根据评分阈值对真实失真图像集中包含的图像进行筛选,获取评分值大于评分阈值的图像作为目标图像;还可以根据筛选百分比对真实失真图像集中包含的图像进行筛选,获取排名靠前且与筛选百分比对应的部分图像作为目标图像。
在本发明实施例所提供的真实失真图像质量智能评价方法中,对真实失真图像集中的待评价图像进行色彩转换得到图像明度信息,获取每一图像明度信息中的多层明度成分信息并提取得到图像明度特征信息,从每一待评价图像中提取得到图像颜色特征信息,将图像明度特征信息与图像颜色特征信息组合为待评价图像的特征向量并输入图像评价模型进行智能评价,得到每一待评价图像的评价结果。通过上述方法,基于图像颜色特征信息及由图像的多层明度成分信息得到的图像明度特征信息作为特征向量,以对真实失真图像进行质量评估,可确保对图像进行质量评估的客观性及一致性,提高了评价结果的准确性,且处理效率高,能够适用于对海量图像进行质量评价。
本发明实施例还提供一种真实失真图像质量智能评价装置,该真实失真图像质量智能评价装置可配置于用户终端或管理服务器中,该真实失真图像质量智能评价装置用于执行前述的真实失真图像质量智能评价方法的任一实施例。具体地,请参阅图8,图8为本发明实施例提供的真实失真图像质量智能评价装置的示意性框图。
如图8所示,真实失真图像质量智能评价装置100包括图像明度信息获取单元110、分层滤波处理单元120、图像明度特征信息提取单元130、图像颜色特征信息提取单元140、特征向量获取单元150和评价结果获取单元150。
图像明度信息获取单元110,用于若接收到用户输入的真实失真图像集,对所述真实失真图像集中包含的每一待评价图像分别进行色彩转换以获取对应的图像明度信息。
分层滤波处理单元120,用于根据预置的分层滤波模型对每一所述待评价图像的图像明度信息进行分层滤波得到每一所述待评价图像的多层明度成分信息。
在一实施例中,所述分层滤波处理单元120包括子单元:首层低频明度成分信息获取单元,用于根据所述卷积滤波规则对每一所述待评价图像的图像明度信息进行卷积滤波处理得到首层低频明度成分信息;分层计算单元,用于将所述首层低频明度成分信息作为上一层低频明度成分信息,根据所述分层计算公式对所述上一层低频明度成分信息进行计算得到下一层低频明度成分信息;层数值判断单元,用于判断所述下一层低频明度成分信息的层数值是否不小于所述分层阈值;返回执行单元,用于若所述下一层低频明度成分信息的层数值小于所述分层阈值,将所述下一层低频明度成分信息作为上一层低频明度成分信息并返回执行所述根据所述分层计算公式对所述上一层低频明度成分信息进行计算得到下一层低频明度成分信息的步骤;多层明度成分信息获取单元,用于若所述下一层低频明度成分信息的层数值不小于所述分层阈值,获取每一所述待评价图像的首层低频明度成分信息及计算得到的多个下一层低频明度成分信息,作为每一所述待评价图像的多层明度成分信息。
图像明度特征信息提取单元130,用于根据预置的明度特征提取规则从每一所述待评价图像的多层明度成分信息中提取得到对应的图像明度特征信息。
在一实施例中,所述图像明度特征信息提取单元130包括子单元:低频明度平均值计算单元,用于分别计算每一所述待评价图像中每一层明度成分信息分别包含的像素明度值的平均值,得到每一所述待评价图像的多个低频明度平均值;低频明度范围值计算单元,用于根据所述明度范围计算公式计算每一所述待评价图像中每一层明度成分信息的低频明度范围值,得到每一所述待评价图像的多个低频明度范围值。
在一实施例中,所述图像明度特征信息提取单元130还包括子单元:低频明度绝对值计算单元,用于根据所述低频明度绝对值计算公式对每一所述待评价图像中每一层明度成分信息的低频明度平均值及低频明度范围值分别进行计算,得到每一所述待评价图像的多个低频明度绝对值。
图像颜色特征信息提取单元140,用于根据预置的颜色特征提取规则从每一所述待评价图像中提取得到对应的图像颜色特征信息。
在一实施例中,所述图像颜色特征信息提取单元140包括子单元:色度平均值计算单元,用于分别计算每一所述待评价图像中每一颜色通道分别包含的像素色度值的平均值,得到每一所述待评价图像的多个色度平均值;色度梯度统计信息获取单元,用于对每一所述待评价图像中每一颜色通道的像素色度值进行统计得到对应的色度梯度统计信息;色度方差值计算单元,用于根据所述方差计算公式对每一所述颜色通道的色度梯度统计信息进行计算,得到每一所述待评价图像的多个色度方差值;偏度值计算单元,用于根据所述偏度计算公式及每一所述颜色通道的色度平均值对对应的色度梯度统计信息进行计算,得到每一所述待评价图像的多个偏度值。
在一实施例中,所述真实失真图像质量智能评价装置100还包括:模型训练单元,用于根据预置的训练数据集对初始图像评价模型进行迭代训练,得到训练后的图像评价模型。
特征向量获取单元150,用于将所述图像明度特征信息及所述图像颜色特征信息整合为每一所述待评价图像的特征向量。
评价结果获取单元160,用于将每一所述待评价图像的特征向量输入预置的图像评价模型进行智能评价,得到每一所述待评价图像的评价结果。
在一实施例中,所述真实失真图像质量智能评价装置100还包括:目标图像获取单元,用于根据预置的筛选条件及每一所述待评价图像的评价结果,获取所述真实失真图像集中满足所述筛选条件的图像作为目标图像。
在本发明实施例所提供的真实失真图像质量智能评价装置应用上述真实失真图像质量智能评价方法,对真实失真图像集中的待评价图像进行色彩转换得到图像明度信息,获取每一图像明度信息中的多层明度成分信息并提取得到图像明度特征信息,从每一待评价图像中提取得到图像颜色特征信息,将图像明度特征信息与图像颜色特征信息组合为待评价图像的特征向量并输入图像评价模型进行智能评价,得到每一待评价图像的评价结果。通过上述方法,基于图像颜色特征信息及由图像的多层明度成分信息得到的图像明度特征信息作为特征向量,以对真实失真图像进行质量评估,可确保对图像进行质量评估的客观性及一致性,提高了评价结果的准确性,且处理效率高,能够适用于对海量图像进行质量评价。
上述真实失真图像质量智能评价装置可以实现为计算机程序的形式,该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9,图9是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行真实失真图像质量智能评价方法以对真实失真图像集中的图像进行质量评价的用户终端或管理服务器。
参阅图9,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行真实失真图像质量智能评价方法,其中,存储介质503可以为易失性的存储介质或非易失性的存储介质。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行真实失真图像质量智能评价方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图9中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现上述的真实失真图像质量智能评价方法中对应的功能。
本领域技术人员可以理解,图9中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图9所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现上述的真实失真图像质量智能评价方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种真实失真图像质量智能评价方法,其特征在于,所述方法包括:
若接收到用户输入的真实失真图像集,对所述真实失真图像集中包含的每一待评价图像分别进行色彩转换以获取对应的图像明度信息;
根据预置的分层滤波模型对每一所述待评价图像的图像明度信息进行分层滤波得到每一所述待评价图像的多层明度成分信息;
根据预置的明度特征提取规则从每一所述待评价图像的多层明度成分信息中提取得到对应的图像明度特征信息;
根据预置的颜色特征提取规则从每一所述待评价图像中提取得到对应的图像颜色特征信息;
将所述图像明度特征信息及所述图像颜色特征信息整合为每一所述待评价图像的特征向量;
将每一所述待评价图像的特征向量输入预置的图像评价模型进行智能评价,得到每一所述待评价图像的评价结果。
2.根据权利要求1所述的真实失真图像质量智能评价方法,其特征在于,所述分层滤波模型包括卷积滤波规则、分层计算公式及分层阈值,所述根据预置的分层滤波模型对每一所述待评价图像的图像明度信息进行分层滤波得到每一所述待评价图像的多层明度成分信息,包括:
根据所述卷积滤波规则对每一所述待评价图像的图像明度信息进行卷积滤波处理得到首层低频明度成分信息;
将所述首层低频明度成分信息作为上一层低频明度成分信息,根据所述分层计算公式对所述上一层低频明度成分信息进行计算得到下一层低频明度成分信息;
判断所述下一层低频明度成分信息的层数值是否不小于所述分层阈值;
若所述下一层低频明度成分信息的层数值小于所述分层阈值,将所述下一层低频明度成分信息作为上一层低频明度成分信息并返回执行所述根据所述分层计算公式对所述上一层低频明度成分信息进行计算得到下一层低频明度成分信息的步骤;
若所述下一层低频明度成分信息的层数值不小于所述分层阈值,获取每一所述待评价图像的首层低频明度成分信息及计算得到的多个下一层低频明度成分信息,作为每一所述待评价图像的多层明度成分信息。
3.根据权利要求1所述的真实失真图像质量智能评价方法,其特征在于,所述明度特征提取规则包括明度范围计算公式,所述图像明度特征信息包括每一待评价图像的低频明度平均值及低频明度范围值,所述根据预置的明度特征提取规则从每一所述待评价图像的多层明度成分信息中提取得到对应的图像明度特征信息,包括:
分别计算每一所述待评价图像中每一层明度成分信息分别包含的像素明度值的平均值,得到每一所述待评价图像的多个低频明度平均值;
根据所述明度范围计算公式计算每一所述待评价图像中每一层明度成分信息的低频明度范围值,得到每一所述待评价图像的多个低频明度范围值。
4.根据权利要求3所述的真实失真图像质量智能评价方法,其特征在于,所述明度特征提取规则还包括低频明度绝对值计算公式,所述图像明度特征信息还包括每一待评价图像的低频明度绝对值,所述根据预置的明度特征提取规则从每一所述待评价图像的多层所述明度成分信息中提取得到对应的图像明度特征信息,包括:
根据所述低频明度绝对值计算公式对每一所述待评价图像中每一层明度成分信息的低频明度平均值及低频明度范围值分别进行计算,得到每一所述待评价图像的多个低频明度绝对值。
5.根据权利要求1所述的真实失真图像质量智能评价方法,其特征在于,所述颜色特征提取规则包括方差计算公式及偏度计算公式,所述图像颜色特征信息包括每一待评价图像的色度平均值、色度方差值及偏度值,所述根据预置的颜色特征提取规则从每一所述待评价图像中提取得到对应的图像颜色特征信息,包括:
分别计算每一所述待评价图像中每一颜色通道分别包含的像素色度值的平均值,得到每一所述待评价图像的多个色度平均值;
对每一所述待评价图像中每一颜色通道的像素色度值进行统计得到对应的色度梯度统计信息;
根据所述方差计算公式对每一所述颜色通道的色度梯度统计信息进行计算,得到每一所述待评价图像的多个色度方差值;
根据所述偏度计算公式及每一所述颜色通道的色度平均值对对应的色度梯度统计信息进行计算,得到每一所述待评价图像的多个偏度值。
6.根据权利要求1所述的真实失真图像质量智能评价方法,其特征在于,所述将每一所述待评价图像的特征向量输入预置的图像评价模型进行智能评价,得到每一所述待评价图像的评价结果之后,还包括:
根据预置的筛选条件及每一所述待评价图像的评价结果,获取所述真实失真图像集中满足所述筛选条件的图像作为目标图像。
7.根据权利要求1所述的真实失真图像质量智能评价方法,其特征在于,所述将所述特征向量输入预置的图像评价模型进行智能评价,得到所述待评价图像的评价结果之前,还包括:
根据预置的训练数据集对初始图像评价模型进行迭代训练,得到训练后的图像评价模型。
8.一种真实失真图像质量智能评价装置,其特征在于,所述装置包括:
图像明度信息获取单元,用于若接收到用户输入的真实失真图像集,对所述真实失真图像集中包含的每一待评价图像分别进行色彩转换以获取对应的图像明度信息;
分层滤波处理单元,用于根据预置的分层滤波模型对每一所述待评价图像的图像明度信息进行分层滤波得到每一所述待评价图像的多层明度成分信息;
图像明度特征信息提取单元,用于根据预置的明度特征提取规则从每一所述待评价图像的多层明度成分信息中提取得到对应的图像明度特征信息;
图像颜色特征信息提取单元,用于根据预置的颜色特征提取规则从每一所述待评价图像中提取得到对应的图像颜色特征信息;
特征向量获取单元,用于将所述图像明度特征信息及所述图像颜色特征信息整合为每一所述待评价图像的特征向量;
评价结果获取单元,用于将每一所述待评价图像的特征向量输入预置的图像评价模型进行智能评价,得到每一所述待评价图像的评价结果。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的真实失真图像质量智能评价方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的真实失真图像质量智能评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110334287.1A CN112837319B (zh) | 2021-03-29 | 2021-03-29 | 真实失真图像质量智能评价方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110334287.1A CN112837319B (zh) | 2021-03-29 | 2021-03-29 | 真实失真图像质量智能评价方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837319A CN112837319A (zh) | 2021-05-25 |
CN112837319B true CN112837319B (zh) | 2022-11-08 |
Family
ID=75930721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110334287.1A Active CN112837319B (zh) | 2021-03-29 | 2021-03-29 | 真实失真图像质量智能评价方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837319B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763291B (zh) * | 2021-09-03 | 2023-08-29 | 深圳信息职业技术学院 | 保持边界滤波算法的性能评价方法、智能终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682005A (zh) * | 2018-04-25 | 2018-10-19 | 西北工业大学 | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 |
CN109191428A (zh) * | 2018-07-26 | 2019-01-11 | 西安理工大学 | 基于掩蔽纹理特征的全参考型图像质量评价方法 |
CN110603566A (zh) * | 2017-05-01 | 2019-12-20 | 兴和株式会社 | 图像解析评价方法、计算机程序、图像解析评价装置 |
CN111754492A (zh) * | 2020-06-28 | 2020-10-09 | 北京百度网讯科技有限公司 | 图像质量评估方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1780651A1 (en) * | 2005-10-25 | 2007-05-02 | Bracco Imaging, S.P.A. | Method and system for automatic processing and evaluation of images, particularly diagnostic images |
-
2021
- 2021-03-29 CN CN202110334287.1A patent/CN112837319B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110603566A (zh) * | 2017-05-01 | 2019-12-20 | 兴和株式会社 | 图像解析评价方法、计算机程序、图像解析评价装置 |
CN108682005A (zh) * | 2018-04-25 | 2018-10-19 | 西北工业大学 | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 |
CN109191428A (zh) * | 2018-07-26 | 2019-01-11 | 西安理工大学 | 基于掩蔽纹理特征的全参考型图像质量评价方法 |
CN111754492A (zh) * | 2020-06-28 | 2020-10-09 | 北京百度网讯科技有限公司 | 图像质量评估方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
"基于高阶相位一致性的混合失真图像质量评价";侯春萍 等;《激光与光电子学进展》;20171231;第128-136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112837319A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Panetta et al. | Human-visual-system-inspired underwater image quality measures | |
CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
Qureshi et al. | Towards the design of a consistent image contrast enhancement evaluation measure | |
Wang et al. | Naturalness preserved image enhancement using a priori multi-layer lightness statistics | |
JP2023061956A (ja) | 画像解析方法、装置、コンピュータプログラム、及び深層学習アルゴリズムの生成方法 | |
Ferradans et al. | An analysis of visual adaptation and contrast perception for tone mapping | |
Lee et al. | Toward a no-reference image quality assessment using statistics of perceptual color descriptors | |
CN108898579A (zh) | 一种图像清晰度识别方法、装置和存储介质 | |
Tang et al. | Full-reference image quality assessment by combining features in spatial and frequency domains | |
CN109816666B (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
Shi et al. | Full reference image quality assessment based on visual salience with color appearance and gradient similarity | |
CN113436167B (zh) | 基于深度学习和视觉感知的无参考彩色图像质量评价方法 | |
CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
Krasula et al. | Preference of experience in image tone-mapping: Dataset and framework for objective measures comparison | |
CN110120034B (zh) | 一种与视觉感知相关的图像质量评价方法 | |
CN110211685B (zh) | 基于完全关注机制的糖网筛查网络结构模型 | |
Temel et al. | CSV: Image quality assessment based on color, structure, and visual system | |
CN112163637A (zh) | 基于非平衡数据的图像分类模型训练方法、装置 | |
Ortiz-Jaramillo et al. | Evaluation of color differences in natural scene color images | |
CN112837319B (zh) | 真实失真图像质量智能评价方法、装置、设备及介质 | |
WO2023005743A1 (zh) | 图像处理方法及装置、计算机设备、存储介质和计算机程序产品 | |
Xu et al. | Deep retinex decomposition network for underwater image enhancement | |
CN115131229A (zh) | 图像降噪、滤波数据处理方法、装置和计算机设备 | |
Colomer et al. | Assessment of sparse-based inpainting for retinal vessel removal | |
Wang et al. | Colorizing Grayscale CT images of human lungs using deep learning methods |
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 |