CN112967242A - 一种基于视觉特征聚合的光场质量评价方法 - Google Patents
一种基于视觉特征聚合的光场质量评价方法 Download PDFInfo
- Publication number
- CN112967242A CN112967242A CN202110218843.9A CN202110218843A CN112967242A CN 112967242 A CN112967242 A CN 112967242A CN 202110218843 A CN202110218843 A CN 202110218843A CN 112967242 A CN112967242 A CN 112967242A
- Authority
- CN
- China
- Prior art keywords
- light field
- formula
- hom
- visual
- pixel
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 20
- 230000002776 aggregation Effects 0.000 title claims abstract description 17
- 238000004220 aggregation Methods 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims abstract description 5
- 238000006731 degradation reaction Methods 0.000 claims abstract description 5
- 230000008878 coupling Effects 0.000 claims abstract description 4
- 238000010168 coupling process Methods 0.000 claims abstract description 4
- 238000005859 coupling reaction Methods 0.000 claims abstract description 4
- 230000003287 optical effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/10052—Images from lightfield camera
-
- 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)
- Data Mining & Analysis (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)
- Studio Devices (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种基于视觉特征聚合的光场质量评价方法,该方法包括:步骤1,获取光场数据集;步骤2,提取每一四维光场的视觉特征,得到每个四维光场的视觉聚合特征;视觉特征为四维光场的中心子孔径图像的特征向量LFCV、宏像素图上的特征向量LFMLI、极平面图像上的灰度共生矩阵特征向量LFEPI、以及不同重聚焦面上重聚焦图的特征向量LFRI中的一种或一种以上的组合;LFCV用于描述光场在空间清晰度上质量变化情况,LFMLI用于描述光场在角度域一致性退化情况,LFEPI用于描述光场在空‑角耦合域上结构变化情况,LFRI用于描述光场在投影域上的质量变化情况;步骤3,根据所述视觉聚合特征,使用支持向量回归训练得到光场质量分数评测模型;步骤4,通过光场质量分数评测模型评价光场的质量分数。本发明计算得到的光场质量客观评价分数与主观评价分数有较高的一致性。
Description
技术领域
本发明涉及计算机视觉与数字图像处理技术领域,特别是关于一种基于视觉特征聚合的光场质量评价方法。
背景技术
光场能够同时记录场景中光线的强度信息和方向信息,渲染出多种视觉效果。光场结合近年发展起来的增强现实和虚拟现实技术,可提供人们沉浸式的视觉体验。相比于传统图像,光场最大区别在于,可以先拍摄光场数据,再进行对焦、曝光和景深调整。这使得光场在摄影、天文学、机器人学、医学成像和显微成像等许多应用中提供了新的机会,引起了各界研究者们的广泛关注。
随着光场的应用越来越广泛,对于光场数据处理的研究相应地越来越多,例如,光场数据的压缩、重建及渲染处理等。这些处理操作都会引入不同程度的失真,从而影响人们的视觉体验。目前,光场质量评价方法可以量化这些失真程度。准确的光场质量评价可以指导光场数据处理方法的研究,同时有助于分析光场成像系统的性能。现有的大多数质量评价方法都是对于二维图像,三维图像等设计的并不适用于四维的光场数据。且目前关于光场质量评价相关的研究都还在探索阶段,因此光场质量评价方法研究成为了迫切需求。
发明内容
本发明的目的在于提供一种基于视觉特征聚合的光场质量评价方法,其能够为四维光场提供可靠的质量评价分数。
为实现上述目的,本发明提供一种基于视觉特征聚合的光场质量评价方法,该方法包括:
步骤1,获取光场数据集,所述光场数据集包括多个四维光场的数据;
步骤2,提取每一个所述四维光场的视觉特征,得到每个所述四维光场的视觉聚合特征;其中,所述视觉特征为四维光场的中心子孔径图像的特征向量LFCV、宏像素图上的特征向量LFMLI、极平面图像上的灰度共生矩阵特征向量LFEPI、以及不同重聚焦面上重聚焦图的特征向量LFRI中的一种或一种以上的组合;LFCV用于描述光场在空间清晰度上质量变化情况,LFMLI用于描述光场在角度域一致性退化情况,LFEPI用于描述光场在空-角耦合域上结构变化情况,LFRI用于描述光场在投影域上的质量变化情况;
步骤3,根据所述视觉聚合特征,使用支持向量回归训练得到光场质量分数评测模型;
步骤4,通过光场质量分数评测模型评价光场的质量分数。
进一步地,LFCV描述为α,η,skew,kurt中的一种特征或一种以上特征的组合,α为控制正态分布形状的参数,为减均值归一化处理后的中心子孔径图像的像素值xk的AGGD左方差,为的像素值xk的AGGD右方差,η为刻画α,σl,σr三者的关系的参数,skew为的像素值xk的偏度值,kurt为的像素值xk的峰度值;其中,xk通过式(4)计算获得:
式中,Γ(·)为伽马函数,βl和βr均表示用于简化公式的中间参数;
α=σl/σr (7)
进一步地,LFMLI描述为mean2(HOM)和skew(HOM)的组合,mean2(ENT)和skew(ENT)的组合,或者mean2(HOM)、skew(HOM)、mean2(ENT)和skew(ENT)的组合;mean2(HOM)为所有宏像素图灰度共生矩阵上的一致性特征组成的特征量图像HOM(s,t)的均值,skew(HOM)为HOM(s,t)的偏度值,mean2(ENT)为所有宏像素图灰度共生矩阵上的熵值组成的特征量图像ENT(s,t)的均值,skew(ENT)为ENT(s,t)的偏度值;其中,HOM(s,t)描述为式(15),ENT(s,t)描述为式(16):
进一步地,根据四维光场中获得水平极平面图Lv,t(u,s)和垂直极平面图Lu,s(v,t),LFEPI描述为m1,m2,m3,m4,m5,m6中的一种特征或一种以上特征的组合,m1表示水平方向极平面图灰度共生矩阵的的一致性特征量图像HOMhor(v,t)的均值;m2表示的能量特征量图像ENEhor(v,t)的均值;m3表示的对比度特征量图像CONhor(v,t)的均值;m4表示垂直方向极平面图灰度共生矩阵的一致性三种特征量图像HOMver(v,t)的均值;m5表示的能量特征量图像ENEver(v,t)的均值;m6表示的对比度特征量图像CONver(v,t)的均值;其中,HOMhor(v,t)描述为式(20),ENEhor(v,t)描述为式(21),CONhor(v,t)描述为式(22),HOMver(v,t)描述为式(23),ENEver(v,t)描述为式(24),CONver(v,t)描述为式(25),描述为式(18),描述为式(19):
进一步地,LFRI描述为ENa(k,l)的均值mean2(ENa)和偏度值skew(ENa),ENa(k,l)为重聚焦面a上的重聚焦图分块熵特征图,其描述为式(28):
本发明充分利用了四维光场数据高维度的特性,从光场得多种视觉形式下提取相关特征量描述光场在不同视觉下的降质情况,以此对光场进行了综合评价。通过采用本发明提供的方法,计算得到的光场质量客观评价分数与主观评价分数有较高的一致性。
附图说明
图1为本发明实施提供的基于视觉特征聚合的光场质量评价方法的流程图。
图2为本发明实施提供的四维光场排列成小透镜图像的示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明实施例提供的基于视觉特征聚合的光场质量评价方法包括:
步骤1,获取光场数据集。光场数据集可以采用lytro光场相机获取得到,但不限于此。
所述光场数据集包括多个四维光场数据,四维光场表示为L(u,v,s,t),(u,v)表示子孔径图像的坐标,(x,y)表示子孔径图像中像素的坐标。
步骤2,提取每一个所述四维光场的视觉特征,得到每个所述四维光场的视觉聚合特征。
其中,所述视觉特征可以是四维光场的中心子孔径图像的特征向量LFCV、宏像素图上的特征向量LFMLI、极平面图像上的灰度共生矩阵特征向量LFEPI、以及不同重聚焦面上重聚焦图的特征向量LFRI中的任一一种,也可以包括两种或两种以上的组合,甚至还可以根据实际需求,包括其它特征向量。
通过四维光场的中心子孔径图像的特征向量LFCV,可以用于描述光场在空间清晰度上质量变化情况。
作为获取四维光场的中心子孔径图像的特征向量LFCV的一种方式,其具体包括:
其中,表示中心子孔径图像中每个坐标点窗口内像素的均值,其可以通过下式(2)计算得到,但不限于该计算方法;表示中心子孔径图像中每个坐标点窗口内像素的方差,其可以通过下式(3)计算得到,但不限于该计算方法。
步骤23a,利用式(4)统计图像的像素值,再利用式(8)计算AGGD(英文全称为:asymmetric generalized gaussian distribution;中文全称为:非对称广义高斯分布)的左方差以及利用式(9)计算AGGD的右方差
其中,表示统计图像的像素值的函数;Γ(·)为伽马函数;α为控制正态分布形状的参数,其表示为式(7),但不限于该计算方法;xk表示图像中的像素值,下标k表示像素的索引,以0值为界,Nl表示小于0值得像素个数,Nr表示大于等于零的像素个数;βl和βr均表示用于简化公式的中间参数,无实质性意义。
α=σl/σr (7)
步骤24a,利用式(10)计算出刻画α,σl,σr三者的关系的参数η:
步骤26a,可以将四维光场的中心子孔径图像的特征向量LFCV描述为式(13):
通过四维光场的宏像素图上的特征向量LFMLI,可以用于描述光场在角度域一致性退化情况。
在一个实施例中,四维光场的宏像素图上的特征向量LFMLI的获取方法具体包括:
步骤21b,将四维光场排列成小透镜图像Ls,t(u,v),Ls,t(u,v)中,(s,t)表示宏像素图的坐标,(u,v)表示宏像素图中像素的坐标。如图2所示,图2中s轴和t轴示意的是小透镜图像中的坐标轴,每一个大的方块示意的是宏像素图,u轴和v轴示意的是宏像素图中的坐标轴,每个宏像素图中的小方块,例如小方块A1至小方块A9,分别示意的是宏像素图中的像素。
其中,i,j表示灰度共生矩阵的灰度等级,取值范围例如可以设置为i=1,2,3,…,8,j=1,2,3,…,8;Δu,Δv为偏移量,取值例如可以设置为Δu=1,Δv=0。
步骤22b,利用式(15)计算所有宏像素图灰度共生矩阵上的一致性特征组成的特征量图像HOM(s,t),利用式(16)计算所有宏像素图灰度共生矩阵上的熵值组成的特征量图像ENT(s,t)。
步骤23b,计算HOM(s,t)的均值mean2(HOM)和偏度值skew(HOM),计算ENT(s,t)的均值mean2(ENT)和偏度值skew(ENT)。其中,mean2(HOM)和mean2(ENT)的获取方式为现有计算方法,在此不再赘述。skew(HOM)和skew(ENT)可以采用式(11)的计算方法相同,在此不再赘述。
步骤24b,可以将四维光场的宏像素图上的特征向量LFMLI描述为式(17):
LFMLI=[mean2(HOM),mean2(ENT),skew(HOM),skew(ENT)] (17)
当然,也可以根据实际需要,将特征向量LFMLI描述为mean2(HOM)和skew(HOM)的组合或mean2(ENT)和skew(ENT)的组合。
通过四维光场的极平面图像上的灰度共生矩阵特征向量LFEPI,可以用于描述光场在空-角耦合域上结构变化情况。
在一个实施例中,四维光场的极平面图像上的灰度共生矩阵特征向量LFEPI的获取方法具体包括:
步骤21c,从四维光场中获得水平极平面图Lv,t(u,s)和垂直极平面图Lu,s(v,t)。下标v,t表示不同水平位置,下标u,s表示不同垂直位置。
步骤23c,利用下式分别计算水平方向极平面图灰度共生矩阵的一致性特征量图像HOMho(v,t)、能量特征量图像ENEho(v,t)和对比度特征量图像CONho(v,t),以及垂直方向极平面图灰度共生矩阵的一致性特征量图像HOMver(v,t)、能量特征量图像ENEver(v,t)和对比度特征量图像CONver(v,t),并对所有特征量图像分别求均值m1,m2,m3,m4,m5,m6。
步骤24c,可以将四维光场的极平面图像上的灰度共生矩阵特征向量LFEPI描述为式(26):
LFEPI=[m1,m2,m3,m4,m5,m6] (26)
其中,m1表示水平方向极平面图灰度共生矩阵的一致性特征量图像HOMhor(v,t)的均值;m2表示水平方向极平面图灰度共生矩阵的能量特征量图像ENEho(v,t)的均值;m3表示水平方向极平面图灰度共生矩阵的对比度特征量图像CONhor(v,t)的均值;m4表示垂直方向极平面图灰度共生矩阵的一致性三种特征量图像HOMver(v,t)的均值;m5表示垂直方向极平面图灰度共生矩阵的能量特征量图像ENEver(v,t)的均值;m6表示垂直方向极平面图灰度共生矩阵的对比度特征量图像CONver(v,t)的均值。
当然,也可以根据实际需要,将灰度共生矩阵特征向量LFEPI描述为m1,m2,m3,m4,m5,m6中的一种特征或一种以上特征的组合。
可以通过四维光场的不同重聚焦面上重聚焦图的特征向量LFRI,描述光场在投影域上的质量变化情况。
在一个实施例中,四维光场的不同重聚焦面上重聚焦图的特征向量LFRI的获取方法具体包括:
步骤21d,根据四维光场,利用式(27)计算出在不同聚焦面上的重聚焦图Ea(s,t):
其中,a表示不同聚焦面,a∈{0.6,0.8,1,1.2,1.4};Ea(s,t)表示不同聚焦面上的重聚焦图。
步骤22d,利用式(28)计算出的重聚焦面a上的重聚焦图分块熵特征图ENa(k,l):
首先,对ENa(k,l)进行分块;然后,k,l表示不同像素块的索引,例如:分成8*8的像素块,所以每一像素块有64个像素;最后,计算每个像素的概率,该概率值为每个像素除以其所在像素块中所有像素值的总和。
步骤23d,计算ENa(k,l)的均值mean2(ENa)和偏度值skew(ENa)。mean2(ENa)的获取方式为现有计算方法,在此不再赘述。skew(ENa)可以采用式(11)的计算方法相同,在此不再赘述。
步骤24d,可以将四维光场的不同重聚焦面上重聚焦图的特征向量LFRI描述为式(29):
LFRI={mean2(ENa),skew(ENa)} (29)
步骤3,根据所述视觉聚合特征,使用支持向量回归训练得到光场质量分数评测模型。
例如:利用式(30)表示的光场质量分数评测模型描述光场的整体质量:
LF=[LFCV,LFMLI,LFEPI,LFRI](21b)
除此之外,也可以使用四维光场的中心子孔径图像的特征向量LFCV、宏像素图上的特征向量LFMLI、极平面图像上的灰度共生矩阵特征向量LFEPI、以及不同重聚焦面上重聚焦图的特征向量LFRI中的任一一种或其它两种或两种以上的组合获得的光场质量分数评测模型,来描述光场的整体质量。
步骤4,利用光场质量分数评测模型,评价光场数据集中的每个光场的质量分数。每个光场的视觉聚合特征表示为LFp,其中p表示第p个光场。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于视觉特征聚合的光场质量评价方法,其特征在于,包括:
步骤1,获取光场数据集,所述光场数据集包括多个四维光场的数据;
步骤2,提取每一个所述四维光场的视觉特征,得到每个所述四维光场的视觉聚合特征;其中,所述视觉特征为四维光场的中心子孔径图像的特征向量LFCV、宏像素图上的特征向量LFMLI、极平面图像上的灰度共生矩阵特征向量LFEPI、以及不同重聚焦面上重聚焦图的特征向量LFRI中的一种或一种以上的组合;LFCV用于描述光场在空间清晰度上质量变化情况,LFMLI用于描述光场在角度域一致性退化情况,LFEPI用于描述光场在空-角耦合域上结构变化情况,LFRI用于描述光场在投影域上的质量变化情况;
步骤3,根据所述视觉聚合特征,使用支持向量回归训练得到光场质量分数评测模型;
步骤4,通过光场质量分数评测模型评价光场的质量分数。
5.如权利要求1至4中任一项所述的基于视觉特征聚合的光场质量评价方法,其特征在于,LFMLI描述为mean2(HOM)和skew(HOM)的组合,mean2(ENT)和skew(ENT)的组合,或者mean2(HOM)、skew(HOM)、mean2(ENT)和skew(ENT)的组合;mean2(HOM)为所有宏像素图灰度共生矩阵上的一致性特征组成的特征量图像HOM(s,t)的均值,skew(HOM)为HOM(s,t)的偏度值,mean2(ENT)为所有宏像素图灰度共生矩阵上的熵值组成的特征量图像ENT(s,t)的均值,skew(ENT)为ENT(s,t)的偏度值;其中,HOM(s,t)描述为式(15),ENT(s,t)描述为式(16):
6.如权利要求5所述的基于视觉特征聚合的光场质量评价方法,其特征在于,根据四维光场中获得水平极平面图Lv,t(u,s)和垂直极平面图Lu,s(v,t),LFEPI描述为m1,m2,m3,m4,m5,m6中的一种特征或一种以上特征的组合,m1表示水平方向极平面图灰度共生矩阵的的一致性特征量图像HOMhor(v,t)的均值;m2表示的能量特征量图像ENEhor(v,t)的均值;m3表示的对比度特征量图像CONhor(v,t)的均值;m4表示垂直方向极平面图灰度共生矩阵的一致性三种特征量图像HOMver(v,t)的均值;m5表示的能量特征量图像ENEver(v,t)的均值;m6表示的对比度特征量图像CONver(v,t)的均值;其中,HOMhor(v,t)描述为式(20),ENEhor(v,t)描述为式(21),CONhor(v,t)描述为式(22),HOMver(v,t)描述为式(23),ENEver(v,t)描述为式(24),CONver(v,t)描述为式(25),描述为式(18),描述为式(19):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218843.9A CN112967242B (zh) | 2021-02-26 | 2021-02-26 | 一种基于视觉特征聚合的光场质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218843.9A CN112967242B (zh) | 2021-02-26 | 2021-02-26 | 一种基于视觉特征聚合的光场质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967242A true CN112967242A (zh) | 2021-06-15 |
CN112967242B CN112967242B (zh) | 2023-07-04 |
Family
ID=76276088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110218843.9A Active CN112967242B (zh) | 2021-02-26 | 2021-02-26 | 一种基于视觉特征聚合的光场质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967242B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934408A (zh) * | 2024-01-23 | 2024-04-26 | 江西财经大学 | 一种基于透镜图的光场图像全参考质量评价方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140240532A1 (en) * | 2013-02-27 | 2014-08-28 | Massachusetts Institute Of Technology | Methods and Apparatus for Light Field Photography |
CN104079827A (zh) * | 2014-06-27 | 2014-10-01 | 中国科学院自动化研究所 | 一种光场成像自动重对焦方法 |
CN106056559A (zh) * | 2016-06-30 | 2016-10-26 | 河海大学常州校区 | 基于暗通道先验的非均匀光场水下目标探测图像增强方法 |
CN108696692A (zh) * | 2017-04-06 | 2018-10-23 | 上海盟云移软网络科技股份有限公司 | 光场成像的数据预处理方法 |
CN109064505A (zh) * | 2018-07-26 | 2018-12-21 | 清华大学深圳研究生院 | 一种基于滑动窗口张量提取的深度估计方法 |
CN109089025A (zh) * | 2018-08-24 | 2018-12-25 | 中国民航大学 | 一种基于光场成像技术的影像仪数字聚焦方法 |
CN109523508A (zh) * | 2018-09-27 | 2019-03-26 | 宁波大学 | 一种密集光场质量评价方法 |
CN109801273A (zh) * | 2019-01-08 | 2019-05-24 | 华侨大学 | 一种基于极平面线性相似度的光场图像质量评价方法 |
CN110012196A (zh) * | 2019-02-22 | 2019-07-12 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 一种光场相机重聚焦方法 |
CN110246162A (zh) * | 2019-06-20 | 2019-09-17 | 首都师范大学 | 一种全聚焦光场图像组成方法及系统 |
CN110310269A (zh) * | 2019-06-27 | 2019-10-08 | 华侨大学 | 基于极平面多尺度Gabor特征相似度的光场图像质量评价方法 |
US20200120328A1 (en) * | 2018-10-10 | 2020-04-16 | Avalon Holographics Inc. | High-Performance Light Field Display Simulator |
CN111145134A (zh) * | 2019-12-24 | 2020-05-12 | 太原科技大学 | 基于块效应的微透镜光场相机全聚焦图像生成算法 |
CN111260707A (zh) * | 2020-02-21 | 2020-06-09 | 合肥工业大学 | 一种基于光场epi图像的深度估计方法 |
CN111524104A (zh) * | 2020-04-13 | 2020-08-11 | 华侨大学 | 基于多尺度轮廓波特征的全参考光场图像质量评价方法 |
US20200275075A1 (en) * | 2019-02-22 | 2020-08-27 | Avalon Holographics Inc. | Layered Scene Decomposition CODEC with Higher Order Lighting |
-
2021
- 2021-02-26 CN CN202110218843.9A patent/CN112967242B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140240532A1 (en) * | 2013-02-27 | 2014-08-28 | Massachusetts Institute Of Technology | Methods and Apparatus for Light Field Photography |
CN104079827A (zh) * | 2014-06-27 | 2014-10-01 | 中国科学院自动化研究所 | 一种光场成像自动重对焦方法 |
CN106056559A (zh) * | 2016-06-30 | 2016-10-26 | 河海大学常州校区 | 基于暗通道先验的非均匀光场水下目标探测图像增强方法 |
CN108696692A (zh) * | 2017-04-06 | 2018-10-23 | 上海盟云移软网络科技股份有限公司 | 光场成像的数据预处理方法 |
CN109064505A (zh) * | 2018-07-26 | 2018-12-21 | 清华大学深圳研究生院 | 一种基于滑动窗口张量提取的深度估计方法 |
CN109089025A (zh) * | 2018-08-24 | 2018-12-25 | 中国民航大学 | 一种基于光场成像技术的影像仪数字聚焦方法 |
CN109523508A (zh) * | 2018-09-27 | 2019-03-26 | 宁波大学 | 一种密集光场质量评价方法 |
US20200120328A1 (en) * | 2018-10-10 | 2020-04-16 | Avalon Holographics Inc. | High-Performance Light Field Display Simulator |
CN109801273A (zh) * | 2019-01-08 | 2019-05-24 | 华侨大学 | 一种基于极平面线性相似度的光场图像质量评价方法 |
CN110012196A (zh) * | 2019-02-22 | 2019-07-12 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 一种光场相机重聚焦方法 |
US20200275075A1 (en) * | 2019-02-22 | 2020-08-27 | Avalon Holographics Inc. | Layered Scene Decomposition CODEC with Higher Order Lighting |
CN110246162A (zh) * | 2019-06-20 | 2019-09-17 | 首都师范大学 | 一种全聚焦光场图像组成方法及系统 |
CN110310269A (zh) * | 2019-06-27 | 2019-10-08 | 华侨大学 | 基于极平面多尺度Gabor特征相似度的光场图像质量评价方法 |
CN111145134A (zh) * | 2019-12-24 | 2020-05-12 | 太原科技大学 | 基于块效应的微透镜光场相机全聚焦图像生成算法 |
CN111260707A (zh) * | 2020-02-21 | 2020-06-09 | 合肥工业大学 | 一种基于光场epi图像的深度估计方法 |
CN111524104A (zh) * | 2020-04-13 | 2020-08-11 | 华侨大学 | 基于多尺度轮廓波特征的全参考光场图像质量评价方法 |
Non-Patent Citations (9)
Title |
---|
CHANG LIU 等: "Light field quality assessment based on aggregation learning of multiple visual features", 《OPTICS EXPRESS》, vol. 30, no. 21, pages 38298 - 38318 * |
LIANG SHAN 等: "A No-Reference Image Quality Assessment Metric by Multiple Characteristics of Light Field Images", 《IEEE ACCESS》, vol. 07, pages 127217 - 127229 * |
关德鹏: "光场体验质量评价", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 2018, pages 005 - 65 * |
史丽坤: "光场图像质量评价研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2019, pages 138 - 621 * |
杨凡 等: "光场相机成像质量评价方法研究", 《现代电子技术》, vol. 34, no. 06, pages 4 - 6 * |
田钰 等: "利用边缘相似度的光场图像质量评价", 《信号处理》, vol. 34, no. 10, pages 1197 - 1202 * |
邹卓成 等: "基于多视觉特征聚合的光场质量评价方法", 《光学学报》, vol. 41, no. 16, pages 62 - 73 * |
陈琦 等: "基于光场相机的四维光场图像水印及质量评价", 《光学学报》, vol. 38, no. 04, pages 153 - 160 * |
黄至娇 等: "基于剪切波变换的光场图像质量评价方法", 《光电子・激光》, vol. 31, no. 02, pages 187 - 193 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934408A (zh) * | 2024-01-23 | 2024-04-26 | 江西财经大学 | 一种基于透镜图的光场图像全参考质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112967242B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766160B (zh) | 基于多级属性编码器和注意力机制的人脸替换方法 | |
Ma et al. | PathSRGAN: multi-supervised super-resolution for cytopathological images using generative adversarial network | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
CN110827193B (zh) | 基于多通道特征的全景视频显著性检测方法 | |
US11367195B2 (en) | Image segmentation method, image segmentation apparatus, image segmentation device | |
JPH06150000A (ja) | 画像クラスタリング装置 | |
Huang et al. | A Chan-Vese model based on the Markov chain for unsupervised medical image segmentation | |
CN113570658A (zh) | 基于深度卷积网络的单目视频深度估计方法 | |
CN109191460A (zh) | 一种对于色调映射图像的质量评价方法 | |
CN106910208A (zh) | 一种存在运动目标的场景图像拼接方法 | |
CN111292336B (zh) | 基于分段式球面投影格式的全向图像无参考质量评价方法 | |
CN109447930A (zh) | 小波域光场全聚焦图像生成算法 | |
CN113177592B (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
CN113450396A (zh) | 基于骨骼特征的三维/二维图像配准方法及装置 | |
CN110097499B (zh) | 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
CN109766896B (zh) | 一种相似度度量方法、装置、设备和存储介质 | |
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 | |
CN111914938B (zh) | 一种基于全卷积二分支网络的图像属性分类识别方法 | |
Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
CN107392211B (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
CN114119635B (zh) | 一种基于空洞卷积的脂肪肝ct图像分割方法 | |
CN112967242A (zh) | 一种基于视觉特征聚合的光场质量评价方法 | |
CN109472794B (zh) | 一种对图像进行超像素分割的方法及系统 | |
CN110599587A (zh) | 一种基于单张图像的3d场景重构技术 |
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 |