CN114782422B - 一种svr特征融合的无参考jpeg图像质量评价方法 - Google Patents

一种svr特征融合的无参考jpeg图像质量评价方法 Download PDF

Info

Publication number
CN114782422B
CN114782422B CN202210684080.1A CN202210684080A CN114782422B CN 114782422 B CN114782422 B CN 114782422B CN 202210684080 A CN202210684080 A CN 202210684080A CN 114782422 B CN114782422 B CN 114782422B
Authority
CN
China
Prior art keywords
image
gradient
laplace
feature
quality evaluation
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
Application number
CN202210684080.1A
Other languages
English (en)
Other versions
CN114782422A (zh
Inventor
朱树元
刘科
李鼎立
胡术明
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210684080.1A priority Critical patent/CN114782422B/zh
Publication of CN114782422A publication Critical patent/CN114782422A/zh
Application granted granted Critical
Publication of CN114782422B publication Critical patent/CN114782422B/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
    • G06F18/21—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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于无参考图像质量评价领域，具体提供一种SVR特征融合的无参考JPEG图像质量评价方法，用以进行单一图像的质量分数的有效评价。本发明在一阶梯度块效应特征、二阶梯度块效应特征及频域AC系数特征基础上，引入梯度Laplace水平特征与梯度Laplace垂直特征，并采用SVR模型实现特征融合，得到图像的质量预测分数；本发明通过引入梯度Laplace特征，更为全面的提取图像的细节信息，加上采用更为合理的SVR特征融合方法，在训练中通过特征值和标签拟合出准确的SVR模型，能够显著的提升图像的质量评价准确度，进而有效评价图像质量。

Description

一种SVR特征融合的无参考JPEG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领域，具体提供一种SVR特征融合的无参考JPEG图像质量评价方法。
背景技术
现代生活和工作中，数字图像已成为信息传递的重要媒介，其质量影响着人类及机器对图像信息获取的完整性和准确性。数字图像主要通过摄像工具获取，如摄像机、手机、相机等获得；图像获取过程中的采光、模数转换、压缩、处理等过程存在不同的失真，影响着图像的质量，准确合理地评价图像质量十分必要。
图像质量评价方法的目的是预测图像质量，以尽可能接近人眼的主观感知。目前为止，图像质量的评价方法分为主观评价方法和客观评价方法两大类，其中，主观评价方法是通过专业人员的视觉观察直接判断图像质量的好坏；而客观评价方法是利用数学模型对图像质量进行评价，通过计算得到的数值反映出图像质量的高低。图像质量客观评价方法又分为三类：全参考方法、半参考方法和无参考方法，全参考方法和半参考方法需要来自无失真原始图像的信息，而无参考方法则可以在不参考任何无失真原始图像的情况下评估图像质量；在现实中，很难找到待评价图像的无失真原始图像，因此，无参考方法得到了更广泛的应用和需求。
在此基础上，申请人在公开号为CN114240849A的中国专利文献中提出了一种基于梯度变化的无参考JPEG图像质量评价方法，该方法中采用基于JPEG图像的水平、垂直、45度斜与135度斜四个方向的一阶梯度块效应特征B 1、二阶梯度块效应特征B 2与频域AC系数特征A来评价图像的客观质量分数，在提取图像的三个特征后，使用多项式模型将三个特征组合构成质量评价模型；但是，基于多项式模型的特征组合的多项式模型只能通过经验判断，且参数只能通过遍历确定，对JPEG图像质量的评价准确度还不够高；因此，本发明在该专利的基础上，提出一种SVR特征融合的无参考JPEG图像质量评价方法，以更加准确的进行JPEG图像质量的评价。
发明内容
本发明的目的在于提供一种SVR特征融合的无参考JPEG图像质量评价方法，用以更加准确的进行JPEG图像质量的评价；本发明在待评价JPEG图像的一阶梯度块效应特征B 1、二阶梯度块效应特征B 2与频域AC系数特征A的基础上，引入梯度Laplace水平特征L 1与梯度Laplace垂直特征L 2，再采用SVR方法将五个特征融合构成质量评价模型，再次提升图像质量评价的准确性。
为实现上述目的，本发明采用的技术方案如下：
一种SVR特征融合的无参考JPEG图像质量评价方法，其特征在于，包括以下步骤：
步骤1. 计算待评价JPEG图像的一阶梯度块效应特征B 1、二阶梯度块效应特征B 2与频域AC系数特征A；
步骤2. 计算待评价JPEG图像的梯度Laplace特征，具体为：
步骤2.1 采用Laplace矩阵对待评价JPEG图像的一阶水平梯度矩阵G h 与一阶垂直梯度矩阵G v 分别进行有效卷积，得到水平梯度矩阵G ch 与垂直梯度矩阵G cv ；
步骤2.2 基于待评价JPEG图像构建若干个图像块T：以8×8的像素块为单元块，按照窗口尺寸为3×3、滑动步长为1的滑窗操作遍历整个图像，构建得到若干个图像块T；
步骤2.3 计算每一个图像块T的梯度Laplace水平特征L ch ；
步骤2.4 计算每一个图像块T的梯度Laplace垂直特征L cv ；
步骤2.5设定阈值过滤无效梯度Laplace水平特征：L ch > 0，并将所有有效梯度Laplace水平特征取平均值，作为待评价JPEG图像的梯度Laplace水平特征L 1；设定阈值过滤无效梯度Laplace垂直特征：L cv > 0，并将所有有效梯度Laplace垂直特征取平均值，作为待评价JPEG图像的梯度Laplace垂直特征L 2；
步骤3. 将待评价JPEG图像的一阶梯度块效应特征B 1、二阶梯度块效应特征B 2、频域AC系数特征A、梯度Laplace水平特征L 1与梯度Laplace垂直特征L 2构成特征向量输入至预训练SVR模型，由预训练SVR模型输出待评价JPEG图像的质量预测分数。
进一步的，步骤2.1中，所述Laplace矩阵为3×3的数字矩阵，其中心元素为8、其余元素均为-1。
进一步的，步骤2.3中，每一个图像块T的梯度Laplace水平特征L ch 的计算过程为：取图像块T的第9~16行、第4~21列像素点构成子图像块t 1，基于子图像块t 1计算图像块T的梯度Laplace水平特征L ch 为：
Figure 762881DEST_PATH_IMAGE001
Figure 576116DEST_PATH_IMAGE002
其中，(i , j)表示像素点坐标，(m h , n h )表示子图像块t 1的第一个像素点的坐标，G ch (i, j)表示水平梯度矩阵G ch 中(i , j)处元素值，G ch (j)表示水平梯度矩阵G ch 中相应元素的平均值。
进一步的，步骤2.4中，每一个图像块T的梯度Laplace垂直特征L cv 的计算过程为：取图像块T的第9~16列、第4~21行像素点构成子图像块t 2，基于子图像块t 2计算图像块T的梯度Laplace垂直特征L cv 为；
Figure 808514DEST_PATH_IMAGE003
Figure 580161DEST_PATH_IMAGE004
其中，(i , j)表示像素点坐标，(m v , n v )表示子图像块t 2的第一个像素点的坐标，G cv (i, j)表示垂直梯度矩阵G cv 中(i , j)处元素值，G cv (i)表示垂直梯度矩阵G cv 中相应元素的平均值。
进一步的，步骤3中，所述SVR模型由svmtrain方法训练得到，训练集基于LIVE、CSIQ、TID2008与TID2013四个数据库构建而成，训练参数为：核函数为sigmoid类型、惩罚系数为9000、gamma参数值为0.0039；训练集中每张训练图像的一阶梯度块效应特征B 1、二阶梯度块效应特征B 2、频域AC系数特征A、梯度Laplace水平特征L 1与梯度Laplace垂直特征L 2构成输入特征向量，训练图像对应的图像主观质量评价得分mos作为输出标签。更进一步的，训练集构建过程为：首先，将每个数据库的图像主观质量评价得分进行归一化处理，针对TID2008与TID2013数据库，将归一化结果作为图像主观质量评价得分mos；针对LIVE与CSIQ数据库，将1减去归一化结果的差值作为图像主观质量评价得分mos；然后，将四个数据库中JPEG图像按照预设比例随机抽取构成训练集。
本发明的有益效果在于：
本发明提出了一种基于SVR特征融合的无参考JPEG图像质量评价方法，为了准确预测JPEG压缩图像的客观质量，通过分析JPEG图像的梯度矩阵的特点，发现该类图像的块边界梯度值经过Laplace矩阵过滤后与其主观分数具有较大的相关性；因此，本发明在JPEG图像的一阶梯度块效应特征、二阶梯度块效应特征及频域AC系数特征基础上，引入梯度Laplace水平特征L 1与梯度Laplace垂直特征L 2，并在提取图像的五个特征后，采用SVR模型实现特征融合，得到JPEG图像的质量预测分数；本发明通过引入梯度Laplace水平特征L 1与梯度Laplace垂直特征L 2后，更为全面的提取JPEG图像的细节信息，加上采用更为合理的SVR特征融合方法，在训练中通过特征值和标签拟合出准确合理的SVR模型，能够显著的提升JPEG图像的质量评价准确度，进而有效评价图像质量。最终，在四个公开的质量评价数据库上进行性能验证，结果表明本发明明显优于现有无参考JPEG图像质量评价方法。
附图说明
图1为本发明中SVR特征融合的无参考JPEG图像质量评价方法的流程示意图。
图2为本发明中Laplace矩阵的定义图。
图3为本发明中图像块T中子图像块t 1与子图像块t 2的构建示意图。
图4为本发明实施例与LIVE数据库中图像主观质量评价得分的散点图。
图5为本发明实施例与CSIQ数据库中图像主观质量评价得分的散点图。
图6为本发明实施例与TID2008数据库中图像主观质量评价得分的散点图。
图7为本发明实施例与TID2013数据库中图像主观质量评价得分的散点图。
具体实施方式
为使本发明的目的、技术方案与有效效果更加清楚明白，下面结合附图和实施例对本发明做进一步详细说明。
本实施例提供一种基于特征融合的无参考JPEG图像质量评价方法，在一阶梯度块效应特征B 1、二阶梯度块效应特征B 2与频域AC系数特征A的基础上，引入梯度Laplace水平特征L 1与梯度Laplace垂直特征L 2，再采用SVR方法将五个特征融合构成质量评价模型，其流程如图1所示，具体包括以下步骤：
步骤1. 计算待评价JPEG图像的一阶梯度块效应特征B 1、二阶梯度块效应特征B 2与频域AC系数特征A；
步骤2. 计算待评价JPEG图像的梯度Laplace特征，具体为：
步骤2.1 采用Laplace矩阵对待评价JPEG图像的一阶水平梯度矩阵G h 与一阶垂直梯度矩阵G v 分别进行有效卷积，得到水平梯度矩阵G ch 与垂直梯度矩阵G cv ；
进一步的，所述Laplace矩阵为3×3的数字矩阵，如图2所示，其中心元素为8、其余元素均为-1；
所述待评价JPEG图像的一阶水平梯度矩阵G h 与一阶垂直梯度矩阵G v 分别为：
Figure 265220DEST_PATH_IMAGE005
Figure 377752DEST_PATH_IMAGE006
其中，(i , j)表示像素点坐标，I(i , j)表示像素点(i , j)处的灰度值，G h (i , j)、G v (i , j)分别表示像素点(i , j)处的水平梯度值、垂直梯度值；
步骤2.2 基于待评价JPEG图像构建若干个图像块T：以8×8的像素块为单元块，按照窗口尺寸为3×3、滑动步长为1的滑窗操作遍历整个图像，构建得到若干个图像块T；
步骤2.3 计算每一个图像块T的梯度Laplace水平特征；
取图像块T的第9~16行像素点构成一个8×24的图像块，进一步取该8×24图像块的第4~21列像素点构成一个8×18的子图像块t 1，即取图像块T第9~16行、第4~21列像素点构成一个8×18的子图像块t 1，如图3中实线框所示，子图像块t 1包含3个单元块的水平相邻边界，能够同时计算两个相邻单元块的边界梯度值；基于此，计算图像块T的梯度Laplace水平特征L ch 为：
Figure 464657DEST_PATH_IMAGE001
Figure 141626DEST_PATH_IMAGE002
其中，(i , j)表示像素点坐标，(m h , n h )表示子图像块t 1的第一个像素点的坐标，G ch (i, j)表示水平梯度矩阵G ch 中(i , j)处元素值，G ch (j)表示水平梯度矩阵G ch 中相应元素的平均值；
步骤2.4 计算每一个图像块T的梯度Laplace垂直特征；
取图像块T第9~16列像素点构成一个24×8的图像块，进一步取该24×8图像块的第4~21行像素点构成一个18×8的子图像块t 2，即取图像块T第9~16列、第4~21行像素点构成一个18×8的子图像块t 2，如图3中虚线框所示，子图像块t 2包含3个单元块的垂直相邻边界，能够同时计算两个相邻单元块的边界梯度值；基于此，计算图像块T的梯度Laplace垂直特征L cv 为；
Figure 313981DEST_PATH_IMAGE003
Figure 203439DEST_PATH_IMAGE004
其中，(i , j)表示像素点坐标，(m v , n v )表示子图像块t 2的第一个像素点的坐标，G cv (i, j)表示垂直梯度矩阵G cv 中(i , j)处元素值，G cv (i)表示垂直梯度矩阵G cv 中相应元素的平均值；
步骤2.5设定阈值过滤无效梯度Laplace水平特征：L ch > 0，并将所有有效梯度Laplace水平特征取平均值，作为待评价JPEG图像的梯度Laplace水平特征L 1；设定阈值过滤无效梯度Laplace垂直特征：L cv > 0，并将所有有效梯度Laplace垂直特征取平均值，作为待评价JPEG图像的梯度Laplace垂直特征L 2；
步骤3. 采用SVR模型进行特征融合，得到待评价JPEG图像的质量预测分数；
进一步的，所述SVR模型由svmtrain方法训练得到，训练集基于LIVE、CSIQ、TID2008与TID2013四个数据库构建而成，训练参数为：核函数为sigmoid类型、惩罚系数为9000、gamma参数值为0.0039；训练集中每张训练图像的一阶梯度块效应特征B 1、二阶梯度块效应特征B 2、频域AC系数特征A、梯度Laplace水平特征L 1与梯度Laplace垂直特征L 2构成输入特征向量，训练图像对应的图像主观质量评价得分mos作为输出标签。
更进一步的，训练集构建过程为：首先，将每个数据库的图像主观质量评价得分进行归一化处理，针对TID2008与TID2013数据库，将归一化结果作为图像主观质量评价得分mos；针对LIVE与CSIQ数据库，将1减去归一化结果的差值作为图像主观质量评价得分mos；然后，将四个数据库中JPEG图像按照预设比例随机抽取构成训练集。
需要说明的是：步骤1中一阶梯度块效应特征B 1、二阶梯度块效应特征B 2与频域AC系数特征A的计算过程与现有基于梯度变化的无参考JPEG图像质量评价方法相同，本发明不再赘述；SVR模型训练过程中，输入特征向量中五个特征的元素位置对训练结果并无影响。
本实施例中，基于LIVE、CSIQ、TID2008与TID2013四个数据库构建SVR模型的训练集，四个数据库的详细信息如下表所示：
Figure 410430DEST_PATH_IMAGE007
其中，LIVE、CSIQ的图像主观质量评价得分为DMOS，DMOS数值越小表示图像质量越好，而TID2008、TID2013的图像主观质量评价得分为MOS，MOS数值越大表示图像质量越好，由此可见，LIVE、CSIQ的图像主观质量评价得分与图像质量成负相关，TID2008、TID2013的图像主观质量评价得分与图像质量成正相关，故对LIVE、CSIQ的图像主观质量评价得分进行上述转换处理，转换后四个数据库的的图像主观质量评价得分与图像质量成正相关。
将上述四个数据库总共608张JPEG图像中随机抽取20%的图像作为训练集，再用剩余的80%图像作为测试集，对本实施例中SVR特征融合的无参考JPEG图像质量评价方法进行测试，采用SROCC（Spearman rankorder correlation coefficient，斯皮尔曼秩相关系数），PLCC（Pearson linear correlation coefficient，皮尔森线性相关系数），RMSE（Root Mean Squared Error，均方误差）作为为客观评价指标衡量算法性能；同时，采用文献“Z. Wang, H. R. Sheikh, and A. Bovik, “No-reference perceptualqualityassessment of JPEG compressed images,” in Proc. Int. Conf.ImageProcess. 2002, vol. 1, pp. I-477–I-480.”作为对比例1、文献“Zhan Y, ZhangR. “No-Reference JPEG Image Quality Assessment Based on Blockiness andLuminance Change[J]”. IEEE Signal Processing Letters, 2017, PP(6):1-1.”作为对比例2、文献“CN114240849A”作为对比例3，对本实施例的测试结果进行对比说明，测试结果如下表所示：
Figure 258300DEST_PATH_IMAGE008
由上表可见，本发明在所有数据库中都具有竞争力，其PLCC、SROCC、RMSE性能指标均排名第一；上表还提供了所有IQA数据库的平均结果，可以看出，本发明所提方法的平均性能最好。
另外，如图4、图5、图6、图7依次显示了本实施例与LIVE、CSIQ、TID2008、TID2013数据库中图像主观质量评价得分mos的散点图，由图可见，本发明的评价分数与数据库中图像主观质量评价得分mos一致，其分数和MOS、处理后的DMOS均成正相关。
综上所述，本发明所提出的SVR特征融合的无参考JPEG图像质量评价方法对JPEG压缩后的图像质量评价非常有效，在测试中，整个数据集的性能稳健、一致。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (4)

1.一种SVR特征融合的无参考JPEG图像质量评价方法，其特征在于，包括以下步骤：
步骤1. 计算待评价JPEG图像的一阶梯度块效应特征B 1、二阶梯度块效应特征B 2与频域AC系数特征A；
步骤2. 计算待评价JPEG图像的梯度Laplace特征，具体为：
步骤2.1 采用Laplace矩阵对待评价JPEG图像的一阶水平梯度矩阵G h 与一阶垂直梯度矩阵G v 分别进行有效卷积，得到水平梯度矩阵G ch 与垂直梯度矩阵G cv ；
步骤2.2 基于待评价JPEG图像构建若干个图像块T：以8×8的像素块为单元块，按照窗口尺寸为3×3、滑动步长为1的滑窗操作遍历整个图像，构建得到若干个图像块T；
步骤2.3 计算每一个图像块T的梯度Laplace水平特征L ch ；具体为：取图像块T的第9~16行、第4~21列像素点构成子图像块t 1，基于子图像块t 1计算图像块T的梯度Laplace水平特征L ch 为：
Figure 737035DEST_PATH_IMAGE001
Figure 397824DEST_PATH_IMAGE002
其中，(i , j)表示像素点坐标，(m h , n h )表示子图像块t 1的第一个像素点的坐标；
步骤2.4 计算每一个图像块T的梯度Laplace垂直特征L cv ；具体为：取图像块T的第9~16列、第4~21行像素点构成子图像块t 2，基于子图像块t 2计算图像块T的梯度Laplace垂直特征L cv 为；
Figure 769721DEST_PATH_IMAGE003
Figure 123342DEST_PATH_IMAGE004
其中，(i , j)表示像素点坐标，(m v , n v )表示子图像块t 2的第一个像素点的坐标；
步骤2.5设定阈值过滤无效梯度Laplace水平特征：L ch > 0，并将所有有效梯度Laplace水平特征取平均值，作为待评价JPEG图像的梯度Laplace水平特征L 1；设定阈值过滤无效梯度Laplace垂直特征：L cv > 0，并将所有有效梯度Laplace垂直特征取平均值，作为待评价JPEG图像的梯度Laplace垂直特征L 2；
步骤3. 将待评价JPEG图像的一阶梯度块效应特征B 1、二阶梯度块效应特征B 2、频域AC系数特征A、梯度Laplace水平特征L 1与梯度Laplace垂直特征L 2构成特征向量输入至预训练SVR模型，由预训练SVR模型输出待评价JPEG图像的质量预测分数。
2.按权利要求1所述SVR特征融合的无参考JPEG图像质量评价方法，其特征在于，步骤2.1中，所述Laplace矩阵为3×3的数字矩阵，其中心元素为8、其余元素均为-1。
3.按权利要求1所述SVR特征融合的无参考JPEG图像质量评价方法，其特征在于，步骤3中，所述SVR模型由svmtrain方法训练得到，训练集基于LIVE、CSIQ、TID2008与TID2013四个数据库构建而成，训练参数为：核函数为sigmoid类型、惩罚系数为9000、gamma参数值为0.0039；训练集中每张训练图像的一阶梯度块效应特征B 1、二阶梯度块效应特征B 2、频域AC系数特征A、梯度Laplace水平特征L 1与梯度Laplace垂直特征L 2构成输入特征向量，训练图像对应的图像主观质量评价得分mos作为输出标签。
4.按权利要求3所述SVR特征融合的无参考JPEG图像质量评价方法，其特征在于，训练集构建过程为：首先，将每个数据库的图像主观质量评价得分进行归一化处理，针对TID2008与TID2013数据库，将归一化结果作为图像主观质量评价得分mos；针对LIVE与CSIQ数据库，将1减去归一化结果的差值作为图像主观质量评价得分mos；然后，将四个数据库中JPEG图像按照预设比例随机抽取构成训练集。
CN202210684080.1A 2022-06-17 2022-06-17 一种svr特征融合的无参考jpeg图像质量评价方法 Active CN114782422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210684080.1A CN114782422B (zh) 2022-06-17 2022-06-17 一种svr特征融合的无参考jpeg图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210684080.1A CN114782422B (zh) 2022-06-17 2022-06-17 一种svr特征融合的无参考jpeg图像质量评价方法

Publications (2)

Publication Number Publication Date
CN114782422A CN114782422A (zh) 2022-07-22
CN114782422B true CN114782422B (zh) 2022-10-14

Family

ID=82422162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210684080.1A Active CN114782422B (zh) 2022-06-17 2022-06-17 一种svr特征融合的无参考jpeg图像质量评价方法

Country Status (1)

Country Link
CN (1) CN114782422B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
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
CN106127741A (zh) * 2016-06-17 2016-11-16 西安电子科技大学 基于改良自然场景统计模型的无参考图像质量评价方法
CN106454350A (zh) * 2016-06-28 2017-02-22 中国人民解放军陆军军官学院 一种用于红外图像的无参考评价方法
CN107481211A (zh) * 2017-08-15 2017-12-15 北京工业大学 一种基于梯度域融合的夜间交通监控增强方法
WO2018058090A1 (en) * 2016-09-26 2018-03-29 University Of Florida Research Foundation Incorporated Method for no-reference image quality assessment
CN110246111A (zh) * 2018-12-07 2019-09-17 天津大学青岛海洋技术研究院 基于融合图像和强化图像的无参考立体图像质量评价方法
CN113409247A (zh) * 2021-04-15 2021-09-17 宁波大学 一种多曝光融合图像质量评价方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE374979T1 (de) * 2004-04-13 2007-10-15 Aic Fraktal-skr-verfahren zur auswertung der bildqualität
CN107578403B (zh) * 2017-08-22 2019-11-08 浙江大学 基于梯度信息指导双目视图融合的立体图像质量评价方法
CN111127387B (zh) * 2019-07-11 2024-02-09 宁夏大学 无参考图像的质量的评价方法
CN111046365B (zh) * 2019-12-16 2023-05-05 腾讯科技（深圳）有限公司 人脸图像传输方法、数值转移方法、装置及电子设备
CN112184672A (zh) * 2020-09-30 2021-01-05 上海大学 一种无参考图像质量评价方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
CN106127741A (zh) * 2016-06-17 2016-11-16 西安电子科技大学 基于改良自然场景统计模型的无参考图像质量评价方法
CN106454350A (zh) * 2016-06-28 2017-02-22 中国人民解放军陆军军官学院 一种用于红外图像的无参考评价方法
WO2018058090A1 (en) * 2016-09-26 2018-03-29 University Of Florida Research Foundation Incorporated Method for no-reference image quality assessment
CN107481211A (zh) * 2017-08-15 2017-12-15 北京工业大学 一种基于梯度域融合的夜间交通监控增强方法
CN110246111A (zh) * 2018-12-07 2019-09-17 天津大学青岛海洋技术研究院 基于融合图像和强化图像的无参考立体图像质量评价方法
CN113409247A (zh) * 2021-04-15 2021-09-17 宁波大学 一种多曝光融合图像质量评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
No-Reference Stereoscopic Image Quality Assessment Based on Image Distortion and Stereo Perceptual Information;Liquan Shen 等;《IEEE TRANSACTIONS ON EMERGING TOPICS IN COMPUTATIONAL INTELLIGENCE》;20180301;第3卷(第1期);59-72 *
图像质量评价及其应用研究;李亚飞;《中国优秀硕士学位论文全文数据库信息科技辑》;20200815(第(2020)08期);I138-576 *
无参考立体图像客观质量评价方法研究;马允;《中国优秀硕士学位论文全文数据库信息科技辑》;20180215(第(2018)02期);I138-2303 *

Also Published As

Publication number Publication date
CN114782422A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
Ma et al. Reduced-reference image quality assessment in reorganized DCT domain
George et al. A survey on different approaches used in image quality assessment
CN101562675B (zh) 基于Contourlet变换的无参考型图像质量评测方法
Yue et al. Blind stereoscopic 3D image quality assessment via analysis of naturalness, structure, and binocular asymmetry
CN108053396B (zh) 一种多失真图像质量的无参考评价方法
CN108399620B (zh) 一种基于低秩稀疏矩阵分解的图像质量评价方法
CN106127234B (zh) 基于特征字典的无参考图像质量评价方法
CN107146216A (zh) 一种基于梯度自相似度的无参考图像客观质量评价方法
CN108830829A (zh) 联合多种边缘检测算子的无参考质量评价算法
CN113222902B (zh) 一种无参考图像质量评价方法及系统
CN107018410A (zh) 一种基于预注意机制和空间依赖性的无参考图像质量评价方法
CN106683079A (zh) 一种基于结构失真的无参考图像客观质量评价方法
CN114782422B (zh) 一种svr特征融合的无参考jpeg图像质量评价方法
CN108460756A (zh) 基于统计特征的无参考红外图像质量评价方法
CN109685757B (zh) 一种基于灰度差分统计的无参考图像质量评价方法及系统
Yan et al. Blind image quality assessment based on natural redundancy statistics
Gu et al. Learning quality-aware filters for no-reference image quality assessment
Yang et al. Blind image quality assessment on authentically distorted images with perceptual features
CN112950479B (zh) 一种图像灰度区域拉伸算法
CN114240849B (zh) 一种基于梯度变化的无参考jpeg图像质量评价方法
CN112950592B (zh) 基于高维离散余弦变换的无参考光场图像质量评价方法
Zhang et al. No-reference image quality assessment based on multi-order gradients statistics
Kipli et al. Full reference image quality metrics and their performance
Qi et al. Non-Reference Image Quality Assessment Based on Super-Pixel Segmentation and Information Entropy

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