一种改进的数字图像清晰度评价函数研究

图像自动聚焦时，由于噪声和不同光照条件影响图像质量，实时评价图像清晰度效果较差。本文比较了能量梯度函数、频谱函数、灰度熵函数、灰度变化函数评价图像清晰度的优劣，提出了一种改进的能量梯度闽值方法评价图像清晰度，建立了数学模型，并给出了三种不同物体的数字图像聚焦重复精度的试验结果和分析。试验结果表明：实时评价图像清晰度该方法速度快，计算量小，信噪比高，可靠性好，聚焦重复精度高。     

一种新的图像放大方法及其评价体系

针对数字图像放大问题,重点考虑了图像的两个重要特征：梯度和光滑性,提出了一种新的非线性偏微分PM-MF方法,并将其应用于图像放大。进一步从灰度偏移、信噪比、均方误差和梯度模值4个方面,提出了一套衡量图像放大质量的评价体系。实验结果表明该方法无论从保护边缘信息、灰度偏移以及图像清晰度等视觉特性方面均优于线性偏微分方法。     

基于梯度及HVS特性的离焦模糊图像质量评价*

在当前人眼视觉系统（HVS）特性研究的基础上提出基于梯度及HVS特性的离焦模糊图像质量评价模型（GVSSIM）。该模型利用Sobel边缘梯度算子提取图像的梯度信息,并根据人眼视觉特性进行视觉加权,得到新的结构相似性评价指标,进而获得图像质量评价指标。该方法与SSIM(图像结构相似度)评价模型相比,具有计算简单的特点,对离焦模糊图像的评价结果能更好地反映人眼视觉感受。     

基于 SVD 的超分辨率重建图像质量无参考评价方法

重建图像质量评价是衡量超分辨率方法优劣的决定性指标,现有的评价方法大都需要借助同一场景具有更高分辨率的图像作为参考图像,但在实际超分辨率重建图像过程中这一需求难以实现.针对上述问题,考虑到人眼对相对亮度变化更为敏感,且边缘清晰度与图像主观评价质量成正比,利用去均值图像、梯度图像以及灰度图像,提出一种仅依靠图像自身信息的、基于SVD的超分辨率重建图像质量无参考客观评价方法.首先将图像分割为相互重叠的局部图像块,然后在各局部图像块中利用SVD分别得到低分辨率图像间及其与超分辨率重建图像间的子评价结果,最后再将这些子评价结果整合为最终的客观评价指标SSQI.实验结果表明,SSQI指标是一种具有较高准确性和鲁棒性的无参考客观评价指标,与人类主观评价结果保持了很好的一致性.     

基于梯度边缘最大值的图像清晰度评价

光电遥感相机获取的遥感图像传回地面后都会出现一定降质模糊现象,通过复原可 以得到较高质量的遥感图像。得到复原图像后,需要一些方法来评价复原图像质量提高的程度。 为此提出了一种遥感图像清晰度的评价方法,通过提取图像的梯度,找出梯度最大的区域,计算 出该区域的像元个数,并以此作为图像的清晰度参数,计算复原图像清晰度与降质图像清晰度之 间的相对误差,得到清晰度提升率。通过设计实验来验证该方法的有效性。结果表明,该方法可 以准确评估复原图像的清晰度提升率,对弱振铃波纹有较好地抑制效果,在信噪比大于22 dB 时, 评价结果不受噪声影响。     

改进的数学形态学小波图像融合算法

在分析了图像经小波分解后边缘信息容易丢失等问题的基础上,给出了小波形态学图像融合改进方法.为了提高图像质量,提出改进主要在低频系数选择算法上,采用形态学灰度形态梯度边缘检测算子对低频子图像进行边缘检测,能够更好的保存原图边缘细节信息;对高频系数选择采用基于绝对值最大的原则.对三组图像进行实验,实验表明采用改进方法使得局部对比度信息得到更好的保留,提高了分辨率,具有一定的实用性.     

数字图像清晰度评价函数的通用评价能力研究

图像质量客观评价是计算机视觉领域长期以来研究的难点和热点问题。如何能让计算机像人的视觉系统一样具有评价图像质量的能力,至今仍是尚未完全解决的难题。图像清晰度评价函数是图像质量客观评价标准中的重要组成部分。现有的图像清晰度评价函数主要基于图像边缘细节或者整体信息熵的统计,给出对图像相对清晰度的估计。主要考察了五种具有代表性的清晰度评价函数,着重分析了它们对不同模糊程度下不同内容图像的清晰度评价能力,进而说明现有的清晰度客观评价方法与人主观感受的差距。     

灰度-梯度共生矩阵模型的加权条件熵阈值法

基于二维灰度直方图的最大熵阈值法是依据“灰度-灰度均值”构成直方图的图像分割方法,该方法着重于图像的内部信息,忽略了边界区域的信息。应用图像的梯度信息建立“灰度-梯度共生矩阵”,构造图像的二维灰度直方图,结合最大条件熵法进行阈值选取。为了充分提取图像内部和边缘信息,提出了二维加权最大熵阈值法。结果表明,该方法一方面能够保留更多的图像边缘信息,另一方面能够根据实际需要调节权值大小,得到兼顾图像内部和边缘信息的分割结果。     

基于边缘梯度信息的图像质量评价方法

利用人眼视觉感知特性评价图像的质量一直是图像处理领域的研究热点,但是目前很多客观评价方法未能充分考虑视觉感知特性。针对当前工作的不足,提出了基于边缘梯度信息的图像质量评价方法。采用基于小波变换模极大值的方法提取图像的边缘梯度信息,并利用高斯函数对图像区域进行区域加权,提出基于边缘梯度信息的评价方法。实验结果表明,该方法能够准确和有效地度量不同失真类型图像的质量,与主观评价值的一致性较好,并且该算法的性能也有较大的提高。     

一种新的结合图像梯度的局部活动轮廓模型

基于区域的局部二值拟合模型只考虑图像灰度的平均值统计信息,然而由于图像中的噪声改变了图像的灰度分布,该类方法对于包含大量噪声的图像往往很难获得理想的效果。为了提高模型对于噪声的鲁棒性,提出了一种结合图像统计信息和梯度信息的局部活动轮廓模型。该模型在图像灰度的统计信息的基础上,加入图像梯度信息,分别构造以高斯函数为核函数的局部二值灰度拟合能量和局部二值梯度拟合能量,得到最终的能量泛函,并通过最小化该能量函数,驱使活动轮廓向目标边缘演化。实验结果表明,基于图像灰度和梯度的局部活动轮廓模型能够有效克服图像中弱边缘以及强噪声对于分割结果的影响,其分割精度高于同类方法。     

融合梯度信息与HVS滤波器的无参考清晰度评价

目的 目前无参考图像质量评价算法的性能存在较大的提升空间,为了提高清晰度评价技术,提出了一种基于梯度信息与HVS滤波器的无参考清晰度评价算法(GI-F)。方法 该算法首先利用梯度算子计算各像素点的梯度信息,再通过HVS滤波器得到加权和作为图像的清晰度指标。结果 在公开数据库LIVE、TID2008和CSIQ上进行的实验,GI-F与S3(Spectral and Spatial Sharpness)、CPBD(Cumulative Probability of Blur Detection)和LPC-SI(Local Phase Coherence-based Sharpness Index)相比,性能指标RMSE(Root Mean Squared Error)、PLCC(Pearson Linear Correlation Coefficient)和SROCC(Spearman Rank-Order Correlation Coefficient)分别提升了20.66%、4.61%和3.33%;同时GI-F还具有更低的计算复杂度,即使与目前最好的BRISQUE(Blind/Referenceless Image Spatial QUality Evaluator)算法相比,耗时也降低了79.72%。结论 该算法只需耗费更少的时间即可计算出与人眼感知更加接近的客观清晰度指标,可广泛用于无参考图像情况下的清晰度指标计算场合,同时还可以通过并行计算进一步降低其计算时间。     

融合灰度和梯度信息的彩色细胞图像自动分割

为了开发血及骨髓涂片中白细胞自动分类及计算机辅助诊断系统,提出了一种融合灰度空间、彩色信息和数学形态学形态梯度信息的血细胞图像自动分割算法,以完成对白细胞（胞核和胞浆）的分割。在灰度空间,通过改进的迭代阈值分割算法,对白细胞的胞核进行了精确的定位和检出。通过彩色空间变换,有效地利用了图像中血细胞胞浆的颜色信息及先验知识,并且为了抑制过度分割,充分利用梯度信息,合理地对白细胞的胞核和胞浆进行了标记。在灰度梯度图像上提取血细胞的轮廓,并分别赋予不同的标记,表明数学形态梯度算法较传统的边缘检测算子具有更好的边缘提取能力。结果表明,胞核和胞浆的分割正确率分别为95.5％和92.6％,验证了该算法对彩色白细胞图像分割的有效性。     

常用边缘检测技术的对比

边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点.经典的边缘检测算法如canny算子等是通过计算图像中局部小区域的差分来实现边缘检测的.这类算子对噪声非常敏感,并且常常会在检测边缘的同时加强噪声.多尺度形态学边缘检测利用不同的结构元素去作用图像,通过形态腐性和形态膨胀操作,获得了效果很好的图像边缘检测算法.单尺度形态学梯度算子也能很好提检测图像边缘,但结构元素的选取对输出结果影响较大.通过使用多尺度形态学梯度算子,可以弥补结构元素的大小问题.仿真结果表明,该算法能得到较为理想的图像边缘信息,其抗噪声性能明显优于经典的算子检测算法.     

双尺度边缘结构相似度的图像质量评估

图像质量评价对于各种视频图像应用具有重要的意义。结构相似度准则SSIM在模糊图像及噪声污染的图像判定方面，存在偏差。该文提出了基于双尺度边缘结构特征的图像质量评价算法——MDESSIM，充分考虑了边缘信息在结构信息中的重要性，通过增加边缘结构的失真度量来综合评价图像质量。实验结果表明了MDESSIM算法的有效性。     

Training-free referenceless camera image blur assessment via hypercomplex singular value decomposition

Blur plays an important role in the perception of camera image quality. Generally, blur leads to attenuation of high frequency information and accordingly changes the image energy. Quaternion describes the color information as a whole. Recent researches in quaternion singular value decomposition show that the singular values and singular vectors of the quaternion can capture the distortion of color images, and thus we reasonably suppose that singular values can be utilized to evaluate the sharpness of camera images. Motivated by this, a novel training-free blind quality assessment method considering the integral color information and singular values of the distorted image is proposed to evaluate the sharpness of camera images. The blurred camera image is first converted to LAB color space and divided into blocks. Then pure quaternion is utilized to represent pixels of the blurred camera image and the energy of every block are obtained. Inspired by the human visual system appears to assess image sharpness based on the sharpest region of the image, the local sharpness normalized energy is defined as the sharpness score of the blurred camera image. Experimental results have demonstrated the effectiveness of the proposed metric compared with popular sharpness image quality metrics.

     

梯度矢量扩散控制实现边缘保持的彩色图像去噪

目的 在图像的获取过程中,由于受到噪声等因素影响,可能导致图像质量下降,给后期处理带来困难,为此提出一种梯度矢量扩散控制实现边缘保持的彩色图像去噪方法。方法 首先分析了彩色图像因灰度化带来的信息损失,为了更好地利用彩色图像信息,构造了RGB空间下的梯度矢量计算方法。其次分析了噪声邻域梯度矢量与边缘邻域梯度矢量间区域性结构差异,并指出现有扩散方程的不足,给出一种控制扩散矩阵的获取方法。最后通过推导矢量图像的边缘函数,给出了RGB空间下的PM方程,分解该模型去除法向扩散,并结合控制扩散矩阵改进边缘停止函数,以此获得更好的矢量扩散控制。结果 实验结果表明,采用这种方法得到的处理结果有着较高的信噪比,验证了该方法的有效性。结论 本文方法能够在去噪的同时,较好地保持图像对比度与边缘信息,具备一定的实用性。     

面向水下图像的质量评价方法

目的 针对目前水下图像质量评价方法少和现有方法存在局限性等问题,提出一种无参考并且无需手工设计特征的水下图像质量评价方法。方法 提出的水下图像质量评价方法将深度学习网络框架与随机森林回归模型相结合,首先采用深度神经网络提取水下图像的特征;然后使用提取的特征和标定的水下图像质量分数训练回归模型;最终,利用训练好的回归模型预测水下图像的质量。结果 在本文收集的水下图像数据集和水下图像清晰化算法处理结果上评测本文方法,并与多种质量评价方法进行比较,其中包括预测结果与主观质量分数比较、水下图像清晰化结果评测比较、预测结果与主观质量分数相关性比较、鲁棒性比较等。主观实验结果表明本文的评价方法可以相对准确地给出符合人类视觉感知的水下图像质量分数,并且具有更好的鲁棒性。定量实验结果表明本文方法与其他方法相比,预测的图像质量分数与主观分数具有更高的相关性。结论 提出的水下图像质量评价方法无需参考图像,省去了手工设计的特征,充分利用了深度学习网络的学习和表征能力。本文方法的准确性较好,普适性和鲁棒性较高,预测的质量分数与人类视觉感知具有较高的一致性。本方法适用于原始的水下图像和水下图像清晰化算法的处理结果。     

基于梯度幅度值的结构相似度的图像质量评价方法

说明传统图像质量评价方法的不足之处.在SSIM模型不能很好地评价严重模糊的降质图像的基础上,从图像梯度幅度值和图像边缘的关系出发,分析了基于梯度幅度值的结构相似度(GSIM)的图像质量评价方法.实验结果表明,该模型比SSIM模型更符合人眼的视觉特性.     

改进的卷积神经网络单幅图像超分辨率重建

针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题，提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法，设计了由密集残差网络和反卷积网络组成的新型深度卷积神经网络结构。原始低分辨率图像输入网络，利用密集残差学习网络获取更丰富的有效特征并加快特征梯度流动，其次通过反卷积层将图像特征上采样到目标图像大小，再利用密集残差学习高维特征，最后融合不同卷积核提取的特征得到最终的重建图像。在Set5和Set14数据集上进行了实验，并和Bicubic、K-SVD、SelfEx、SRCNN等经典重建方法进行了对比，重建出的图像在整体清晰度和边缘锐度方面更好，另外峰值信噪比（PSNR）平均分别提高了2.69?dB、1.68?dB、0.74?dB和0.61?dB。实验结果表明，该方法能够获取更丰富的细节信息，得到更好的视觉效果，达到了图像超分辨率的增强任务。