基于显著性图像边缘的全参考图像质量评价

大部分图像质量评价算法仅研究图像的灰度值及信息内容,没有充分考虑人眼视觉特性对图像质量评价的影响,针对此问题提出了一种基于显著性图像边缘的全参考图像质量评价方法。利用显著性图像表征图像的视觉关注内容,然后提取显著性图像的边缘检测图,得到人眼关注的结构和边缘,最后计算参考图像与失真图像边缘检测图之间的汉明距离得到图像质量评价指标。实验结果表明本文提出的评价指标满足人眼视觉特性,对于各种失真类型有非常高的主观一致性,评价性能也优于很多其他指标。     

基于视觉阈值及通道融合的立体图像质量评价

根据人眼对彩色图像不同颜色通道的敏感度不同,利用掩蔽效应对人眼感知立体图像质量产生的影响,提出了一种基于视觉阈值分析和通道融合的彩色图像客观质量评价方法.利用人眼视觉阈值确定立体图像的失真是否在人眼可察觉的范围,若失真程度小于视觉掩蔽阈值,则认为没有失真.利用原始和失真彩色图像RGB三通道各自左视点差值图和右视点差值图的奇异值与人眼视觉掩蔽阈值图的奇异值距离来衡量失真图像左右视点图像的质量.原始和失真图像对的绝对差图之差值图像和原始图像对的双目恰可察觉失真阈值图之间的奇异值距离被用于评价失真立体图像的深度感知好坏.不同失真类型下,左右视点质量融合以及左右视点评价和深度感知评价的融合其加权权值不同.对JPEG压缩、JPEG2000压缩、高斯白噪声、高斯模糊和H.264编码5种不同程度失真的312幅退化图像进行了测试,结果显示本文方法与主观感知有较好的一致性,总体CC (Pearson Linear Correlation Coefficient)达到0.94,总体SROCC (Spearman Rank Order Correlation Coefficient)达到0.94,整体均方根误差(RMSE)控制在5.9以内.     

结合HVS和相似特征的图像质量评估方法

图像质量的客观评价方法研究在实现图像质量评价仪器化的过程中起到决定性的作用.在分析最新全参考图像质量评价算法:特征相似法(feature similarity,FSIM)的基础上,利用对比敏感度函数(contrast sensitivity function,CSF)算子以及离散余弦变换(discrete cosine transform,DCT)域的对比度掩盖效应,提出了一种改进的FSIM图像质量评价方法.该方法具有FSIM算法简单、高效等特性,同时又充分体现人眼视觉特性,更好地反映了人的主观感受.LIVE(laboratory for image and video engi-neering)测试数据集的实验结果证明,该方法在非线性回归后相关系数、斯皮尔曼相关系数、线外率等指标方面均优于传统的其他图像质量评价算法.     

基于显著性分析的立体图像视觉舒适度预测

分析了传统的基于全局视差特性的像视觉舒适度评价模型的不足,提出了一种基于显著性分析的立体图像视觉舒适度客观预测模型。首先,根据人眼的立体视觉注意力机制,利用协方差矩阵和Sigma特征集分别计算得到图像显著图和深度显著图,并组合得到立体显著图;然后,利用立体显著图加权得到立体图像视觉舒适度感知特征;最后,通过支持向量回归构造视觉舒适度预测函数,建立视觉舒适度感知特征和主观评价值之间的关系模型,从而预测得到立体图像视觉舒适度客观评价值。实验结果表明,本文评价方法的Pearson线性相关系数值达到0.79,Spearman等级相关系数值达到0.81,表明提出的模型更加符合人眼视觉特性,得到的客观评价值与主观感知具有较高的一致性。     

评价彩色图像质量的四元数矩阵最大奇异值方法

针对传统的图像质量评价方法忽略颜色信息以及与人眼感知信息一致性差的问题,提出了一种全面利用彩色图像颜色信息,突出人眼敏感图像结构的彩色图像质量客观评价方法。将图像中人眼敏感的结构分为细节,亮度和颜色3方面因素,将四元数矩阵作为载体,构造了一种用于彩色图像质量评价的四元数矩阵,并对其进行奇异值分解。将最大奇异值作为度量图像结构相似性的主要参数,通过分析图像结构差异映射图谱得到了最终的量化评价结果。采用LIVE数据库中包含5种失真类型的982张测试图片验证了提出的算法,得到的交叉失真实验非线性拟合均方根误差（RMSE）值为9.176,Spearman等级相关系数（SROCC）值为0.929 6,而结构相似度（SSIM）方法的RMSE值为9.299,SROCC值为0.925 6。试验结果表明,该方法采用四元数矩阵描述彩色图像的结构信息,考虑了彩色图像的多方面结构特征,与人眼视觉感知特性的一致性优于传统方法。     

图像融合算法的性能评价

图像融合算法的性能评价需要考虑在融合图像中传递的信息是否满足人眼视觉特性,而传统的基于信息论的方法并没有考虑人眼视觉特性。针对此提出了一种综合考虑多种图像结构信息的信息合并方法,将局部方差和梯度等信息作为反映图像结构的重要特征,将结构特征矩阵进行分块奇异值分解,从而设计了相应的评价算法。实验结果表明,该方法能够准确度量融合图像中的信息增量,评价结果与人眼视觉特性的一致性优于传统方法。     

水下图像传输质量的实时评测模型

基于VQM客观评测模型体系,提出了一种适合水声及无线信道传输的实时图像质量评测模型。模型基于三个分项参数(结构损伤、空域边缘能量增加、空域边缘能量损耗)描述水下图像传输中压缩图像和非压缩图像的典型劣化特征。通过这三个分项参数,可有效地评测水下图像的劣化程度,统计实验表明,本实时评测模型具有较好的评测准确性、单调性和一致性。同时,模型利用了奇异值秩可压缩性,进一步压缩了参考特征的信息量,节约了实时评测所需的信道资源,为实现实时评测的业务评测目标提供了新途径。研究表明,本方法占用的额外信息开销不超过数据信息量的3%,对于水声信道、无线信道等资源受限的实时评测应用具有实用价值。此外,论文设计了基于面积理论的质量网图模型,通过网图的开闭程度,形象直观地反映图像质量的好坏,克服了传统方式在评测结果表达中存在的综合分物理意义不明确等缺陷。本实时评测模型可应用在水下监测、海底勘探等水下图像通信场合,具有较好的应用前景。     

基于图像清晰度评价的磨削表面粗糙度检测方法

针对当前机器视觉检测粗糙度主要采用图像灰度值信息进行统计分析,没有充分利用色彩信息且忽略了人眼视觉系统主观评判的问题,提出一种基于图像清晰度评价的磨削表面粗糙度检测方法。根据色块在不同等级粗糙度表面上形成的图像清晰度不一样,采用熵函数评价算法和基于色彩相关性的彩色图像清晰度评价算法分别构建清晰度与粗糙度之间的关系模型,论证了基于图像清晰度检测磨削表面粗糙度方法的可行性。试验结果表明,基于图像清晰度检测磨削表面粗糙度是一种可行的粗糙度检测方法,清晰度与粗糙度相关性强,清晰度有随着粗糙度的增大而减小的趋势,且利用色彩相关性的彩色图像清晰度评价算法对磨削表面粗糙度检测具有较好的灵敏性,并且该方法符合人眼视觉系统的主观评价;清晰度算法和主观评价二者结合可快速简易地在线检测工件的整体表面轮廓粗糙度。     

基于视觉显著性的太阳能电池片表面缺陷检测

现有基于机器视觉的太阳能电池片表面缺陷检测算法均是采用各种类型的数学模型来进行算法设计,为进一步提高检测准确率,从人眼仿生学角度出发,首次将人眼的视觉注意机制引入到太阳能电池片表面缺陷检测中,提出了一种基于视觉显著性的太阳能电池片表面缺陷检测算法。首先,对输入的太阳能电池片表面图像进行预处理,去除对检测有影响的噪声和栅线;其次,提出一种基于自学习特征的视觉显著性检测算法来大致定位缺陷区域;随后,提出一种视觉显著性和超像素分割相结合的算法来进一步精确定位缺陷区域;最后,通过形态学后处理得到最终检测结果。在包含多种缺陷类型的测试图像库上的主观和客观实验评估表明,该算法具有较高的检测准确率。     

视觉稀疏化多通道多特征自适应的图像评价

针对均值奇异值分解(M_SVD)算法没有考虑图像的结构特征和视觉特性,利用Log-Gabor小波模拟人类视觉系统(HVS),提出了一种将视觉奇异值与几何矩联合(VSVGM)的方法。VSVGM首先基于二维Log-Gabor变换提取图像的视觉多通道奇异值能量特征,然后设计了视觉阈值算法和失真度评价算法分别对该特征进行稀疏化处理和局部测量;其次,根据HVS空域、频域特性融合局部评价和各视觉通道评价;最后,VSVGM自适应地融合了视觉几何矩第二结构特征评价。实验结果表明VSVGM的主、客观评价相关系数和预测相关系数分别提高了4.4%和3.5%,预测误差则降低了2.491。VSVGM方法的整体准确度、稳定性及评价速度均优于特征相似度(FSIM)新方法。     

基于奇异值和奇异向量的振动信号降噪方法

针对复杂的转子振动信号中同时存在随机噪声干扰和工频噪声干扰的问题,提出了基于奇异值和奇异向量相结合的降噪方法。首先,对振动信号进行奇异值分解(singular value decomposition,简称SVD),根据奇异值谱确定振动信号有效奇异值阶次;其次,对有效阶次范围内的奇异向量进行快速傅里叶变换(fast Fourier transform,简称FFT),依据幅值谱筛选出对应于工频噪声的奇异向量;最后,利用其余的奇异值和奇异向量进行重构得到降噪的时域信号。通过仿真信号和工程试验信号对该方法进行了验证,结果表明,基于奇异值和奇异向量相结合的降噪方法,不但能有效降低振动信号中的随机噪声干扰,还能有效降低工频噪声干扰,同常用的陷波器方法相比所提出方法具有明显优势。     

奇异值小波降噪法在柱塞泵振动信号处理中的应用

针对小波阈值和奇异值分解降噪法的不足,研究一种新的小波阈值函数。提出一种基于改进阈值的奇异值小波降噪方法,该方法利用奇异值分解技术,将噪声非均匀分布的信号正交分解为噪声分布相对均匀的分量,并对每个分量进行小波阈值降噪,重构降噪后的分量,得到降噪信号。仿真实例证明,该方法与小波软、硬阈值及改进阈值法相比,不仅提高信噪比,而且能够更好地消除高斯噪声。利用该方法对柱塞泵不同状态振动信号进行降噪,结果表明,该方法能有效抑制噪声,为柱塞泵振动信号预处理提供一种更为有效的方法。     

基于小波分解灰关联的热波检测图像增强

针对热波检测图像存在的高噪声、低对比度等问题,提出一种基于小波分解和灰关联分析的图像增强方法。该方法首先采用小波变换对待处理的热波图像进行三级小波分解,得到图像相应的低频分量和高频分量,然后利用图像中干扰信号和有用信号在分解后不同分量上的分布规律,采用灰色理论中的灰色关联分析理论来区分高频分量中的干扰信号和有用信号,从而实现对图像中噪声的抑制以提高图像的质量。实验结果表明:提出的方法与常规的滤波方法、小波阈值去噪增强等方法相比,图像的对比度得到明显改善,峰值信噪比最大,因此该方法可用于热波检测图像的增强处理中。     

盲复原高斯模糊图像

经典的图像恢复算法设点扩展函数(PSF)是已知的,然而在许多情况下PSF难以确定,不得不在只知道成像系统部分信息甚至没有任何信息的情况下估计真实图像和PSF,这一过程称为图像盲复原.对于高斯模糊图像,它的PSF是很难被检测出来的,因此高斯模糊图像的盲复原一直是个棘手的问题.利用高斯点扩展函数的特性,初始估计PSF并对加...     

基于奇异值融合的机械设备盲信息提取

针对机械设备的故障特征信息提取问题,提出了基于奇异值融合的机械盲信息提取方法。首先,由机械振动测量信号分离振动源信号,并进行包络解调组成包络信号矩阵,进而进行奇异值分解,提取矩阵的奇异值均值和奇异值熵作为故障特征信息;然后,针对分离矩阵直接进行奇异值分解,提取奇异值作为故障特征信息;最后,将包络信号矩阵奇异值均值、奇异值熵和分离矩阵奇异值进行特征层信息融合作为机械设备的故障特征信息。将该方法应用于液压齿轮泵可以有效地提取机械设备盲特征信息。     

Gear fault identification and classification of singular value decomposition based on Hilbert-Huang transform

An improved singular value decomposition method of gear fault identification based on Hilbert-Huang transform was proposed to overcome the problem of reconstructing a feature matrix of singular value decomposition. The method includes three steps. First, the instantaneous frequency and amplitude matrices were acquired by Hilbert-Huang transform from faulted gear signals. Second, after the matrices were decomposed by singular value decomposition, the defined distances of singular value vectors and the optimal threshold of the distance for classification were calculated. Third, the fault characteristics of a gearbox were identified and classified by the threshold of the distances. The result demonstrates that the proposed method effectively identifies the gear fault and can realize an automatic gear fault diagnosis.     

The evolution of generalized fault symptoms and fault intensities as indicators of observation redundancy and coming system breakdown

Application of SVD to fault extraction from the machine symptom observation matrix (SOM) seems to be validated enough, especially by data taken from many real diagnostic cases. However, decomposition has two sets of components, singular vectors, and singular vales. The first component we obtain directly as the lifetime discrete function and it has direct diagnostic meaning in condition monitoring. The second component has not so direct interpretation but with some software update one can see how singular value evolves along the system lifetime. Strangely, it is a good indicator of observation redundancy, and it is the measure of generalized fault intensity. More importantly, this measure is not sensitive to the changing condition of machine work, like working load, and we do not need to filter our observation or generalized symptoms in any way. This seems to be the most important conclusion of this paper, but needs more validation.     

Gear fault diagnosis under variable conditions with intrinsic time-scale decomposition-singular value decomposition and support vector machine

The gear vibration signal is nonlinear and non-stationary, gear fault diagnosis under variable conditions has always been unsatisfactory. To solve this problem, an intelligent fault diagnosis method based on Intrinsic time-scale decomposition (ITD)-Singular value decomposition (SVD) and Support vector machine (SVM) is proposed in this paper. The ITD method is adopted to decompose the vibration signal of gearbox into several Proper rotation components (PRCs). Subsequently, the singular value decomposition is proposed to obtain the singular value vectors of the proper rotation components and improve the robustness of feature extraction under variable conditions. Finally, the Support vector machine is applied to classify the fault type of gear. According to the experimental results, the performance of ITD-SVD exceeds those of the time-frequency analysis methods with EMD and WPT combined with SVD for feature extraction, and the classifier of SVM outperforms those for K-nearest neighbors (K-NN) and Back propagation (BP). Moreover, the proposed approach can accurately diagnose and identify different fault types of gear under variable conditions.     

基于多尺度张量分解的点云结构特征提取

针对传统点云处理算法弱特征提取与抗噪声能力之间的矛盾,提出了一种基于多尺度张量分解的点云结构特征提取算法。首先,利用张量矩阵奇异值分解进行采样点特征显著性编码;然后,将法向(切向)一致性测度与罗曼诺夫斯基准则相结合求取采样点最优邻域,以提高采样点特征识别的可靠性;最后,利用最小生成森林进行特征点遍历,构建点云结构特征曲线。实验结果表明,该算法可以实现复杂点云结构特征的有效识别。