无线传感器网络中视频质量评估方法

视频在无线传感器网络传输,由于网络的不稳定,可能使视频质量受到一定的影响。在人类视觉模型的基础上,提出一个改进的无参考质量评估算法,直接通过收到的图像,判断视频质量的好坏。较之当前广泛使用的视频评估算法一媒体延迟指标而言,大大提高在网络丢包时,对于视频质量评估的准确性。评估结果接近人眼观察的效果,并且可以大规模投入使用,具有较强现实意义和商业使用价值。     

基于引导调制的彩色点云无参考质量评价方法

彩色点云(color point cloud, CPC)作为三维场景和对象的有效描述形式,在虚拟现实、增强现实等许多领域得到重要应用。CPC在其采集、压缩、传输、重建等过程中会引入相应的失真,需要设计有效的评价方法对失真CPC质量进行评测。本文提出一种基于引导调制的CPC无参考质量评价方法。考虑到几何信息与彩色纹理信息的联合失真,利用引导调制的方法联立两者,以综合考虑几何失真、彩色纹理失真、联合失真。结合人眼的多通道性,利用剪切波变换提取特征。最后,将所有特征构成的特征向量输入到支持向量回归模型(support vector regression, SVR)学习预测点云质量。实验结果表明,所提出的方法与人类主观感知具有很好的一致性。     

基于线性回归分析的视频质量评估方法

文章提出了一种利用线性回归分析方法的无参考视频序列质量评估算法。该算法主要利用帧间编码帧的比特数和该帧与其参考帧的差异两个参数进行线性回归分析来评估视频质量。该方法不需要原始参考视频,算法简单。通过对标准视频序列的仿真实验,该算法可有效评价不同视频的编码质量,使用该质量评估方法测得的失真视频客观质量评分与其主观质量评分有很好的一致性。     

基于半逆法和暗原色先验的单一图像去雾新方法

针对现有图像去雾方法的缺陷,依据雾天成像的理论模型,提出了一种基于半逆法和暗原色先验相结合的单一图像去雾新方法.对一幅待去雾图像,首先通过半逆法检测并标记出图像浓雾区域,结合暗原色先验,随机多次选取浓雾区域中具有较大暗原色值的候选像素点集,并通过计算原图中这些候选点集的像素点平均亮度值估算大气光常数.其次通过暗原色先验信息获取图像像素点的透射率分布.最后在得到大气光常数和透射率参数的基础上,根据雾天成像的光学理论模型反解出去雾后图像.通过图像去雾的无参考客观质量评价(NQA)体系对有效细节强度、色调还原程度和结构信息三项指标进行定量评估,评估结果表明,相比目前去雾效果最好的He算法,这一新方法平均能提高了15％.此外,该方法能减少去雾后图像的halo效应,更能满足人们的主观观测需求.     

基于掩盖效应的无参考数字图像质量评价

针对数字图像的客观质量评估,从噪声检测的角度,提出了一种基于掩盖效应的无参考图像质量评估方法。首先对Hosaka分块进行了改进,取消了该方法对图像尺寸的限制。通过分块,将图像以不同的频率成分区分开来。然后计算各个子块的噪声。根据图像的污染程度,提出了基于掩盖效应的无参考图像峰值信噪比NPSNR。实验结果表明,该方法具有无参考、运算复杂度低、主客观较一致等特点。     

基于模糊度和噪声水平的图像质量评价方法

针对图像质量评价的重要性,提出了一种新的无参考图像质量客观评价方式。算法考虑了模糊度与噪声水平两方面,用平均边缘宽度衡量图像的模糊度,通过比较去噪前后的图像预测图像受噪声污染的程度,最后通过两者的综合作为无参考图像质量评价指标。实验结果表明:将模糊度和噪声评价相结合,具有很强的抗噪性和广泛的适用范围;与峰值信噪比(PSNR)和结构类似性(SSIM)等算法比较,本文算法可以很好地区分各种失真类型图像的质量好坏,其结果接近人眼的主观感受。     

No-reference quality assessment of dynamic sports videos based on a spatiotemporal motion model

This paper proposes an approach to improve the performance of no-reference video quality assessment for sports videos with dynamic motion scenes using an efficient spatiotemporal model. In the proposed method, we divide the video sequences into video blocks and apply a 3D shearlet transform that can efficiently extract primary spatiotemporal features to capture dynamic natural motion scene statistics from the incoming video blocks. The concatenation of a deep residual bidirectional gated recurrent neural network and logistic regression is used to learn the spatiotemporal correlation more robustly and predict the perceptual quality score. In addition, conditional video block-wise constraints are incorporated into the objective function to improve quality estimation performance for the entire video. The experimental results show that the proposed method extracts spatiotemporal motion information more effectively and predicts the video quality with higher accuracy than the conventional no-reference video quality assessment methods.     

基于视觉感知的最好质量图像评价方法

基于人类视觉系统对图像感知功能的研究,提出影响图像质量的4个参数。综合这4个参数在图像质量评价领域的作用,建立最好质量图像评价的数学方法。分析CAF值与4个参数之间的函数关系,并通过大量实验,认为CAF最大值所对应的图像就是最好的图像,而此结论与视觉感知是一致的。该方法不依赖参考图像,同时适用于灰度图和彩色图,方法简单、直观。     

基于内容的H. 264无参考视频质量评价模型

为了解决在实际应用过程中很难获取到原始视频信息的问题,提出了一种无参考的视频多方法评估融合(video multimethod assessment fusion, VMAF)预测模型. 首先,采用一种基于多模双线性池化的卷积神经网络结构建立视频帧级的无参考VMAF预测模型,用于对失真视频帧的VMAF分数进行预测;其次,采用3种不同的时间池化方法对失真视频帧的VMAF预测分数分别进行聚合,将结果融合后得到一个质量特征向量;最后,采用nu-支持向量回归(nu support vector regression, NuSVR)的方法建立质量特征向量与视频VMAF分数之间的映射关系模型. 该模型不需要原始视频信息就可以预测失真视频的VMAF分数,具有应用价值. 实验结果表明,提出的模型可以获得较高的预测精度.

     

基于梯度相关性分解的无参考图像质量评价方法

目前大部分无参考型的图像质量评价方法都是基于图像的几何特征进行描述的,但是这种方法对于图像的边界要求较为严格,并且在实际应用中的图像的失真类型是未知的。针对这一缺点,提出一种基于梯度相关性分解的无参考图像质量评价(DGS)方法,该方法提取图像的梯度,对其进行奇异值分解作为图像的主要结构信息,以此对图像的质量进行评价。实验结果表明,DGS模型比通用的简单有效的峰值信噪比(或均方误差)模型更符合人眼视觉系统特性,能在无参考的情况下更好地评价图像质量,并与图像的主观评价值达到更准确的一致性。