一种结合感知与融合的视频质量评价新方法

提出了一种结合人眼视觉特性(HVS)和信息融合的视频质量评价新方法.该方法是在结构相似(SSIM)方法基础之上,融合了人眼几个主要视觉特性,如对比敏感度、多通道、视觉掩盖、视觉非线性等.新方法具有SSIM算法简单、高效等特性,同时又满足人眼视觉特性,更好地反映了人的主观感受.通过VQEG Phase I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、线外率等指标均优于传统的其他视频质量评价算法,有效地提高了视频质量评价的主客观一致性.     

压缩感知观测信号的低秩稀疏分解

低秩稀疏分解是可应用于视频监控的一种视频分析方法,与满足Nyquist定理的采样信号相比,压缩感知观测信号的低秩稀疏分解难度更大。借鉴在低秩稀疏分解时将信号投影到其低秩部分的正交空间方法,提出先压缩观测再投影与先投影再压缩观测两种不同的压缩观测与投影方法,推导出每种方法的投影与压缩观测合并算子,分别对稀疏前景与低秩背景进行压缩感知重构,实现时变稀疏信号压缩观测的低秩稀疏分解。由于背景的缓慢变化会使低秩矩阵的正交空间发生改变,应用结构相似度来判断相邻帧低秩矩阵的变化情况,并估计该正交空间是否需要更新。实验结果表明,与SpaRcs方法相比,该方法能够在较低的压缩采样率下实现更精确的信号低秩背景与稀疏前景的直接分离重构,每帧图像压缩感知重构结果的峰值信噪比最多能够提高2 dB左右。     

多尺度显著区域检测图像压缩

目的 为了解决利用显著区域进行图像压缩已有方法中存在的对多目标的图像内容不能有效感知,从而影响重建图像的质量问题,提出一种基于多尺度深度特征显著区域检测图像压缩方法。方法 利用改进的卷积神经网络（CNNs）,进行多尺度图像深度特征检测,得到不同尺度显著区域;然后根据输入图像尺寸自适应调整显著区域图的尺寸,同时引入高斯函数,对显著区域进行滤波,得到多尺度融合显著区域;最后结合编码压缩技术,对显著区域实行近无损压缩,非显著区域利用有损编码技术进行有损压缩,完成图像的压缩和重建工作。结果 提出的图像压缩方法较JPEG压缩方法,编码码率为0.39 bit/像素左右时,在数据集Kodak PhotoCD上,峰值信噪比（PSNR）提高了2.23 dB,结构相似性（SSIM）提高了0.024;在数据集Pascal Voc上,PSNR和SSIM两个指标分别提高了1.63 dB和0.039。同时,将提出的多尺度特征显著区域方法结合多级树集合分裂（SPIHT）和游程编码（RLE）压缩技术,在Kodak数据集上,PSNR分别提高了1.85 dB、1.98 dB,SSIM分别提高了0.006、0.023。结论 提出的利用多尺度深度特征进行图像压缩方法得到了较传统编码技术更好的结果,该方法通过有效地进行图像内容的感知,使得在图像压缩过程中,减少了图像内容损失,从而提高了压缩后重建图像的质量。     

Hybrid Single Image Super-Resolution Algorithm for Medical Images

High-quality medical microscopic images used for diseases detection are expensive and difficult to store. Therefore, low-resolution images are favorable due to their low storage space and ease of sharing, where the images can be enlarged when needed using Super-Resolution (SR) techniques. However, it is important to maintain the shape and size of the medical images while enlarging them. One of the problems facing SR is that the performance of medical image diagnosis is very poor due to the deterioration of the reconstructed image resolution. Consequently, this paper suggests a multi-SR and classification framework based on Generative Adversarial Network (GAN) to generate high-resolution images with higher quality and finer details to reduce blurring. The proposed framework comprises five GAN models: Enhanced SR Generative Adversarial Networks (ESRGAN), Enhanced deep SR GAN (EDSRGAN), Sub-Pixel-GAN, SRGAN, and Efficient Wider Activation-B GAN (WDSR-b-GAN). To train the proposed models, we have employed images from the famous BreakHis dataset and enlarged them by 4× and 16× upscale factors with the ground truth of the size of 256 × 256 × 3. Moreover, several evaluation metrics like Peak Signal-to-Noise Ratio (PSNR), Mean Squared Error (MSE), Structural Similarity Index (SSIM), Multiscale Structural Similarity Index (MS-SSIM), and histogram are applied to make comprehensive and objective comparisons to determine the best methods in terms of efficiency, training time, and storage space. The obtained results reveal the superiority of the proposed models over traditional and benchmark models in terms of color and texture restoration and detection by achieving an accuracy of 99.7433%.     

基于失真模型的结构相似度图像质量评价

提出了一种基于图像失真模型及失真视觉特性的图像质量评价方法,解决了传统结构相似度（SSIM）度量不能同时有效评价不同失真强度与不同失真类型图像质量的问题.将图像失真分解为局部线性模糊及加性噪声,通过质量敏感区域加权与噪声SSIM补偿,实现各种失真类型SSIM的聚合以提高综合评价性能.实验结果表明,这种基于失真模型的区域加权SSIM能够一致评价各种失真类型、各种失真强度的图像质量,在LIVE图库上与主观评价分回归后的相关系数达到0.946 7,优于其他SSIM算法.     

对纹理敏感的误差扩散算法设计

针对误差扩散算法输出中边缘易被模糊的问题,对该算法的基本原理进行了分析,认为原因是误差扩散改变了未处理像素在量化中的取值倾向。据此设计了一种对图像纹理敏感的误差扩散滤波器。因该滤波器在平滑渐变区域输出质量较差,为此又设计了基于局部傅里叶分析的滤波器选择算法,分别使用该滤波器与传统滤波器处理纹理丰富区、平滑渐变区。通过对该算法输出的测试图进行评价,证明了算法对提高半色调输出质量有较明显的作用。     

基于LAB颜色空间的图像阴影检测与去除方法

为实现单幅图像快速去阴影处理，提出基于LAB颜色空间的图像阴影检测与去除方法。首先，将RGB图像转换成LAB图像，再对阴影图像进行边缘检测。然后，通过对不同颜色通道进行分析、计算及重新整合，得到阴影区域与非阴影区域平均色度值相匹配的图像。最后，对图像进行色度校正和边缘校正，实现单幅图像去阴影处理。为验证本文方法的可行性和有效性，分别采用峰值信噪比（PSNR）和结构相似度（SSIM）这2种性能指标，来客观评价图像的去阴影结果，并与2种典型的图像去阴影方法进行比较。结果表明，本文方法的各性能指标最高，如：在3组实验中，PSNR分别达到17.4721、17.6206、17.3048，SSIM分别达到0.8192、0.8344、0.8027。而且去阴影后图像特征信息清晰，保留的结构信息更接近于真实无阴影场景图像，整体取得了很好的去阴影效果。     

基于HVS的结构相似性的视频质量评价

近年来,基于结构相似性的视频质量的客观评价方法得到了广泛的关注,它建立在人眼对结构失真较为敏感这一假设之上,实验表明其性能优于峰值信噪比。该方法并没有考虑人眼视觉系统对不同的频率分量和对不同视频区域的敏感程度不同。基于人眼视觉系统的特点和结构相似性,提出了一种改进的视频质量评价方法,实验表明它与主观视频质量的相关性明显好于峰值信噪比和结构相似性。     

图像质量评价的研究现状及其展望

符合人眼视觉系统特性的图像质量评价方法,不仅可以更好地评价图像处理算法的优劣,而且能够指导图像处理的思路和方法。近年来,图像质量评价的研究发展迅速。本文重点阐述模拟人眼视觉系统的两类客观评价方法,并介绍以这两类方法为基本框架的各种改进方法。然后针对图像融合、复原、压缩三个主要的处理领域的质量评价的特殊性进行分析。总结认为该领域的发展方向是对视觉感知生理心理学及HVS模型进一步研究,建立计算更简便、评价更准确的通用评价方法,并发展无参考的质量评价方法。     

基于SSIM与ROI的视频质量评价方法

在客观结构相似视频质量评价模型SSIM基础上,提出了一种基于感兴趣区域(ROI)的视频质量评价方法,方法通过对帧内感兴趣区的提取,对帧内分块计算的SSIM值进行加权.该方法具备了SSIM算法的简单、高效等特性,同时又融合了人类感兴趣区域这一视觉特性,使得算法更好的反映了人的主观感受.在VQEG Phase Ⅰ测试数据集的实验结果表明,该方法的非线性回归后相关系数、斯皮尔曼相关系数、线外率等指标均优于传统的其他视频质量评价算法,有效地提高了视频客观评价与主观评价的相关度.