结合梯度信息的特征相似性图像质量评估

目的 图像的边缘信息对于图像质量的评估非常重要.基于底层特征的图像质量评估算法(FSIM),虽然考虑了图像的底层特征,但该算法对边缘信息的识别能力不理想.针对以上问题,将FSIM算法与对边缘信息更敏感的梯度结构相似度(GSSIM)算法相结合得到一种既符合人眼视觉系统特点又能有效识别图像边缘的新的图像质量评估算法(FGSIM).方法 该算法将FSIM算法的相位一致性部分与GSSIM算法的提取图像信息的部分相结合从而得到一种新的图像质量评估算法FGSIM.其中,采用相位一致性表示图像的特征,用于保持评估算法接近人类视觉系统的特点,提取图像信息的部分通过图像的梯度来实现,用于更有效的识别图像边缘.结果 分别使用FSIM、GSSIM以及FGSIM算法对不同运动模糊程度、不同高斯模糊程度以及不同高斯噪声的图像进行质量评估,将得到的数据用曲线图表示,从图中可以看出:在运动模糊实验中,随图像模糊程度的增大,FGSIM算法的数值由0.8943下降到0.3443,变化更加明显,对运动模糊表现出更好的敏感性;在高斯模糊和高斯噪声实验中,FGSIM算法数值变化的程度虽然不如GSSIM算法好,但相较FSIM算法有一定的提高.FGSIM算法在公共测试图像库中与FSIM、GSSIM算法进行实验比较,FGSIM算法的散点图较FSIM算法稍差些,但与GSSIM算法相比具有非常大的改进,其散点图比GSSIM更为集中.采用较为常用的衡量评估方法性能的指标:皮尔逊相关系数、斯皮尔曼秩相关系数、KROCC 和均方根误差对评估算法的性能进行衡量,数据显示,FGSIM算法的性能比GSSIM算法好.结论 实验结果表明,FGSIM算法是一种既符合人眼视觉系统特点又能有效识别图像边缘的新的图像质量评估算法,该算法对边缘信息的识别能力更强,对图像质量的变化更加敏感.  

实际且快速的图像对比度增强方法

根据以前有关图像对比度增强技术的研发成果加以修正改进,提出一种实际且快速的图像对比度增强方法(practical and efficient contrast enhancement method,PECE),此方法不仅可使增强后的清晰图像更趋近于原始图像的亮度,更能简化实际电路让用户易于操作调整.通过现场可编程逻辑门阵列(field-programmable gate array,FPGA)的硬件实现验证,可发现此硬件电路可达到43.6 MSps (millionsample per second),其处理速度为常规清晰度电视(standard definition television,SDTV) NTSC 720×480i规格的3.23倍及增强清晰度电视(enhanced digital television,EDTV) NTSC 720×480p规格的1.61倍.为了能更客观公正地观察PECE及各种图像对比度增强技术的效果及优缺点,综合了各种主客观评量标准,藉由对多种不同技术的全面化评估分析,各种技术的许多效能特色及优劣也在此一评估程序中显现.  

结合HVS特性的视频图像质量评价

在分析视觉非线性、对比敏感度、多通道结构等人类基本视觉特性的基础上,提出了一种结合人眼视觉系统特性(HVS)的视频图像质量评价新方法。该方法首先对图像信号进行小波分解,基于小波域提取视觉特征参数,然后建立符合人眼视觉感知特性的图像质量评价指标,在此基础上给出具体评价算法。仿真实验结果表明,在视频图像压缩编码中采用本算法的图像质量评价性能优于传统的客观评价方法。  

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.  

基于感兴趣区域的边缘结构相似度图像质量评估

目前常用的评估算法忽视了图像中携带重要信息的边缘特征。基于感兴趣区域的双尺度边缘结构相似度算法虽然考虑了边缘信息的重要性，但对边缘信息的识别效果不理想。针对以上问题，提出边缘结构相似度图像质量评估算法，将图像分为感兴趣区域与不感兴趣区域，分别用边缘结构相似度算法和结构相似度算法对2种区域进行质量评估，并实现加权组合。实验结果表明，该算法对边缘信息的识别能力更强，对图像质量的变化更加敏感。  

基于超分重建技术的图像增强系统

为了提高图像分辨率,也为了给研究人员提供一个图像增强算法比较分析的工具,本文构建并实现一个集图像退化模拟、简单图像增强、图像超分辨率重建和图像质量评估为一体的图像增强系统SR-IES。系统采用多种图像处理方法对图像进行增强,其中超分重建技术是系统的核心技术。系统测试表明,SR-IES系统可以有效改善图像的分辨率和视觉效果,并通过图像质量评估为算法比较提供依据。  

基于信息可用性评价的指纹图像质量增强算法

针对指纹图像可能出现模糊、指纹区域过小、奇异点位置过偏等问题,提出了一种基于信息可用性评价与频谱分析的指纹图像质量增强算法。对指纹图像进行信息可用性评价,对不合格的指纹图像提示进行重新采集;对合格图像进行傅里叶变换并求取其频率均值和方差,计算指纹频谱图上内环、外环、中环的频谱能量值与去除直流分量后的频谱总能量值之比,以此确定指纹的清晰程度。对需要进行质量增强的指纹,利用圆滤波器去除其高频与低频干扰,利用方向滤波器连接断纹并去除粘连。实验结果表明,该方法能准确判断指纹图像的可用性,有效地增强指纹图像质量,并因其只对低质量指纹进行增强,故能有效提高指纹自动识别速度及准确性和可靠性。  

边缘加权的结构相似性测度

针对结构相似性测度(SSIM)不能较好地客观评价图像模糊与强高斯噪声失真的问题，提出一种边缘加权的结构相似性测度(EWSSIM)，以符合人眼视觉系统(HVS)特性。EWSSIM将原始图像和失真图像的整体轮廓信息与局部纹理细节信息加权，更充分地描述图像的结构相似度。通过LIVE图库的仿真结果表明，与SSIME相比，WSSIM能够更好地评价图像模糊与强高斯噪声失真，且在各类失真图像的评价一致性上优于SSIM。  

基于多指标的指纹图像质量综合评估研究

结合空域和频域特征的质量评估方法评估指纹图像质量。分割出指纹图像有效区域，分析该有效区域的面积、偏移度、干湿度等局部质量评估指标，并对其中心区域进行快速傅里叶变换获得全局质量评估指标，通过非线性加权融合5个质量评估指标的评估分数得到指纹图像的综合质量评估分数。实验结果表明，该方法能准确判断指纹图像的质量，有助于提高自动指纹识别系统的整体性能。  

渐进式虹膜图像质量评估模型

虹膜图像质量评估目前尚无统一评估标准，导致虹膜识别拒识率和误识率较高。针对该问题，提出一种虹膜图像质量评估模型。根据虹膜图像中各干扰因素的不同特点，在先验知识基础上采用区域化、加权的方法，渐近式地实施像素级质量评估，依据像素级评估结果实施图像级质量评估。实验结果表明，像素级虹膜图像质量评估中的虹膜图像干扰项识别率和模糊识别率较高，图像级虹膜图像质量评估与人工评估结果相一致。