基于视觉显著性和感知相似性的全参考图像质量评价方法

目的 图像质量评价（IQA）旨在使用计算模型自动衡量和评价图像质量,以代替人类视觉系统的主观意见,并应用到相关实际问题中。方法 首先将参考图像与失真图像进行输入,使用视觉显著性模型计算图像局部相似度的特征映射,并在质量得分池化阶段作为加权函数,同时,针对视觉显著性图作为单一特征映射的不足,增加了梯度幅度,然后将图像进行颜色空间的转化提取颜色特征,最后分配相应的权重来计算图像相似度。结果 在4个大型数据集上的对比测试显示,在保持适度计算复杂度的同时,VSPSI相比其他有代表性的模型在预测精度上得到了一定的提升,特别是在TID2013数据集上的SROCC达到了0.9055。结论 研究结果表明,VSPSI是一个性能优良的IQA方法,在不同数据集和不同失真类型中都有良好的表现,具有较强的鲁棒性,可胜任多类失真图像的客观质量评价,同时可通过优化视觉显著性模型进一步提升VSPSI的性能。     

基于DeepLabv3+的图像语义分割优化方法

目的为了实现良好的图像语义分割精度,同时尽可能降低网络的参数量,加快网络训练速度,提出基于DeepLabv3+的图像语义分割优化方法。方法编码器主干网络增加注意力机制模块,并采用更密集的特征池化模块有效聚合多尺度特征,同时使用深度可分离卷积降低网络计算复杂度。结果基于CamVid数据集的对比实验显示,优化后网络的MIoU分数达到了71.03%,在像素精度、平均像素精度等其他方面的评价指标上较原网络有小幅提升,并且网络参数量降低了12%。在Cityscapes的测试数据集上的MIoU分数为75.1%。结论实验结果表明,优化后的网络能够有效提取图像特征信息,提高语义分割精度,同时降低模型复杂度。文中网络使用城市道路场景数据集进行测试,可以为今后的无人驾驶技术的应用提供参考,具有一定的实际意义。