排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
彩色图像质量评价(Color Image Quality Assessment,C-IQA)作为一种图像质量评价系统,与其他图像质量评价系统对彩色图像只是简单地将原图像转换为灰度图像进行评价不同,不仅考虑图像在灰度尺度下的质量评价,而且需要对图像的色彩表现做出评价。提出一种基于色彩特征的彩色图像质量的数学评价模型,在考虑亮度特征的同时,加入了色调、色饱和度和色彩熵等色度特征来进行C-IQA。在LIVE图像数据库中进行实验,可以发现模型预测结果与图像实际质量保持高度一致。 相似文献
3.
目的 图像分类与识别是计算机视觉领域的经典问题,是图像检索、目标识别及视频分析理解等技术的基础。目前,基于深度卷积神经网络(CNN)的模型已经在该领域取得了重大突破,其效果远远超过了传统的基于手工特征的模型。但很多深度模型神经元和参数规模巨大,训练困难。为此根据深度CNN模型和人眼视觉原理,提出并设计了一种深度并行交叉CNN模型(PCCNN模型)。方法 该模型在Alex-Net基础上,通过两条深度CNN数据变换流,提取两组深度CNN特征;在模型顶端,经过两次混合交叉,得到1024维的图像特征向量,最后使用Softmax回归对图像进行分类识别。结果 与同类模型相比,该模型所提取的特征更具判别力,具有更好的分类识别性能;在Caltech101上top1识别精度达到63%左右,比VGG16高出近5%,比GoogLeNet高出近10%;在Caltech256上top1识别精度达到46%以上,比VGG16高出近5%,比GoogLeNet高出2.6%。结论 PCCNN模型用于图像分类与识别效果显著,在中等规模的数据集上具有比同类其他模型更好的性能,在大规模数据集上其性能有待于进一步验证;该模型也为其他深度CNN模型的设计提供了一种新的思路,即在控制深度的同时,提取更多的特征信息,提高深度模型性能。 相似文献
4.
5.
1