基于色彩特征的无参考彩色图像质量评价

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。     

一种改进的图像色彩迁移方法

传统色彩迁移方法的迁移效果依赖于主观评价,且应用局限性大。为此,提出一种改进的图像色彩迁移方法。通过亮度拟合、分类筛选等操作从多幅源图像中选出与目标图像最匹配的参考色彩区域,针对彩色图像,采用隶属度概率进行平滑处理,利用参考色彩区域的颜色分量均值和方差,计算迁移合成值。针对灰度图像,对颜色分量进行归一化处理,划分灰度等级,引入Sigmoid加权实现迁移合成。实验结果表明,改进方法在视觉效果和客观评价方面都有较好的表现。     

基于高斯混合模型的区域颜色迁移

针对具有多种颜色区域图像以及灰度图像的颜色迁移合成问题，提出了一种基于高斯混合模型的区域颜色迁移算法，以用于将一幅源图像的颜色迁移到一幅目标图像中。该算法首先在lαβ颜色空间中，采用高斯混合模型对源图像的颜色样本空间进行聚类拟合来得到具有源图像颜色信息的参考色彩模型；然后利用该参考色彩模型对目标图像的颜色样本集进行分类决策，以确定目标图像与源图像各区域的色彩匹配关系；最后，提出了一组新的基于区域的颜色迁移公式，用于完成对目标图像的颜色迁移。实验结果表明，该算法不仅能实现两幅彩色图像之间的颜色迁移．而且能实现对灰度图像的上色处理，并均取得了较好的迁移效果。     

基于色彩空间自然场景统计的无参考图像质量评价

RGB色彩空间中各色彩分量间存在强相关性, 图像发生失真会改变各分量间的相关性. 基于此, 本文提出了一种新的通用无参考图像质量评价方法. 首先, 根据人类视觉对RGB色彩空间中绿色分量更为敏感的颜色感知特性, 提取了G分量MSCN系数及其4方向邻域系数的统计特征; 其次, 在分析RGB色彩空间中R、G及B分量间相关性的基础上, 分别计算RGB色彩空间各色彩分量及其纹理、相位间的互信息, 利用互信息作为统计特征来描述其各分量间的相关性; 进而, 结合上述统计特征, 分别利用SVR和SVC构建无参考图像质量评价模型和图像失真类型识别模型; 最后, 在LIVE、CSIQ 及TID2008图像质量评价数据库上进行了算法与DMOS (Different mean opinion score)的相关性、失真类型识别及计算复杂性等方面的实验. 实验结果表明, 本文方法的评价结果与人类主观评价具有高度的一致性, 在LIVE 数据库上的斯皮尔曼等级相关系数和皮尔逊线性相关系数均在0.942以上; 而且, 图像失真类型识别模型的识别准确率也高达93.59%, 明显高于当今主流无参考图像质量评价方法.     

双波段彩色融合图像色彩和谐性客观评价

针对现有的图像质量评价方法较少利用人眼视网膜和视觉皮层的颜色编码机制,并且未能充分考虑图像色彩信息对图像质量的影响,提出了一种基于多视觉特征的可见光(微光)与红外彩色融合图像色彩和谐性客观评价模型.该模型在图像质量评估中融入了更多的颜色信息,综合考虑多种人眼视觉特征包括视觉对立色彩特征、色彩信息波动特征和高级视觉内容特征,经过特征融合和支持向量回归训练,实现彩色融合图像的色彩和谐性客观评价.采用3种典型场景融合图像数据库进行实验比较与分析.实验结果表明,与现有的8种图像质量客观评价方法相比,所提出的方法与人眼主观感受更加一致,具有较高的预测准确度.     

基于模糊灰度共生矩阵与隐马尔可夫模型的断口图像识别

纹理通常由空间分布和灰度分布共同描述,灰度共生矩阵(GLCM)能兼顾二者,故广泛应用于纹理分析中。在计算GLCM时,为降低其维数,需对纹理图像进行灰度量化,这必然丢失部分图像信息。灰度量化时,由灰度值与量化区间中心值的不同距离,构造出相应的模糊隶属度函数,并定义了模糊灰度共生矩阵(FGLCM)。通过对断口图像FGLCM的14个特征统计量进行相关性分析,选择角二阶矩和熵等7个统计量作为特征参数,并验证了其有效性。最后,在4类典型断口图像的特征空间上,采用隐马尔可夫模型(HMM)进行分类识别。实践表明,FGLCM比已有的GLCM能更好地表征断口特性,且在HMM状态数为3时,断口分类的平均识别率可达98%。     

基于TFBP网络的人脸皮肤纹理识别方法

为了可观地评价皮肤的质地,采用图像纹理分析中的空间灰度共生矩阵法提取皮肤纹理图像的重要特征,建立一种新的人脸皮肤纹理的测量识别模型.首先对采集到图像进行预处理,然后采用空间灰度共生矩阵法提取纹理图像的5个特征,最后通过TFBP网络对皮肤纹理图像的训练与分类识别实验结果很好的证明了这种纹理分析与测量方法的有效性.     

基于多元线性回归的图像质量评价方法

通过回顾图像质量评价的发展过程,对现有的各种图像质量评价方法进行分类。针对各种失真图像如压缩图像、噪声图像等,比较一些有代表性的评价方法的预测值与主观评价分数之间的Pearson相关系数和Spearman相关系数。结果发现不同评价方法对不同失真的反映灵敏度是不同的,即使是同一种方法在不同相关系数上的表现也不一致。采用多元线性回归分析对选定的图像质量评价方法进行拟合,综合不同方法的优点,提出了一种基于多元线性回归分析的图像质量评价方法。该方法对各种类型和各种程度的失真的灵敏度都比较好,性能也比较稳定。将新方法与选定的各种具有代表性的图像质量评价方法进行比较,实验结果表明,新方法在各个方面都具有较好的鲁棒性。     

基于人眼色彩差异化感知的图像质量评价研究

针对显著性图像质量评价问题，参考人眼视觉对图像色彩的差异化感知，提出一种基于孪生神经网络对图像色彩对比显著区域进行质量评价的算法。首先，根据图像中的色彩对比和语义信息分别提取原始图像和失真图像中的色彩对比显著区域；然后，将原始图像和失真图像中对应的色彩区域作为子图像，以样本对的形式输入孪生神经网络；最后，计算主客观图像质量评估值的相关性。实验采用残差结构的Inception-ResNet-V2网络作为基础模型，同时增加EMD损失函数优化对图像质量的距离损失，经过Softmax层后输出图像质量评估值，并在TID2013数据集上进行了测试。结果表明，提出的算法在该数据集上性能良好。     

色彩熵在图像质量评价中的应用

目的 由于色彩空间包含了图像的大量信息,而且Lab色彩空间更接近于人眼视觉,因此提出一种改进的无参考图像质量评价算法IQALE(image quality assessment using Lab color space and entropy),通过在SSEQ(spatial-spectral entropy-based quality)算法中加入Lab色彩空间a通道和b通道的特征来提高算法精度。方法 信息熵是近几年研究较多的图像特征,并且能较好地运用在图像质量评价研究中。该文在色彩空间和灰度空间同时提取信息熵特征,通过支持向量机(SVM)对图像特征和MOS值进行训练和测试。结果 在LIVE、TID2008、MICT、CSIQ和IVC这5个常用数据库上的实验结果表明:在算法中加入Lab色彩空间信息可以提高算法精度,并且本文算法IQALE的效果优于目前流行的无参考图像质量评价算法。为了验证算法的可扩展性,该文还在这5个数据库上进行了数据库独立性实验。结论 从实验结果来看,本文提出的IQALE算法通过加入色彩熵特征使得算法具有较高且较稳定的精度,数据库独立性实验也体现了算法较好的鲁棒性,对于各种失真类型都具有较好的普适性。     

高斯颜色模型在瓷片图像分类中的应用

由于RGB颜色空间不能很好贴近人的视觉感知,同时也缺少对空间结构的描述,因此采用兼顾颜色信息和空间信息的高斯颜色模型以获取更全面的特征,提出了一种基于高斯颜色模型和多尺度滤波器组的彩色纹理图像分类法,用于瓷器碎片图像的分类。首先将原始图像的RGB颜色空间转换到高斯颜色模型;再用正规化多尺度LM滤波器组对高斯颜色模型的3个通道构造滤波图像,并借助主成分分析寻找主特征图,接着选取各通道的最大高斯拉普拉斯和最大高斯响应图像,与特征图联合构成特征图像组用以进行参数提取;最后以支持向量机作为分类器进行学习和分类。实验结果表明,与基于灰度的、基于RGB模型的和基于RGB_bior 4.4小波的方法相比,本文方法具有更好的分类结果,其中在Outex纹理图像库上获得的分类准确率为96.7%,在瓷片图像集上获得的分类准确率为94.2%。此方法可推广应用到其他彩色纹理分类任务。     

基于混合高斯模型的阴影去除算法

阴影去除是智能视频领域中运动目标识别的一项重要内容,其结果直接影响目标识别的准确性。针对当前基于纹理特征的阴影去除算法的不足,提出一种结合YCbCr颜色空间和混合高斯模型(GMM)的阴影去除算法。首先利用混合高斯模型提取出运动区域;然后通过分析运动区域的前景和背景在YCbCr颜色空间的差值统计特性,建立混合高斯阴影模型;最后根据高斯分布的概率分布规律,得到阴影分布特性,从而实现对阴影的去除。对于实验中的序列图像,所提算法有70%以上的阴影检测率。实验结果表明,所提方法能够在不同的场合快速有效地去除阴影,准确地提取运动目标。     

基于植被似然建模与阴影的建筑物提取

提出了一种基于植被似然建模与阴影的彩色遥感影像建筑物提取方法.采用三原色(RGB)色彩空间中的高斯混合模型(GMM)对植被进行离线色彩特征建模,剔除植被信息的影响;采用Mean-Shift分割算法对图像进行过分割,在此基础上提取出建筑物阴影区域,然后对提取结果进行适当的后处理;通过计算阴影区域像素距离确定候选区域,并采用二次判别分析(QDA)分类器对图像进行分类,实现建筑物的提取.实验证明:方法能有效提高建筑物提取的精度.     

基于概率乘积核函数的图像分类算法

针对 Bag-of-Features(BOF)模型中使用的统计值只是对编码矢量概率分布的粗糙表示,文章中的算法将编码矢量所服从的概率密度分布作为图像内容描述,使用基于概率乘积核函数的支持向量机对图像进行分类。标准场景和物体图像数据集上的实验结果表明文章中的算法优于目前性能最优的图像分类算法。     

Image Appearance Exploration by Model-Based Navigation

Changing the appearance of an image can be a complex and non-intuitive task. Many times the target image colors and look are only known vaguely and many trials are needed to reach the desired results. Moreover, the effect of a specific change on an image is difficult to envision, since one must take into account spatial image considerations along with the color constraints. Tools provided today by image processing applications can become highly technical and non-intuitive including various gauges and knobs.
In this paper we introduce a method for changing image appearance by navigation, focusing on recoloring images. The user visually navigates a high dimensional space of possible color manipulations of an image. He can either explore in it for inspiration or refine his choices by navigating into sub regions of this space to a specific goal. This navigation is enabled by modeling the chroma channels of an image's colors using a Gaussian Mixture Model (GMM). The Gaussians model both color and spatial image coordinates, and provide a high dimensional parameterization space of a rich variety of color manipulations. The user's actions are translated into transformations of the parameters of the model, which recolor the image. This approach provides both inspiration and intuitive navigation in the complex space of image color manipulations.     

RGB-D图像的贝叶斯显著性检测

本文提出了一种基于贝叶斯框架融合颜色和深度对比特征的RGB-D图像显著性检测模型.基于空间先验的超像素对比计算得到深度特征,并通过高斯分布近似深度对比特征概率密度建模深度显著图.类似于深度显著性计算,采用高斯分布计算多尺度超像素低层对比特征得到颜色显著图.假设在给定显著类别下颜色和深度对比特征条件独立,依据贝叶斯定理,由深度显著概率和颜色显著概率得到RGB-D图像显著性后验概率,并采用判别混合分量朴素贝叶斯（DMNB）模型进行计算,其中DMNB模型中的高斯分布参数由变分最大期望算法进行估计.在RGB-D图像显著性检测公开数据集的实验结果表明提出的模型优于现有的方法.     

自适应模型和固定模型结合的肤色分割算法

由于受环境、光照、人种等因素影响,不同图像中的肤色分布并不一样。在复杂背景情况下,采用固定的阈值边界模型进行肤色分割将导致较大的漏检或误检。基于YCbCr颜色空间,在固定阈值边界模型分割的基础上,运用简化的期望最大化(EM)算法计算出针对特定图像的自适应肤色高斯模型;然后综合考虑固定阈值边界模型以及自适应肤色高斯模型在不同颜色区域上划分的准确性,给出最终的肤色分割结果。实验结果表明,该方法相比固定阈值边界模型的分割方法,能同时降低误检率和漏检率,从而提高肤色识别的准确率。     

基于高斯混合模型的人脑MR图像分割新算法研究

有限高斯混合模型是广泛应用于聚类分析与分布估计的概率模型之一,同样在脑部MR图像分割领域获得了广泛应用.利用高斯混合模型可以描述大脑图像,通过期望最大算法求解随机变量的特征值,并用其对图像上的点进行分类,可以在一定程度上解决脑图像分割问题.针对含脉冲噪声的大脑图像,首先利用改进的滤波方法对图像进行滤波,再利用粒子群改进算法的全局优化特性求解高斯混合模型的参数,这样避免了EM算法易陷入局部极值的现象,以提高参数精度,从而进一步提高分割质量.     

Blind image quality assessment with improved natural scene statistics model

No-reference (NR)/blind image quality assessment (IQA) metrics play an important role in the area of image processing. Natural scene statistics (NSS) model assumes that natural images possess certain regular statistical properties and is widely used in NR IQA metrics. Most existing NSS-based NR algorithms are achieved by measuring the variation of image statistics, which are characterized by the fitting parameters of NSS model, across different distortions. However, distortions not only change the image statistics, but also disturb the statistical regularity held by natural images. As a result, the distribution of distorted images can not well follow the NSS model. There exists fitting error between the real distribution of the distorted image and the fitted one under certain NSS model. In this paper, the statistical distributions of the distorted images are discussed in detail. We suggest to take the fitting errors into account as well as the fitting parameters for feature extraction, and propose a novel NR IQA algorithm. Experimental results on several image databases demonstrate that the proposed metric performs highly consistent with human visual perception.     

基于高斯超像素的快速Graph Cuts图像分割方法

提出了一种交互式的快速图像分割方法.该方法通过使用高斯超像素来构建Graph cuts模型以实现加速.首先,利用融合了边缘置信度的快速均值漂移算法,将原始图像高效地预分割为多个具有准确边界的同质区域,并将这些区域描述为超像素,用于构建精简的加权图.然后,使用区域的彩色高斯统计对超像素进行特征描述,并在信息论空间中对高斯...