基于梯度幅度值的结构相似度的图像质量评价方法

说明传统图像质量评价方法的不足之处.在SSIM模型不能很好地评价严重模糊的降质图像的基础上,从图像梯度幅度值和图像边缘的关系出发,分析了基于梯度幅度值的结构相似度(GSIM)的图像质量评价方法.实验结果表明,该模型比SSIM模型更符合人眼的视觉特性.     

基于TV与SSIM的图像质量评价方法

提出一种基于全变分(TV)模型与结构相似度(SSIM)的图像质量评价方法。对待评价图像进行主动定量加噪,得到降质图像,利用自适应的TV去噪模型得到消噪图像,采用SSIM方法对待评价图像与消噪图像进行全参考评价,得到待评价图像的无参考评价指标。采用标准测试图像和LIVE库的降质图像进行实验,结果表明,该方法可在无参考图像的条件下对图像质量进行评估,评价结果与主观评价结果具有较高的一致性。     

一种针对图像模糊的无参考质量评价指标

在成像模型的基础上,分析了图像模糊的原因,提出了一种为图像构造参考图像的方法,进而将结构相似度(SSIM)评价方法引入到无参考图像质量评价中,提出一种无参考结构清晰度(NRSS)的新的无参考图像质量评价方法,将其用于对模糊图像的质量评价。该方法通过低通滤波器来构造参考图像,通过计算原始图像与参考图像的结构相似度值来评价原始图像质量,很好地结合了成像系统的数学模型和结构相似度评价方法的优势,实验结果表明无参考结构清晰度评价指标能够给出和主观评价方法以及其余有参考评价方法一致的结果。     

基于空域NSS的无参考图像质量评价

为了有效地度量不同失真类型的图像质量,提出一种基于自然场景统计(NSS)模型的空域无参考图像质量评价算法。该算法利用自然图像归一化亮度系数的统计特征趋向于服从广义高斯概率分布的特性,首先在空域计算自然图像的梯度,通过梯度密度选取自然图像的兴趣区域,提取兴趣区域图像统计特征,建立多元高斯分布(MVG)模型;然后对测试图像建立同样的MVG模型;最终通过计算测试图像和自然图像在统计规律上的偏差来对测试图像的质量做出评价。实验证明该算法与主观评价具有较好的一致性。     

基于概率矩阵分解的多失真图像质量评估算法

图像质量评价(Image Quality Assessment, IQA)是视觉感知模型研究的重要分支,使用IQA算法自动化地评估图像质量有广阔的应用前景。基于概率矩阵分解(Probability Matrix Factorization)提出一种多失真图像质量评价算法,主要贡献有:提出一种图像质量评价的新思路,即利用PMF方法从失真图像估计参考图像,把失真图像和估计参考图像之间的信息损失作为图像质量的度量;构建新颖的特征向量描述这种信息损失;使用支持向量回归(Support Vector Regression, SVR)完成图像质量模型的训练。提出的算法在多个公开的图像质量评价数据库上超过了经典方法,实验结果证明该方法与人的主观质量评价具有更好的一致性。     

模拟视觉感知系统的无参考模糊图像质量评价

为了获得与人类视觉感知一致的图像质量评价方法, 本文提出一种模拟视觉感知系统的无参考模糊图像质量评价方法. 该方法通过比较不同模糊程度的图像特征的相似度来度量图像质量. 首先, 通过对待测图像进行人工模糊, 获得不同模糊程度的图像. 然后, 通过视网膜模型提取图像的细节信息. 接着, 采用奇异值分解用来获得图像的内部结构信息. 之后, 将待测图像与其它不同模糊度图像之间的细节相似度和奇异值相似度作为度量图像模糊度的特征向量. 最后, 将这些度量特征向量输入支持向量回归模型(SVR)进行训练, 获得最终的图像质量评估模型.在常用数据库上的实验结果表明, 该方法与人眼主观视觉感知的一致性优于比较方法.     

基于HVS和奇异值分解的图像质量评价

传统的图像质量评价算法以像素值的为基础,需要保证参考图像是存在而且完整.其实图像本身是具有结构性的,仅仅以像素比较来评判图像差异,是扩大了图像质量评价的含义.为了解决这些问题,研究了奇异值向量对于图像结构的表征能力,并充分分析人类视觉系统(HVS)的亮度、纹理、边缘等特性,给出相应的视觉特性计算模型,从而提出了一种基于人眼视觉系统和奇异值分解相结合的图像质量评价方法(BHSVD),该算法相比较其他一些客观算法具有更好的效果.     

灰色复数矩阵SVD的无参考模糊图像质量评价

为了进一步突出重要的图像结构特征,采用复数矩阵表示图像,提出了基于灰色复数奇异值分解的无参考模糊图像质量评价方法。该方法首先将原始模糊图像经点扩散函数生成二次模糊图像,再采用复数矩阵的形式表示原始图像和二次模糊图像的结构特征,在此基础上,对原始模糊图像和二次模糊图像进行分块复数矩阵奇异值分解,获得区域相关度,采用灰色关联度评价模糊图像质量。在3个数据库上的实验结果表明,该方法评价结果合理,与主观评价具有较好的一致性。     

结合图像二次模糊范围和奇异值分解的无参考模糊图像质量评价

针对图像的模糊失真问题,提出一种结合图像二次模糊范围和奇异值分解的无参考图像质量评价方法.首先根据图像二次模糊范围的差异性构建参考图像;然后对失真图像与参考图像进行奇异值分解,利用奇异值向量矩阵的相似度构建失真特性向量;再结合Log-Gabor滤波器组和高斯差分模型进行视觉显著度检测;最终以显著度加权的失真特性向量预测模糊图像的质量得分.大量实验结果表明,与同类算法相比,文中方法能够准确地评价模糊图像质量,与主观评价具有较高的一致性;在LIVE2图像库上,评价指标斯皮尔曼等级相关系数达到0.968 7,均方根误差为4.858 9;该方法无需对数据进行训练,具有较强的实用性和推广性.     

基于尺度不变性的无参考图像质量评价

现有的通用型无参考图像质量评价方法大多是利用失真图像及其主观值来训练回归模型预测图像质量指标,然而这种方法需要消耗大量的时间进行训练,并且评价效果依赖于训练图像库中的失真类型,通用性较差,很难应用到实际场合中。为了解决数据库依赖问题,提出一种归一化的基于图像尺度不变性的无参考图像质量评价方法。该方法不依赖外部数据,将图像的统计特性及边缘结构特性作为图像质量评价的有效特征,利用图像多尺度不变性计算多尺度间的整体特征差异,从而预测图像质量。实验结果表明,所提方法对混合失真图像质量评价效果好,运行效率高,与目前现有的无参考图像质量评估方法相比具有较好的综合性能,具有较好的应用价值。     

Image quality assessment via multiple features

Multimedia devices are indispensable in the information society. And, image quality highly impacts user experience of multimedia equipment. Therefore, measuring image quality accurately has great application value. The existing image quality assessment (IQA) methods have demonstrated the natural sense statistics and image structural information can measure the degradation of image. However, the generalization ability of individual IQA method is limited. In this paper, we propose a novel no-reference IQA method which is based on multiple features. For each image, we first extract natural sense statistic feature, global structural feature and local structural feature, respectively. Second, we train the quality prediction model via different features, and obtain different quality prediction scores by the models. Third, the prediction scores are collected and transformed to feature vectors. Subsequently, the IQA model is trained by support vector regression, and the input variables are the obtained feature vectors and subjective scores. The experimental results on the public databases demonstrate the proposed method can accurately predict the quality of both natural image and screen content image, and the performance is competitive with prevalent methods.

     

基于灰度共生矩阵的无参考模糊图像质量评价方法

无参考图像质量评价已成为近来研究的热点.基于灰度共生矩阵提取相位一致图像特征进行学习的基础上,提出一种无参考模糊图像质量评价方法.该方法首先通过LogGabor小波变换生成待评测图像的相位一致图像,然后利用灰度共生矩阵计算相位一致图像的信息熵、能量、对比度、相关性和同质性5个特征,最后利用支持向量回归模型训练学习,预测得到无参考模糊图像质量得分.4个公开数据库模糊图像上的实验结果表明,该方法预测得分与主观得分有较好的一致性,获得较好的评价指标.     

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。     

基于视差图和复数轮廓波变换的无参考立体图像质量评价

现有的2D图像质量评价方法并不能很好地应用于立体图像质量评价中。为了有效评价不同失真立体图像的质量,提出了一种基于视差图和复数轮廓波变换的无参考图像质量评价方法。首先提取了能够反映3D信息的视差图,然后对左右失真图像和视差图进行复数轮廓波变换,计算能量和能量差特征,最后通过支持向量回归SVR模型训练学习,预测图像质量分数。实验结果表明,此方法优于当前文献报道的立体图像质量评价方法。     

结合NSS和小波变换的无参考图像质量评价

为了度量不同失真类型的图像质量,提出一种基于小波多尺度变换的无参考质量评价方法。该方法根据自然场景统计(NSS)模型中小波多尺度变换子带能量在对数域的线性分布规律,利用失真条件下变化缓慢的高尺度子带能量预测理想图像的低尺度子带能量,同时对一些不适合失真类型进行能量补偿,最后通过量化失真图像的预测值和实际值之间的能量差异来度量图像质量。实验结果表明,该方法与主观评价方法有较好的一致性,且在总体性能上优于当前相关文献的方法。     

基于增强型对抗学习的无参考图像质量评价算法

为了提高无参考图像质量评价(NR-IQA)方法的性能,参考先进的深度生成对抗网络(GAN)研究成果,提出一种基于增强型对抗学习的无参考图像质量评价算法,即通过改进损失函数、网络模型结构来增强对抗学习强度,输出更可靠的模拟"参考图",进而可以像全参考图像质量评价(FR-IQA)方法一样模拟人的视觉比较过程。首先,利用数据集中失真的图像和未失真的原图像作为输入,从而基于增强对抗学习来训练网络模型;然后,利用该模型输出待测图像的模拟仿真图,提取仿真图的深度卷积特征;最后,将仿真图和待测失真图的卷积特征相融合,并输入到训练好的图像质量评价回归网络,输出图像的评测分数。在LIVE、TID2008和TID2013数据集上完成实验。实验结果表明,所提算法在图像质量上的总体客观评价性能优于当前的主流算法,与人的主观评价表现出的性能相一致。     

Real-time deep satellite image quality assessment

A method for deep satellite image quality assessment based on no-reference satellite images is proposed. We design suitable deep convolutional neural networks, which are named satellite image quality assessment of deep convolutional neural networks (SIQA-DCNN) and SIQA-DCNN++. These sophisticated methods can remove various distorted satellite images in real-time remote sensing. The novelty of this method lies in the objective assessment and restoration of the deep model which understands various distorted satellite images in high- and low-resolution problems. The activation function has a lower computational time and ensures the deactivation of noise by making the mean activators close to zero. Our methods are also effective for transfer learning, which can be used to adequately investigate satellite image classification in deep satellite image quality assessment. Using Spearman’s rank order correlation coefficient (SROCC) and linear correlation coefficient (LCC) evaluations, we demonstrated that our methods show better performance than other algorithms, with more than 0.90 of SROCC and LCC values compared to the full-reference and no-reference satellite image in MODIS/Terra and USGS datasets. Regarding computational complexity, we obtained better performance in operational function times. As compared to other methods, SIQA-DCNN and SIQA-DCNN++ also reduced computational time by more than 40 and 56%, respectively, when applied to the USGS dataset, and by more than 46 and 60% respectively, when applied to the MODIS/Terra dataset.