基于生成感知差异的无参考图像质量评价模型

人眼视觉系统中的视觉感知差异是图像质量评价过程中的重要组成部分,通过感知失真图像与原始图像之间的视觉差异,可对图像的失真程度进行判断,然而在无参考图像质量评价中无法获取原始未失真的图像,且缺乏对失真图像的视觉感知差异。通过对深度学习中的生成对抗网络进行分析,提出一种基于生成视觉感知差异的无参考图像质量评价模型。利用生成对抗网络产生与失真图像相对应的视觉感知差异图像,并将其与失真图像输入质量评价网络以进一步学习图像的失真信息,从而达到评估图像质量的目的。在TID2008和TID2013数据库上的实验结果表明,与CNN、SOM、CORNIA等模型相比,该模型能够使失真图像质量预测准确度提升1个百分点以上,且对不同种类失真也表现出良好的预测性能。     

Comparative analysis of different methods for image enhancement

Image enhancement technology plays a very important role to improve image quality in image processing. By enhancing some information and restraining other information selectively, it can improve image visual effect. The objective of this work is to implement the image enhancement to gray scale images using different techniques. After the fundamental methods of image enhancement processing are demonstrated, image enhancement algorithms based on space and frequency domains are systematically investigated and compared. The advantage and defect of the above-mentioned algorithms are analyzed. The algorithms of wavelet based image enhancement are also deduced and generalized. Wavelet transform modulus maxima（WTMM） is a method for detecting the fractal dimension of a signal, it is well used for image enhancement. The image techniques are compared by using the mean（μ）,standard deviation（？）, mean square error（MSE） and PSNR（peak signal to noise ratio）. A group of experimental results demonstrate that the image enhancement algorithm based on wavelet transform is effective for image de-noising and enhancement. Wavelet transform modulus maxima method is one of the best methods for image enhancement.     

基于Contourlet域梯度结构相似度的无参考图像质量评价

Contourlet变换已经成为多尺度、多方向图像处理领域的研究热点,文章将其引入图像质量评价,提出了一种基于Contourlet变换的梯度结构相似度无参考图像质量评价方法（NRCT-GSSIM）,将待评价图像通过高斯低通滤波器构造参考图像,然后在Contourlet变换域中计算图像频率子带、方向子带分别加权的梯度结构相似度,实现对图像的质量评价.该方法无需标准参考图像,充分考虑了人类视觉特性.实验结果表明,NRCT-GSSIM取得了与峰值信噪比（PNSR）、结构相似度（SSIM）和梯度结构相似度（GSSIM）等有参考图像质量评价相一致的评价结果,且较之PSNR、SSIM有更高的准确性.     

面状缺陷超声B扫描检测图像增强研究

针对面状焊接缺陷超声B扫描检测图像受噪声污染造成的质量下降问题,利用多尺度小波分析方法,对超声B扫描图像进行了增强处理.分析了缺陷信号和噪声的小波变换特性,分别在软、硬阈值函数条件下,采用固定阈值、Stein无偏似然估计阈值、混合型阈值、极大极小准则阈值等方法进行了信号增强处理,比较了不同阈值方法小波变换的处理效果.结果表明:小波变换方法能有效地提高超声B扫描图像质量,硬阈值条件下固定阈值小波变换方法的图像增强处理效果较好.     

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.     

基于变差函数全局纹理增强的结构相似度图像质量评价

为解决结构相似度算法的图像质量评价缺陷,提出了一种基于变差函数全局纹理增强的结构相似度图像质量评价。该方法首先利用改进的对数变差函数模型提取原图像和失真图像在水平0°、垂直90°和对角45°、135°四个方向的纹理信息特征,然后分别求出对应的纹理增强图像,最后改进SSIM中的结构信息来确定纹理区域的明显失真,计算得到整幅图像的VSSIM值。目前大多数的全参考评价方法不能对数据库中的所有失真类型进行评价,只能对某一类固定的失真类型来评价。本方法对LIVE数据库中的五种失真类型都适用,仿真实验表明,该算法对五种不同失真类型的评价结果具有一定的合理性,并且与主观评价数据库较为一致,其性能也优于其他质量评价模型。     

面向彩色增强图像的客观质量评价算法

目的 现有的全参考图像质量评价方法使用“完美”的源信号作为参考,但是增强图像的参考图像通常不是“完美”的.因此,现有的全参考质量评价方法不能用于增强图像的评价,提出了一种新的面向彩色增强图像的质量评价算法.方法 利用图像的梯度、颜色和亮度特征,提出了增强图像的梯度增强图、颜色增强图和亮度增强因子的计算方法,计算增强图像相对于参考图像在梯度、颜色和亮度方面的增强程度;并建立了亮度增强因子和梯度增强图、颜色增强图之间的关系模型;另外,原图像的梯度和颜色特征也被提取用于增强图像的质量评价.结果 使用公开数据库进行的实验结果表明,该算法和现有最优算法相比,皮尔逊线性相关系数(PLCC)和斯皮尔曼相关系数(SROCC)分别提高了2.9%和2.5%,而均方根误差(RMSE)则降低了12.3%,获得了比现有算法更优越的性能.结论 本文算法解决了目前已有的评价算法需要参考图像为“完美”图像,而且增强图像质量无法采用相似性程度进行计算的问题,适用于为了获得更好视觉质量的不含噪增强图像的质量评价.     

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。     

融合梯度信息与HVS滤波器的无参考清晰度评价

目的 目前无参考图像质量评价算法的性能存在较大的提升空间,为了提高清晰度评价技术,提出了一种基于梯度信息与HVS滤波器的无参考清晰度评价算法(GI-F)。方法 该算法首先利用梯度算子计算各像素点的梯度信息,再通过HVS滤波器得到加权和作为图像的清晰度指标。结果 在公开数据库LIVE、TID2008和CSIQ上进行的实验,GI-F与S3(Spectral and Spatial Sharpness)、CPBD(Cumulative Probability of Blur Detection)和LPC-SI(Local Phase Coherence-based Sharpness Index)相比,性能指标RMSE(Root Mean Squared Error)、PLCC(Pearson Linear Correlation Coefficient)和SROCC(Spearman Rank-Order Correlation Coefficient)分别提升了20.66%、4.61%和3.33%;同时GI-F还具有更低的计算复杂度,即使与目前最好的BRISQUE(Blind/Referenceless Image Spatial QUality Evaluator)算法相比,耗时也降低了79.72%。结论 该算法只需耗费更少的时间即可计算出与人眼感知更加接近的客观清晰度指标,可广泛用于无参考图像情况下的清晰度指标计算场合,同时还可以通过并行计算进一步降低其计算时间。     

网络视频监控技术的发展趋势：更好的移动性和更完善的图像质量

2014年网络视频监控的发展趋势是什么？在本文中,a＆s《安全＆自动化》对行业顶尖参与者进行了综合审视。