基于伪参考图像深层特征相似性的盲图像质量评价

提出一种基于伪参考图像深层特征相似性的盲图像质量评价方法,首先利用基于Wasserstein距离的条件生成对抗网络,由数据驱动训练得到复原模型,通过对失真图像的复原,生成伪参考图像,用以弥补真实参考图像的缺失,接着利用上述复原模型进行质量预测评价,通过对测试失真图像进行重叠分块.采样,使其通过复原模型后生成为参考图像块。并使用预训练卷积神经网络——VGG-19,分别对失真图像块和伪参考图像块提取五层最大池化层深层网络特征,每一图像块其每一特征经标准化后成为单通道灰度特征图,利用SCNN-SIM公式计算二者对应每一层特征图的相似性得分,根据计算所得五级得分,采取相应池化策略,预测得到块评价分数,最后选择平均池化策略得到最终图像得分。本文基于图像常见三种失真:高斯模糊、高斯噪声JPEG压缩进行评价对比,复原模型训练集采用Waterloo自然场景图像库,选择TID2013、CSIQ数据库进行预测评价测试,其Pearson线性相关系数和Spearman等级系数指标与最新方法指标相当,评价结果准确,与人类主观感受一致。

基于双目神经元响应的无参考立体图像质量评价

为了解决多失真图像的质量预测偏差问题,根据视觉生理心理学研究中人类大脑初级视皮层(V1)神经元细胞对视觉信息处理的过程,提出了一种无参考立体图像质量评价方法。首先对失真立体图像对进行Gabor滤波,构造了基于双目神经元响应的V1区模拟刺激模型;其次通过离散余弦变换(DCT)和去均值对比度归一化(MSCN),分别提取了失真立体图像对的DCT域和空间域的自然场景统计特征;最后采用支持向量回归(SVR)算法,建立了所提取特征和主观评价值间的映射关系,进而构建了预测立体图像质量的客观评价模型。基于公开数据库对所提模型进行了验证和对比。结果表明,所提方法可统一预测单失真和多失真立体图像的感知质量,比现有评价方法的性能更优。