移动机器人基于视觉室外自然场景理解的研究与进展

对于工作在典型非结构化场景中的移动机器人系统,具有良好的室外自然场景感知与理解能力是其能够自主运行的前提条件.移动机器人使用视觉传感器来进行室外自然场景的理解一直是该领域的研究热点.本文首先介绍了基于视觉的移动机器人自然场景理解的研究现状,对其相关子领域的研究思路与前沿技术进行了着重论述与分析,并从实时性和环境自适应性等方面对相关技术的实用性问题加以讨论.最后对该领域的研究重点和技术发展趋势进行了探讨.

全参考图像质量评价综述

图像质量评价是图像处理领域内一项很有意义的研究课题。客观图像质量评价方法可分为全参考评价方法、半参考评价方法和无参考评价方法,目前全参考评价方法较为成熟,而半参考和无参考评价方法则处于初级阶段,远远达不到参考评价方法所能达到的效果。对全参考评价方法进行综述。首先简要地介绍了各种类型的评价方法,其次详细地介绍了PSNR、SSIM、MSSIM、IFC、VIF、FSIM等几种典型的全参考图像质量评价方法,然后在LIVE和TID2008数据库上进行实验,对这几种全参考方法进行对比、分析,最后探讨图像质量评价研究的发展趋势。

基于可控金字塔的无参考图像质量评价模型

为具有多种失真的图像提供一个无参考质量评价通用模型,提出了基于可控金字塔的评价算法。该算法结合自然场景图像的统计特性,利用可控金字塔变换对图像进行多尺度多方向的分解,并经过较小的训练,得到未失真图像子带系数分布特征模型。根据不同子带系数对图像降质的影响设置权值,计算量化后失真图像系数的实际分布与未失真自然场景子带系数分布特征模型的偏离程度,以度量图像的质量。实验结果表明,该算法能较好地符合人类视觉的主观评价。

结合自然图像统计和空域变换的无参图像质量评价

为解决数字图像处理中的质量评价问题,从自然图像统计和空域变换角度出发,提出一种无参质量评价方法.首先采用空域变换并结合梯度关系获得图像的统计特性分布;然后采用非对称广义高斯分布进行模拟,在充分考虑非对称因素的情况下求得特征参数,以反映分布特征;最后利用失真图像与原始图像统计分布的差异,将特征参数与参考标准直接进行K-L距计算获得评价值.实验结果证明,文中方法无需参考图像,适用于任意失真类型图像的质量评价,与同类方法相比,评价结果与主观DMOS值更具一致性;同时,该方法计算复杂度较低,对Live库中图像运算耗时少于130 ms,具有广泛的实际应用价值.

基于色彩感知的无参考图像质量评价

图像发生失真会改变RGB色彩空间的颜色特征、各色彩分量的亮度分布及其间的相关性,基于此,提出了一种新的无参考图像质量评价方法。首先,标准化6种颜色系数以消除光照环境变化对RGB模型的影响,并利用各颜色系数的拟合广义高斯分布模型(GGD)的形状参数作为颜色统计特征;其次,分别计算各色彩分量的均值减损对比归一化(MSCN)系数及其邻域系数间的互信息,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,利用人眼更为敏感的G分量MSCN系数的拟合GGD模型参数及其4方向邻域MSCN系数的拟合非对称广义高斯分布模型(AGGD)参数作为亮度统计特征;最后,分别利用支持向量回归机(SVR)和支持向量分类机(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,并在LIVE等数据库上进行了算法与差异平均意见分(DMOS)的相关性、模型的鲁棒性等方面的实验。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;而且图像失真类型识别模型的识别准确率也高达到93.59%,明显高于当今主流无参考图像质量评价方法。

高速运动的轨道图像去模糊

高速列车的安全问题日益重要,针对高速运行轨道缺陷检测系统采集的图像出现模糊的问题,在模糊成因建模的基础上,提出一种融合自然图像统计特性的评价方法来清晰化模糊图像。建立高速运动图像的模糊模型,通过空间变换使自变量映射到延伸空间以降低计算维度,提出一种基于图像相邻列灰度一致性的算法,融合无参考图像质量评价算子对反卷积后的图像质量进行优化,根据融合的评价指标与图像自变量之间的单峰关系求得复原图像。通过标准库图像及实际采集的运动图像测试表明,与已有的方法相比,本方法对处理前向高速运动导致的模糊问题效果更佳,并主要用于处理实际采集的高速及高分辨率运动轨道图像去模糊。

基于空域自然场景统计的无参考立体图像质量评价模型

针对现有的评价方法大都将图像变换到不同的坐标域问题,提出一种基于空域自然场景统计(NSS)的通用型无参考立体图像质量评价模型。在评价中为了更好地结合人类双目视觉特性,将左右图像融合成一幅独眼图;评价模型首先统计独眼图归一化亮度(CMSCN)系数分布规律,进而对独眼图提取空域自然场景统计特征;其次,统计视差图归一化亮度(DMSCN)系数的分布规律,并对用光流法得到的视差图提取同样的特征;最后,通过支持向量回归(SVR)建立立体图像特征信息与主观评价值(DMOS)之间的关系,从而预测得到图像质量的客观评价值。实验结果表明,该评价模型对立体数据测试库进行评价,其Pearson线性相关系数(PLCC)和Spearman等级相关系数(SROCC)值均在0.94以上;对于非对称立体图像库,PLCC和SROCC值分别接近0.91和0.93。该模型能够很好地预测人眼对立体图像的主观感知。

自然图像颜色空间统计规律性研究

自然图像统计模型(NSS)在无参考图像质量评价中得到了广泛应用,但目前绝大部分的图像质量评价方法都是针对灰度图像的,没有有效地利用彩色空间的信息。对RGB、HSV、LAB、YCBCR、YIQ 5种颜色空间的规律性进行分析,对归一化的系数值使用高斯分布、对数正态分布、极值分布和T分布进行拟合,对拟合结果进行分析和比较,从中找出最适合各个色彩空间的模型。然后使用拟合成高斯模型的参数作为特征对LIVE库的失真图像进行分类。实验结果表明,某些色彩分量分类效果要优于灰度空间。

基于RGB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.

基于高通差异性特征的图像质量评估方法

现有的图像质量评估只能判断单一失真方式下失真图像的质量优劣。为了改进这一缺点,根据自然场景统计信息的图像特征,提出基于高通滤波下RGB差异性的图像质量评估方法,通过局部归一化亮度,提取RGB通道差异性、图像梯度、图像锐度、及图像对比度等特征,利用逻辑回归训练,最终得到无参考图像质量评估模型。实验结果表明,方法对各类型失真图像质量评估准确率较高,特别对多种失真类型混合的测试集时,具有明显优势。

基于非零均值广义高斯模型与全局结构相关性的BRISQUE改进算法

为解决经典无参考图像空域质量评价(BRISQUE)算法中图像质量敏感特征描述能力弱的问题,进一步提高BRISQUE算法的准确性和鲁棒性,提出一种基于非零均值广义高斯模型与全局结构相关性的改进算法(IBRISQUE).首先用非零均值对称广义高斯模型从均值减损对比度归一化(MSCN)系数映射图中提取图像质量敏感特征;然后用非零均值非对称广义高斯模型在水平、垂直、主对角线和次对角线4个方向从MSCN系数映射图的相邻系数中提取反映局部结构失真的图像质量敏感特征;最后计算水平、垂直、主对角线和次对角线4个方向MSCN系数映射图的相邻系数的皮尔逊相关系数(PLCC)值,将其作为新增的反映全局结构失真的图像质量敏感特征.在LIVE和TID2013基准测试数据库上的实验结果表明,与当前主流图像质量评价算法相比,IBRISQUE算法具有更高的预测准确性,同时执行效率基本保持了与BRISQUE算法相当的水平,综合性能更优.

基于自然场景统计的无参考图像质量评价（英文）

目前基于自然场景统计的无参考图像质量评价方法 BRISQUE算法(Blind/Referenceless Image Spatial Quality Evaluator)是这类算法的典型代表;但它仅在原始图像基础上做统计分析,且忽略了各特征间的差异性。由此提出了新的改进算法BRISQUEs,并通过三个步骤实现:将被测图像的梯度图做去均值对比归一化处理,在此基础上构造新的特征向量来评价图像质量;将BRISQUE中的关键特征进行适当加权,并对图像再次评价;平均上述两次评价来进一步降低算法的偏差。通过LIVE数据库上的实验,BRISQUEs的统计评价性能明显好于之前的无参考评价算法,也要优于多尺度结构相似度指标。

无参考屏幕内容图像质量评价

随着多客户端交互多媒体应用的快速发展,屏幕内容图像(screen content image,简称SCI)的分发和处理与日俱增.图像质量评价课题的研究是其他许多应用的基础,至今图像质量评价课题研究的重点是传统自然图像,因此,针对屏幕图像质量评价的研究就变得非常迫切和必要.客观图像质量评价算法提出的基础建立在标准图像质量评价数据库上.首先构建了一个大规模的屏幕内容图像质量评价数据库(immersive media laboratory screen content image quality database,简称IML-SCIQD).IML-SCIQD数据库包含参考图像25幅以及经过10种失真处理的1 250幅失真图像.以建立的IML-SCIQD数据库为基础,考虑到屏幕内容图像的图像区域与文本区域的视觉感知差异,在基于自然场景统计的无参考方法的启发下,提出了针对屏幕内容图像的无参考评价算法(natural scene statistics based no reference screen content image quality assessment metric,简称NSNRS).NSNRS算法首先分别计算图像区域和文本区域的质量分数,再将这两个区域的质量分数结合起来得到整幅失真图像的质量分数.该算法与其他12种经典的客观评价算法,包括全参考算法、部分参考算法与无参考算法,在IML-SCIQD数据库和SIQAD数据库上进行了性能测试和对比,结果表明,所提出的算法优于经典的无参考评价算法;就整个数据库而言,所提出的算法可以达到与全参考方法相当的性能.

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。

一个图像质量盲评估的统计测度

本文提出了一个图像质量盲评估的统计测度.该测度首先根据自然图像的统计性质与失真图像的模型,实现对图像小波系数分布参数的盲估计;再利用估计的分布参数来计算失真图像与参考图像之间的互信息,以量化失真图像对参考图像的保真度,进而实现对图像质量的评估.本文提出的测度避免了对参考图像的依赖,且克服了现有图像质量盲评估对特征选择与提取、机器学习等过程的依赖.LIVE图像质量评估数据库的总体评估结果表明:本文提出的盲评估统计测度对图像质量评估结果与数据库的主观评估结果高度一致,且优于文献中报道的盲评估测度.

无参考图像质量评价

图像质量评价是近几年图像处理领域比较热门的研究课题。目前,许多学者已经提出了各种各样的无参考质量评价方法。对无参考方法进行综述,详细介绍BIQI,BLIINDS-Ⅱ,BRISQUE,DESIQUE,DIIVINE,NIQE,SSEQ等无参考质量评价方法,并在LIVE和TID2008数据库上进行实验分析,最后根据分析的结果探讨图像质量评价的发展方向。

基于兴趣区域的无参考图像质量评价方法

为了评价不同失真类型图像的质量,提出了一种基于兴趣区域和自然图像统计特性的无参考图像质量评价方法。该方法对Itti模型进行改进,并利用改进的Itti模型提取失真图像的感兴趣区域和非感兴趣区域,在非下采样Contourlet域提取图像的统计特性,通过计算失真图像的不同区域与自然图像统计特性的差异来获得图像的质量分数。在LIVE数据集上与已有方法进行对比,实验结果表明,提出的方法和主观感知具有较好的一致性。

基于自然场景统计的无参考图像质量评价算法

为了度量多种失真类型的图像质量,提出一种基于图像空域自然场景统计特征的无参考图像质量评价算法。该算法通过度量失真图像和原始图像在统计规律上的偏差,对失真图像质量做出评价。与现有无参考图像质量评价算法相比,该算法不需要使用原始图像及其失真图像进行训练,也不需要知道图像的失真类型,是一种更具实际意义的通用型无参考图像质量评价算法。同时,考虑到人眼观察图像时感兴趣区域的影响,该算法加入了视觉显著性区域提取的过程。实验结果表明,该算法对于人的主观感知具有较好的一致性。

超高清内容清晰度用户体验质量评价

针对多媒体行业对超高清内容清晰度用户体验评价的迫切需求,提出了一种有效的无参考质量评价算法,以预测目标内容的用户感知体验,并区分原始4K和伪4K内容。通过对目标内容进行分割,利用局部方差选择了3个代表性子块代替全局来提高计算效率。针对超高清内容的特性,提取了复杂度特征、频域特征和像素统计特征。采用支持向量回归的方法将这些提取的特征融合为一个质量指标,以预测目标内容的质量分数。实验结果表明,本模型可以有效地评估用户感知体验,并具有良好的辨别真假4K内容的能力。

一种改进的无参考图像质量评估算法

无参考图像质量评估方法一直是图像质量研究所关注的重点。本文针对无参考图像质量评估问题,在当前被广泛接受的DIIVINE图像质量评估方法基础上进行了深入的研究,研究发现经典的DIIVINE方法中使用了过多的统计特征量,由于统计量无差别的使用影响了方法的预测性能。基于此,利用主成分分析(PCA)算法对该特征向量进行降维,得到"精简的特征向量",用此向量可以达到更好的分类性能和评估性能。试验证明,在图像数据库上,该算法表现出较好的预测性能,其性能优于其他主流的无参考图像评估算法。