激光投影电视中图像细节层次感的恰可察觉差

细节层次感是影响激光投影电视整体画质的重要因素之一。通过二项迫选法和"一上二下"阶梯法的主观视觉感知实验,测量并确定了激光投影电视细节层次感的恰可察觉差(JND);分析了其影响因素,并进一步比较了激光投影电视与液晶电视两个显示平台上细节层次感的异同点。结果表明:激光投影电视细节层次感的JND受图像的纹理特征影响较大;与液晶电视的细节层次感相比,两个显示平台细节层次感失真1个JND对应的σ值相差大,相邻JND的差值比较接近。利用本文的实验结果,结合峰值亮度、暗场亮度、色饱和度等图像属性的恰可察觉差,可以进一步建立包含上述多种属性的激光投影电视主观图像质量评价模型,有助于画质的优化。

荧光增白纺织品的白度评价

为减少纤维材料中含有天然或因后续加工过程中形成的黄色杂质,需要对纤维进行化学漂白和荧光漂白。为提高生产效率,基于白度视觉评估开发出白度指数公式,用于仪器对材料的白度进行测量。通过讨论荧光增白纺织品白度的视觉评估与仪器测量之间的相关性,分析了影响荧光增白纺织品仪器测量白度的可能因素;提出了优化白度的视觉评估与仪器测量之间相关性的可行性方案,以提高荧光增白纺织品仪器测量白度的准确性。

载体独立的抗屏摄信息膜叠加水印算法

金融安全作为国家安全的重要组成部分,是经济平稳健康发展的重要基础。数字图像水印技术在金融信息安全方面发挥着巨大作用,其中,抗屏幕拍摄水印算法成为数字图像水印技术新的研究重点。如何兼顾水印图像的视觉质量和鲁棒性是抗屏幕拍摄鲁棒水印算法需要解决的重要问题。现有的水印方案一般通过对载体图像进行修改来实现水印不可见的目的,这种水印嵌入方式不具有普适性。为此,提出了一种新的基于深度学习的端到端抗屏幕拍摄鲁棒水印算法。作为端到端网络架构的一部分,编码器网络的输入是随机二进制字符串,经过网络训练后根据输入的水印信息生成相应的水印信息膜,可以附加在任意的载体图像上。使用数学方法模拟了屏幕拍摄过程中可能产生的失真,使得经过网络学习后的模型具有抵抗屏幕拍摄噪声的能力。增加了基于图像的恰可察觉差损失来进一步提升水印图像的视觉质量。此外,为了更灵活地平衡水印图像的视觉质量和鲁棒性,在训练阶段设计了一个嵌入超参数,通过改变嵌入超参数的大小,就可以得到适合不同场景的模型。为了验证所提算法的有效性,针对视觉质量和鲁棒性做了多种实验。实验结果表明,与目前的主流算法相比,使用所提算法生成的水印图像具有更好的视觉质量,并且在不同距离、不同角度、不同光照条件和不同设备的鲁棒性实验中均可以准确还原原始水印信息。