基于变分的盲图像复原质量评价指标

盲图像复原过程中,图像质量评价至关重要.通过分析重构图像质量与其总变分值之间的关系,提出了用于图像复原的一种基于总变分(Total bounded variation,TBV)的图像质量评估方法,并构建关系模型,证明了原始清晰图像的总变分值在所有模糊图像中具有极大值,且在所有重构图像的变分值中具有极小值.通过分析,得出结论:当总变分取极值时,基于所提度量方法,可以获得更好的盲图像重构效果.最后,比较了原始清晰图像、模糊图像和重构图像之间的变分值,计算机仿真验证了该方法的有效性和准确性.

一种盲复原图像振铃效应的后处理与质量评价方法

由于图像盲复原过程中先验信息的不足,往往造成复原图像质量不尽如人意,振铃效应就是影响复原图像质量的重要因素之一。振铃效应的存在使得对复原图像的后续处理难于进行,并使得一些图像质量的评价方法失效。针对图像盲复原的特点,提出了一种振铃效应的后处理方法,并基于将振铃与清晰度分别评价的思想,提出了一种复原图像的无参考评价方案。实验证明该去振铃方法简单有效,该复原图像的评价方案也很好地反映了人类的视觉特性。

基于图像非平坦区域DCT特性和EGRNN的盲图像质量评价

对图像的质量进行评价有着广泛的应用,为定量的衡量图像的降质水平,文中在无指定图像失真类型的情况下,提出了一种通用的盲图像质量评价(Blind Image Quality Assessment,BIQA)方法.该方法首先提出了图像平坦区域和非平坦区域及视觉屏蔽的概念.将分割图像的平坦和非平坦区域引入评价系统中,从图像的非平坦区域中提取出能反应图像质量的视觉特征(Visual Features,VF),视觉特征涵盖了图像空域特性和DCT变化后的频域特性.利用非平坦区域中提取的空域与频域的联合VF和差分平均意见得分(Difference Mean Opinion Score,DMOS)训练提出的均衡广义回归神经网络(Equalization General Regression Neural Network,EGRNN).最后用LIVE的IQA数据库Release2测试了该方法.实验表明,分割图像非平坦区域,降低了平坦背景对图像质量评价的干扰,提升了预测的稳定性和准确性.此外,EGRNN通过均衡层的引入解决了视觉屏蔽现象,对图像质量的预测效果高于GRNN(General Regression Neural Network).该BIQA方法较其他方法预测更准确、更稳定.

盲图像质量评价在智能交通系统中的应用

针对交通系统图像的特点,构建了盲图像质量评价在智能交通系统中应用的框架。对于获取到的交通图像首先进行预处理(包括车身区域分割和车牌检测),然后对影响交通图像质量的亮度、对比度及清晰度分别进行评价。对实际获取的图像利用算法进行了验证,实验结果表明,算法可以较好地对交通图像进行分类且评价结果与主观评价一致。

基于非下采样轮廓波变换和多核学习的盲图像质量评价

非下采样轮廓波(Contourlet)变换具有多尺度、多方向特性,能够对图像纹理和结构信息进行精确提取,可以很好地模拟人类视觉系统的多分辨率特性,基于此提出一种基于非下采样Contourlet变换的通用型盲(无参考)图像质量评价算法。首先在空间域上对图像进行非下采样Contourlet变换;然后在各方向带中分别提取能有效反映人类视觉失真程度的特征:高频幅值、平均梯度、信息熵作为图像的特征;最后将其输入到高效的分层多核学习机中学习,预测图像的质量得分。在混合失真型数据库和3个单失真型数据库上的交叉实验结果表明,该算法性能优越,能很好地预测失真图像质量,具有很好的主客观一致性。

基于GRNN的模糊图像盲评价

目的针对高斯模糊这种失真类型,提出一种盲评价算法。方法从权威的图库中选取高斯模糊图片,提取梯度,并对梯度图进行快速傅里叶转换(FFT),得到频谱,对原图、梯度图、频谱进行运算,提取出边缘强度、方差、梯度熵,作为每幅图的特性向量。通过GRNN构建可以计算出图片的差分平均意见得分(DMOS)值,即输入特征值,输出计算DMOS值。结果该算法的Spearaman秩相关系数(SROCC)达到了0.9086,Perason线性相关系数(PLCC)高达0.9033;与一些常见的算法相比,所运算产生的SROCC和PLCC值也更高。结论使用CSIQ与LIVE图库的高斯模糊部分,在Matlab的环境下进行运算后得到的结果表明,计算产生的DMOS与由人评判产生的DMOS值相似度高,与眼睛判断结果较为接近。

一种特征字典映射的图像盲评价方法研究

图像质量评价对于许多计算机视觉任务来说,是至关重要的一环。传统的方法往往聚焦于人类直观打分,其最大不足就是打分数据的庞大性。为了解决这个难题,本文提出了一种图像质量盲评价框架。首先分别提取图像的局部结构特征和全局统计特性,在学习阶段,提出了一种基于字典池的映射策略来加速打分的进程。实验结果显示,本文所提方法准确度和鲁棒性相比较时下其他算法,取得了更加令人满意的结果。

一种基于图像质量评价的自适应图像复原算法

针对图像盲复原过程中出现的振铃效应,提出了一种基于图像质量评价的自适应图像复原算法.首先设计了一种基于梯度的复原图像质量评价方法,可以对复原图像的清晰度和振铃效应进行综合评价;然后,将评价方法用于模糊图像点扩展函数尺寸估计,并将估计出的点扩展函数作为迭代盲复原算法的初始点扩展函数;最后,迭代复原模糊图像,对每次迭代得到的复原图像进行质量评价,检测到复原图像质量评价指标下降后自动停止迭代,质量评价指标最高的复原图像就是最终结果.仿真实验结果表明,此复原图像质量评价方法所得结果与人眼视觉相符,点扩展函数尺寸估计准确,复原图像质量较高、振铃效应得到了较好地抑制.

基于改进谐波均值滤波的热中子图像降噪算法研究

在热中子成像过程中,由于n/γ射线辐射、热噪声等因素的影响,导致中子图像产生大量噪声等降质现象,不利于无损检测和后续的定量分析。根据热中子成像的噪声特点,提出了一种改进的谐波均值滤波算法,用于热中子图像噪声去除。实验结果表明,该算法能有效去除热中子图像中的大尺寸白斑噪声,同时保留图像边缘信息,可为热中子成像图像的后续处理提供参考。

用统计特征量实现的图像拼接盲检测

图像拼接是一种常见的图像篡改手段。为了对拼接的数字图像实施盲检测,提出一种新的拼接图像的检测方法。借用二分类的模式识别概念,使用图像质量评价量和矩特征量来建立模型,以捕获原始图像和拼接图像之间的统计差异,选用支持向量机作为分类器进行训练和测试,对拼接图像的盲检测进行了研究。实验结果表明,该方法具有精确度高、应用面广的优点。

图像质量参数分析及其在图像拼接检测中的应用

分析了常用的图像质量参数,采用方差分析对图像质量参数在拼接图像盲检测中的应用进行筛选。通过提取对拼接图像较为敏感的图像质量评价量再融合基于隐马尔科夫模型的特征向量来建立模型,以捕获原始图像和拼接图像之间的统计差异,选用支持向量机作为分类器进行训练和测试,对拼接图像的盲检测进行了研究。实验结果表明,该方法精确度高、应用面广,在图像拼接检测中有着广阔的前景。

不同分类器在图像盲取证中的表现

为了对数字拼接图像进行盲检测,提出了一种新的拼接图像的检测模型。使用图像质量评价量和统计特征量来建立模型,以得到原始图像和拼接图像之间的统计差异。选用支持向量机和人工神经网络作为分类器分别对该模型进行训练和测试,对拼接图像的盲检测进行了研究。实验结果表明,两种分类器都表现出较高的识别率,该模型在图像拼接检测中有着广阔的前景。

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。

自适应语义感知网络的盲图像质量评价

目的盲图像质量评价(blind image quality assessment,BIQA)在图像质量控制领域具有重要的实际意义。虽然目前针对自然失真图像的盲图像质量评价取得了合理的结果,但评价准确性仍有待进一步提升。方法提出一种自适应语义感知网络(self-adaptive semantic awareness network,SSA-Net)的盲图像质量评价方法,通过理解失真图像的内容和感知图像失真的类型来提高预测的准确性。首先,利用深度卷积神经网络(deep convolutional neural network,DCNN)获取各个阶段的语义特征,并提出多头位置注意力(multi-head position attention,MPA)模块通过聚合特征图的长距离语义信息来加强对图像内容的理解。接着,提出基于多尺度内核的自适应特征感知(self-adaptive feature awareness,SFA)模块感知图像的失真类型,并结合图像内容来捕获图像的全局失真和局部失真情况。最后,提出多级监督回归(multi-level supervision regression,MSR)网络通过利用低层次的语义特征辅助高层次的语义特征得到预测分数。结果本文方法在7个数据库上与11种不同方法进行了比较,在LIVEC(LIVE in the Wild Image Quality Challenge)、BID(blurred image database)、KonIQ-10k(Konstanz authentic image quality 10k database)和SPAQ(smartphone photography attribute and quality)4个自然失真图像数据库中的斯皮尔曼等级相关系数(Spearman rank order correlation coefficient,SRCC)值分别为0.867、0.877、0.913和0.915,获得了所有方法中最好的性能结果。同时在两个人工失真图像数据库中获得了排名前2的SRCC值。实验结果表明,与其他先进方法相比,本文方法在自然失真图像质量评价数据库上的表现更为优异。结论本文方法通过结合图像内容理解与不同失真类型感知,能更好地适应自然图像的失真,提高评价准确性。

基于深度可分离选择性残差网络的真实图像增强算法

图像去噪作为低级视觉任务,在图像处理领域常被重点研究。针对图像去噪网络训练周期长和图像纹理细节模糊的问题,为提升图像去噪效果,减少训练参数量,缩短训练周期,提出了一种改进M⁃Net网络融合深度可分离卷积及选择性残差网络的图像盲去噪方法。所提方法在两个合成数据集和两个真实世界噪声数据集上的定量指标及视觉质量评价均达到对比去噪算法的性能,同时具有更小的FLOPs。

基于联结残差网络的单幅图像去雨

本文通过改进的残差网络,学习有雨图像和无雨图像之间的映射关系来实现图像去雨,提出了一种基于联结残差网络的单幅图像去雨算法。首先,利用改进的残差块简化网络模块,减少网络参数,提升网络训练速度;其次,设计的联结结构不仅实现了多特征提取,有效减少了参数,而且增加了特征图的输出,有利于保留更多的图像细节信息;最后,利用单尺度卷积实现图像细节重建,提高去雨图像的视觉效果。实验结果表明本文算法在合成雨天图像数据集上,其结构相似度和峰值信噪比的平均值分别高于0.95和33 dB,而真实雨天图像数据集的盲图像质量评价值较低。本文算法不仅能有效去除图像中的雨,雨纹残留较少,而且能更多地保留图像的纹理和边缘细节,视觉效果清晰自然。

基于多通道特征聚合的盲图像质量评价

提出一种基于多通道融合特征的方法,在多种不同颜色空间中提取多种异构且互补的感知质量敏感特征并将其堆叠为一个特征图组,然后使用费舍尔向量对特征图组编码作为图像表征来解决盲图像质量评价问题.实验结果表明：在多个图像数据集中,该算法相较于传统自然场景统计方法有更好的性能和鲁棒性,与人眼主观感知质量有较高的一致性,在LIVE,CSIQ和TID2013三个主流数据库上分别取得了0.952,0.915和0.795的斯皮尔曼等级相关系数（SROCC）,同时具有较强的泛化能力.

基于多层级信息稀疏表征的盲图像质量评价

针对现有盲图像质量评价只关注图像局部或全局特征,且难以有效聚合特征等问题,提出了一种基于多层级信息稀疏表征的评价方法.首先,利用合成失真技术构建大规模数据集;然后,在原始图像上提取图像块作为初级视觉信息建立局部描述子集,同时通过卷积神经网络提取高级语义信息建立全局描述子集,在此基础上利用稀疏编码进行无监督学习训练,得到局部描述子码本和全局描述子码本;最后,汇聚目标数据集训练样本在两类码本上的稀疏编码系数作为图像表征,结合已有标签训练支撑向量回归(SVR)模型以预测图像质量.在LIVE,CSIQ和TID2013单个数据库上的实验结果表明:所提算法具有较强的主客观一致性,整体性能优于其他先进方法.研究结果表明本文算法具有较强的泛化能力和攻防竞争力,有益于图像质量评价任务的广泛应用.

无人机航拍运动模糊盲复原的参数优选研究

单幅图像运动模糊复原是一个极具挑战性的研究领域.由无人机机载设备获取的各类侦察图像中,运动模糊的存在极大的影响着成像质量,为此从运动模糊的参数和质量评价的角度提出了两种运动模糊盲复原的参数优选策略,并通过实验验证了策略的有效性.

基于图像质量评价量和隐马尔科夫模型的图像拼接检测

基于对图像拼接技术的分析,提出了基于图像质量评价量和隐马尔科夫模型(hidden Markov model,HMM)的拼接图像检测方法,提取了图像的特征值,使用支持向量机(support vector machine,SVM)对特征值进行训练和分类,得到了较好的效果。