应用log-Gabor韦伯特征的图像质量评价

考虑人眼对亮度的感知符合韦伯定律的特点,本文利用log-Gabor滤波器模拟人眼对图像的感知过程,提出了一种新的log-Gabor韦伯特征,以便保留不同尺度的符合人眼感知的结构信息。基于此,还提出了一种应用log-Gabor韦伯特征的图像质量评价方法。首先将待评价失真图像和参考图像从RGB空间转换到YIQ颜色空间,分离亮度分量和颜色分量。然后利用log-Gabor韦伯特征和梯度特征计算亮度分量失真,并结合颜色分量的失真,得到失真图像与参考图像的局部相似度图。最后利用修正的CSF函数,对局部相似度图进行加权,得到图像质量评价指标。在LIVE、CSIQ和IVC3个图像库上的实验结果表明,本文方法与人眼主观感知有很好的一致性,而且相对于其他方法,表现更加稳定。本文方法在3个图像库上的加权Spearman秩相关系数(SROCC)为0.949 8,Kendall秩相关系数(KROCC)为0.802 6,Pearson线性相关系数(PLCC)为0.943 8,相比对比方法有显著的提高。

基于韦伯局部特征的图像拼接检测

图像拼接是最常见的图像篡改和伪造手段之一。提出了一种基于离散余弦变换(Discrete Cosine Transform,DCT)域中韦伯局部特征(Weber Local Descriptor,WLD)的图像拼接检测算法。算法对待测图像进行离散余弦变换,得到DCT系数矩阵,进而提取WLD特征,以刻画图像的频率分布特性。采用支持向量机(Support Vector Machine,SVM)作为分类器,建立预测模型,从而判定图像是否经过拼接。实验采用标准的图像拼接数据库对所提算法进行了评估。实验结果表明:与经典拼接检测算法相比,该算法具有更好的检测性能。

采用韦伯局部特征的道路消失点检测

为了减少非结构化道路检测中背景噪声的干扰,提出了采用韦伯局部特征(WLD)的道路消失点检测模型。该方法利用WLD模型中的差分激励分量从复杂背景中提取图像的有效区域,并通过WLD模型中的方向分量以及线型投票模式确定道路消失点的位置。实验结果表明,该方法与具有代表性的几种方法相比运算量更小、精确度更高。

WGC特征描述的人脸表情识别

针对韦伯局部特征(WLD)仅计算中心像素与周围像素差异提取特征的不足,提出了一种韦伯梯度编码(WGC)特征描述的人脸表情识别算法。首先计算当前像素点周围水平、垂直和对角位置上的数值差与当前像素点的差异构成WGC特征的差动激励;然后进一步提出基于水平和对角线优先原则的WGC_HD特征;最后利用最佳分块方式得到行分块WGC_HD特征,采用自动优化参数的SVM分类器完成人脸表情识别。在公共人脸表情库JAFFE和CK库上进行交叉实验,平均识别率及平均特征提取时间分别为95.49%、12.30 ms和97.63%、31.54 ms。行分块WGC_HD特征考虑了不同梯度方向的像素差异,较好描述了表情图像的局部结构信息且具有较低的时间复杂度,与目前典型的表情识别算法结果对比也验证了算法具有较高的识别精度。

Dempster-Shafer证据融合金字塔韦伯局部特征的表情识别

目的针对韦伯局部特征(WLD)在局部细节表征上的局限性,提出一种基于金字塔韦伯局部特征(PWLD)的人脸表情识别方法。方法首先对人脸图像进行预处理,分割出表情显著区域;然后根据显著区域大小进行分层并加以分块,对每一层的不同块提取PWLD特征,将测试集与训练集的PWLD直方图的卡方距离归一化作为独立证据来构造基本概率分配(BPA);最后利用D-S(Dempster-Shafer)证据理论联合规则得到融合后的BPA,进而得出识别结果。结果在JAFFE库与Cohn-Kanade库上进行交叉验证,平均识别率分别为95.81%和97.47%。结论 PWLD特征在局部细节表征上比WLD特征更具有优势。与目前典型的方法进行对比实验,验证该方法的有效性和容错性,同时证明该方法在噪声和光照条件下具有一定的鲁棒性。

信息熵和差分激励融合的图像拼接检测

传统的检测方法存在识别率低、特征维度高的缺点,为此对特征维度与拼接检测精度之间的关系进行分析,基于以像素为基础的改进特征维度的思想,提出一种信息熵与差分激励融合的图像拼接检测方法。提取图像信息熵和韦伯局部特征中(Weber local descriptor,WLD)的差分激励,采用差分直方图进行特征融合,使用v-SVM(v-support vector machine)分类器建立模型,判定图像是否经过拼接。实验结果表明,在哥伦比亚图片库拼接检测中,相比传统的马尔科夫特征、韦伯局部特征等算法,该方法的检测结果具有特征维度低、检测精度高、应用范围广的优点,为快速拼接检测提供了依据。

基于多方向韦伯梯度直方图的人脸识别

针对目前基于韦伯特征的人脸识别算法没有充分利用方向信息且提取信息不充分的问题,提出一种多方向韦伯梯度直方图的人脸识别方法。在原始差分激励的基础上增加邻域像素梯度,提取改进的差分激励和韦伯梯度特征;将改进的差分激励与韦伯方向进行量化并分块提取二维直方图,进而转化为一维直方图特征,将韦伯梯度分块后沿韦伯方向累积提取直方图特征;连接两个特征形成组合特征,并利用最近邻分类器分类。通过在不同人脸库的实验可看出,所提算法具有良好的识别效果,且对光照、表情和部分遮挡变化有较好的稳健性。