HVS模型及其在静止图象压缩质量评价中的应用

图象质量尺度是最优化图象压缩算法参数和提高图象质量的重要依据 .建立在人类视觉模型 (HVS)基础之上的感知质量尺度作为主客观联系的桥梁 ,能有效地反映出人对图象失真在视觉上的感知 .近年来 ,有许多研究者借助人类视觉系统研究中的最新成果 ,深入分析了与图象质量密切相关的视觉感知特性 ,提出了大量效果不错的静止图象压缩感知质量尺度 ,并对视觉感知特性在图象质量尺度中的应用方法进行了较全面的综述 ,揭示了影响其图象质量预测准确性、鲁棒性的主要因素 ,给出了该领域的最新研究成果和未来发展方向 .

基于HVS的彩色逆半调色差预测及可视化方法

提出了一种彩色逆半调色差预测及可视化评价方法.该方法从HVS特性着手,首先将图像变换到模式-颜色分离的S-CIELab空间,然后运用CIEDE2000色差公式和NBS色差感知参考值建立了彩色逆半调质量评价方案.仿真结果表明:该方法提高了色差计算的精度,拓展了色差表现形式,符合HVS特性,所生成的HVS色差图、色差分布、色差比率和色差均值能够直观、准确地反映半调噪声的抑制情况和重建图像质量.

基于几何结构失真模型的图像质量评价研究

客观图像质量评价研究的目的是设计一种和视觉感知保持一致,且适用于各种失真模型的质量评价方法.传统的结构相似度量质量评价方法忽视了自然图像本身的特点,不能很好地评判某些失真类型图像.本文根据人眼视觉系统(Human visual system,HVS)在感知图像质量过程中的特点,探索自然图像的本征几何结构特征,考虑像素点的方向失真、幅度失真和方差失真,提出了一种新型的基于图像几何结构失真模型的完全参考质量评价方法.在标准数据库上的实验结果表明,本文方法适用于所有失真模型图像数据的质量评价,计算复杂度相对较低,得到的图像客观评价结果和主观评价方法具有更好的一致性,能够很好地反映人眼对图像质量的主观感受.

双目立体视频最小可辨失真模型及其在质量评价中的应用

该文针对目前最小可辨失真(JND)模型只能应用于评价单视点视频的问题,探索一种以双眼亮度关系为基本出发点的双目立体视频的JND模型。首先根据立体视频特性引入双眼亮度关系模型,然后考虑了背景亮度掩盖、纹理掩盖、帧间掩盖、空间时间对比灵敏度、眼睛运动等因素,提出了双目JND模型,最后将该双目JND模型应用到立体视频质量评价方法中。实验结果表明该文提出的质量评价方法符合人类的视觉感知特性,更接近于主观测试结果。

基于人眼视觉的小波域结构相似性图像质量客观评价方法

针对空域结构相似性评价方法在几何失真图像及噪声污染图像的质量评价中存在的不足,在考虑人眼视觉特性前提下,研究了一种基于人眼视觉的小波域结构相似度的图像质量评价方法(WDSSIM)。该方法首先将参考图像和失真图像进行小波变换,以获取不同尺度和频带的子带图像,并根据人眼视觉JND模型,获取人眼视觉对参考图像的带间敏感度和各子带的带内敏感度;然后,以带内敏感度因子为权值分别求取参考图像和失真图像同一尺度和频带的子带图像之间的结构相似度;最后,以带间敏感度因子为权值对各子带对的结构相似度进行加权归一化,获得整幅图像的结构相似度。实验结果表明,WDSSIM方法符合人眼视觉特性,相比传统的客观评价方法,与主观评价结果的一致性更好。

人眼视觉特性压缩图像质量评估方法

图像质量评价是图像和视频处理系统中的基本算法。通过对人眼视觉特性及图像的边缘特征的分析研究,认为梯度矢量更能反映图像边缘的本质特性,结合人眼视觉的多尺度特性及视觉感兴趣区域的加权,提出了一种基于梯度矢量的压缩图像质量评估方法。仿真实验表明,该评估方法符合人眼的视觉特征,与主观评价结果具有更好的一致性,可广泛应用于JPEG和JPEG2000压缩图像质量评估。

基于结构相似的DCT域图像质量评价

通过对DCT域图像结构特性的研究,将频域信息作为图像的结构信息,根据人类视觉系统对各个频带的不同敏感程度进行加权,提出了DCT域结构相似度(DCTSSIM)质量评价方法。试验结果表明,对于JPEG2000、JPEG压缩失真图像,DCTSSIM比SSIM和峰值信噪比(PSNR)更符合人眼的视觉特性,可以更好地评判图像质量。

图像质量评价的研究进展和若干问题的解决途径

针对当前图像质量评价的研究现状,对各种评价方法进行了比较分析和归纳总结。利用U-Texas at Austin的LIVE图片库中的样本对几种常用的客观评价方法进行了测试,利用该数据库中得到广泛认可的主观评价分数,能够衡量客观评价指标与主观评价的符合程度,从而对这些评价指标的单调性、准确性和一致性进行了辨析和阐释,指出了其适用性和局限性。并利用VQEG推荐的方法对论断给出了实例印证。进而根据发展趋势和应用需求,对图像质量评价方法在应用中所必须面对的一些问题和解决途径提出了初步的见解。

无参考图像质量评价研究进展

图像质量评价一直是图像处理和计算机视觉领域的一个基础问题,图像质量评价模型也广泛应用于图像/视频编码、超分辨率重建和图像/视频视觉质量增强等相关领域。图像质量评价主要包括全参考图像质量评价、半参考图像质量评价和无参考图像质量评价。全参考图像质量评价和半参考图像质量评价分别指预测图像质量时参考信息完全可用和部分可用,而无参考图像质量评价是指预测图像质量时参考信息不可用。虽然全参考和半参考图像质量评价模型较为可靠,但在计算过程中必须依赖参考信息,使得应用场景极为受限。无参考图像质量评价模型因不需要依赖参考信息而有较强的适用性,一直都是图像质量评价领域研究的热点。本文主要概述2012—2020年国内外公开发表的无参考图像质量评价模型,根据模型训练过程中是否需要用到主观分数,将无参考图像质量评价模型分为有监督学习和无监督学习的无参考图像质量评价模型。同时,每类模型分成基于传统机器学习算法的模型和基于深度学习算法的模型。对基于传统机器学习算法的模型,重点介绍相应的特征提取策略及思想;对基于深度学习算法的模型,重点介绍设计思路。此外,本文介绍了图像质量评价在新媒体数据中的研究工作及图像质量评价的应用。最后对介绍的无参考图像质量评价模型进行总结,并指出未来可能的发展方向。