颜色空间统计联合纹理特征的无参考图像质量评价

为了客观评价图像质量,本文提出联合颜色空间统计特征和权重局部二值模式(Local Binary Pattern,LBP)纹理特征的无参考图像质量评价模型。首先,对失真图像进行亮度去均值对比度归一化(Mean Subtracted Contrast Normalized,MSCN)操作得到MSCN系数;然后,对MSCN系数提取其统计参数特征和权重LBP直方图特征,其中统计参数由广义高斯模型获得,权重为MSCN系数的幅度。另外,还采用了Lαβ颜色空间下红绿和蓝黄分量的自然场景统计(Natural Scence Statistics,NSS)特征来增强基于颜色失真的描述,并运用非对称广义高斯模型获得统计参数特征。最后,运用SVR建立图像质量评价指标到主观质量得分的回归模型。在LIVE,CSIQ,TID2013和MLIVE数据库上的实验结果表明:4个数据库加权平均Spearman秩相关系数为0.776,Pearson线性相关系数为0.821,均优于其他方法;图像大小为512×512时特征提取只需0.19s。本文提出的方法与人眼主观感知具有良好的一致性,并具有复杂度低等优点。

基于统计阈值的鲁棒性语音识别(英文)

近几十年来,语音识别系统已由实验室环境走向真实的世界中。在不同的环境噪声下,识别性能却仍不尽人意,尤其是在低信噪比的环境中。为解决在低信噪比情况下的低识别率的问题,以声学参数MFCC(Mel-frequency cepstrum coefficient)为基础,提出了一种基于统计阈值的倒谱均值方差归一化算法,该算法能进一步减小训练环境和测试环境的不匹配程度,从而提升了语音识别系统对环境噪声的鲁棒性。首先,对输入的语音提取MFCC声学参数,然后对提取的声学参数作均值方差归一化处理,最后采用统计阈值的方法抑制归一化后存在变异的特征。该算法能增加带噪语音特征和纯净语音特征的相似性;与MFCC为基线的系统相比,在低信噪比情况下,该算法的错误率最高下降约40%,同时该方法也优于其他的鲁棒性特征倒谱均值减和倒谱均值归一。

颜色通道下的无参考图像质量评价

无参考图像质量评价是近年来的研究热点,目前常用的评价算法都是从灰度空间提取特征.为了增加颜色通道信息对图像质量的反馈,分别提取了RGB(Red,Green,Blue)、LAB(Luminosity,A,B)、HSV(Hue,Saturation,Value)颜色空间中各通道下的亮度去均值对比度归一化(MSCN)系数,并用非对称广义高斯分布模型(AGGD)拟合.对拟合得到的MSCN系数统计特征,用梯度提升回归算法训练,得到无参考图像质量评价模型,并将各颜色通道训练模型和灰度空间训练模型的预测分数与主观评分进行比较.结果表明,相比灰度空间,部分颜色通道下的无参考图像质量评价模型的单调性、主客观一致性、稳定性都有一定提升,用RGB_B通道下提取的特征训练的模型性能最好,Pearson相关系数从0.63提升到0.70.