无参考图像质量评价

摘要： 现有的针对真实失真的无参考图像质量评价算法提取的特征对自然场景图像质量的表征能力较差,限制了其评估准确性和泛化能力。针对该问题,文中提出了一个基于多尺度特征逐层融合的深度神经网络(MsFF-Net)。首先,利用预训练的深度神经网络ResNet-50提取图像多尺度特征;然后,提出了一种特征融合模块,通过逐层递进融合相邻尺度特征,获得更准确表征图像质量的多尺度融合特征;接着,从多尺度融合特征提取低维特征,得到多粒度的图像质量感知特征;最后,利用由最高层特征自适应生成的全连接神经网络,对低维特征进行回归,得到自然场景图像的质量预测。仿真结果表明,MsFF-Net在真实失真数据库上的性能优于目前的大多数方法,而且在合成失真数据库上也取得了出色的评价性能。

摘要： 图像的模糊问题影响人们对信息的感知、获取及图像的后续处理.无参考模糊图像质量评价是该问题的主要研究方向之一.本文分析了近20年来无参考模糊图像质量评价相关技术的发展.首先,本文结合主要数据集对图像模糊失真进行分类说明;其次,对主要的无参考模糊图像质量评价方法进行分类介绍与详细分析;随后,介绍了用来比较无参考模糊图像质量评价方法性能优劣的主要评价指标;接着,选择典型数据集及评价指标,并采用常见的无参考模糊图像质量评价方法进行性能比较;最后,对无参考模糊图像质量评价的相关技术及发展趋势进行总结与展望.

摘要： 为了更好地评价图像质量,解决在基于卷积神经网络的图像质量评价模型(CNN-IQA)上明显忽略的分块图像之间存在差异性的问题,提出了一种多特征融合的CNN模型。首先,将整幅图像进行不重叠分块,并提取每个分块图像的信息熵和纹理特征。然后,将提取计算的两特征相结合,计算各分块图像的重要性权重,以此衡量分块图像对失真图像质量的影响。最后,根据计算出的重要性权重修改损失函数,突出重要性高的分块图像在训练过程中发挥的作用。在LIVE数据集进行验证和对比实验发现,该算法的SROCC与LCC指标为0.962和0.960,相比原算法至少提升0.9%;在TID2008数据集上验证和对比实验发现,该算法获得的SROCC与LCC指标为0.922和0.926,相比原算法至少提升0.6%。并且在两数据集上的结果均优于其他对比算法。实验结果证明了其在预测图像质量方面具有良好的性能和泛化性。

摘要： 针对通用型无参考图像质量评价(NR-IQA)算法,提出一种基于伪参考图像显著性深层特征的评价算法。首先,在失真图像的基础上,利用微调的ConSinGAN模型生成相应的伪参考图像作为失真图像的补偿信息,弥补NRIQA算法缺少真实参考信息的不足;然后,提取伪参考图像的显著性信息,将伪参考显著性图像与失真图像输入到VGG16网络中提取深层特征;最后,融合二者的深层特征并将其映射到由全连接层组成的回归网络中,从而产生与人类视觉一致的质量预测。为了验证算法的有效性,在四个大型公开的图像数据集TID2013、TID2008、CSIQ与LIVE上进行实验,结果显示所提算法在TID2013数据集上的斯皮尔曼秩相关系数(SROCC)比H-IQA算法提升了5个百分点,比RankIQA算法提升了14个百分点,针对单一失真类型也具有稳定的性能。实验结果表明,所提算法总体表现优于现有主流全参考图像质量评价(FR-IQA)和NR-IQA算法,与人类主观感知表现一致。

摘要： 目的为了进一步掌握无参考图像质量评价的发展过程与研究热点,为后续的相关研究提供参考。方法使用citespace文献可视化软件对2000—2021年在Web of Science检索到的1712条文献数据进行基本分析、共被引分析和关键词分析,通过分析可视化图谱来得到无参考图像质量评价的发展特点。结果分析表明无参考图像质量评价目前正处于高速发展阶段,全世界各科研强国均在该领域有所建树,目前也已存在较为成熟的无参考图像评价算法,但其精度相较于主观评价仍有差距。结论未来研究人员应该结合当今的人工智能技术推动无参考图像质量评价从高速发展向高质量发展转变。

摘要： 为了解决数字图像难以准确进行客观评价的问题,本研究提出了一种基于纹理与结构失真的无参考图像质量评价(NR-IQA)模型。在纹理方面,提取图像的Tamura纹理特征、颜色共生矩阵特征;在结构特征方面提取三阶梯度特征、Hu不变矩特征,同时对亮度与色度信息进行建模,并提取颜色感知特征和最大局部变化值,构成113维图像特征向量。利用支持向量回归算法(SVR)与广义神经网络(GRNN)算法进行模型训练,并分别在LIVE数据库与TID2013数据库进行有效性与泛化性验证。结果表明,本研究算法与人眼视觉主观评价有较高的一致性,总体性能稳定且运行效率较高。

摘要： 无参考图像质量评价通过算法来量化图像质量的失真程度。有效建立失真位置与周围空间的依赖关系能提高质量预测的准确性,但目前基于卷积神经网络的无参考图像质量评价方法,仅通过传统的卷积对局部失真区域进行特征提取,无法有效地获取全局的失真关系,容易弱化对失真扭曲等特征表示。因此,提出了一种基于自适应融合局部和全局特征的图像质量评价算法。在待评价图像上进行特征提取时,自适应地构建围绕每个空间位置的长距离空间和通道间的依赖关系,通过全局失真关系来增强局部特征信息的表征能力;增强图像的细节信息,并在不同尺度的特征层上自适应地融合局部和全局失真信息,整合更加丰富的失真特性,进而提高特征的判别性;再将多个尺度上的不同失真信息进行融合获得最终的质量评价得分,这种融合可以避免图像浅层信息的损失。为验证模型的有效性,在真实失真和合成失真数据集上进行实验对比分析,结果表明,在真实失真数据集LIVEC上SROCC达到0.867,对图像质量的预测更符合人类对质量的感知。

摘要： 人眼视觉系统中的视觉感知差异是图像质量评价过程中的重要组成部分,通过感知失真图像与原始图像之间的视觉差异,可对图像的失真程度进行判断,然而在无参考图像质量评价中无法获取原始未失真的图像,且缺乏对失真图像的视觉感知差异.通过对深度学习中的生成对抗网络进行分析,提出一种基于生成视觉感知差异的无参考图像质量评价模型.利用生成对抗网络产生与失真图像相对应的视觉感知差异图像,并将其与失真图像输入质量评价网络以进一步学习图像的失真信息,从而达到评估图像质量的目的.在TID2008和TID2013数据库上的实验结果表明,与CNN、SOM、CORNIA等模型相比,该模型能够使失真图像质量预测准确度提升1个百分点以上,且对不同种类失真也表现出良好的预测性能.

摘要： 从深度学习方向对无参考图像质量评价进行了研究,提出了一种基于多输出网络的无参考平面图像质量评价算法.该方法考虑了深度卷积神经网络在提取特征时,每一层提取的特征表示不同的抽象视觉特征,浅层网络提取纹理、区域等细节特征,深层网络提取轮廓、形状和边缘等结构特征.设计了三个输出的网络结构,该网络将浅层和深层特征分别回归到主观质量评分上,并将三个输出的平均分数作为最终质量得分.这种多输出的网络结构,综合了三个学习机的结果,具备集成学习的优点.实验表明,与其他方法相比,本方法在单失真的预测上具有明显的优势.

摘要： 为了获得与人类视觉感知一致的图像质量评价方法, 本文提出一种模拟视觉感知系统的无参考模糊图像质量评价方法. 该方法通过比较不同模糊程度的图像特征的相似度来度量图像质量. 首先, 通过对待测图像进行人工模糊, 获得不同模糊程度的图像. 然后, 通过视网膜模型提取图像的细节信息. 接着, 采用奇异值分解用来获得图像的内部结构信息. 之后, 将待测图像与其它不同模糊度图像之间的细节相似度和奇异值相似度作为度量图像模糊度的特征向量. 最后, 将这些度量特征向量输入支持向量回归模型(SVR)进行训练, 获得最终的图像质量评估模型.在常用数据库上的实验结果表明, 该方法与人眼主观视觉感知的一致性优于比较方法.

摘要： 本发明公开了一种基于无监督特征学习的无参考屏幕图像质量评价方法，其先获取若干幅无失真屏幕图像的归一化屏幕图像；然后根据该归一化屏幕图像，并采用ZCA操作和无监督聚类算法，获得字典码书；接着获取待评价的失真屏幕图像的归一化屏幕图像；而后采用Gaussian kernel similarity weight方法和K‑Nearest Neighbor方法对该归一化屏幕图像进行处理，获得权值特征矩阵；再根据字典码书和权值特征矩阵，并采用LLC算法，获得LLC特征向量；最后利用支持向量回归技术对LLC特征向量进行测试，预测得到待评价的失真屏幕图像的客观质量评价预测值；优点是能够充分考虑到局部信息变化对视觉质量的影响，从而能够提高客观评价结果与主观感知之间的相关性。

摘要： 基于融合图像和强化图像的无参考立体图像质量评价方法，首先基于人类视觉系统的双目融合、双目竞争、双目抑制等特性，将立体图像的左右视点进行红、绿、蓝三通道的融合，得到彩色融合图像；其次，使用立体匹配算法得到失真立体图像对的视差图，将视差图的梯度权重对彩色融合图像的灰度图进行加权；再次，根据融合图像和视差图生成强化图像；然后，对融合图像和强化图像在空间域提取自然统计特征，对视差图提取峰度和偏度特征；最后，对所提特征进行融合并将融合后的特征送入支持向量回归(support vector regression,SVR)中得到待评价立体图像的质量。

摘要： 本发明公开了一种基于无监督特征学习的无参考屏幕图像质量评价方法，其先获取若干幅无失真屏幕图像的归一化屏幕图像；然后根据该归一化屏幕图像，并采用ZCA操作和无监督聚类算法，获得字典码书；接着获取待评价的失真屏幕图像的归一化屏幕图像；而后采用Gaussian kernel similarity weight方法和K‑Nearest Neighbor方法对该归一化屏幕图像进行处理，获得权值特征矩阵；再根据字典码书和权值特征矩阵，并采用LLC算法，获得LLC特征向量；最后利用支持向量回归技术对LLC特征向量进行测试，预测得到待评价的失真屏幕图像的客观质量评价预测值；优点是能够充分考虑到局部信息变化对视觉质量的影响，从而能够提高客观评价结果与主观感知之间的相关性。

摘要： 本发明所示的基于高质量自然图像统计量学习模型的无参考图像质量评价方法：首先从高质量自然图像的第一图像块中学习多元高斯模型所对应的参数；对于测试图像，先将其分割成等大小的第二图像块，并提取每一个第二图像块的多元高斯模型；使用巴氏距离确定多元高斯模型之间的距离，从而确定失真图像质量块的质量；利用视觉显著性线性加权所有失真图像块的质量，最终得到测试图像的客观评价分数，其可较好地克服了现有评价方法泛化能力弱的问题，满足实际应用对无参考图像质量评价方法的要求。

摘要： 统一结构的全参考和无参考图像质量评价方法，涉及图像处理。图像分割及滤波分解处理；特征提取网络及回归网络设计。能够对失真图像质量进行评估，能够应用于全参考和无参考图像质量评价任务。采用卷积神经网络学习图像特征到主管质量分数的映射，从而实现图像质量评价任务。建立在深度学习机器学习集统计学的基础上，特点是对不同图像质量评价任务结构不变，实用性可靠性强，可移植性强，能够预测符合人眼审美的主观质量分数，节约人眼评价的人工成本。

摘要： 本发明公开一种基于图像高频信息的无参考图像质量评价方法，包括以下步骤：对待评价图像I使用低通滤波，得到二次退化图像I

摘要： 本发明所示的基于高质量自然图像统计量学习模型的无参考图像质量评价方法：首先从高质量自然图像的第一图像块中学习多元高斯模型所对应的参数；对于测试图像，先将其分割成等大小的第二图像块，并提取每一个第二图像块的多元高斯模型；使用巴氏距离确定多元高斯模型之间的距离，从而确定失真图像质量块的质量；利用视觉显著性线性加权所有失真图像块的质量，最终得到测试图像的客观评价分数，其可较好地克服了现有评价方法泛化能力弱的问题，满足实际应用对无参考图像质量评价方法的要求。

摘要： 统一结构的全参考和无参考图像质量评价方法，涉及图像处理。图像分割及滤波分解处理；特征提取网络及回归网络设计。能够对失真图像质量进行评估，能够应用于全参考和无参考图像质量评价任务。采用卷积神经网络学习图像特征到主管质量分数的映射，从而实现图像质量评价任务。建立在深度学习机器学习集统计学的基础上，特点是对不同图像质量评价任务结构不变，实用性可靠性强，可移植性强，能够预测符合人眼审美的主观质量分数，节约人眼评价的人工成本。

摘要： 本发明涉及图像处理技术领域，具体是基于图像语义信息的增量学习无参考图像质量评价方法，其特征在于，包括以下步骤：划分增量任务集；将划分的增量任务集输入到特征提取网络中；将提取到的全局语义特征输入到混合注意力模块中；将获取到的带有空间信息的显著语义特征与多尺度失真特征使用早融合的方式融合；将得到深度融合特征输入到回归网络中；使用知识蒸馏的方式将回归网络学习到的知识迁移到学生网络；使用学生网络对下一次增量任务的部分图像数据做出质量分数预测，本发明基于图像语义信息的增量学习无参考图像质量评价方法，增强了模型对不同场景失真图像的鲁棒性，提高了模型对不同场景失真图像质量的表达能力。

摘要： 本发明属于计算机视觉领域，具体涉及一种基于图像特征融合的无参考图像质量评价方法、装置及计算机可读存储介质，包括：获取待评价的自然失真图像，根据自然失真图像生成梯度图像，将自然失真图像和梯度图像输入到训练好的基于图像特征融合的无参考图像质量评价模型中，得到质量评价分数；其中，基于图像特征融合的无参考图像质量评价模型包括：基干网络、跨域特征融合模型和跨尺度特征融合模型，本发明不只是对图像进行评估，而是在充分考虑了自然失真图像域的全局语义信息和局部语义信息，能够对自然失真图的质量评价更加准确。