检索结果-南通市图书馆

作者：陈晓燕南京信息工程大学

学位级别：硕士

图像作为信息传输的载体会在传播的过程中受损导致图像质量下降,因此就需要好的图像质量评价（Image Quality Assessment,IQA）方法来对图像进行质量评价,以便及时发现图像质量的下降情况并采取有效措施来应对。无参考图像质量评价（No ... 详细信息

图像作为信息传输的载体会在传播的过程中受损导致图像质量下降,因此就需要好的图像质量评价（Image Quality Assessment,IQA）方法来对图像进行质量评价,以便及时发现图像质量的下降情况并采取有效措施来应对。无参考图像质量评价（No Reference Image Quality Assessment,NRIQA）方法作为一类IQA方法,有着较好的优势,它不需要依托参考图像,只需要根据失真图像自身的特点便可以对失真图像进行质量评估。这无疑给图像质量评价带来了巨大的便利,也提升了IQA方法的实用性。无参考图像质量评估旨在独立评估图像质量,而无需原始参考图像。由于基于失真类型的早期NRIQA方法仅适用于特定的失真情况,并且缺乏实用性,因此通用的NRIQA方法的提出变的具有挑战性。本文从深度学习着手,使用深度学习来进行NRIQA,本文的主要研究内容如下:（1）从空间和梯度两个域同时着手,构建一个多分支卷积神经网络（Convolutional Neural Network,CNN）来进行无参考图像质量评价。所提出的方法包括两部分:分数模块和权重模块。分数模块有两个CNN分支,这两个分支分别从空间域和梯度域中学习特征。在空间域分支中使用残差块来构建特征金字塔网络,以实现多尺度特征的表示,梯度域分支中使用普通的CNN结构。在权重模块中引入位置特征来衡量局部图像块的贡献,以改善最终的图像质量的预测性能。通过在LIVE、CSIQ和TID2013数据库上进行实验,证明了本方法与人眼主观感知有较高的一致性。（2）利用恢复网络,将失真图像进行质量恢复来辅助图像质量评价,这使得IQA更符合人眼的视觉特性。该方法包括两个子网络,图像恢复子网络和图像质量评价子网络。图像恢复子网络以U-Net为基础,目的是对输入的失真图像进行质量恢复并生成相对输入在质量上有所恢复的图像。图像质量评价子网络则利用图像恢复子网络衍生出横向特征金字塔,该网络依托图像恢复子网络有利于提升图像质量预测的精度。在LIVE数据库上的SROCC和PLCC分别为0.971和0.969,这充分证明了本方法的有效性。

关键词：无参考图像质量评价多分支卷积神经网络特征金字塔恢复网络横向特征金字塔

基于多标签学习的无参考图像质量评价方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多标签学习的无参考图像质量评价方法研究

作者：刘学林江西财经大学

学位级别：硕士

随着多媒体技术的发展,各种电子设备逐渐进入到人们的日常生活当中。人们作为信息的接收终端,每天从海量的信息中获取自身所需要的内容。数字图像作为海量信息传播的重要媒介之一,已经深入到生活的各个角落中。而图像在采集、存储、传... 详细信息

随着多媒体技术的发展,各种电子设备逐渐进入到人们的日常生活当中。人们作为信息的接收终端,每天从海量的信息中获取自身所需要的内容。数字图像作为海量信息传播的重要媒介之一,已经深入到生活的各个角落中。而图像在采集、存储、传输和显示的过程中可能因为硬件或软件的差异,造成不同程度的噪声引入,从而使得用户获得感知的图像质量较差,难以满足用户的目标需求。如何设计高效的图像质量评价算法以实现对图像质量有效的评估,将算法应用到实际当中,是现有图像处理领域的亟待解决的问题之一。最为可靠有效的质量评价是人类主观评价,但由于现实情况中存在诸多的影响因素,如耗时费力、评价结果不稳定等,这些因素都一定程度上阻碍了人类主观质量评价在实际中的应用。本文通过探索图像质量评价领域现存问题的可能解决办法,着重关注于客观无参考图像质量评价方法研究。针对自然图像的质量评估,设计出高效鲁棒的客观无参考图像质量评价算法模型。本文的研究内容主要包含以下两个方面:（1）针对现有图像质量评价领域相关数据量匮乏的问题,提出有效的图像数据扩增方法。传统图像质量评价依赖于包含少量图像内容的图像数据库,图像空间的高纬性和有限图像测试的不确定性往往存在冲突,这种不平衡可能造成算法模型的偏差较大。因此,我们提出人工添加多种合成失真以扩充现有图像训练数据集的方法。通过引入合理全面的失真类型和不同失真水平,构建大规模可用的图像数据集,从而实现数量和内容上的图像数据扩增。同时,利用已有的图像质量评价算法生成失真图像数据集对应的质量分数作为数据标签,为后续的算法设计和模型构建等做好预先准备。（2）针对主观无关的图像质量评价的相关研究,提出简单高效的无参考图像质量评价方法。传统盲图像质量评价算法通过图像特征提取与图像主观分数进行模型的学习。然而,特征提取与模型预测两个过程并没有实现较好的有机结合。另外,现有基于数据驱动的盲图像质量评价方法利用计算机视觉领域的其他目标任务所学习到的网络作为基础模型进行参数调优,或者通过图像块分解和质量相关数据引入进行网络模型的训练,最后再用少量的主观数据进行模型微调。这些方法虽然取得了较好的实验结果,但模型较为复杂多变,且未能处理好全局质量与局部质量近似等问题。因此,我们结合深度学习,提出两种基于多标签学习的无参考图像质量评价方法,实现分数回归和排序学习在图像质量评价中的有效应用。实验结果表明,所提无参考图像质量评价方法能够有效地预测图像感知质量。本文的研究内容包括图像数据扩增、网络模型构建和质量分数预测等,深入探究了图像质量评价领域存在的问题,给出了不同的思考角度和有效解决问题的方案,提升了无参考图像质量评价算法的整体性能。本文的研究成果可以为无参考图像质量评价领域相关研究提供理论基础和技术指导,从而激发出新的想法和思路。

关键词：无参考图像质量评价数据扩增多标签质量分数回归排序学习深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于神经网络的无参考图像质量评价研究

基于神经网络的无参考图像质量评价研究

作者：杭宁天津大学

学位级别：硕士

图像作为一种高效而直观的信息载体,在现代生活中有着不可替代的地位。然而数字图像在获取、存储、传输、显示等过程中,总会不可避免地引入一些干扰因素,如噪声、模糊、压缩等,这些都会造成图像质量的下降,不能满足最终观看者的要求。... 详细信息

图像作为一种高效而直观的信息载体,在现代生活中有着不可替代的地位。然而数字图像在获取、存储、传输、显示等过程中,总会不可避免地引入一些干扰因素,如噪声、模糊、压缩等,这些都会造成图像质量的下降,不能满足最终观看者的要求。无参考图像质量评价的研究目标是通过建立一个与人类视觉系统相关的机器学习模型,不需要借助原始参考图像的任何信息,能够对失真图像的质量进行预测,最能够切近现实生活的应用,具有一定的现实意义。本文在深入研究无参考图像质量评价方法的基础上,提出了以下两点研究成果:1)提出了一种联合多种边缘算子的无参考图像质量评价方法,利用失真条件下一阶边缘信息和二阶边缘信息之间的相似性进行质量预测。该方法首先提取图像的梯度,相对梯度以及高斯拉普拉斯特征(Laplacian of the Gaussian function,LOG),然后计算梯度和LOG之间的条件熵以及相对梯度和LOG之间的条件熵,最后使用提升方法Adaboost神经网络进行回归预测。在公共数据库LIVE和TID2008上进行仿真,实验结果表明本文提出的算法与主观评价分值有着很高的一致性。2)卷积神经网络由于其强大的特征表达能力广泛使用于计算机视觉系统的研究中。本文提出一种基于卷积神经网络的无参考图像质量评价算法,该方法的主要创新之处是更改了全连接层的连接方式,将最后一层特征图进行拆分,利用感受野机制和卷积层的计算特点进行数据增强,解决了训练样本不足的问题。与其他方法相比,该方法省去了额外的预处理步骤,是一个真正的端到端模型。在通用数据库上的实验结果表明该方法的性能优于主流的无参考质量评价算法。

关键词：无参考图像质量评价边缘特征提升方法卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

小波域无参考图像质量评价方法研究

小波域无参考图像质量评价方法研究

作者：严浩华东交通大学

学位级别：硕士

随着多媒体技术的快速发展，数字图像已经成为人们接受外界信息的主要来源，因此图像质量的优劣将直接影响人们对图像信息的的正确理解和判断，这在交通目标检测、医学成像等领域具有重要意义，然而数字图像在采集、传输、压缩等处理过... 详细信息

随着多媒体技术的快速发展，数字图像已经成为人们接受外界信息的主要来源，因此图像质量的优劣将直接影响人们对图像信息的的正确理解和判断，这在交通目标检测、医学成像等领域具有重要意义，然而数字图像在采集、传输、压缩等处理过程将不可避免的引起图像质量的改变，因此建立有效的图像质量评价标准具有重要的研究价值。其中，图像质量评价分为主观评价方法与客观评价方法，而客观评价方法又分为全参考、半参考及无参考评价方法，本文主要研究更具实用价值的无需原始参考图像的无参考图像质量评价方法，具体内容如下：1、深入探讨图像质量评价的研究背景与意义，分析国内外当前图像质量评价研究进展及成果，介绍了主要的全参考、半参考及无参考图像质量评价方法，并分析各自算法的特点，其中对最具研究价值的无参考图像质量评价方法给予重点分析。2、简单介绍二维小波变换理论基础与人类视觉系统，并分析了图像小波变换特性与人类视觉特性的联系。3、提出一种简单、直接的基于小波变换的无参考高斯图像质量评价，首先分析自然图像在小波变换下高频子带具有强相关性，针对高斯噪音图像与高斯模糊图像，其失真程度加深图像高频子带相关性逐渐减弱，分别通过计算图像高频子带间结构相似度、峰值性噪比及奇异值向量夹角来度量高频子带的三种差异作为质量指标，并比较了三者算法的优劣。4、针对当前无参考图像质量评价方法需要提前知道图像失真类型，结合BP神经网络的优点，提出一种基于自然场景统计（Natural Scene Statistics，NSS）与BP神经网络的适合多种类型的无参考图像质量评价方法，首先根据NSS自然图像小波子带系数在对数域具有相近的线性规律性质，由于失真主要体现在图像高频细节上而低频改变不明显，利用低频信息结合线性规律预测高频信息，将预测信息与实际信息差异作为图像特征与图像主观评价结合BP神经网络训练，得出最后的质量评价标准。

关键词：无参考图像质量评价小波变换结构相似奇异值分解自然场景统计 BP神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向失真及复原图像的无参考图像质量评价

面向失真及复原图像的无参考图像质量评价

作者：白雪含南京航空航天大学

学位级别：硕士

无参考图像质量评价可以有效的提升图像信息的获取和应用能力。本文面向失真图像和复原图像,提出了三种无参考图像质量评价算法,从而对图像的质量进行辨别和量化,并且辅助复原算法设计以确保复原后的图像质量高于未复原图像的质量。(1)... 详细信息

无参考图像质量评价可以有效的提升图像信息的获取和应用能力。本文面向失真图像和复原图像,提出了三种无参考图像质量评价算法,从而对图像的质量进行辨别和量化,并且辅助复原算法设计以确保复原后的图像质量高于未复原图像的质量。(1)提出了一种融合深度学习和统计视觉特征的无参考失真图像质量评价算法FDSVDIQA。提取图像的统计视觉特征,根据其特点,设计双路卷积层结构。分别将图像局部归一化亮度图像块和局部归一化亮度LBP图像块输入到两路卷积层中,融合统计视觉特征,实现图像的无参考质量评价。分别在LIVE、LIVEMD和MDORSID上对FDSVDIQA算法进行了大量的与其他无参考图像质量评价算法的对比实验,实验结果表明:FDSVDIQA算法对于自然失真图像以及遥感失真图像均具有较好的主客观一致性,算法鲁棒性好。在LIVEMD和MDID数据库上进行了数据库独立性实验,实验结果表明:FDSVDIQA算法对失真图像的评价不依赖于特定的数据库,具有数据库独立性。(2)提出了一种融合多特征的无参考复原遥感图像质量评价算法GEDIQA。提取复原图像的梯度特征、差分图特征、频域熵特征,构建表征图像质量的特征向量。训练AdaBoostP神经网络学习图像特征与图像质量分数的关系,实现对复原遥感图像的无参考质量评价。建立了复原模糊光学遥感图像数据库RBORSID。在RBORSID数据库上对GEDIQA算法与其它图像质量评价算法进行了一致性比较,实验结果表明:GEDIQA算法对于复原遥感图像的评价有着较好的主观一致性,性能优于其它算法。(3)提出了一种融合深度学习和空域频域特征的的无参考复原图像质量评价算法FDSFRIQA。首先提取了图像的空域梯度特征和差分图特征,以及频域的二维局域熵特征,将特征向量进行连接后构成图像的空域频域特征;接着将复原图像的归一化亮度图输入CNN网络;然后将图像空域频域特征输入CNN网络;最后经过学习和训练实现对复原图像的质量评价。在RBORSID复原遥感数据库上对FDSFRIQA算法与其它无参考图像质量评价算法进行了对比实验,实验结果表明:FDSFRIQA算法对于复原图像具有较好的主客观一致性,性能优于其他算法。将FDSFRIQA算法在不同类型数据库上进行了实验,包括单失真自然图像数据库LIVE、多失真自然图像数据库LIVEMD和多失真遥感图像数据库MDORSID数据库,实验结果表明:FDSFRIQA算法对于不同类型的图像具有较好的主客观一致性,算法鲁棒性好。

关键词：无参考图像质量评价卷积神经网络自然场景统计深度学习复原遥感图像

基于PCANet的无参考图像质量评价算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于PCANet的无参考图像质量评价算法研究

作者：元晨晨华东交通大学

学位级别：硕士

无参考图像质量评价方法（No Reference Image Quality Assessment,NR-IQA）是目前图像质量评价技术的研究热点和将来的发展方向,它在图像处理、机器人技术、机器视觉、医学图像等领域都具有重要的应用价值。随着深度学习的发展,深度神... 详细信息

无参考图像质量评价方法（No Reference Image Quality Assessment,NR-IQA）是目前图像质量评价技术的研究热点和将来的发展方向,它在图像处理、机器人技术、机器视觉、医学图像等领域都具有重要的应用价值。随着深度学习的发展,深度神经网络以其强大的建模和分析能力,被越来越多的研究者应用于图像质量评价领域,但在将深度神经网络应用于图像质量评价研究时,深层卷积神经网络模型也带来了训练复杂、调参技巧难、经验要求高以及理论分析难等问题。同时对于图像质量评价数据集的小数据量环境来说,容易产生过拟合。针对上述问题,通过对主成分分析网络（Principal Component Analysis Network,PCANet）展开研究,深入开展基于PCANet的无参考图像质量评价技术研究。首先,本文提出了一个基于PCANet的无参考图像质量评价算法。通过PCANet网络对失真图像进行深层特征提取,然后将提取到的特征作为输入样本,通过支持向量机（Support Vector Machine,SVM）分类器和支持向量回归（Support Vector Regression,SVR）回归器训练得到算法模型。通过实验表明,该算法能够区分图像失真类型并评估图像质量。实验在LIVE、TID2013等图像质量评价数据库上进行,并且与一些较为常用的NR-IQA算法进行比较,结果表明,该算法优于卷积神经网络（Convolutional Neural Networks,CNN）等算法指标。其次,本文又提出基于PCANet与Gabor小波的图像质量评价算法。该算法第一步利用Gabor小波对图像进行特征提取,之后将提取的特征通过PCANet网络进行更深一步的提取,最后将特征最为输入图像,通过SVM分类型器训练,得到算法模型。通过实验表明,该算法能够区分图像失真类型,并对图像进行质量评级。在LIVE、TID2013等图像质量评价数据库中进行相关实验,通过与较为常用的图像质量评级方法相比较,结果表明该算法能够达到主观评价的效果,满足人眼系统的特性。最后综上所述,本文所提的两种算法能够达到与人眼主观一致,并识别失真类型。未来希望通过对PCANet算法相关滤波器进行改进或者与其它DCT算法相结合,提高模型的准确率,以及算法的运行效率。

关键词：无参考图像质量评价主成分分析网络深度学习支持向量机支持向量回归

基于图像非平坦区空频域联合特征的无参考图像质量评价方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图像非平坦区空频域联合特征的无参考图像质量评价方法

作者：李超西安电子科技大学

学位级别：硕士

图像作为信息传递的重要载体,在当前社会的信息交流中扮演着重要的角色。图像的质量高低决定了信息传递的多少,因此有效的图像质量评价方法得到了越来越多的关注。无参考图像质量评价方法成本低、实时性高、不需要任何原始图像信息,成... 详细信息

图像作为信息传递的重要载体,在当前社会的信息交流中扮演着重要的角色。图像的质量高低决定了信息传递的多少,因此有效的图像质量评价方法得到了越来越多的关注。无参考图像质量评价方法成本低、实时性高、不需要任何原始图像信息,成为当前图像质量评价方法的研究热点。为定量的对图像的失真水平进行衡量,本文提出一种基于图像非平坦区和图像空频域联合特征的无参考图像质量评价方法,并对其提出了改进方案。本论文的主要工作及研究成果如下:1、由于人类视觉系统对图像的单色背景区域关注度较低,本文将分割图像的平坦和非平坦区域引入评价系统中,在图像分割后的非平坦区域中筛选十个对评价图像质量有重要影响的图像特征,其特征涵盖了图像的空间域特征和离散余弦变换后的频域特征。通过图像非平坦区的分割,提升了质量评价1.1028%的预测一致性和2.3975%的单调性,降低了32.7484%的预测误差。2、针对特征值间因数值大小差异而引起的视觉屏蔽问题,本文在现有人工神经网络的基础上引入均衡层,提出均衡广义回归神经网络。通过引入均衡层,提升了质量评价6.068%的预测一致性和5.4391%的单调性,降低了8.7737%的预测误差。3、基于图像非平坦区、空频域联合特征和均衡广义回归神经网络,本文提出一种新的无参考质量评价方法。实验数据表明,本文所提的无参考质量评价方法可以有效并可靠地对图像进行质量评价,其预测分数与人类主观评价分数达到0.88的预测一致性。4、为了更准确地对图像进行评价,本文对提出的质量评价方法做了进一步改进。通过分析离散余弦变换系数的统计规律,将图像失真所引起的统计规律的改变通过广义高斯分布的形状参数进行拟合;在频域增加了反应图像纹理特性的三个图像特征值;将图像的失真分类方法引入到评价系统中,通过对图像失真类型进行预判断,增加系统对图像信息的认知。以图像的失真类型选择针对此失真类型的预测系统,可以提升质量评价7.2492%的预测一致性和6.0031%的单调性,降低19.5543%的预测误差。5、在LIVE Release2图像主观质量评价库中对改进的评价方法进行了测试。实验数据表明,相比原方法,改进后的方法提升了质量评价8.3968%的预测一致性和6.1141%的单调性,降低了29.6631%的预测误差。通过与部分全参考图像质量评价及无参考质量评价方法相比,改进后的无参考质量评价方法具有更好的精确度和可靠性。

关键词：无参考图像质量评价空频域联合特征非平坦区域视觉屏蔽失真分类

基于信息熵和深度学习的无参考图像质量评价算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于信息熵和深度学习的无参考图像质量评价算法研究

作者：林根巧上海海洋大学

学位级别：硕士

图像客观质量评价方法分为全参考、半参考和无参考三种,其中无参考模型因为不需要任何参考信息所以获得了越来越多的关注。深层卷积神经网络具有十分强大的建模和分析能力,可以表示抽象的具有区分性的特征,近年来被广泛应用于无参考图... 详细信息

图像客观质量评价方法分为全参考、半参考和无参考三种,其中无参考模型因为不需要任何参考信息所以获得了越来越多的关注。深层卷积神经网络具有十分强大的建模和分析能力,可以表示抽象的具有区分性的特征,近年来被广泛应用于无参考图像质量评价中。在使用卷积神经网络进行图像质量评价研究时,由于通用实验数据库中缺乏足够的带标签的训练数据,研究者往往将数据库里的失真图像进行分块处理来扩大数据集。这种方法会导致每个分块的质量分数不能被精确确定。针对以上的问题,在考虑信息熵对图像质量的影响基础上,本文提出了一种基于信息熵的卷积网络模型IQA-CNNeight。通过分析LIVE数据集中失真类型、失真等级和图像质量之间的关系,发现图像敏锐度和信息熵有很强的关联度。基于此,本文以原始图像的平均信息熵为基准,针对不同类型的图像,提出了两种有针对性的卷积网络训练方法。当整幅图像的信息熵值高于原始图像的平均信息熵时,给信息熵值较高的分块赋予高权重。计算各分块的信息熵作为分块重要性权重,以代表其对失真图像质量的影响程度,并基于该权重对卷积神经网络的损失函数进行调整。当整幅图像的信息熵值低于原始图像的平均信息熵时,给信息熵值较低的分块赋予高权重,偏离标签值更大的分块赋予更高的权重,对评价误差较高的分块进行补偿,以减少评价值与真实值之间的差距。在LIVE数据集和TID2008数据集上的交叉验证结果表明,本文提出的模型能很好评价失真图像的质量,评价结果更为接近人类视觉感知。

关键词：无参考图像质量评价深层卷积网络信息熵损失函数归一化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于经验模态分解的无参考图像质量评价

基于经验模态分解的无参考图像质量评价

作者：李倩倩西安理工大学

学位级别：硕士

在这个信息共享的互联网时代,人们每天都会接触到不同形式的信息。图像作为视觉信息的来源,蕴含其他类型信息无法比拟的直观且准确的优势。图像最终呈现在人们视线中需经历很多处理环节,图像失真和质量下降也就随之产生。因此对图像质... 详细信息

在这个信息共享的互联网时代,人们每天都会接触到不同形式的信息。图像作为视觉信息的来源,蕴含其他类型信息无法比拟的直观且准确的优势。图像最终呈现在人们视线中需经历很多处理环节,图像失真和质量下降也就随之产生。因此对图像质量进行评价是高效地获取图像信息极关重要的一部分,已经引起图像处理领域研究者的科研兴趣。现阶段,图像质量的客观评价方法根据依赖参考图像信息的程度可以分为三类:全参考（FR）、半参考（RR）、无参考（NR）图像质量评价（IQA）方法。之所以无参考评价方法的研究成为目前研究的热点是因为通常情况下原始图像无法获得,因此研究无参考图像质量评价方法更符合实际情况。本文提出了两种基于经验模态分解的无参考图像质量评价算法并将其应用于太阳能光伏电池缺陷识别,具体研究内容如下:（1）对Liu等人提出的基于图像局部空间熵和频谱熵特征的SSEQ算法进行改进,将其空间信息熵变为梯度信息熵,提出了一种结合信息熵和经验模态分解的EEMD算法。首先对图像进行经验模态分解得到前两个固有模态函数,对原图像和前两个固有模态函数图像的灰度值按秩序重新排序,在排序后的原图像和排序后的前两个固有模态函数上提取梯度信息熵的均值和偏度以及频谱信息熵的均值和偏度;然后对排序后的原图像和排序后的前两个固有模态函数依次与Scharr算子和LOG算子进行卷积,在卷积后的图像上提取频谱信息熵的均值和偏度以及分布统计特征。最后利用支持向量机构建无参考图像质量评价模型并在LIVE图像数据库进行训练测试实验。结果表明,EEMD算法对SSEQ算法进行改进得到较高的质量评价精度。SROCC值的中值为0.9442,PLCC值的中值为0.9500,RMSE值的中值为7.2068,SROCC值,PLCC值和RMSE值的标准差分别为0.0197,0.0189,1.0056,图像分类准确率为87.89%,优于PSNR、BIQI、BLIINDS-Ⅱ和SSEQ这4种主流图像质量评价算法。（2）提出了一种基于经验模态分解的多特征融合的EMDMFF算法。该算法首先利用经验模态分解对图像进行分解得到前两个固有模态函数,并利用分数阶微分算子对其进行增强,在增强后的原图像和增强后的前两个固有模态函数上提取三部分特征:一是亮度归一化系数所拟合的统计特征,二是梯度加权LBP直方图特征,三是结构相似度特征;然后,利用支持向量机构建基于经验模态分解的无参考图像质量评价模型;最后在LIVE图像数据库进行1000次迭代训练测试实验。结果表明,EMDMFF算法采用多模态多特征融合的方法,使得EMDMFF算法在图像质量评价方面具有较高的精度。1000次测试结果SROCC值的中值为0.9568,PLCC值的中值为0.9575,RMSE值的中值为6.6221,1000次测试结果SROCC值,PLCC值和RMSE值的标准差分别为0.0062,0.0074,0.5877,图像分类准确率为92.62%,均优于PSNR,SSIM,BIQI,BLIINDS-Ⅱ,BRISQUE,BIQA,SSEQ和WPD这8种主流图像质量评价算法。EMDMFF算法与这8种算法相比具有一定的竞争性,且在主观质量感知上一致性更高。（3）利用EEMD算法和EMDMFF算法识别太阳能光伏电池图像是否存在缺陷以及缺陷类型。将20幅无缺陷和382幅有缺陷的太阳能光伏电池图像构造成类似LIVE图像库的太阳能光伏电池图像库,用EEMD算法和EMDMFF算法对该光伏电池图像库进行训练测试实验,可以得到图像缺陷分类识别的结果分别为70.24%和72.19%,经过性能比较发现EMDMFF算法在太阳能光伏电池的缺陷识别上有一定的应用价值,并且可以利用评价得到的图像质量分数对图像的缺陷等级进行判定。

关键词：无参考图像质量评价经验模态分解信息熵广义高斯分布 LBP直方图结构相似度太阳能光伏电池缺陷识别

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的无参考图像质量评价研究

基于深度学习的无参考图像质量评价研究

作者：杨璐成都信息工程大学

学位级别：硕士

无参考图像质量评价(No Reference Image Quality Assessment,NRIQA)又称盲图像质量评价(Blind Image Quality Assessment,BIQA)指在没有图像参考或者没有图像的特征参考情况下,直接对图像进行其质量的评价。其目的是模拟人眼的视觉系统... 详细信息

无参考图像质量评价(No Reference Image Quality Assessment,NRIQA)又称盲图像质量评价(Blind Image Quality Assessment,BIQA)指在没有图像参考或者没有图像的特征参考情况下,直接对图像进行其质量的评价。其目的是模拟人眼的视觉系统,自动准确的判断图像质量。无参考图像质量评价是计算机视觉、图像处理中的一个重要研究内容,是自动判断捕获高质量图像的关键技术。自深度学习在计算机视觉领域取得显著成功后就成了该领域的主要贡献者,通过数据驱动从大量样本中学习复杂特征。这种基于统计原理的方式,虽然理论有待完善,实践中却不断得到新的突破,并迅速用于商业领域,关于图像质量评价也涌现出大量网络模型。这些模型从丰富的失真样本中学习图像质量特征、利用典型模型如VGGNet,残差网络等进行图像质量特征的迁移学习,或者结合语义信息对图像质量特征进行描述,以实现在没有参考图像或者参考特征的条件下,对图像质量进行符合人眼判断的评价。本文基于深度学习方法,从无参考图像质量评价的实际需求出发,结合卷积神经网络优化策略进行深入的研究。具体研究内容包括:(1)基于浅层卷积网络的无参考图像质量评价研究:为得到简单准确的无参考图像质量评价模型,对2014年至今的基于深度学习方法实现的无参考图像质量评价典型方法进行多角度对比分析,得到主流的质量评价结构,分为单任务结构和多任务结构,其中多任务结构包含常见的三类不同结构。基于浅层卷积网络实现基于单任务结构和基于多任务结构的网络模型并进行实验对比;再通过多任务模型的子任务输出维度实验说明,基于多任务结构的无参考图像质量评价模型其子任务具有迁移集成于其他任务中的优点,设计合理的子任务能够先在目标数据集上预训练,再结合质量评价任务微调以实现无参考图像质量评价。(2)基于失真等级的深层无参考图像质量评价研究:为了将无参考的图像质量评价模型扩展至实际的应用场景,既能够应用于单失真图像,又适用于多失真图像,在基于多任务结构的浅层神经网络模型基础上,提出基于失真类型的无参考图像质量评价算法。同时,为探索更多级、更深层的网络对图像质量特征的表达,扩展网络深度,对扩展后的模型首先进行基于失真等级的子任务预训练,再进行无参考图像的质量评价训练。此外,本文采用秩相关系数(Spearman’s rank-order correlation coefficient,SROCC)和皮尔逊线性相关系数(Pearson linear correlation coefficient,PLCC)两个性能衡量指标从准确率和相关性两个方面进行衡量,同其他典型模型IAQ-CNN++、DIVINE、BIQI等对比,结果显示本文方法参数量低、准确率达0.924,与人眼相关性达0.931。最后,基于研究成果从不同角度对无参考图像质量评价问题提出优化方向。

关键词：无参考图像质量评价计算机视觉深度学习卷积神经网络多任务结构