图像质量评价的研究现状及其展望

合集下载

图像质量评测与修复的算法研究

图像质量评测与修复的算法研究

图像质量评测与修复的算法研究概述:图像是我们生活中不可或缺的一部分,无论是在娱乐、通信、医疗还是安防领域,图像都扮演着重要的角色。

然而,由于各种因素的影响,图像可能会受到噪声、失真等问题的困扰,导致质量下降。

因此,图像质量评测与修复的算法研究变得至关重要。

本文将探讨图像质量评测与修复的算法研究的相关问题和挑战,并介绍一些目前常用的算法。

一、图像质量评测算法研究1. 主观评价方法主观评价方法是通过人工主观感觉来评估图像质量。

这种方法存在主观性强、不可重复和耗时较长等问题。

常用的方法有双向对比度度量、细节对比度度量和感知质量度量等。

其中,感知质量度量是目前比较广泛应用的方法,它可以根据人眼对图像细节和结构的感知特性来评估图像的质量。

2. 客观评价方法客观评价方法是通过使用计算机算法来自动评估图像质量。

这种方法能够提供快速和可重复的评估结果,但可能与人的主观感觉存在一定的差异。

常用的客观评价方法包括峰值信噪比(PSNR)、结构相似性指数(SSIM)和均方根误差(RMSE)等。

二、图像修复算法研究1. 基于频域的修复算法基于频域的修复算法主要利用图像的频谱特性进行修复。

常用的方法有频域滤波、小波变换和快速傅里叶变换等。

这些方法可以有效去除图像中的噪声,但在一些复杂的图像场景下可能无法很好地恢复图像的细节。

2. 基于时域的修复算法基于时域的修复算法主要利用图像的时域特性进行修复。

常用的方法有中值滤波、高斯滤波和双边滤波等。

这些方法可以较好地保留图像的细节特征,但在一些复杂的图像场景下可能会引入模糊或失真。

3. 基于深度学习的修复算法近年来,基于深度学习的修复算法得到了广泛的关注和研究。

这些算法可以通过大量的图像样本进行训练,从而学习到图像的特征和结构,实现更准确的图像修复。

常用的深度学习模型包括自编码器、生成对抗网络(GAN)和卷积神经网络(CNN)等。

三、算法研究的挑战与未来发展方向1. 复杂场景下的修复问题在一些复杂场景下,如低光照、多目标跟踪等情况下,传统的图像修复算法可能无法取得良好的效果。

基于深度学习的图像标注质量评价模型研究

基于深度学习的图像标注质量评价模型研究

基于深度学习的图像标注质量评价模型研究深度学习在计算机视觉领域中扮演着至关重要的角色,而对于图像标注的质量评价,也是需要依靠深度学习技术实现的。

图像标注质量评价是指通过图像标注任务的结果对图像标注的质量进行评价,是推动计算机视觉领域发展的重要一环。

在当前人工智能技术不断发展的背景下,基于深度学习的图像标注质量评价模型研究成为了一个热门话题。

一、基于深度学习技术的图像标注质量评价模型基于深度学习的图像标注质量评价模型是指利用深度学习技术,通过对图像标注任务的结果进行深度学习,以达到对图像标注质量进行评价的目的。

该模型的核心在于利用深度学习技术对图像标注任务数据进行训练,进而输出基于该图像数据的标注质量评分。

二、图像标注质量评价技术现状目前,基于深度学习技术的图像标注质量评价技术已经取得了一定的成果。

主要的方法包括基于循环神经网络的模型和基于卷积神经网络的模型。

其中基于循环神经网络的模型主要关注的是句子的生成,而基于卷积神经网络的模型主要关注的是图像标注质量的数量评价。

三、基于深度学习技术的图像标注质量评价模型的优势基于深度学习技术的图像标注质量评价模型具有以下几个优势:1. 鲁棒性强:深度学习模型对于输入数据的变化有着较强的鲁棒性,可以应对不同的输入数据。

2. 自适应性强:深度学习模型能够自适应不同的标注数据集,从而适应实际场景需求。

3. 精度较高:深度学习模型在数据量大的情况下,通过训练可以达到较高的精度。

四、未来研究展望图像标注质量评价技术在未来的发展中,可以向以下几个方向拓展:1. 数据量的增加:随着数据量的增加和标注质量的提升,能够提高模型的性能。

2. 多模态的输入标注质量评价模板:可以在原有的基础上,利用多模态数据进行标注质量的评价。

3. 应用于更多场景:当前基于深度学习的图像标注质量评价技术已经应用于许多领域,未来可以将其应用于更多的场景中,如医疗、安全监控等领域。

五、结论总之,基于深度学习技术的图像标注质量评价模型已经在计算机视觉领域中扮演了至关重要的角色。

图像处理技术的研究现状和发展趋势

图像处理技术的研究现状和发展趋势

图像处理技术的研究现状和发展趋势庄振帅数字图像处理又称为计算机图像处理,它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。

数字图像处理最早出现于20世纪50年代,当时的电子计算机已经发展到一定水平,人们开始利用计算机来处理图形和图像信息。

数字图像处理作为一门学科大约形成于20世纪60年代初期。

早期的图像处理的目的是改善图像的质量,它以人为对象,以改善人的视觉效果为目的。

图像处理中,输入的是质量低的图像,输出的是改善质量后的图像,常用的图像处理方法有图像增强、复原、编码、压缩等。

首次获得实际成功应用的是美国喷气推进实验室(JPL)。

他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术,如几何校正、灰度变换、去除噪声等方法进行处理,并考虑了太阳位置和月球环境的影响,由计算机成功地绘制出月球表面地图,获得了巨大的成功。

随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理,以致获得了月球的地形图、彩色图及全景镶嵌图,获得了非凡的成果,为人类登月创举奠定了坚实的基础,也推动了数字图像处理这门学科的诞生。

在以后的宇航空间技术,如对火星、土星等星球的探测研究中,数字图像处理都发挥了巨大的作用。

数字图像处理取得的另一个巨大成就是在医学上获得的成果。

1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置,也就是我们通常所说的CT(Computer Tomograph)。

CT的基本方法是根据人的头部截面的投影,经计算机处理来重建截面图像,称为图像重建。

1975年EMI公司又成功研制出全身用的CT装置,获得了人体各个部位鲜明清晰的断层图像。

1979年,这项无损伤诊断技术获得了诺贝尔奖,说明它对人类作出了划时代的贡献。

与此同时,图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就,属于这些领域的有航空航天、生物医学过程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等,使图像处理成为一门引人注目、前景远大的新型学科。

图像质量评价的研究现状及其展望

图像质量评价的研究现状及其展望

图像质量评价的研究现状及其展望[摘要] 符合人眼视觉系统特性的图像质量评价方法,不仅可以更好地评价图像处理算法的优劣,而且能够指导图像处理的思路和方法。

近年来,图像质量评价的研究发展迅速。

本文重点阐述模拟人眼视觉系统的两类客观评价方法,并介绍以这两类方法为基本框架的各种改进方法。

然后针对图像融合、复原、压缩三个主要的处理领域的质量评价的特殊性进行分析。

总结认为该领域的发展方向是对视觉感知生理心理学及HVS模型进一步研究,建立计算更简便、评价更准确的通用评价方法,并发展无参考的质量评价方法。

[关键词]图像质量评价HVS CSF SSIM1 引言图像质量评价一直是图像处理领域研究的基础和重点。

图像质量评价方法包括:主观评价(MOS: Mean Opinion Score)方法和客观评价方法。

因为人眼是图像处理系统的终端,所以主观评价方法是最合理的图像质量评价方法。

但是该方法需要组织观察者对失真图像进行评分,难以用数学模型表达加以应用[1]。

所以MOS 方法一般用来验证客观评价方法的有效性。

目前应用最广泛的客观质量评价方法包括:均方差(Mean Squared Error,MSE)、峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)方法。

试验证明MSE/PSNR对于单纯的噪声图像质量评价比较准确,但是对失真降质图像的评价是不可靠的,所以需要研究符合人眼视觉的评价方法。

自从60年代大量的视觉感知生理心理学试验[2]得到了人类视觉系统(Human Visual System,HVS)模型,图像质量评价的研究得到迅速发展。

不但建立了各种模拟人眼视觉系统特性的数学模型,而且在此基础上提出了各种适用于特定图像处理领域的评价方法。

但是,至今没有形成一些公认的、通用的评价方法,以至于目前图像各研究领域仍然停留在利用MSE/PSNR评价算法优劣的阶段。

本文讨论模拟人眼视觉系统特性的图像质量评价方法,分析各种方法的思路及应用特点,总结其发展脉络及研究趋势。

图像质量测评中的主观与客观评价方法研究

图像质量测评中的主观与客观评价方法研究

图像质量测评中的主观与客观评价方法研究图像质量测评是评估图像质量好坏的关键步骤,对于图像处理算法、图像压缩方法以及图像传输等领域具有重要意义。

主观评价和客观评价是目前常用的两种图像质量测评方法。

本文将深入探讨主观评价和客观评价方法的研究进展及应用情况。

1. 主观评价方法主观评价方法是通过人眼对图像质量进行主观判断,通常利用受试者对一系列已知品质图像进行排序或打分。

其中,绝对评价是最常用的方法之一,受试者需根据自己对图像质量的感知,对图像进行评分或排序。

主观评价方法具有较高的可信度,可以准确反映人眼对图像质量的主观感受,是评价图像质量的金标准。

在主观评价中,有许多常用的评价方法,如主观质量评分(Subjective Quality Assessment,SQ),主观比较评价(Subjective Comparison),以及主观排列评分(Subjective Ranking)。

其中,主观质量评分是最常用的方法之一,通过对图像质量进行打分,来判断不同品质图像之间的差异。

主观比较评价和主观排列评分则是通过对图像进行比较或排序,来判断图像的相对品质。

2. 客观评价方法客观评价方法通过计算机算法对图像进行分析,根据一系列图像特征或图像质量模型来评估图像质量。

客观评价方法具有高效、自动化等优势,可以减少主观评价的人力和时间成本。

目前,常用的客观评价方法包括结构相似性(Structural Similarity,SSIM)、峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)、视觉感知质量度量算法(Visual Perception Quality Metrics,VPQM)等。

这些方法基于图像的特征提取,模拟人眼对图像的感知过程,通过不同的数学模型对图像进行评估。

其中,SSIM是一种基于图像结构相似性的客观评价方法,通过计算图像的亮度、对比度和结构三个方面的相似性来评估图像质量。

PSNR则是通过计算图像的峰值信噪比来评估图像质量,常用于无损压缩算法的评价。

无参考图像质量评价方法

无参考图像质量评价方法

基于模型的方法通常利用图像处 理和计算机视觉的技术,分析图 像的某些特征,如边缘检测、频 域分析、小波变换等,以评估图 像的质量。
基于深度学习的方法则是利用深 度神经网络对图像进行训练和预 测,以实现对图像质量的评估。
评价流程与步骤
NR-IQA的深度学习框架如 TensorFlow、PyTorch等;
无参考图像质量评价方法
汇报人: 日期:
目录
• 引言 • 无参考图像质量评价方法概述 • 基于结构相似度的无参考图像质量评价方
法 • 基于感知质量的无参考图像质量评价方法 • 无参考图像质量评价方法的应用场景与展
望 • 结论与参考文献
01
引言
研究背景与意义
随着数字图像的广泛应用,图像质量评价成为重要需求,然而参考图像缺失时,质量评价面临挑战。
该方法在评估不同压缩比下的图像质量时,与主观评价结 果具有较好的一致性。
结果分析
实验结果表明,基于结构相似度的无参考图像质量评价方 法可以有效地衡量图像的结构信息保真度,从而反映图像 的质量。
该方法在评估图像处理和传输算法的性能时具有广泛的应 用价值,可以为相关领域的研究提供有益的参考。
方法优劣与适用范围讨论
03
在某些情况下,结构相似度可 能受到图像内容的影响,例如 ,对于具有重复结构的图像, 该方法可能产生不准确的结果 。
方法优劣与适用范围讨论
适用范围
基于结构相似度的无参考图像质量评价方法 适用于评估图像处理和传输算法的性能,以 及衡量不同压缩比下的图像质量。
该方法适用于具有相似结构和纹理 的图像之间的质量比较,而对于具 有显著差异的图像内容可能不太适 用。
方法优劣与适用范围讨论
• 基于感知质量的无参考图像质量评价方法的优点在于其能够更准确地反映人类视觉系统对图像质量的感知,尤 其适用于评估图像在经过不同处理后的质量变化。然而,该方法的缺点在于其对图像类型的适应性较差,对于 某些类型的图像,如人脸图像,其准确性可能不如基于结构的无参考图像质量评价方法。此外,该方法需要大 量的训练数据和计算资源,因此在实时应用中可能存在一定的挑战。

超声科图像质量分析报告

超声科图像质量分析报告

超声科图像质量分析报告标题:超声科图像质量分析报告摘要:本报告通过对超声科图像质量进行分析,总结了目前超声科图像质量存在的问题,并提出了相应的改进措施。

通过图像质量的提升,可以更好地支持医学诊断和治疗工作,提高患者的临床效果和满意度。

一、引言超声科作为医学影像学的重要组成部分,其图像质量的优劣直接关系到医学诊断的准确性和临床效果。

目前,我科超声图像质量存在以下问题:图像清晰度有待提高,部分图像有伪影存在,灰度分辨率较低等。

因此,本报告旨在分析图像质量问题的原因,并提出相应的改进意见。

二、问题分析1.图像清晰度不足:部分图像存在模糊不清的情况,影响医生对病变的判断和诊断。

2.伪影存在:有些图像出现了明显的伪影,如干涉条纹伪影、幕布伪影等,严重影响医学诊断的准确性。

3.灰度分辨率较低:超声图像的灰度分辨率较低,导致对低对比度组织的观察和诊断困难。

三、改进措施1.提高超声仪器性能:更新和升级超声仪器,选择性能先进、图像质量稳定的设备,以提高图像的清晰度和分辨率。

2.加强操作规范培训:对超声科医生和技术人员进行操作规范和技术培训,提高其对超声仪器的操作熟练度和理解度,减少操作误差。

3.优化图像处理算法:通过调整图像处理算法参数,优化图像的对比度、锐度和灰度分辨率,提高图像的清晰度和质量。

4.优化扫描方法:对不同部位和病症,选择适当的扫描方法和探头频率,以获得更清晰的超声图像。

5.加强后期编辑:通过后期编辑软件对图像进行优化处理,调整图像的亮度、对比度和锐度,去除伪影,提高图像的质量和可读性。

四、效果评估经过以上改进措施的实施,我科的超声图像质量得到了明显提升。

图像清晰度有所提高,伪影现象明显减少,灰度分辨率得到改善。

医生在临床工作中,对病变的判断和诊断准确性提高,临床效果和患者满意度有所提升。

五、结论本报告通过分析超声科图像质量存在的问题,并提出了相应的改进措施。

通过对超声仪器性能的提升、操作规范培训、图像处理算法优化、扫描方法优化和后期编辑加强,实现了超声图像质量的改善。

光学图像质量评价算法研究的开题报告

光学图像质量评价算法研究的开题报告

光学图像质量评价算法研究的开题报告一、选题的背景与意义近年来,随着计算机技术和光学成像技术的发展,数字图像在医学、工业、军事等领域的应用日益广泛。

而数字图像的质量评价直接关系到其在实际应用中的可靠性和有效性。

因此,光学图像质量评价算法的研究对于数字图像的应用具有重要的意义。

在实际应用中,数字图像受到许多因素的影响,如图像采集设备的性能、环境的光照条件、图像传输媒介的质量等。

因此,要准确地评价数字图像的质量需要考虑多个方面的因素。

同时,不同应用领域对图像质量的要求也不尽相同。

比如,在医学影像领域,图像的清晰度和对比度是非常重要的,而在工业检测领域,图像的噪声和变形程度会直接影响检测结果的准确性。

因此,如何对数字图像进行全面客观的质量评价一直是学术界和工业界所关注的问题之一。

本文将从光学图像的质量评价算法入手,探讨如何对数字图像进行准确全面的质量评价。

二、选题的研究现状目前,图像质量评价算法的研究可以分为两类:主观评价和客观评价。

主观评价通常采用主观评分的方式,即让人们观察图像,然后进行主观评价。

主观评价得到的结果具有很强的可信度和准确性,但其具有主观性和耗时性的缺点,且对于人的视觉特性存在很大的差异,因此不太适用于大规模数据的评价。

客观评价算法是指通过计算机自动分析图像的特征来评价图像的质量。

客观评价算法具有客观、快速、高效的优点,被广泛应用于各个领域。

包括基于信号处理的算法、基于信息论的算法、基于统计学习的算法等等。

这些算法各有优缺点,可以根据应用场景的不同进行选择。

三、研究内容和方法本课题将针对光学图像质量评价,采用客观评价算法,通过对图像各个方面的特征分析,综合评价图像质量。

具体来说,本文将研究以下内容:1.分析光学图像质量评价的关键特征,针对不同应用场景的要求,确定合适的特征子集。

2.研究并比较现有的光学图像质量评价算法,分析其优缺点及适用范围。

3.设计并实现一种新的光学图像质量评价算法,基于计算机视觉和图像处理技术,提高图像质量评价的准确性和效率。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

图像质量评价的研究现状及其展望[摘要] 符合人眼视觉系统特性的图像质量评价方法,不仅可以更好地评价图像处理算法的优劣,而且能够指导图像处理的思路和方法。

近年来,图像质量评价的研究发展迅速。

本文重点阐述模拟人眼视觉系统的两类客观评价方法,并介绍以这两类方法为基本框架的各种改进方法。

然后针对图像融合、复原、压缩三个主要的处理领域的质量评价的特殊性进行分析。

总结认为该领域的发展方向是对视觉感知生理心理学及HVS模型进一步研究,建立计算更简便、评价更准确的通用评价方法,并发展无参考的质量评价方法。

[关键词]图像质量评价HVS CSF SSIM1 引言图像质量评价一直是图像处理领域研究的基础和重点。

图像质量评价方法包括:主观评价(MOS: Mean Opinion Score)方法和客观评价方法。

因为人眼是图像处理系统的终端,所以主观评价方法是最合理的图像质量评价方法。

但是该方法需要组织观察者对失真图像进行评分,难以用数学模型表达加以应用[1]。

所以MOS 方法一般用来验证客观评价方法的有效性。

目前应用最广泛的客观质量评价方法包括:均方差(Mean Squared Error,MSE)、峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)方法。

试验证明MSE/PSNR对于单纯的噪声图像质量评价比较准确,但是对失真降质图像的评价是不可靠的,所以需要研究符合人眼视觉的评价方法。

自从60年代大量的视觉感知生理心理学试验[2]得到了人类视觉系统(Human Visual System,HVS)模型,图像质量评价的研究得到迅速发展。

不但建立了各种模拟人眼视觉系统特性的数学模型,而且在此基础上提出了各种适用于特定图像处理领域的评价方法。

但是,至今没有形成一些公认的、通用的评价方法,以至于目前图像各研究领域仍然停留在利用MSE/PSNR评价算法优劣的阶段。

本文讨论模拟人眼视觉系统特性的图像质量评价方法,分析各种方法的思路及应用特点,总结其发展脉络及研究趋势。

2模拟人眼视觉系统的客观评价方法过去的几十年中,研究者们致力于寻找符合HVS特性的图像质量评价数学模型。

其中研究最多也比较成熟的主要包括两种,一是自底向上模拟HVS低阶组成结构的模型,二是自顶向下模拟HVS整体功能的模型。

前者对应基于HVS感知误差测量的方法,后者对应基于结构相似度(Structure Similarity,SSIM)理论的方法。

基于HVS的图像质量评价利用已知的HVS特性,通过测量感知误差来评价质量,但由于目前对HVS认知有限,该方法需要基于多个假设前提,另外使用简单模拟的模型来预测自然界的复杂图像也存在诸多问题[3]。

基于SSIM的图像质量评价,评价值由待评图像和原始图像之间的亮度比较、对比度比较和结构相似性比较三部分构成,简单直观,在某种程度上绕开了自然图像内容的复杂性及多通道去相关问题,没有从神经和生理学的角度通过整合误差来评估图像质量,而是直接比较两幅图像的结构差别[4]。

2.1基于HVS感知误差测量的评价方法人们建立了很多种HVS模型,模拟了视觉感知的显著特性,包括对比度敏感度、视觉非线性特性(Weber定律)、掩盖效应及视觉多通道,这些特性都与图像质量评价相关[5]。

1)对比度敏感度CSF(Contrast Sensitivity Function),亦称为人眼视觉系统空间调制转移函数(Modulate Transform Function)。

不同的实验所得的CSF函数形式各异,但基本上都认为HVS的CSF是空间频率的函数,且具有带通性质,为各向异性。

常用的CSF表达式为[3]:其中,空间频率(周期/度),分别为水平、垂直方向的空间频率。

其响应曲线如图1所示,可以看出对比敏感度在中频区域表现较为敏感,在低频和高频区,敏感度有所下降。

这使得人眼在观看图像时产生一种边缘增强的感觉,即侧抑制效应。

2)视觉非线性,表示人眼对亮度光强变化的响应是非线性的,人眼视觉系统对刺激信号的反映不是取决于信号的绝对亮度,而是取决于信号相对于背景亮度(信号的平均亮度)的刺激程度。

由Weber Fechner法则可知:视觉上主观亮度与光刺激强度的对数成比例。

3)掩盖效应[6]反映了激励之间的相互作用,即一个原本可见的激励由于另一个激励的存在而变得不容易被察觉。

在质量评价中,常把原始图像作为背景,考虑噪声被背景掩盖的程度,可使评价结果更有效。

4)视觉多通道,将图像分解为一组有方向性的带通滤波器,每个滤波器只对其中心频率附近区域内的空间频率和方向做出响应。

对人眼视皮层细胞的感受试验图表明,视皮层细胞对信号刺激具有线性性、位移不变性、频率响应的一致性和多尺度性[7]。

视皮层细胞对刺激还表现出方向性,对水平方向(0o)和竖直方向(90o)的刺激最敏感,对对角方向(45o和135o)最不敏感。

视皮层细胞对刺激信号的反应所表现出的这一结构恰好与小波变换匹配。

基于HVS感知误差测量的图像质量客观评价方法,就是基于上述HVS特性,分别对待评价图像和参考图像提取可比较信息,并对每种比较信息加入一定的权值[8],从而构造数学模型来测量两者之间的感知误差。

2.2基于SSIM的方法Wang Zhou和Bovik等人在2002年首次提出了结构信息的概念。

作者认为人眼视觉的主要功能是提取背景中的结构信息,而不是图像像素点间的误差,因此对图像的结构失真的度量应是图像感知质量的最好近似。

在此基础上给出了一种符合人眼视觉系统特性的图像质量客观评价标准:结构相似度SSIM,其表达式如下式(2)。

(2)式中,表示亮度比较函数;表示对比度比较函数;表示结构相似性比较函数。

其中,、、、、分别表示图像X、Y的均值、方差、协方差。

C1、C2、C3=C2/2为小的常量,以避免式(2)中分母为零而出现的不稳定。

在评价图像质量时,用一定大小的窗口沿图像(参考图像、待测图像)逐像素地从左上角到右下角移动,每次计算窗口对应子图像的SSIM值。

对所有M个子图像的SSIM值求平均,可得到整幅图像的质量值,即平均结构相似度MSSIM:(3)SSIM的计算方法简单,表达直观,并且性能优越,所以逐渐成为研究热点。

但是该方法对失真模糊图像的评价效果不理想,因为失真图像与真实图像的结构之间差别不大,只是纹理边缘发生了扩散模糊,所以基于SSIM又发展了若干改进方法。

这些方法主要分为两大类:(1)提取图像频率或梯度信息的改进方法;(2)基于图像分块加权的改进方法。

(1)提取图像频率或梯度信息的改进方法文献[9]将结构信息重新解释为图像中能量足够大的中高频成分,从新的角度将SSIM理解为一种更好的局部误差度量方式。

提出一种基于结构信息提取(SIExt)的图像质量评价方法,将图像中的结构信息分离出来给予较大的权重,并用SSIM作为误差度量估计局部失真,从而改善SSIM在交叉失真类型和失真严重时的评价准确性。

基于类似的思想,文献[10]提出基于梯度的结构相似度和基于边缘的结构相似度的图像评价方法。

(2)基于图像分块加权的改进方法文献[11]分析数字图像中亮度、纹理细节、空间位置等因素对人眼视觉特性的影响,建立了数学模型,将人眼视觉特性与图像的结构相似度结合起来,提出一种符合人眼视觉特性的评价方法。

该方法将图像划分成大小相等的分块,计算出各分块的亮度影响因子、纹理细节影响因子和空间位置影响因子,经过归一化处理得到每个分块的权值,用加权平均的结构相似度作为图像质量的评价指标。

3三类图像处理技术的质量评价特点上节介绍的两种典型图像质量评价方法,在应用到不同的处理领域时,常常根据特殊需要进行修改,以得到合理的评价结果。

这里针对图像压缩、图像复原、图像融合三个领域图像质量评价特点,分析相应的评价方法。

3.1图像复原图像复原是对降质图像进行去模糊处理,图像的模糊主要包括噪声和失真。

对于单纯的噪声模糊图像,使用传统的PSNR/MSE评价方法就非常理想,因为其物理意义就是比较两幅图像之间的像素点的差异。

但对于失真的降质图像,因为图像的纹理及边缘发生了扭曲或加粗等变化,而人眼视觉对这部分中高频信息特别敏感,所以与噪声图像MSE评分一致的失真图像,其视觉效果要差得多。

为了评价该类图像质量,最好的方法是分别提取失真图像与参考图像(原始无模糊图像)的中高频信息进行比较,即利用2.2节中基于SSIM的改进方法进行评价。

但是,很多复原处理的情况不存在一个清晰的参考图像,针对复原图像的无参考评价研究不多。

文献[12]尝试提出了一种基于边缘检测的模糊图像无参考评价模型,通过测量梯度图像的梯度边缘信息,来评价模糊退化图像和带有模糊效应的复原图像。

该类方法尚待进一步完善发展。

3.2图像压缩图像压缩算法发展至今,已经从以往的单纯注重码率转为现在的码率和图像质量两方面的注重。

影响压缩图像质量的失真因素(或称作误差)包括:块化效应,结构关联噪声,伪轮廓,振铃效应,边缘模糊,颗粒噪声,平坦区随机噪声等。

基于HVS模型本身的复杂性,往往探讨某一种类型的失真测量。

例如针对块化效应的失真测度,这种损伤常见于失量量化和DCT编码中。

先对人工合成的测试图像进行了主观试验,通过调整4个参数:边缘幅度、边缘长度、背景亮度和背景活动性,测出边缘损伤的视觉灵敏度,并建立视觉模型[13]。

在对实际自然图像的检测,文献[14]提出了基于误差分割的评价方法。

基本思想是将误差根据视觉感知差异分为3类:表示边缘的误差、表示奇异性的误差以及除此之外的剩余误差。

分割依据原始和恢复图像中的局部活动性来进行。

其流程为:原始和恢复图像分别经过伽码变换和视觉预处理,相减得出误差信号,然后对此误差信号进行分类,分别对不同种类的误差进行视觉掩盖效应等处理,得出3类误差的各自总和。

3.3图像融合图像融合指多源通道所采集的关于同一目标或场景的图像,经过一定的处理,提取每个通道的互补信息,综合成信息更丰富描述更准确、全面、可靠的图像。

这时,评价图像融合效果的一个重要指标是看融合图像从源图像中获得了多少信息。

另外,图像融合中许多情况是无法得到标准参考图像的,所以,往往根据源图像与融合图像的信息关系进行评价。

所以,信息熵、标准差、交叉熵、互信息等成为融合图像质量的评价指标。

将这些指标与人眼视觉特性结合,即可得到合理的评价方法。

文献[15]改进了MSSIM的评价方法。

对于某一窗口,两幅源图中与融合图像更加相似的一幅被赋予较大的权重,这样就降低了不相似图像窗口的影响。

4 结论与展望先进的图像质量客观评价研究都围绕着模拟人眼视觉系统特性进行,但是,最新的试验如JND以及游标试验表明人们对自己视觉感知的认识还很贫乏。

所以人眼视觉系统特性的有待进一步研究以推动客观评价的发展。

相关文档
最新文档