CN103544708A - 一种基于mmtd的图像质量客观评价方法 - Google Patents
一种基于mmtd的图像质量客观评价方法 Download PDFInfo
- Publication number
- CN103544708A CN103544708A CN201310530288.9A CN201310530288A CN103544708A CN 103544708 A CN103544708 A CN 103544708A CN 201310530288 A CN201310530288 A CN 201310530288A CN 103544708 A CN103544708 A CN 103544708A
- Authority
- CN
- China
- Prior art keywords
- block
- sub
- ssim
- formula
- mmtd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000001303 quality assessment method Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 101100433727 Caenorhabditis elegans got-1.2 gene Proteins 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于MMTD的SSIM图像质量评价方法,该方法提高了原SSIM图像质量评价方法的性能,属于图像质量评价中全参考评价的研究领域;传统的SSIM质量评价方法,对每个像素点同等关注并且没有考虑局部像素点的特征信息的关联性,不符合HVS的相关特性;针对这样的问题,本方法根据提取出的全局显著图,运用MMTD求出每个8*8子块平均显著图灰度值的距离比例函数,确定相应子块局部SSIM评分的权值,最终归一化求取整体SSIM评分,达到提高方法性能的效果。
Description
技术领域
本发明涉及图像质量评价的技术领域,特别涉及一种基于MMTD的图像质量客观评价方法。
背景技术
图像质量评价从方法上可分为主观评价方法和客观评价方法,前者凭借实验人员的主观感知来评价对象的质量;后者依据模型给出的量化指标,模拟人类视觉***感知机制衡量图像质量。相对于主观质量评价,客观质量评价具有操作简单、成本低、易于解析和嵌入实现等优点,已经成为图像质量评价的研究重点。
Wang的结构相似度(Structural Similarity Image Measurement,SSIM)方法认为光照对于物体结构是独立的,而光照改变主要来源于亮度和对比度;所以它将亮度和对比度从图像的结构信息中分离出来,并结合结构信息对图像质量进行评价。该类方法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,直接评价图像信号的结构相似性。其方法实现复杂度较低,应用性较强。JVT(Joint Video Team)已将SSIM方法作为图像质量评价指标引入到视频编码标准H.264的校验模型中。
图像质量评价的最终目的是让客观评分最大程度的接近主观评分,而在面对复杂场景时,人类视觉注意***(Human Visual System,HIV)能够迅速将注意力集中在少数几个显著的视觉对象上,利用数学建模和各种方法发现所给的图片(或视频)中哪些区域吸引观测者最多的视线(以显著图的形式显示),对其进行优先处理,该过程被称为视觉注意,显著的视觉对象被称为感兴趣区域(Region of Interest,ROI)。Itti视觉注意模型是基于视觉注意机制的ROI提取方法中的一种。
ROI的划分和提取可以提供容易引起观察者注意的图像区域信息,帮助制定合理的计算资源分配方案,从而极大地提高现有图像分析***的工作效率和性能,同时也减少了非ROI区域的干扰。
综上所述,将视觉注意模型结合到传统SSIM方法中,能进一步改进SSIM的性能。而本发明能够很好地解决上面的问题。
发明内容
本发明目的在于提供一种基于MMTD(中介真值程度)的图像客观质量评价方法,在传统的SSIM方法中引入视觉注意机制,并在显著的视觉对象通过MMTD对其区域信息的丰富程度进行中介真值程度的度量,由距离比例函数给出相应的加权权重,然后归一化计算出 SSIM评分值。
本发明解决其技术问题所采用的技术方案是:本发明提出了一种基于MMTD的图像质量客观评价方法,该方法是一种策略性的方法,通过MMTD改进权值的方法和提取局部显著图的策略,改进了传统SSIM质量评价方法,使其具有更好的评价效果。
方法流程:
本方明提出了一种基于MMTD的图像质量客观评价方法,该方法包括如下步骤:
步骤1:根据Itti视觉注意计算模型对参考图像进行处理,提取出全局显著图;
步骤2:将全局显著图、参考图像、质降图像进行分块处理,根据应用实际需要分块大小为8*8(单位像素);
步骤3:根据MMTD理论确定局部权值;
步骤4:根据公式(3)对参考图像和质降图像对应子块进行SSIM方法的质量评价,得到各子块的SSIM评分;
步骤5:根据公式(4)由各子块权值及其SSIM评分求得整体SSIM评分。
其中,上述方法的步骤1中包括:根据Itti视觉注意计算模型对参考图像进行处理,提取出全局显著图。上述方法的步骤2中包括:将全局显著图、参考图像、质降图像进行分块处理,根据应用实际需要分块大小为8*8(单位像素)。上述方法的步骤3中包括:根据MMTD理论确定局部权值,包括如下步骤:
2)根据公式(3)对各子块平均显著图灰度值进行真值程度度量,得到相应子块的权值。
记谓词P(x)表示待考察显著图点x显著度高,╕P(x)表示x显著度低,~P(x)表示x介于高与低之间,+P表示显著度超高,╕+P表示显著度超低;通过计算距离比率函数h得到x的显著程度;h(x)值(真值程度)的大小反映了显著图点x的显著程度,h(x)的值越大,表示x的显著程度就越大;h(x)的值越小,表示x显著程度就越小;具体到本发明的实际应用中,只额外引入+P,表示显著图点x的显著程度超高;实验中采用全局显著图分块后各个子块平均显著图灰度值来代表此子块的局部显著图灰度值;规定在0.3到0.5区间为显著度高,即对应谓词P(x),在0到0.05区间为显著度低,即对应谓词╕P(x),则公式1可转化为:
由公式(2)可计算出各个子块相应真值程度。
上述方法的步骤4中包括:根据公式(3)对参考图像和质降图像对应子块进行SSIM方法的质量评价,得到各子块的SSIM评分。
上述方法的步骤5中包括:根据公式(4)由各子块权值及其SSIM评分求得整体SSIM评分。
本发明根据HVS的一些特性,提出了在中介数学***背景下,处理工程实践和科学研究中普遍存在的模糊现象的一种有效的度量逻辑真值的方法——中介真值程度度量引入到数字图像质量评价中,从而提高传统SSIM方法的评价效果。本发明利用了MMTD的方法,提高了SSIM的性能。
如图1所示,本发明的具体实施方法包括如下步骤:
1、视觉显著图提取
对参考图像进行视觉显著图提取,采用Itti等人基于人类视觉生理基础提出的自底向上(Bottom-up)数据驱动的视觉注意计算模型。Itti模型从输入图像中提取颜色、方向和亮度等三种特征,对其中每一维使用高斯模糊连续2次采样,建立9级的高斯金字塔;使用高斯差异(Difference of Gaussians)决定中央周边差(center-surround differences),根据中央周边差计算得到各特征维上的醒目图(conspicuity map);分析并融合每一维的特征图,从而得到全局显著图(saliency map)。该显著图即一定程度上反应了HVS对参考图像中哪些部分更加感兴趣,应该在图像质量评价过程中予以更高的权重。
2、分块
图像块操作是将图像的数据矩阵划分为同样大小的矩阵区域的操作,它是图像分析和图像压缩的基础。同时由于划分为图形块后可以转化为矩阵或者向量运算,因此可以大大加快图像处理的速度。此处对参考图像和质降图像分别分成8*8(单位像素)子块的操作,分块大小可以根据图形大小和实际需要调整。
3、MMTD确定子块权值
为了解决上述问题,采用基于MMTD的方法来确定各子块权值,针对参考图像子块不同 的显著程度,即HVS对子块部分所含信息的感兴趣程度,显著图灰度值(0-1之间)越大越是显著,根据距离比例函数公式确定各子块相应的权值。即用中介真值程度来度量这种子块信息量的丰富性。步骤如下:
1)将全局显著图各子块的显著图灰度值x在该子块范围内求均值x,x表示该子块范围的平均显著图灰度值;
2)根据公式(3)对各子块平均显著图灰度值进行真值程度度量,得到相应子块的权值。以下是详细设计思路:
记谓词P(x)表示待考察显著图点x显著度高,╕P(x)表示x显著度低,~P(x)表示x介于高与低之间,+P表示显著度超高,╕+P表示显著度超低。谓词显著与图像显著图灰度值的对应关系如图2所示。可以通过计算距离比率函数h得到x的显著程度。
由图2可以得出:
h(x)值(真值程度)的大小反映了显著图点x的显著程度,h(x)的值越大,表示x的显著程度就越大;h(x)的值越小,表示x显著程度就越小。具体到本发明的实际应用中,只额外引入+P,表示显著图点x的显著程度超高。实验中采用全局显著图分块后各个子块平均显著图灰度值来代表此子块的局部显著图灰度值。规定在0.3到0.5区间为显著度高,即对应谓词P(x),在0到0.05区间为显著度低,即对应谓词╕P(x),则公式1可转化为:
由公式可计算出各个子块相应真值程度。
4、计算各子块SSIM
对参考图像和质降图像的各对应子块用SSIM方法进行质量评价,得到各子块的SSIM评分。
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ
l(x,y),c(x,y),s(x,y)分别为亮度信息分量、对比度信息分量、结构信息分量,其中α,β,γ一般取1,C1,C2,C3为实验用常数(大于0)。
5、归一化计算SSIM
由计算出的各子块SSIM评分,结合各子块真值程度作为对应权值,采用以下公式归一化计算整体SSIM评分:
有益效果:
1、本发明将MMTD应用在数字图像质量评价方法SSIM过程中,根据图像的局部显著真值程度h(x),确定各局部子块相应的权值,提高了图像质量评价方法的性能。
2、本发明不再像原SSIM方法那样对每个像素点同等关注,而是使得特征信息更丰富、HVS更感兴趣的区域在质量评价过程中得到更大的权值,在最终评分上有更大的权重。
3、本发明在图像分析过程中采用分块策略,将局部块内像素点的特征信息关联起来,提高了执行效率。
附图说明
图1是本发明基于MMTD的SSIM图像质量评价方法流程图。
图2是本发明谓词与图像显著图像素区间(0-1)的对应关系图。
图3是本发明采用MMTD确定局部权值流程图。
具体实施方式
以下结合说明书附图对本发明专利作进一步的详细说明。
如图1所示,本发明提出一种基于MMTD的SSIM改进方法,其包括如下步骤:
1、视觉显著图提取
对参考图像进行视觉显著图提取,采用Itti等人基于人类视觉生理基础提出的自底向上(Bottom-up)数据驱动的视觉注意计算模型。Itti模型从输入图像中提取颜色、方向和亮度等三种特征,对其中每一维使用高斯模糊连续2次采样,建立9级的高斯金字塔;使用高斯差异(Difference of Gaussians)决定中央周边差(center-surround differences),根据中央周边差计算得到各特征维上的醒目图(conspicuity map);分析并融合每一维的特征图,从而得到全局显著图(saliency map)。该显著图即一定程度上反应了HVS对参考图像中哪些部分更加感兴趣,应该在图像质量评价过程中予以更高的权重。
2、分块
图像块操作是将图像的数据矩阵划分为同样大小的矩阵区域的操作,它是图像分析和图像压缩的基础。同时由于划分为图形块后可以转化为矩阵或者向量运算,因此可以大大加快图像处理的速度。此处对参考图像和质降图像分别分成8*8(单位像素)子块的操作,分块大小可以根据图形大小和实际需要调整。
3、MMTD确定子块权值
为了解决上述问题,采用基于MMTD的方法来确定各子块权值,针对参考图像子块不同的显著程度,即HVS对子块部分所含信息的感兴趣程度,显著图灰度值(0-1之间)越大越是显著,根据距离比例函数公式确定各子块相应的权值。即用中介真值程度来度量这种子块信息量的丰富性。
2)根据公式(3)对各子块平均显著图灰度值进行真值程度度量,得到相应子块的权值。以下是详细设计思路:
记谓词P(x)表示待考察显著图点x显著度高,╕P(x)表示x显著度低,~P(x)表示x介于高与低之间,+P表示显著度超高,╕+P表示显著度超低。谓词显著与图像显著图灰度值的对应关系如图2所示。可以通过计算距离比率函数h得到x的显著程度。
由图2可以得出:
h(x)值(真值程度)的大小反映了显著图点x的显著程度,h(x)的值越大,表示x的显著程度就越大;h(x)的值越小,表示x显著程度就越小。具体到本发明的实际应用中,只额外引入+P,表示显著图点x的显著程度超高。实验中采用全局显著图分块后各个子块平均显著图灰度值来代表此子块的局部显著图灰度值。规定在0.3到0.5区间为显著度高,即对应谓词P(x),在0到0.05区间为显著度低,即对应谓词╕P(x),则公式1可转化为:
由公式可计算出各个子块相应真值程度。
4、计算各子块SSIM
对参考图像和质降图像的各对应子块用SSIM方法进行质量评价,得到各子块的SSIM评分。
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ
l(x,y),c(x,y),s(x,y)分别为亮度信息分量、对比度信息分量、结构信息分量,其中α,β,γ一般取1,C1,C2,C3为实验用常数(大于0)。
5、归一化计算SSIM
由计算出的各子块SSIM评分,结合各子块真值程度作为对应权值,采用以下公式归一化计算整体SSIM评分,m为子块总数:
Claims (9)
1.一种基于MMTD的图像质量客观评价方法,其特征在于,包括如下步骤:
步骤1:根据Itti视觉注意计算模型对参考图像进行处理,提取出全局显著图;
步骤2:将全局显著图、参考图像、质降图像进行分块处理,根据应用实际需要分块大小为8*8(单位像素);
步骤3:根据MMTD理论确定局部权值;
2)根据公式(3)对各子块平均显著图灰度值进行真值程度度量,得到相应子块的权值。以下是详细设计思路:
记谓词P(x)表示待考察显著图点x显著度高,╕P(x)表示x显著度低,~P(x)表示x介于高与低之间,+P表示显著度超高,╕+P表示显著度超低。谓词显著与图像显著图灰度值的对应关系如图2所示。可以通过计算距离比率函数h得到x的显著程度。
由图2可以得出:
h(x)值(真值程度)的大小反映了显著图点x的显著程度,h(x)的值越大,表示x的显著程度就越大;h(x)的值越小,表示x显著程度就越小。具体到本发明的实际应用中,只额外引入+P,表示显著图点x的显著程度超高。实验中采用全局显著图分块后各个子块平均显著图灰度值来代表此子块的局部显著图灰度值。规定在0.3到0.5区间为显著度高,即对应谓词P(x),在0到0.05区间为显著度低,即对应谓词╕P(x),则公式1可转化为:
由公式可计算出各个子块相应真值程度。
步骤4:根据公式(3)对参考图像和质降图像对应子块进行SSIM方法的质量评价,得到各子块的SSIM评分。
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ
l(x,y),c(x,y),s(x,y)分别为亮度信息分量、对比度信息分量、结构信息分量,其中α,β,γ一般取1,C1,C2,C3为实验用常数(大于0)。
步骤5:根据公式(4)求得整体SSIM评分。
由计算出的各子块SSIM评分,结合各子块真值程度作为对应权值,采用以下公式归一化计算整体SSIM评分,m为子块总数:
公式(4)。
2.根据权利要求1所述的一种基于MMTD的图像质量客观评价方法,其特征在于,所述方法的步骤1中包括:根据Itti视觉注意计算模型对参考图像进行处理,提取出全局显著图。
3.根据权利要求1所述的一种基于MMTD的图像质量客观评价方法,其特征在于,所述方法的步骤2中包括:将全局显著图、参考图像、质降图像进行分块处理,根据应用实际需要分块大小为8*8(单位像素)。
4.根据权利要求1所述的一种基于MMTD的图像质量客观评价方法,其特征在于,所述方法的步骤3中包括:根据MMTD理论确定局部权值,包括如下步骤:
1)将全局显著图各子块的显著图灰度值x在该子块范围内求均值表示该子块范围的平均显著图灰度值;
2)根据公式(3)对各子块平均显著图灰度值进行真值程度度量,得到相应子块的权值;
记谓词P(x)表示待考察显著图点x显著度高,╕P(x)表示x显著度低,~P(x)表示x介于高与低之间,+P表示显著度超高,╕+P表示显著度超低;通过计算距离比率函数h得到x的显著程度,h(x)的值越大,表示x的显著程度就越大;h(x)的值越小,表示x显著程度就越小,则公式1可转化为:
上述公式(2)计算出各个子块相应真值程度。
5.根据权利要求1所述的一种基于MMTD的图像质量客观评价方法,其特征在于,所述方法的步骤4中包括:根据公式(3)对参考图像和质降图像对应子块进行SSIM方法的质量评价,得到各子块的SSIM评分。
7.根据权利要求1所述的一种基于MMTD的图像质量客观评价方法,其特征在于,所述方法的步骤5中包括:根据公式(4)由各子块权值及其SSIM评分求得整体SSIM评分。
9.根据权利要求1所述的一种基于MMTD的图像质量客观评价方法,其特征在于,所述方法引入视觉注意机制,并在显著的视觉对象通过MMTD对其区域信息的丰富程度进行中介真值程度的度量,由距离比例函数给出相应的加权权重,然后归一化计算出SSIM评分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310530288.9A CN103544708B (zh) | 2013-10-31 | 2013-10-31 | 一种基于mmtd的图像质量客观评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310530288.9A CN103544708B (zh) | 2013-10-31 | 2013-10-31 | 一种基于mmtd的图像质量客观评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103544708A true CN103544708A (zh) | 2014-01-29 |
CN103544708B CN103544708B (zh) | 2017-02-22 |
Family
ID=49968128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310530288.9A Expired - Fee Related CN103544708B (zh) | 2013-10-31 | 2013-10-31 | 一种基于mmtd的图像质量客观评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103544708B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112274A (zh) * | 2014-07-04 | 2014-10-22 | 上海交通大学 | 基于混合尺度变换的图像质量评价方法 |
CN104166986A (zh) * | 2014-07-07 | 2014-11-26 | 广东工业大学 | 一种条状物体表面缺陷在线视觉注意力检测方法 |
CN105046708A (zh) * | 2015-07-14 | 2015-11-11 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
CN105389594A (zh) * | 2015-11-19 | 2016-03-09 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
CN106023150A (zh) * | 2016-05-09 | 2016-10-12 | 重庆大学 | 一种针对数字全息图噪声干扰的实时客观质量评价方法 |
CN106383984A (zh) * | 2016-08-30 | 2017-02-08 | 南京邮电大学 | 基于mmtd的大数据数据质量有效性评价方法 |
CN106991683A (zh) * | 2017-03-27 | 2017-07-28 | 西安电子科技大学 | 基于中介真值程度度量的局部主动轮廓图像分割方法 |
CN107172421A (zh) * | 2017-07-17 | 2017-09-15 | 深圳森阳环保材料科技有限公司 | 一种用于视频监控的图像质量诊断*** |
CN107657608A (zh) * | 2017-09-25 | 2018-02-02 | 北京小米移动软件有限公司 | 图像质量确定方法、装置及电子设备 |
CN108289222A (zh) * | 2018-01-26 | 2018-07-17 | 嘉兴学院 | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 |
CN108566547A (zh) * | 2017-10-25 | 2018-09-21 | 央视国际网络无锡有限公司 | 一种优化的视频质量评价方法 |
CN109635200A (zh) * | 2018-12-18 | 2019-04-16 | 南京邮电大学 | 一种基于mmtd和用户的协同过滤推荐算法 |
CN111709914A (zh) * | 2020-05-27 | 2020-09-25 | 西安理工大学 | 一种基于hvs特性的无参考图像质量评价方法 |
CN112330585A (zh) * | 2019-07-31 | 2021-02-05 | 北京金山云网络技术有限公司 | 图像质量的检测方法、装置及电子设备 |
CN113920115A (zh) * | 2021-12-13 | 2022-01-11 | 北京中新绿景科技有限公司 | 一种视频图像质量测评方法及测评*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080071374A (ko) * | 2007-01-30 | 2008-08-04 | 삼성전자주식회사 | 압축 영상의 화질 검출장치 및 방법 |
CN103281554A (zh) * | 2013-04-23 | 2013-09-04 | 宁波大学 | 一种基于人眼视觉特性的视频客观质量评价方法 |
-
2013
- 2013-10-31 CN CN201310530288.9A patent/CN103544708B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080071374A (ko) * | 2007-01-30 | 2008-08-04 | 삼성전자주식회사 | 압축 영상의 화질 검출장치 및 방법 |
CN103281554A (zh) * | 2013-04-23 | 2013-09-04 | 宁波大学 | 一种基于人眼视觉特性的视频客观质量评价方法 |
Non-Patent Citations (3)
Title |
---|
HUA ZHANG等: "A video structural similarity quality metric based on a joint spatial-temporal visual attention model", 《JOURNAL OHEJIANG UNIVERSITY SCIENCE A》 * |
周宁宁等: "基于中介真值程度度量处理图像的应用理论研究", 《南京邮电大学学报(自然科学版)》 * |
张花: "基于自然计算和视觉注意的图像质量评价", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112274A (zh) * | 2014-07-04 | 2014-10-22 | 上海交通大学 | 基于混合尺度变换的图像质量评价方法 |
CN104166986A (zh) * | 2014-07-07 | 2014-11-26 | 广东工业大学 | 一种条状物体表面缺陷在线视觉注意力检测方法 |
CN105046708B (zh) * | 2015-07-14 | 2017-11-17 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
CN105046708A (zh) * | 2015-07-14 | 2015-11-11 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
CN105389594A (zh) * | 2015-11-19 | 2016-03-09 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
CN106023150A (zh) * | 2016-05-09 | 2016-10-12 | 重庆大学 | 一种针对数字全息图噪声干扰的实时客观质量评价方法 |
CN106383984A (zh) * | 2016-08-30 | 2017-02-08 | 南京邮电大学 | 基于mmtd的大数据数据质量有效性评价方法 |
CN106991683A (zh) * | 2017-03-27 | 2017-07-28 | 西安电子科技大学 | 基于中介真值程度度量的局部主动轮廓图像分割方法 |
CN106991683B (zh) * | 2017-03-27 | 2019-10-08 | 西安电子科技大学 | 基于中介真值程度度量的局部主动轮廓图像分割方法 |
CN107172421A (zh) * | 2017-07-17 | 2017-09-15 | 深圳森阳环保材料科技有限公司 | 一种用于视频监控的图像质量诊断*** |
CN107657608A (zh) * | 2017-09-25 | 2018-02-02 | 北京小米移动软件有限公司 | 图像质量确定方法、装置及电子设备 |
CN107657608B (zh) * | 2017-09-25 | 2021-06-04 | 北京小米移动软件有限公司 | 图像质量确定方法、装置及电子设备 |
CN108566547A (zh) * | 2017-10-25 | 2018-09-21 | 央视国际网络无锡有限公司 | 一种优化的视频质量评价方法 |
CN108289222A (zh) * | 2018-01-26 | 2018-07-17 | 嘉兴学院 | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 |
CN108289222B (zh) * | 2018-01-26 | 2020-01-14 | 嘉兴学院 | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 |
CN109635200A (zh) * | 2018-12-18 | 2019-04-16 | 南京邮电大学 | 一种基于mmtd和用户的协同过滤推荐算法 |
CN109635200B (zh) * | 2018-12-18 | 2022-02-01 | 南京邮电大学 | 一种基于中介真值程度度量和用户的协同过滤推荐方法 |
CN112330585A (zh) * | 2019-07-31 | 2021-02-05 | 北京金山云网络技术有限公司 | 图像质量的检测方法、装置及电子设备 |
CN112330585B (zh) * | 2019-07-31 | 2024-07-02 | 北京金山云网络技术有限公司 | 图像质量的检测方法、装置及电子设备 |
CN111709914A (zh) * | 2020-05-27 | 2020-09-25 | 西安理工大学 | 一种基于hvs特性的无参考图像质量评价方法 |
CN113920115A (zh) * | 2021-12-13 | 2022-01-11 | 北京中新绿景科技有限公司 | 一种视频图像质量测评方法及测评*** |
CN113920115B (zh) * | 2021-12-13 | 2022-03-04 | 北京中新绿景科技有限公司 | 一种视频图像质量测评方法及测评*** |
Also Published As
Publication number | Publication date |
---|---|
CN103544708B (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103544708A (zh) | 一种基于mmtd的图像质量客观评价方法 | |
CN108898175B (zh) | 基于深度学习胃癌病理切片的计算机辅助模型构建方法 | |
CN102421007B (zh) | 基于多尺度结构相似度加权综合的图像质量评价方法 | |
CN109191476A (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
CN111932529B (zh) | 一种图像分类分割方法、装置及*** | |
CN102393966B (zh) | 基于多尺度显著图的自适应图像压缩采样方法 | |
US11935213B2 (en) | Laparoscopic image smoke removal method based on generative adversarial network | |
CN101976444A (zh) | 一种基于像素类型的结构类似性图像质量客观评价方法 | |
CN103177458A (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN103985130B (zh) | 一种针对复杂纹理图像的图像显著性分析方法 | |
CN103632153B (zh) | 一种基于区域的图像显著图提取方法 | |
CN105118053A (zh) | 一种基于压缩感知的全参考图像质量客观评价方法 | |
CN103810707B (zh) | 一种基于移动视觉焦点的图像视觉显著性检测方法 | |
CN105608457B (zh) | 直方图灰度矩阈值分割法 | |
CN101950422A (zh) | 一种基于奇异值分解的图像质量评价方法 | |
CN103501401A (zh) | 面向超大噪声基于预滤波的实时视频去噪方法 | |
CN103853724A (zh) | 多媒体数据分类方法及装置 | |
CN111681177A (zh) | 视频处理方法及装置、计算机可读存储介质、电子设备 | |
CN114842559B (zh) | 基于多模态时间感知和注意力的视频交互动作检测方法 | |
CN103544488A (zh) | 一种人脸识别方法及装置 | |
Cui et al. | ECANet: Enhanced context aggregation network for single image dehazing | |
CN103839244B (zh) | 一种实时的图像融合方法及装置 | |
CN114119560A (zh) | 图像质量评价方法、***、计算机可读存储介质 | |
CN112446292B (zh) | 一种2d图像显著目标检测方法及*** | |
CN117495718A (zh) | 一种多尺度自适应的遥感图像去雾方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170222 |