CN108428227A - 基于全卷积神经网络的无参考图像质量评价方法 - Google Patents
基于全卷积神经网络的无参考图像质量评价方法 Download PDFInfo
- Publication number
- CN108428227A CN108428227A CN201810160507.1A CN201810160507A CN108428227A CN 108428227 A CN108428227 A CN 108428227A CN 201810160507 A CN201810160507 A CN 201810160507A CN 108428227 A CN108428227 A CN 108428227A
- Authority
- CN
- China
- Prior art keywords
- image
- quality
- convolutional neural
- neural networks
- pixel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于全卷积神经网络的无参考图像质量评价方法,其采用全参考图像质量评价方法获得训练集中的每幅失真图像的客观真实质量图作为监督,对训练集中的所有失真图像的归一化图像进行训练,得到最优的全卷积神经网络回归训练模型,再将待评价的失真图像的归一化图像输入到最优的全卷积神经网络回归训练模型中,预测得到待评价的失真图像的客观质量评价预测质量图,使用待评价的失真图像的显著图对客观质量评价预测质量图进行加权池化,从而得到客观质量评价预测值,由于结合了失真图像的全参考特征、显著性特征等多种特征,并且这些特征能比较准确地描述失真图像,因而有效地提高了客观评价结果与主观感知之间的相关性。
Description
技术领域
本发明涉及一种图像质量评价方法,尤其是涉及一种基于全卷积神经网络的无参考图像质量评价方法。
背景技术
随着图像处理、机器学习和计算机视觉的快速发展,图像质量评价在这种趋势中已成为了越来越受关注的研究领域,因为它是一个重要的技术,在实际应用中,可以用于精确评估图像的质量。在图像的获取、传输、压缩、存储和显示等过程中,往往会有不同程度的失真,如图像模糊、视频终端图像失真、***中图像质量不达标等,因此,建立有效的图像质量评价机制非常重要。
一般来说,图像质量评价大致可以划分为两个不同的类别:主观图像质量评价方法和客观图像质量评价方法。前一类是基于人类观察者的主观判断,而后一类采用客观度量快速和精确地衡量一个失真图像的质量。虽然主观图像质量评价方法提供的最终接收机制能够更加可靠的、精确和直接的量化图像感知质量,但是主观图像质量评价方法比较繁琐,并且许多情况下不容易实现(如实时和自动化***)。因此,客观图像质量评价方法取得了飞速的发展。客观图像质量评价方法主要分为三种评价方法,即全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法,当前研究最多的是全参考图像质量评价方法,但是由于多数应用中无法获得相应的原始图像,因此无参考图像质量评价方法的研究更具实用价值。
现有的通用无参考图像质量评价方法主要针对特殊的图像(例如,人物、风景等)的研究,而将各种各样类型的图像集合在一起(包括建筑、风景、动物、人、美食、车、船、飞机等),训练一个具有通用性模型的评价方法却很少,由于多种类型图像(特征不同)混合在一起很难训练出一个最优模型,因此利用多种类型图像训练出通用无参考图像质量评价方法进行质量评价更具有挑战性。
发明内容
本发明所要解决的技术问题是提供一种基于全卷积神经网络的无参考图像质量评价方法,其将最佳的全参考图像质量评价指标与人的主观质量得分保持高度一致,从而有效地提高了客观评价结果与主观感知之间的相关性。
本发明解决上述技术问题所采用的技术方案为:一种基于全卷积神经网络的无参考图像质量评价方法,其特征在于包括训练阶段和测试阶段两个过程,所述的训练阶段过程的具体步骤为:
步骤①_1:选取P幅原始的无失真图像,将第p幅原始的无失真图像记为然后利用失真生成方法,生成每幅原始的无失真图像在不同失真类型不同失真程度下的失真图像;再将所有原始的无失真图像对应的失真图像构成训练集,将训练集中的第k幅失真图像记为其中,P为正整数,P>1,p为正整数,1≤p≤P,1≤x≤W,1≤y≤H,W表示的宽度,H表示的高度,表示中坐标位置为(x,y)的像素点的像素值,k为正整数,1≤k≤K,K为正整数,K表示训练集中包含的失真图像的总幅数,K=P×L,L为正整数,L表示每幅原始的无失真图像对应的失真图像的总幅数,L>1,表示中坐标位置为(x,y)的像素点的像素值;
步骤①_2:利用基于特征相似度的全参考图像质量评价方法,并结合训练集中的每幅失真图像及其对应的原始的无失真图像,获得训练集中的每幅失真图像的客观真实质量图,将的客观真实质量图记为是利用基于特征相似度的全参考图像质量评价方法并结合及其对应的原始的无失真图像获得的;其中,表示中坐标位置为(x,y)的像素点的像素值;
并且,利用归一化方法,对训练集中的每幅失真图像进行归一化处理,获得训练集中的每幅失真图像的归一化图像,将的归一化图像记为其中,表示中坐标位置为(x,y)的像素点的像素值;
步骤①_3:利用全卷积神经网络,并将训练集中的每幅失真图像的客观真实质量图作为监督,对训练集中的所有失真图像的归一化图像进行训练,使得回归得到的质量图与客观真实质量图之间的误差最小,得到最优的权值矢量ω和最优的偏置项b;然后将ω和b作为全卷积神经网络的最优参数,进而构造得到最优的全卷积神经网络回归训练模型;
所述的测试阶段过程的具体步骤为:
步骤②_1:令表示待评价的失真图像;其中,1≤i≤W',1≤j≤H',W'表示的宽度,H'表示的高度,表示中坐标位置为(i,j)的像素点的像素值;
步骤②_2:利用归一化方法,对进行归一化处理,获得的归一化图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
并且,利用图像显著性特征图提取方法,提取出的显著图,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
步骤②_3:将作为输入,输入到训练阶段构造得到的最优的全卷积神经网络回归训练模型中,得到的客观质量评价预测质量图,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
步骤②_4:使用对进行加权池化,得到的客观质量评价预测值,记为Q。
所述的步骤①_2中,
所述的步骤①_3中,全卷积神经网络有三层,分别为输入层、非线性拟合层和预测层;非线性拟合层包括7个卷积层,使用的卷积核的个数分别为32、64、128、256、128、64、1,卷积核的尺寸大小都为3×3,mini-batch的大小都为24,使用的优化器都为Adam,使用的激活函数都为修正线性单元函数。
与现有技术相比,本发明的优点在于:
1)本发明方法采用无主观意见的全参考图像质量评价方法获得训练集中的每幅失真图像的客观真实质量图作为监督,对训练集中的所有失真图像的归一化图像进行训练,得到最优的全卷积神经网络回归训练模型,再将待评价的失真图像的归一化图像输入到最优的全卷积神经网络回归训练模型中,预测得到待评价的失真图像的客观质量评价预测质量图,使用待评价的失真图像的显著图对得到的客观质量评价预测质量图进行加权池化,从而得到待评价的失真图像的客观质量评价预测值,由于结合了失真图像的全参考特征、显著性特征等多种特征,并且这些特征能够比较准确地描述失真图像,即本发明方法充分考虑了多种类型图像特征对视觉质量的影响,因而有效地提高了客观评价结果与主观感知之间的相关性。
2)本发明方法同时考虑了失真图像的客观质量评价预测质量图和显著图,能够很好地反映各种因素的特征变化情况,符合质量评价特征。
3)本发明方法采用深度学习的方法模拟视觉记忆搜索功能,使客观评价值能更加准确地预测失真图像的客观质量评价预测值。
附图说明
图1为本发明方法的总体实现框图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于全卷积神经网络的无参考图像质量评价方法,其总体实现框图如图1所示,其包括训练阶段和测试阶段两个过程,所述的训练阶段过程的具体步骤为:
步骤①_1:选取P幅原始的无失真图像,将第p幅原始的无失真图像记为然后利用现有的失真生成方法,生成每幅原始的无失真图像在不同失真类型不同失真程度下的失真图像;再将所有原始的无失真图像对应的失真图像构成训练集,将训练集中的第k幅失真图像记为其中,P为正整数,P>1,如取P=100,p为正整数,1≤p≤P,1≤x≤W,1≤y≤H,W表示的宽度,H表示的高度,表示中坐标位置为(x,y)的像素点的像素值,k为正整数,1≤k≤K,K为正整数,K表示训练集中包含的失真图像的总幅数,K=P×L,L为正整数,L表示每幅原始的无失真图像对应的失真图像的总幅数,L>1,如取L=4,表示中坐标位置为(x,y)的像素点的像素值。
步骤①_2:利用现有的基于特征相似度(Feature Similarity,FSIM)的全参考图像质量评价方法,并结合训练集中的每幅失真图像及其对应的原始的无失真图像,获得训练集中的每幅失真图像的客观真实质量图,将的客观真实质量图记为是利用基于特征相似度的全参考图像质量评价方法并结合及其对应的原始的无失真图像获得的;其中,表示中坐标位置为(x,y)的像素点的像素值。
并且,利用现有的归一化方法,对训练集中的每幅失真图像进行归一化处理,获得训练集中的每幅失真图像的归一化图像,将的归一化图像记为其中,表示中坐标位置为(x,y)的像素点的像素值。
在本实施例中,步骤①_2中,
步骤①_3:全卷积神经网络(Fully Convolution Neural Network,FCNN)是由多层卷积层组合而成的神经网络框架,能够有效学习失真图像的归一化图像与客观真实质量图的相关性,因此本发明方法利用全卷积神经网络,并将训练集中的每幅失真图像的客观真实质量图作为监督,对训练集中的所有失真图像的归一化图像进行训练,使得回归得到的质量图与客观真实质量图之间的误差最小,得到最优的权值矢量ω和最优的偏置项b;然后将ω和b作为全卷积神经网络的最优参数,进而构造得到最优的全卷积神经网络回归训练模型。
在本实施例中,步骤①_3中,全卷积神经网络有三层,分别为输入层、非线性拟合层和预测层;非线性拟合层包括7个卷积层,使用的卷积核的个数分别为32、64、128、256、128、64、1,卷积核的尺寸大小都为3×3,mini-batch的大小都为24,使用的优化器都为Adam,使用的激活函数都为修正线性单元函数(Rectified Linear Unit,ReLU)。使用ReLU作为激活函数的原因是:ReLU可以通过简单地将零激活矩阵阈值化来实现,ReLU不会饱和,并且使用ReLU作为激活函数可以很大程度地加快随机梯度下降的收敛。
在全卷积神经网络中,将输入层的第k幅输出特征图记为将中坐标位置为(x,y)的像素点的像素值记为 其中,max()为取最大值函数,ω0表示输入层的权重参数,b0表示输入层的偏置项参数,符号“*”为卷积运算符号;将非线性拟合层的第k幅输出特征图记为将中坐标位置为(x,y)的像素点的像素值记为其中,1≤u≤m,m表示非线性拟合层中的卷积层的层数,ωu表示非线性拟合层中的第u层卷积层的权重参数,bu表示非线性拟合层中的第u层卷积层的偏置项参数,为的线性函数;将预测层输出的第k幅质量图记为将中坐标位置为(x,y)的像素点的像素值记为 其中,ωm+1表示预测层的权重参数,bm+1表示预测层的偏置项参数,为的线性函数。预测层输出的第k幅质量图即为回归得到的质量图。
所述的测试阶段过程的具体步骤为:
步骤②_1:令表示待评价的失真图像;其中,1≤i≤W',1≤j≤H',W'表示的宽度,H'表示的高度,表示中坐标位置为(i,j)的像素点的像素值,W'可与W相同或不相同,H'可与H相同或不相同。
步骤②_2:利用现有的归一化方法,对进行归一化处理,获得的归一化图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值。
并且,利用现有的图像显著性特征图提取方法,提取出的显著图,记为其中,表示中坐标位置为(i,j)的像素点的像素值。
步骤②_3:将作为输入,输入到训练阶段构造得到的最优的全卷积神经网络回归训练模型中,得到的客观质量评价预测质量图,记为其中,表示中坐标位置为(i,j)的像素点的像素值。
步骤②_4:使用对进行加权池化,得到的客观质量评价预测值,记为Q。
为了进一步验证本发明方法的可行性和有效性,进行实验。
采用失真图像数据库来分析利用本发明方法得到的失真图像的客观质量评价预测值与主观评分值之间的相关性。这里,利用评估图像质量评价方法的两个常用客观参量作为评价指标,即非线性回归条件下的Pearson相关系数(Pearson linear correlationcoefficient,PLCC)、Spearman相关系数(Spearman rank order correlationcoefficient,SROCC),PLCC反映失真图像的客观质量评价预测值的准确性,SROCC反映其单调性。
利用现有的主观质量评价方法获得失真图像数据库中的每幅失真图像的主观评分值,再利用本发明方法计算失真图像数据库中的每幅失真图像的客观质量评价预测值。将按本发明方法计算得到的失真图像的客观质量评价预测值做五参数Logistic函数非线性拟合,PLCC和SROCC值越高说明客观评价方法的客观评价结果与主观评分值之间的相关性越好。反映本发明方法的质量评价性能的PLCC和SROCC相关系数如表1所列。本发明在LIVE、CSIQ、TID2013三个失真图像数据库上进行测试。从表1所列的数据可知,按本发明方法得到的失真图像的客观质量评价预测值与主观评分值之间的相关性是很好的,表明客观评价结果与人眼主观感知的结果较为一致,足以说明本发明方法的可行性和有效性。
表1利用本发明方法得到的失真图像的客观质量评价预测值与主观评分值之间的相关性
Claims (3)
1.一种基于全卷积神经网络的无参考图像质量评价方法,其特征在于包括训练阶段和测试阶段两个过程,所述的训练阶段过程的具体步骤为:
步骤①_1:选取P幅原始的无失真图像,将第p幅原始的无失真图像记为然后利用失真生成方法,生成每幅原始的无失真图像在不同失真类型不同失真程度下的失真图像;再将所有原始的无失真图像对应的失真图像构成训练集,将训练集中的第k幅失真图像记为其中,P为正整数,P>1,p为正整数,1≤p≤P,1≤x≤W,1≤y≤H,W表示的宽度,H表示的高度,表示中坐标位置为(x,y)的像素点的像素值,k为正整数,1≤k≤K,K为正整数,K表示训练集中包含的失真图像的总幅数,K=P×L,L为正整数,L表示每幅原始的无失真图像对应的失真图像的总幅数,L>1,表示中坐标位置为(x,y)的像素点的像素值;
步骤①_2:利用基于特征相似度的全参考图像质量评价方法,并结合训练集中的每幅失真图像及其对应的原始的无失真图像,获得训练集中的每幅失真图像的客观真实质量图,将的客观真实质量图记为是利用基于特征相似度的全参考图像质量评价方法并结合及其对应的原始的无失真图像获得的;其中,表示中坐标位置为(x,y)的像素点的像素值;
并且,利用归一化方法,对训练集中的每幅失真图像进行归一化处理,获得训练集中的每幅失真图像的归一化图像,将的归一化图像记为其中,表示中坐标位置为(x,y)的像素点的像素值;
步骤①_3:利用全卷积神经网络,并将训练集中的每幅失真图像的客观真实质量图作为监督,对训练集中的所有失真图像的归一化图像进行训练,使得回归得到的质量图与客观真实质量图之间的误差最小,得到最优的权值矢量ω和最优的偏置项b;然后将ω和b作为全卷积神经网络的最优参数,进而构造得到最优的全卷积神经网络回归训练模型;
所述的测试阶段过程的具体步骤为:
步骤②_1:令表示待评价的失真图像;其中,1≤i≤W',1≤j≤H',W'表示的宽度,H'表示的高度,表示中坐标位置为(i,j)的像素点的像素值;
步骤②_2:利用归一化方法,对进行归一化处理,获得的归一化图像,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
并且,利用图像显著性特征图提取方法,提取出的显著图,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
步骤②_3:将作为输入,输入到训练阶段构造得到的最优的全卷积神经网络回归训练模型中,得到的客观质量评价预测质量图,记为其中,表示中坐标位置为(i,j)的像素点的像素值;
步骤②_4:使用对进行加权池化,得到的客观质量评价预测值,记为Q。
2.根据权利要求1所述的基于全卷积神经网络的无参考图像质量评价方法,其特征在于所述的步骤①_2中,
3.根据权利要求1或2所述的基于全卷积神经网络的无参考图像质量评价方法,其特征在于所述的步骤①_3中,全卷积神经网络有三层,分别为输入层、非线性拟合层和预测层;非线性拟合层包括7个卷积层,使用的卷积核的个数分别为32、64、128、256、128、64、1,卷积核的尺寸大小都为3×3,mini-batch的大小都为24,使用的优化器都为Adam,使用的激活函数都为修正线性单元函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810160507.1A CN108428227B (zh) | 2018-02-27 | 2018-02-27 | 基于全卷积神经网络的无参考图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810160507.1A CN108428227B (zh) | 2018-02-27 | 2018-02-27 | 基于全卷积神经网络的无参考图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108428227A true CN108428227A (zh) | 2018-08-21 |
CN108428227B CN108428227B (zh) | 2020-06-26 |
Family
ID=63157264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810160507.1A Active CN108428227B (zh) | 2018-02-27 | 2018-02-27 | 基于全卷积神经网络的无参考图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428227B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765407A (zh) * | 2018-05-31 | 2018-11-06 | 上海依图网络科技有限公司 | 一种人像图片质量判定方法及装置 |
CN109146944A (zh) * | 2018-10-30 | 2019-01-04 | 浙江科技学院 | 一种基于深度可分卷积神经网络的视觉深度估计方法 |
CN109167996A (zh) * | 2018-09-21 | 2019-01-08 | 浙江科技学院 | 一种基于卷积神经网络的无参考立体图像质量评价方法 |
CN109559310A (zh) * | 2018-11-30 | 2019-04-02 | 国网山东省电力公司电力科学研究院 | 基于显著性检测的输变电巡检图像质量评价方法及*** |
CN109587474A (zh) * | 2018-12-14 | 2019-04-05 | 央视国际网络无锡有限公司 | 基于失真恢复度的无参考视频质量评价方法及装置 |
CN109741315A (zh) * | 2018-12-29 | 2019-05-10 | 中国传媒大学 | 一种基于深度强化学习的无参考图像质量客观评价方法 |
CN109754391A (zh) * | 2018-12-18 | 2019-05-14 | 北京爱奇艺科技有限公司 | 一种图像质量评价方法、装置及电子设备 |
CN109886924A (zh) * | 2019-01-19 | 2019-06-14 | 天津大学 | 基于cnn的屏幕失真图像无参考质量评价方法 |
CN110363763A (zh) * | 2019-07-23 | 2019-10-22 | 上饶师范学院 | 图像质量评价方法、装置、电子设备及可读存储介质 |
CN110516716A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于多分支相似度网络的无参考图像质量评价方法 |
CN110517237A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于膨胀三维卷积神经网络的无参考视频质量评价方法 |
CN110570420A (zh) * | 2019-09-16 | 2019-12-13 | 中山大学 | 一种无参考对比度失真图像质量评价方法 |
CN110751632A (zh) * | 2019-10-11 | 2020-02-04 | 浙江科技学院 | 基于卷积神经网络的多尺度图像质量检测方法 |
CN110766657A (zh) * | 2019-09-20 | 2020-02-07 | 华中科技大学 | 一种激光干扰图像质量评价方法 |
CN111337956A (zh) * | 2020-03-16 | 2020-06-26 | 北京工业大学 | 导航接收机性能综合评价方法及装置 |
CN111479109A (zh) * | 2020-03-12 | 2020-07-31 | 上海交通大学 | 基于视听联合注意的视频质量评价方法、***及终端 |
CN113421237A (zh) * | 2021-06-18 | 2021-09-21 | 西安电子科技大学 | 基于深度特征迁移学习的无参考图像质量评价方法 |
CN114066857A (zh) * | 2021-11-18 | 2022-02-18 | 烟台艾睿光电科技有限公司 | 红外图像质量评价方法、装置、电子设备及可读存储介质 |
CN115457614A (zh) * | 2021-05-20 | 2022-12-09 | 马上消费金融股份有限公司 | 一种图像质量评价方法、模型训练方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021545A (zh) * | 2014-05-12 | 2014-09-03 | 同济大学 | 一种基于视觉显著性的全参考彩色图像质量评价方法 |
CN105208374A (zh) * | 2015-08-24 | 2015-12-30 | 宁波大学 | 一种基于深度学习的无参考图像质量客观评价方法 |
CN107590804A (zh) * | 2017-09-14 | 2018-01-16 | 浙江科技学院 | 基于通道特征和卷积神经网络的屏幕图像质量评价方法 |
US20180040115A1 (en) * | 2016-08-05 | 2018-02-08 | Nuctech Company Limited | Methods and apparatuses for estimating an ambiguity of an image |
-
2018
- 2018-02-27 CN CN201810160507.1A patent/CN108428227B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021545A (zh) * | 2014-05-12 | 2014-09-03 | 同济大学 | 一种基于视觉显著性的全参考彩色图像质量评价方法 |
CN105208374A (zh) * | 2015-08-24 | 2015-12-30 | 宁波大学 | 一种基于深度学习的无参考图像质量客观评价方法 |
US20180040115A1 (en) * | 2016-08-05 | 2018-02-08 | Nuctech Company Limited | Methods and apparatuses for estimating an ambiguity of an image |
CN107590804A (zh) * | 2017-09-14 | 2018-01-16 | 浙江科技学院 | 基于通道特征和卷积神经网络的屏幕图像质量评价方法 |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765407A (zh) * | 2018-05-31 | 2018-11-06 | 上海依图网络科技有限公司 | 一种人像图片质量判定方法及装置 |
CN109167996B (zh) * | 2018-09-21 | 2019-10-29 | 浙江科技学院 | 一种基于卷积神经网络的无参考立体图像质量评价方法 |
CN109167996A (zh) * | 2018-09-21 | 2019-01-08 | 浙江科技学院 | 一种基于卷积神经网络的无参考立体图像质量评价方法 |
CN109146944A (zh) * | 2018-10-30 | 2019-01-04 | 浙江科技学院 | 一种基于深度可分卷积神经网络的视觉深度估计方法 |
CN109146944B (zh) * | 2018-10-30 | 2020-06-26 | 浙江科技学院 | 一种基于深度可分卷积神经网络的视觉深度估计方法 |
CN109559310A (zh) * | 2018-11-30 | 2019-04-02 | 国网山东省电力公司电力科学研究院 | 基于显著性检测的输变电巡检图像质量评价方法及*** |
CN109559310B (zh) * | 2018-11-30 | 2020-11-24 | 国网智能科技股份有限公司 | 基于显著性检测的输变电巡检图像质量评价方法及*** |
CN109587474A (zh) * | 2018-12-14 | 2019-04-05 | 央视国际网络无锡有限公司 | 基于失真恢复度的无参考视频质量评价方法及装置 |
CN109587474B (zh) * | 2018-12-14 | 2021-03-12 | 央视国际网络无锡有限公司 | 基于失真恢复度的无参考视频质量评价方法及装置 |
CN109754391A (zh) * | 2018-12-18 | 2019-05-14 | 北京爱奇艺科技有限公司 | 一种图像质量评价方法、装置及电子设备 |
CN109754391B (zh) * | 2018-12-18 | 2021-10-22 | 北京爱奇艺科技有限公司 | 一种图像质量评价方法、装置及电子设备 |
CN109741315A (zh) * | 2018-12-29 | 2019-05-10 | 中国传媒大学 | 一种基于深度强化学习的无参考图像质量客观评价方法 |
CN109741315B (zh) * | 2018-12-29 | 2020-08-28 | 中国传媒大学 | 一种基于深度强化学习的无参考图像质量客观评价方法 |
CN109886924A (zh) * | 2019-01-19 | 2019-06-14 | 天津大学 | 基于cnn的屏幕失真图像无参考质量评价方法 |
CN110363763A (zh) * | 2019-07-23 | 2019-10-22 | 上饶师范学院 | 图像质量评价方法、装置、电子设备及可读存储介质 |
CN110516716B (zh) * | 2019-08-05 | 2021-11-09 | 西安电子科技大学 | 基于多分支相似度网络的无参考图像质量评价方法 |
CN110516716A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于多分支相似度网络的无参考图像质量评价方法 |
CN110517237A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于膨胀三维卷积神经网络的无参考视频质量评价方法 |
CN110517237B (zh) * | 2019-08-20 | 2022-12-06 | 西安电子科技大学 | 基于膨胀三维卷积神经网络的无参考视频质量评价方法 |
CN110570420A (zh) * | 2019-09-16 | 2019-12-13 | 中山大学 | 一种无参考对比度失真图像质量评价方法 |
CN110570420B (zh) * | 2019-09-16 | 2023-04-07 | 中山大学 | 一种无参考对比度失真图像质量评价方法 |
CN110766657A (zh) * | 2019-09-20 | 2020-02-07 | 华中科技大学 | 一种激光干扰图像质量评价方法 |
CN110766657B (zh) * | 2019-09-20 | 2022-03-18 | 华中科技大学 | 一种激光干扰图像质量评价方法 |
CN110751632A (zh) * | 2019-10-11 | 2020-02-04 | 浙江科技学院 | 基于卷积神经网络的多尺度图像质量检测方法 |
CN110751632B (zh) * | 2019-10-11 | 2022-05-31 | 浙江科技学院 | 基于卷积神经网络的多尺度图像质量检测方法 |
CN111479109B (zh) * | 2020-03-12 | 2021-06-29 | 上海交通大学 | 基于视听联合注意的视频质量评价方法、***及终端 |
CN111479109A (zh) * | 2020-03-12 | 2020-07-31 | 上海交通大学 | 基于视听联合注意的视频质量评价方法、***及终端 |
CN111337956A (zh) * | 2020-03-16 | 2020-06-26 | 北京工业大学 | 导航接收机性能综合评价方法及装置 |
CN111337956B (zh) * | 2020-03-16 | 2022-02-11 | 北京工业大学 | 导航接收机性能综合评价方法及装置 |
CN115457614A (zh) * | 2021-05-20 | 2022-12-09 | 马上消费金融股份有限公司 | 一种图像质量评价方法、模型训练方法及装置 |
CN113421237A (zh) * | 2021-06-18 | 2021-09-21 | 西安电子科技大学 | 基于深度特征迁移学习的无参考图像质量评价方法 |
CN114066857A (zh) * | 2021-11-18 | 2022-02-18 | 烟台艾睿光电科技有限公司 | 红外图像质量评价方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108428227B (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428227A (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
CN108665460A (zh) | 基于组合神经网络和分类神经网络的图像质量评价方法 | |
CN106920224B (zh) | 一种评估拼接图像清晰度的方法 | |
CN104902267B (zh) | 一种基于梯度信息的无参考图像质量评价方法 | |
CN109167996B (zh) | 一种基于卷积神经网络的无参考立体图像质量评价方法 | |
CN105407349A (zh) | 基于双目视觉感知的无参考立体图像质量客观评价方法 | |
CN102209257A (zh) | 一种立体图像质量客观评价方法 | |
CN106791822B (zh) | 一种基于单双目特征学习的无参考立体图像质量评价方法 | |
CN105574901B (zh) | 一种基于局部对比度模式的通用无参考图像质量评价方法 | |
CN104902268B (zh) | 基于局部三元模式的无参考立体图像客观质量评价方法 | |
CN104202594B (zh) | 一种基于三维小波变换的视频质量评价方法 | |
CN105282543B (zh) | 一种基于立体视觉感知的全盲立体图像质量客观评价方法 | |
CN105894522B (zh) | 一种多失真立体图像质量客观评价方法 | |
CN102547368A (zh) | 一种立体图像质量客观评价方法 | |
CN110674925B (zh) | 基于3d卷积神经网络的无参考vr视频质量评价方法 | |
CN107343196A (zh) | 一种混合失真无参考图像质量评价方法 | |
CN105357519A (zh) | 基于自相似度特征的无参考立体图像质量客观评价方法 | |
CN109859166A (zh) | 一种基于多列卷积神经网络的无参3d图像质量评估方法 | |
CN105894507B (zh) | 基于图像信息量自然场景统计特征的图像质量评价方法 | |
CN106412571A (zh) | 一种基于梯度相似性标准差的视频质量评价方法 | |
CN112950579A (zh) | 图像质量评价方法、装置和电子设备 | |
Tang et al. | Training-free referenceless camera image blur assessment via hypercomplex singular value decomposition | |
CN106023152B (zh) | 一种无参考立体图像质量客观评价方法 | |
CN107590804A (zh) | 基于通道特征和卷积神经网络的屏幕图像质量评价方法 | |
CN106683079A (zh) | 一种基于结构失真的无参考图像客观质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221019 Address after: Room A306-308, Zhangjiagang Economic and Technological Development Zone, Suzhou City, Jiangsu Province 215600 Patentee after: Zhangjiagang Shouzheng Communication Technology Co.,Ltd. Address before: 310023 No. 318 stay Road, Xihu District, Zhejiang, Hangzhou Patentee before: ZHEJIANG University OF SCIENCE AND TECHNOLOGY |