CN110570420A - 一种无参考对比度失真图像质量评价方法 - Google Patents
一种无参考对比度失真图像质量评价方法 Download PDFInfo
- Publication number
- CN110570420A CN110570420A CN201910872439.6A CN201910872439A CN110570420A CN 110570420 A CN110570420 A CN 110570420A CN 201910872439 A CN201910872439 A CN 201910872439A CN 110570420 A CN110570420 A CN 110570420A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- model
- svr
- quality
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的一种无参考对比度失真图像质量评价方法,包括:对对比度失真图像提取多种颜色空间内的颜色矩和信息熵特征,构建描述图像失真的特征集;根据图像失真的特征集与先验分数结合构建训练集,构建图像质量评价的预测模型;提取待评价图像的对比度失真特征集,利用图像质量评价预测模型进行计算,预测待评价图像的图像质量。本发明提供的一种无参考对比度失真图像质量评价方法,既融合多颜色空间又使用颜色矩和信息熵特征联合,很好的保证检测的准确性和有效性,填补了无参考对比度失真图像质量评价领域的空缺。
Description
技术领域
本发明涉及数字图像取证技术领域,更具体的,涉及一种无参考对比度失真图像质量评价方法。
背景技术
随着电子技术的飞速发展和数字成像设备的快速普及,数字图像已经广泛应用于人们的日常办公、学习以及生活当中。数字图像成为信息的重要载体,并在各个领域,如军事、网络、考古、司法等有着不可替代的作用,同时随着各种类型的编辑软件的快速发展,普通用户可以很容易利用这些工具编辑、修改、美化图像。如果这些被编辑篡改的数字图像被当作重要的信息,就很可能会误导人们,给人们的生活乃至整个社会造成不良的影响。因此相关取证数字图像取证技术的研究已成为重要的热门领域。
视觉质量评价通过对图像中的失真进行建模衡量图像的失真强度,与人眼的主观感觉保持一致。将其应用于数字图像取证领域,在图像分析中有重要的作用,可为图像和视频取证的研究提供新的思路。图像质量评价方法依据有无参考图像可分为三类:全参考、半参考和无参考。由于在实际应用中一般是没有参考图像的,所以无参考的图像质量评价成为研究的热门。
现有的无参考图像质量评价方法按照失真类型分为两大类:特定失真类型的评价方法和通用型评价方法。但这中间缺乏针对对比度失真类型的评价方法,而且由于对比度失真类型区别于其他类型的特殊性导致通用型评价方法在评价对比度失真图像时性能较差。
发明内容
本发明为克服现有的无参考图像质量评价领域内缺乏对对比度失真类型的评价,应用通用型评价方法存在性能差的技术缺陷,提供一种无参考对比度失真图像质量评价方法。
为解决上述技术问题,本发明的技术方案如下:
一种无参考对比度失真图像质量评价方法,包括以下步骤:
S1:对对比度失真图像提取多种颜色空间内的颜色矩和信息熵特征,构建描述图像失真的特征集;
S2:根据图像失真的特征集与先验分数结合构建训练集,构建图像质量评价的预测模型;
S3:提取待评价图像的对比度失真特征集,利用图像质量评价预测模型进行计算,预测待评价图像的图像质量。
其中,所述步骤S1包括以下步骤:
S11:将图像从RGB颜色空间转换到XYZ颜色空间,再将图像从XYZ颜色空间转换到CIELab颜色空间;其中,RGB颜色空间的三个通道分别记为:R,G,B;CIELab颜色空间的三个通道分别记为:L,a,b;
S12:对步骤S11得到的6个颜色通道提取一到三阶中心颜色矩特征,记为其中,用i={1,2,3}表示颜色矩的阶,用j={R,G,B,L,a,b}表示不同颜色空间的颜色通道;
S13:对步骤S11得到的6个颜色通道提取信息熵特征,记为Hj,用j={R,G,B,L,a,b}表示不同颜色空间的颜色通道。
其中,在所述步骤S11中,所述的将图像从RGB颜色空间转换到XYZ颜色空间,具体转换公式为:
所述的将图像从XYZ颜色空间转换到CIELab颜色空间,具体转换公式为:
因此,根据每张图片得到6个颜色通道分量,即:R,G,B和L,a,b;
在所述步骤S12中,用I表示一张图像,颜色矩是多阶的,此处设置为3,利用中心矩进行计算,具体计算公式为:
firstMoment(I)=E(I)
其中,E是一个求平均的运算符;将步骤S11得到的6个颜色通道进行颜色矩特征提取,记为其中,用i={1,2,3}表示颜色矩的阶,用j={R,G,B,L,a,b}表示不同颜色空间的颜色通道;
在所述步骤S13中,所述信息熵用来描述图片的信息复杂度,其计算公式为:
其中,Pi(I)表示图像中某像素强度为i出现的概率;对S11中得到的6个颜色通道分别提取信息熵特征,记作Hj,j={R,G,B,L,a,b}表示不同颜色空间的颜色通道;由此,将颜色矩特征与信息熵特征结合,得到描述图像对比度失真的特征特征向量f:
其中,在所述步骤S2中,采用SVR模型构建图像质量评价的预测模型。
其中,所述步骤S2具体包括以下步骤:
S21:将步骤S1中提取到的图像对比失真度失真特征集与先验分数结合,组成数据集;
S22:初始化SVR模型,对SVR模型中的各个参数的初始值进行设置;
S23:将步骤S21得到的数据集随机划分为两部分,分别作为SVR参数寻优过程中的训练集和测试集;
S24:使用网格法进行参数寻优,并将寻优得到的参数作为初始参数设置,完成模型的初始化设置;
S25:利用训练集和测试集对初始化后的SVR模型进行训练,得到图像质量评价的预测模型。
其中,在所述步骤S21中,所述的先验分数为公共数据集中的每张图片的MOS\DMOS值,在训练过程中作为图片质量的先验来优化模型。
其中,将所述步骤S21得到的数据集记作{(f1,Q1,),…,(fk,Qk)},其中k为数据集中失真图像的数量;
在步骤S22中设置SVR模型的版本,使用LIBSVM包中基于RBF核函数的ν-SVR版本;
在所述步骤S23中首先使用Hold-Out划分方法将步骤S21得到的数据集随机地划分为α%与(100-α)%两部分,分别作为SVR参数寻优过程中的训练集和测试集,训练集用来训练模型,测试集用来评估模型的泛化能力;
所述步骤S24中,利用网格法完成SVR模型的参数寻优,需要寻优的参数为(C,γ,ε);需要设置参数为(cmin,cmax,gmin,gmax,v,cstep,gstep,msestep)其中,cmin和cmax分别表示参数C的最小值和最大值;gmin和gmax分别为参数γ的最大值和最小值;v表示SVM交叉验证的参数;cstep,gstep和msestep分别为三个参数(C,γ,ε)的进步步长;网格寻优方法的输出即为SVR模型参数(C,γ,ε)的初始值。
其中,所述步骤S3具体包括以下步骤:
S31:采用步骤S1所述的方法对待评价的图像进行对比度失真描述符的提取,构建用于SVR预测模型的特征集;
S32:将特征集输入训练好的预测模型,计算得到预测结果,完成对待评价图像图像质量的评价。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供的一种无参考对比度失真图像质量评价方法,首先将输入图像从RGB转换为CIELab颜色空间,并将颜色矩和信息熵作为对比度失真度量的表示,颜色矩能够很好地描述颜色信息的分布,可以很好地描述图像的对比度失真;最后使用支持向量回归来训练质量模型将所有特征映射到一个客观的质量分数,既融合多颜色空间又使用颜色矩和信息熵特征联合,很好的保证检测的准确性和有效性,填补了无参考对比度失真图像质量评价领域的空缺。
附图说明
图1为发明所述方法的流程示意图;
图2为实施例2中待评价的图像。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种无参考对比度失真图像质量评价方法,包括以下步骤:
S1:对对比度失真图像提取多种颜色空间内的颜色矩和信息熵特征,构建描述图像失真的特征集;
S2:根据图像失真的特征集与先验分数结合构建训练集,构建图像质量评价的预测模型;
S3:提取待评价图像的对比度失真特征集,利用图像质量评价预测模型进行计算,预测待评价图像的图像质量。
在具体实施过程中,本发明提供的一种无参考对比度失真图像质量评价方法,首先将输入图像从RGB转换为CIELab颜色空间,并将颜色矩和信息熵作为对比度失真度量的表示,颜色矩能够很好地描述颜色信息的分布,可以很好地描述图像的对比度失真;最后使用支持向量回归来训练质量模型将所有特征映射到一个客观的质量分数,既融合多颜色空间又使用颜色矩和信息熵特征联合,很好的保证检测的准确性和有效性,填补了无参考对比度失真图像质量评价领域的空缺。
实施例2
更具体的,在实施例1的基础上,对如图2所示的图像进行评价,所述步骤S1包括以下步骤:
S11:将图像从RGB颜色空间转换到XYZ颜色空间,再将图像从XYZ颜色空间转换到CIELab颜色空间;其中,RGB颜色空间的三个通道分别记为:R,G,B;CIELab颜色空间的三个通道分别记为:L,a,b;
S12:对步骤S11得到的6个颜色通道提取一到三阶中心颜色矩特征,记为其中,用i={1,2,3}表示颜色矩的阶,用j={R,G,B,L,a,b}表示不同颜色空间的颜色通道;
S13:对步骤S11得到的6个颜色通道提取信息熵特征,记为Hj,用j={R,G,B,L,a,b}表示不同颜色空间的颜色通道。
更具体的,在所述步骤S11中,所述的将图像从RGB颜色空间转换到XYZ颜色空间,具体转换公式为:
所述的将图像从XYZ颜色空间转换到CIELab颜色空间,具体转换公式为:
因此,根据每张图片得到6个颜色通道分量,即:R,G,B和L,a,b;
在所述步骤S12中,用I表示一张图像,颜色矩是多阶的,此处设置为3,利用中心矩进行计算,具体计算公式为:
firstMoment(I)=E(I)
其中,E是一个求平均的运算符;将步骤S11得到的6个颜色通道进行颜色矩特征提取,记为其中,用i={1,2,3}表示颜色矩的阶,用j={R,G,B,L,a,b}表示不同颜色空间的颜色通道;
在所述步骤S13中,所述信息熵用来描述图片的信息复杂度,其计算公式为:
其中,Pi(I)表示图像中某像素强度为i出现的概率;对S11中得到的6个颜色通道分别提取信息熵特征,记作Hj,j={R,G,B,L,a,b}表示不同颜色空间的颜色通道;由此,将颜色矩特征与信息熵特征结合,得到描述图像对比度失真的特征特征向量f:
更具体的,在所述步骤S2中,采用SVR模型构建图像质量评价的预测模型。
更具体的,所述步骤S2具体包括以下步骤:
S21:将步骤S1中提取到的图像对比失真度失真特征集与先验分数结合,组成数据集;
S22:初始化SVR模型,对SVR模型中的各个参数的初始值进行设置;
S23:将步骤S21得到的数据集随机划分为两部分,分别作为SVR参数寻优过程中的训练集和测试集;
S24:使用网格法进行参数寻优,并将寻优得到的参数作为初始参数设置,完成模型的初始化设置;
S25:利用训练集和测试集对初始化后的SVR模型进行训练,得到图像质量评价的预测模型。
更具体的,在所述步骤S21中,所述的先验分数为公共数据集中的每张图片的MOS\DMOS值,在训练过程中作为图片质量的先验来优化模型。例如CSIQ数据集由美国俄克拉何马州立大学的电气与计算机工程学院建立,含30幅参考图像,866幅失真图像,失真类型包括JPEG压缩、JPEG2000压缩、整体对比度缩减、加性高斯粉红噪声、加性高斯白噪声以及高斯模糊6种。该数据库的DMOS值由25个观察者给出的约5000个数据统计得到,DMOS取值范围为[0,1]。
更具体的,将所述步骤S21得到的数据集记作{(f1,Q1,),…,(fk,Qk)},其中k为数据集中失真图像的数量;本实例中用于训练模型的对比度失真图像来自公共图像质量数据库CID2013,k=400,因此特征向量集是一个24×400的矩阵。
在步骤S22中设置SVR模型的版本(见文《A tutorial on support vectorregression.Statistics and computing》),使用LIBSVM包中基于RBF核函数的ν-SVR版本;
在所述步骤S23中首先使用Hold-Out划分方法将步骤S21得到的数据集随机地划分为α%与(100-α)%两部分,分别作为SVR参数寻优过程中的训练集和测试集,训练集用来训练模型,测试集用来评估模型的泛化能力;本实例中,α=80。
所述步骤S24中,利用网格法完成SVR模型的参数寻优,需要寻优的参数为(C,γ,ε);需要设置参数为(cmin,cmax,gmin,gmax,v,cstep,gstep,msestep)其中,cmin和cmax分别表示参数C的最小值和最大值;gmin和gmax分别为参数γ的最大值和最小值;v表示SVM交叉验证的参数;cstep,gstep和msestep分别为三个参数(C,γ,ε)的进步步长;网格寻优方法的输出即为SVR模型参数(C,γ,ε)的初始值。
在具体实施过程中,(cmin,cmax,gmin,gmax,v,cstep,gstep,msestep)设置为(-8,8,-8,8,3,0.1,0.1,4)。网格寻优方法的输出即为SVR模型参数(C,γ,ε)的初始值;参数(C,γ,ε)设置为(4.9246,0.2500,0.0385)。
更具体的,所述步骤S3具体包括以下步骤:
S31:采用步骤S1所述的方法对待评价的图像进行对比度失真描述符的提取,构建用于SVR预测模型的特征集;
在具体实施过程中,待评价图像数量为1,因此计算得到的特征向量为一个24×1的矩阵。
S32:将特征集输入训练好的预测模型,计算得到预测结果,完成对待评价图像图像质量的评价,具体表达为:
score=Model(f)
且预测得到的分数即为待评价图像的图像质量。本实例中的预测结果是一个位于区间[1,5]的实数,值为2.8902。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种无参考对比度失真图像质量评价方法,其特征在于,包括以下步骤:
S1:对对比度失真图像提取多种颜色空间内的颜色矩和信息熵特征,构建描述图像失真的特征集;
S2:根据图像失真的特征集与先验分数结合构建训练集,构建图像质量评价的预测模型;
S3:提取待评价图像的对比度失真特征集,利用图像质量评价预测模型进行计算,预测待评价图像的图像质量。
2.根据权利要求1所述的一种无参考对比度失真图像质量评价方法,其特征在于,所述步骤S1包括以下步骤:
S11:将图像从RGB颜色空间转换到XYZ颜色空间,再将图像从XYZ颜色空间转换到CIELab颜色空间;其中,RGB颜色空间的三个通道分别记为:R,G,B;CIELab颜色空间的三个通道分别记为:L,a,b;
S12:对步骤S11得到的6个颜色通道提取一到三阶中心颜色矩特征,记为其中,用i={1,2,3}表示颜色矩的阶,用j={R,G,B,L,a,b}表示不同颜色空间的颜色通道;
S13:对步骤S11得到的6个颜色通道提取信息熵特征,记为Hj,用j=R,G,B,L,a,b}表示不同颜色空间的颜色通道。
3.根据权利要求2所述的一种无参考对比度失真图像质量评价方法,其特征在于,在所述步骤S11中,所述的将图像从RGB颜色空间转换到XYZ颜色空间,具体转换公式为:
所述的将图像从XYZ颜色空间转换到CIELab颜色空间,具体转换公式为:
因此,根据每张图片得到6个颜色通道分量,即:R,G,B和L,a,b;
在所述步骤S12中,用I表示一张图像,颜色矩是多阶的,此处设置为3,利用中心矩进行计算,具体计算公式为:
firstMoment(I)=E(I)
其中,E是一个求平均的运算符;将步骤S11得到的6个颜色通道进行颜色矩特征提取,记为其中,用i={1,2,3}表示颜色矩的阶,用j={R,G,B,L,a,b}表示不同颜色空间的颜色通道;
在所述步骤S13中,所述信息熵用来描述图片的信息复杂度,其计算公式为:
其中,Pi(I)表示图像中某像素强度为i出现的概率;对S11中得到的6个颜色通道分别提取信息熵特征,记作Hj,j={R,G,B,L,a,b}表示不同颜色空间的颜色通道;由此,将颜色矩特征与信息熵特征结合,得到描述图像对比度失真的特征特征向量f:
4.根据权利要求2所述的一种无参考对比度失真图像质量评价方法,其特征在于,在所述步骤S2中,采用SVR模型构建图像质量评价的预测模型。
5.根据权利要求4所述的一种无参考对比度失真图像质量评价方法,其特征在于,所述步骤S2具体包括以下步骤:
S21:将步骤S1中提取到的图像对比失真度失真特征集与先验分数结合,组成数据集;
S22:初始化SVR模型,对SVR模型中的各个参数的初始值进行设置;
S23:将步骤S21得到的数据集随机划分为两部分,分别作为SVR参数寻优过程中的训练集和测试集;
S24:使用网格法进行参数寻优,并将寻优得到的参数作为初始参数设置,完成模型的初始化设置;
S25:利用训练集和测试集对初始化后的SVR模型进行训练,得到图像质量评价的预测模型。
6.根据权利要求5所述的一种无参考对比度失真图像质量评价方法,其特征在于,在所述步骤S21中,所述的先验分数为公共数据集中的每张图片的MOS\DMOS值,在训练过程中作为图片质量的先验来优化模型。
7.根据权利要求5所述的一种无参考对比度失真图像质量评价方法,其特征在于,将所述步骤S21得到的数据集记作{(f1,Q1,),...,(fk,Qk)},其中k为数据集中失真图像的数量;
在步骤S22中设置SVR模型的版本,使用LIBSVM包中基于RBF核函数的ν-SVR版本;
在所述步骤S23中首先使用Hold-Out划分方法将步骤S21得到的数据集随机地划分为α%与(100-α)%两部分,分别作为SVR参数寻优过程中的训练集和测试集,训练集用来训练模型,测试集用来评估模型的泛化能力;
所述步骤S24中,利用网格法完成SVR模型的参数寻优,需要寻优的参数为(C,γ,ε);需要设置参数为(cmin,cmax,gmin,gmax,v,cstep,gstep,msestep)其中,cmin和cmax分别表示参数C的最小值和最大值;gmin和gmax分别为参数γ的最大值和最小值;v表示SVM交叉验证的参数;cstep,gstep和msestep分别为三个参数(C,γ,ε)的进步步长;网格寻优方法的输出即为SVR模型参数(C,γ,ε)的初始值。
8.根据权利要求5所述的一种无参考对比度失真图像质量评价方法,其特征在于,所述步骤S3具体包括以下步骤:
S31:采用步骤S1所述的方法对待评价的图像进行对比度失真描述符的提取,构建用于SVR预测模型的特征集;
S32:将特征集输入训练好的预测模型,计算得到预测结果,完成对待评价图像图像质量的评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872439.6A CN110570420B (zh) | 2019-09-16 | 2019-09-16 | 一种无参考对比度失真图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872439.6A CN110570420B (zh) | 2019-09-16 | 2019-09-16 | 一种无参考对比度失真图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570420A true CN110570420A (zh) | 2019-12-13 |
CN110570420B CN110570420B (zh) | 2023-04-07 |
Family
ID=68780171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910872439.6A Active CN110570420B (zh) | 2019-09-16 | 2019-09-16 | 一种无参考对比度失真图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570420B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192258A (zh) * | 2020-01-02 | 2020-05-22 | 广州大学 | 一种图像质量评估方法及装置 |
CN111652854A (zh) * | 2020-05-13 | 2020-09-11 | 中山大学 | 一种基于图像高频信息的无参考图像质量评价方法 |
CN112257711A (zh) * | 2020-10-26 | 2021-01-22 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车地板破损故障检测方法 |
CN112446878A (zh) * | 2021-01-04 | 2021-03-05 | 天津科技大学 | 一种基于联合熵的彩色图像质量评价方法 |
CN112446879A (zh) * | 2021-01-06 | 2021-03-05 | 天津科技大学 | 一种基于图像熵的对比度失真图像质量评价方法 |
CN113436167A (zh) * | 2021-06-25 | 2021-09-24 | 湖南工商大学 | 基于深度学习和视觉感知的无参考彩色图像质量评价方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110243435A1 (en) * | 2010-03-30 | 2011-10-06 | Chung-Ang University Industry-Academy Cooperation Foundation | Apparatus and method for color distortion correction of image by estimate of correction matrix |
CN106600597A (zh) * | 2016-12-22 | 2017-04-26 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN107610093A (zh) * | 2017-08-02 | 2018-01-19 | 西安理工大学 | 基于相似性特征融合的全参考型图像质量评价方法 |
CN108322733A (zh) * | 2018-01-17 | 2018-07-24 | 宁波大学 | 一种无参考高动态范围图像客观质量评价方法 |
CN108428227A (zh) * | 2018-02-27 | 2018-08-21 | 浙江科技学院 | 基于全卷积神经网络的无参考图像质量评价方法 |
CN109218716A (zh) * | 2018-10-22 | 2019-01-15 | 天津大学 | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 |
CN109871852A (zh) * | 2019-01-05 | 2019-06-11 | 天津大学 | 一种无参考色调映射图像质量评价方法 |
-
2019
- 2019-09-16 CN CN201910872439.6A patent/CN110570420B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110243435A1 (en) * | 2010-03-30 | 2011-10-06 | Chung-Ang University Industry-Academy Cooperation Foundation | Apparatus and method for color distortion correction of image by estimate of correction matrix |
CN106600597A (zh) * | 2016-12-22 | 2017-04-26 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN107610093A (zh) * | 2017-08-02 | 2018-01-19 | 西安理工大学 | 基于相似性特征融合的全参考型图像质量评价方法 |
CN108322733A (zh) * | 2018-01-17 | 2018-07-24 | 宁波大学 | 一种无参考高动态范围图像客观质量评价方法 |
CN108428227A (zh) * | 2018-02-27 | 2018-08-21 | 浙江科技学院 | 基于全卷积神经网络的无参考图像质量评价方法 |
CN109218716A (zh) * | 2018-10-22 | 2019-01-15 | 天津大学 | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 |
CN109871852A (zh) * | 2019-01-05 | 2019-06-11 | 天津大学 | 一种无参考色调映射图像质量评价方法 |
Non-Patent Citations (5)
Title |
---|
AJINKYA M. PUND ET AL.: "A Spatial Domain Feature Based Approach For No Reference Image Quality Assessment of JPEG Compressed Images", 《IEEE》 * |
ANISH MITTAL ET AL.: "No-Reference Image Quality Assessment in the Spatial Domain", 《IEEE》 * |
刘春等: "基于卷积神经网络的对比度失真图像质量评价", 《微电子学与计算机》 * |
林鸿飞 等: "基于局部多项式法的RGB到CIELab颜色空间转换算法的研究", 《印前技术》 * |
王志明: "无参考图像质量评价综述", 《自动化学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192258A (zh) * | 2020-01-02 | 2020-05-22 | 广州大学 | 一种图像质量评估方法及装置 |
CN111652854A (zh) * | 2020-05-13 | 2020-09-11 | 中山大学 | 一种基于图像高频信息的无参考图像质量评价方法 |
CN112257711A (zh) * | 2020-10-26 | 2021-01-22 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车地板破损故障检测方法 |
CN112257711B (zh) * | 2020-10-26 | 2021-04-09 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车地板破损故障检测方法 |
CN112446878A (zh) * | 2021-01-04 | 2021-03-05 | 天津科技大学 | 一种基于联合熵的彩色图像质量评价方法 |
CN112446878B (zh) * | 2021-01-04 | 2023-03-14 | 天津科技大学 | 一种基于联合熵的彩色图像质量评价方法 |
CN112446879A (zh) * | 2021-01-06 | 2021-03-05 | 天津科技大学 | 一种基于图像熵的对比度失真图像质量评价方法 |
CN113436167A (zh) * | 2021-06-25 | 2021-09-24 | 湖南工商大学 | 基于深度学习和视觉感知的无参考彩色图像质量评价方法 |
CN113436167B (zh) * | 2021-06-25 | 2022-04-26 | 湖南工商大学 | 基于深度学习和视觉感知的无参考彩色图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110570420B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570420B (zh) | 一种无参考对比度失真图像质量评价方法 | |
Wang et al. | Reduced-reference quality assessment of screen content images | |
Gu et al. | The analysis of image contrast: From quality assessment to automatic enhancement | |
Kundu et al. | No-reference quality assessment of tone-mapped HDR pictures | |
US10297000B2 (en) | High dynamic range image information hiding method | |
Kundu et al. | Large-scale crowdsourced study for tone-mapped HDR pictures | |
Sazzad et al. | No reference image quality assessment for JPEG2000 based on spatial features | |
Zhang et al. | Fine-grained quality assessment for compressed images | |
Tian et al. | A multi-order derivative feature-based quality assessment model for light field image | |
CN110827193B (zh) | 基于多通道特征的全景视频显著性检测方法 | |
Wang et al. | Image quality assessment based on local linear information and distortion-specific compensation | |
CN102696220A (zh) | 将数字图像从低动态范围图像转换为高动态范围图像的方法与*** | |
Li et al. | Subjective and objective quality assessment of compressed screen content videos | |
Chen et al. | Naturalization module in neural networks for screen content image quality assessment | |
CN111724310B (zh) | 图像修复模型的训练方法、图像修复方法及装置 | |
Li et al. | Recent advances and challenges in video quality assessment | |
US20190304072A1 (en) | Method and apparatus for converting low dynamic range video to high dynamic range video | |
Yang et al. | Full reference image quality assessment by considering intra-block structure and inter-block texture | |
Pinson | Why no reference metrics for image and video quality lack accuracy and reproducibility | |
Katsenou et al. | BVI-SynTex: A synthetic video texture dataset for video compression and quality assessment | |
Plutino et al. | Work memories in Super 8: searching a frame quality metric for movie restoration assessment | |
Zhu et al. | A metric for video blending quality assessment | |
Zhang et al. | Perceptual quality assessment for fine-grained compressed images | |
Weingerl et al. | Development of a machine learning model for extracting image prominent colors | |
CN116962612A (zh) | 应用于仿真***的视频处理方法、装置、设备及存储介质 |
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 |