一种基于神经网络学习融合的全参考图像质量客观评价方法
阅读：1014发布：2020-09-29
专利汇可以提供一种基于神经网络学习融合的全参考图像质量客观评价方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种全参考图像 质量 客观评价方法，包括以下步骤：将BP神经网络用于图像质量评价，通过设计视觉多通道多 算法 自适应融合的BP神经网络图像质量 预测模型 ，将失真图像基于各种客观评价算法的视觉多通道评价结果输入BP神经网络，以人眼主观测试结果分值作为训练目标，对BP神经网络进行有监督的学习训练，然后预测输出各种客观评价算法的客观评价结果，并将各种算法的客观评价结果进行自适应融合，获得失真图像质量的最终客观评价。本发明方法全面提高了PSNR、SSIM和SVD评价方法的各项指标 水 平，超过了最近的视觉特征 感知 处理与视觉心理推导融合类评价方法，且具有更好的评价 稳定性 。，下面是一种基于神经网络学习融合的全参考图像质量客观评价方法专利的具体信息内容。
1.一种基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，包括以下步骤：
(1)将失真图像随机划分为训练集和测试集两个数据库；
(2)对所有参考图像和所有失真图像分别进行预处理，得到相应的图像灰度矩阵；
(3)采用小波变换方法对失真图像和参考图像的图像灰度矩阵进行处理，获得失真图像和参考图像的视觉多通道信息；
(4)对失真图像和参考图像的每个视觉通道信息进行感知稀疏化处理；
(5)基于参考图像每个视觉通道稀疏化后的信息，利用图像质量客观评价算法对失真图像对应视觉通道稀疏化后的信息进行全参考质量评价，获得失真图像质量的视觉多通道客观评价结果；
(6)构建BP神经网络训练模型，利用训练集数据库中失真图像质量的视觉多通道客观评价结果对模型进行学习训练，保存训练结果的权重和阈值参数；
(7)根据BP神经网络训练结果的权重和阈值参数，构建响应的BP神经网络预测模型，以测试集数据库中每帧失真图像质量的视觉多通道客观评价结果作为BP神经网络预测模型的测试输入，以BP神经网络预测模型的预测输出作为所选图像质量客观算法对于对应失真图像质量的融合评价结果，并对该结果进行偏置处理；
(8)更换不同的图像质量客观评价算法，重复步骤(5)～步骤(7)，获得测试集数据中所有失真图像质量基于不同客观评价算法的融合评价结果；
(9)依次将测试集数据库中每帧失真图像质量基于不同客观评价算法的融合评价结果进行自适应融合，获得每帧失真图像质量的最终客观评价。
2.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，步骤(1)中，训练集与测试集中失真图像的比例为1/3～1。
3.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，步骤(2)中，对所有参考图像和所有失真图像分别依次进行灰度化处理和高斯低通滤波，得到相应的图像灰度矩阵。
4.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，步骤(3)中，选用Log-Gabor小波对失真图像和参考图像的图像灰度矩阵进行处理，获得失真图像和参考图像的视觉多通道信息。
5.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，步骤(4)中，采用基于阈值滤波算法对失真图像和参考图像的每个视觉通道信息进行感知稀疏化处理。
6.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，所述图像质量客观评价算法为PSRN、SSIM或SVD。
7.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，在构建的BP神经网络训练模型中，BP神经网络输入层神经元的数量等于小波分解的通道数量，BP神经网络的输出层神经元数量只有一个，该输出代表所选图像质量客观评价算法的质量评价结果，在训练的过程中，以失真图像质量的多通道客观评价结果作为BP神经网络训练模型的输入，以失真图像质量的人眼主观测试结果分值DMOS作为BP神经网络训练模型的训练目标，以BP神经网络训练模型的输出与真值输出的误差e小于0.00001或以训练迭代次数达到500为训练终止条件。
8.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，步骤(9)中，采用以下公式进行自适应融合：
其中，x1和x2代表两种不同客观评价算法的BP神经网络预测模型预测结果，或x1、x2中有一个是某次融合过程中的中间值，λ1为自适应参数，按照如下公式取值：
其中，参数γ11和γ12为调节参数。
一种基于神经网络学习融合的全参考图像质量客观评价方法
技术领域
背景技术
[0002] 图像作为一种广泛应用的信号，其在信息获取、传递和处理等各个领域均具有举足轻重的地位。当前，随着云计算能力的提升和人工智能研究的兴起，基于图像终端处理平台的各种应用业务获得了前所未有的发展，然而，图像信号易受污染，因此，图像质量评价的研究意义重大。图像质量评价研究领域中，客观方法以自动连续的高效工作方式而成为了该领域的研究热点，其中，全参考图像质量评价的研究意义尤其重要。
[0003] 传统经典评价算法如均方根误差RMSE、信噪比SNR以及峰值信噪比PSNR等评价结果和人眼主观测试差距较大。仿生学评价算法如Dalay算法，Safranek-Johnson算法，离散余弦变换算法以及Watson小波变换算法等建模复杂，速度慢，且有许多系统性缺陷制约导致建模效率较低。近些年出现的一些工程学评价方法及其改进算法，例如结构相似度SSIM方法，信息保真度IFC方法，奇异值分解SVD方法等，但这些方法的评价标准不相同，使得其评价结果数据没有可比性，例如，SSIM取值范围在{0，1}之间且取值越大说明图像质量越高，而IFC和SVD的取值范围则不受限，SVD越大说明图像质量越低，而IFC越大则说明图像质量越高；另外，实验证明，反映这些方法性能的一些重要评价指标水平尚有待提高，例如斯皮尔曼等级排序相关系数SROCC、均方根误差RMSE和皮尔逊相关系数PLCC等。最近几年，将视觉系统特性融入图像质量评价成为了研究热点，例如，显著失真MAD，特征相似度FSIM，视觉显著VSI等，但这些方法存在两个问题，一个问题是图像特征处理算法缺乏视觉特性的理论依据，这使得其评价性能不稳定；另外一个更突出的问题是人眼的主观视觉多通道特性，对于不同的客观评价算法，具有不同的主、客观映射关系，例如，对于各视觉通道的频率敏感特性，上述方法均采用了统一的对比度敏感函数，降低了各种客观评价方法的性能。内在推导机制(Internal Generative Mechanism，IGM)则基于大脑的自由能量场理论，通过信息感知最大化算法评价图像质量，但其信息处理算法过于单一，难以揭示视觉大脑的工作机制，并且也缺乏有力的实验结果证实。
[0004] 近些年来，随着神经网络研究的深入，其已经在信号处理、模式识别等多个人工智能领域取得了非凡的成就。其中，反向传播(Back Propagation，BP)神经网络技术尤其在图像处理领域获得了重要的应用，理论上，一个三层以上的BP神经网能够以任意精度逼近一个非线性函数，并且对外界激励具有自适应学习的能力，从而具备了非常强大的分类识别能力，BP的出现，解决了神经网络发展史上的非线性分类难题。BP神经网络和人眼视觉系统在图像处理中具有非常类似之处，例如，BP神经网络对于图像特征的分类识别能力体现了人眼视觉提取图像特征的多通道特性，BP神经网络对于任意非线性函数较强的逼近能力模拟了人眼视觉多通道对于不同图像质量客观评价算法所具有的不同主客观映射关系。因此，本发明借助于BP神经网络对不同图像质量客观算法的视觉多通道评价结果进行融合，从而提高了现有图像质量客观评价算法的性能。
发明内容
[0005] 针对现有技术的不足，本发明提供了一种基于神经网络学习融合的全参考图像质量客观评价方法，其核心是利用BP神经网络模拟人眼视觉系统多通道对于各种图像质量客观评价算法的不确定性，通过BP神经网络的学习训练，预测各种图像质量客观评价算法对于失真图像质量视觉多通道评价结果的融合，BP神经网络的预测输出还统一了各种评价算法数据结果的一致性，进而设计了多种评价方法的自适应融合算法，将各种不同客观算法视觉多通道评价的BP神经网络预测结果进行函数自适应融合，最终获得失真图像质量的客观评价结果。
[0006] 为实现上述发明目的，本发明提供以下技术方案：
[0007] 一种基于神经网络学习融合的全参考图像质量客观评价方法，包括以下步骤：
[0008] (1)将失真图像随机划分为训练集和测试集两个数据库；
[0009] (2)对所有参考图像和所有失真图像分别进行预处理，得到相应的图像灰度矩阵；
[0010] (3)采用小波变换方法对失真图像和参考图像的图像灰度矩阵进行处理，获得失真图像和参考图像的视觉多通道信息；
[0011] (4)对失真图像和参考图像的每个视觉通道信息进行感知稀疏化处理；
[0012] (5)基于参考图像每个视觉通道稀疏化后的信息，利用图像质量客观评价算法对失真图像对应视觉通道稀疏化后的信息进行全参考质量评价，获得失真图像质量的视觉多通道客观评价结果；
[0013] (6)构建BP神经网络训练模型，利用训练集数据库中失真图像质量的视觉多通道客观评价结果对模型进行学习训练，保存训练结果的权重和阈值参数；
[0014] (7)根据BP神经网络训练结果的权重和阈值参数，构建响应的BP神经网络预测模型，以测试集数据库中每帧失真图像质量的视觉多通道客观评价结果作为BP神经网络预测模型的测试输入，以BP神经网络预测模型的预测输出作为所选图像质量客观算法对于对应失真图像质量的融合评价结果，并对该结果进行偏置处理；
[0015] (8)更换不同的图像质量客观评价算法，重复步骤(5)～步骤(7)，获得测试集数据中所有失真图像质量基于不同客观评价算法的融合评价结果；
[0016] (9)依次将测试集数据库中每帧失真图像质量基于不同客观评价算法的融合评价结果进行自适应融合，获得每帧失真图像质量的最终客观评价。
[0017] 基于BP神经网在图像处理领域中杰出的分类识别能力和对任意非线性函数较强的逼近能力，本发明将BP神经网络用于模拟人类视觉系统的不确定特性，即人眼视觉多通道对各种客观评价算法有着有不同的主、客观映射关系，通过将各种客观算法的视觉多通道评价结果输入BP神经网络，以失真图像的人眼主观测试分值作为真值输出，对BP神经网络进行有监督的学习，获得失真图像质量基于各种不同客观算法的融合评价结果。本发明借助于BP神经网络强大的分析推导能力和非线性数值逼近能力，模拟了视觉多通道对于不同客观评价算法的不同主客观映射关系，从而对各个客观评价算法的视觉多通道评价结果都能进行较好的融合，提高了各个客观评价算法的性能。BP神经网络的预测输出还统一了各种评价算法数据结果的一致性，进而设计了多种评价方法的自适应融合算法。本发明全面提高了PSNR、SSIM和SVD图像质量客观评价方法的各项指标水平，超过了最近的视觉特征感知处理与视觉心理推导融合类评价方法，且具有更好的稳定性。
[0018] 步骤(1)中，根据经验值，训练集与测试集中失真图像的比例为1/3～1。
[0019] 优选地，步骤(2)中，对所有参考图像和所有失真图像分别依次进行灰度化处理和高斯低通滤波，得到相应的图像灰度矩阵。
[0020] 具体地，高斯低通滤波时采用的窗口大小为k×k，k的取值范围为0.01t～0.1t，t取图像矩阵行和列的最小值，即：t＝min{P，Q}，P×Q为失真图像的大小，高斯低通滤波时采用的标准差为1.0～2.0。
[0021] 现有的小波种类很多，作为优选，步骤(3)中，选用Log-Gabor小波对失真图像和参考图像的图像灰度矩阵进行处理，获得失真图像和参考图像的视觉多通道信息。Log-Gabor小波具有视觉亮度感知的非线性和良好的视觉方向滤波特性，为描述方便起见，将Log-Gabor小波的视觉通道记为(S,O)，S代表视觉尺度因子，O代表视觉方向因子。进一步作为优选，S＝5，O＝4。
[0022] 优选地，步骤(4)中，采用基于阈值滤波算法对失真图像和参考图像的每个视觉通道信息进行感知稀疏化处理。
[0023] 进一步地，阈值取ξ′s,o(T)＝ξs,o(T)K(T)
[0024] 式中，K(T)为人类视觉系统的中央凹特性函数，ξs,o(T)为视觉通道(S,O)的阈值，ξs,o(T)取值如下：
[0025] ξs,o(T)＝ξ(T)·CSF[fo(s)]
[0026] 式中，CSF[fo(s)]为视觉多通道的对比度敏感函数，ξ(T)为判决阈值函数，取值如下：
[0027]
[0028] 式中，δ为视觉失真度检测硬阈值，Cvr(T)为图像分块后，第Τ子块的失真图像相对参考图像的局部有效对比度函数，有关取值函数为：
[0029]
[0030] 式中，μvr(T)是参考图像子块T的灰度均值，σerr(T)是子块Τ内失真图像相对参考图像标准差，σvr(T)是子块T集内失真图像相对参考图像标准差的最小值。
[0031] 进一步地，δ取值为δ＝-5。
[0032] 图像分块大小取为k×k，k的取值范围为0.01～0.05t，t取图像矩阵行和列的最小值，即：t＝min{P，Q}，P×Q为视觉通道图像的大小。作为优选，k取值范围为8～16。
[0033] 优选地，图像质量客观评价算法为PSRN、SSIM或SVD，该三种算法是应用最广泛，且最成熟的图像质量客观评价算法IQA。
[0034] 优选地，在构建的BP神经网络训练模型中，BP神经网络输入层神经元的数量等于小波分解的通道数量，BP神经网络的输出层神经元数量只有一个，该输出代表所选图像质量客观评价算法的质量评价结果，在训练的过程中，以失真图像质量的多通道客观评价结果作为BP神经网络训练模型的输入，以失真图像质量的人眼主观测试结果分值DMOS作为BP神经网络训练模型的训练目标，以BP神经网络训练模型的输出与真值输出的误差e小于0.00001或以训练迭代次数达到500为训练终止条件。
[0036] BP神经网络预测模型和BP神经网络训练模型基本一样，差别在于，一是预测模型去掉了训练模型的真值输出，该真值输出用于监督训练模型对输入数据的学习，即在训练的时候作为训练目标输入到训练模型中，二是预测模型增加了参数输入，该参数就是训练模型学习结果的网络权重和阈值，三是预测模型增加了从BP神经网络预测模型到BP神经网络训练模型的反馈控制。该模型测试输入数据的长度等于测试集数据库中失真图像的数量，BP神经网络输出层神经元的预测输出就是所选客观算法的质量评价结果。通过测试BP神经网络预测输出的质量评价结果的评价指标水平，来决定是否重复BP神经网络训练模型的训练过程，直到BP神经网络预测模型的预测输出的评价指标达到理想水平。评价指标取RMSE、PLCC和SROCC三个。
[0037] 步骤(8)中，质量评价结果的偏置处理，是为了消除BP神经网络预测结果中的负数，偏置方法是将所有结果叠加一个正数。
[0038] 步骤(9)中，自适应融合是首先任意选择两种图像质量客观评价算法的预测结果进行融合，然后将融合结果和第三种图像质量客观评价算法的预测结果进行融合，依次循环，直到所有图像质量客观评价算法的预测结果都融合完毕，获得失真图像质量的最终客观评价。采用以下公式进行自适应融合：
[0039]
[0040] 其中，x1和x2代表两种不同客观评价算法的BP神经网络预测模型预测结果，或x1、x2中有一个是某次融合过程中的中间值，λ1为自适应参数，按照如下公式取值：
[0041]
[0042] 其中，参数γ11和γ12为调节参数。
[0043] 与现有技术相比，本发明具有以下技术效果：
[0044] (1)本发明将各种不同图像质量客观评价算法的结果数据进行了一致性转换，使得数据之间具有了直观可比性。
[0045] (2)本发明方法对应的RMSE、PLCC和SROCC三个评价指标都具有最高的水平，远远高于现有的经典方法和工程学方法，和工程学的信息处理类评价方法相比具有较大的优势，明显优于视觉特征及其融合处理类评价方法，和视觉特征感知处理与视觉心理推导融合类评价方法相比，也有全面的优势.
[0048] 图2是实施例提供的对原始图像进行处理后的结果图像；
[0049] 图3是实施例提供的对图2提取的视觉多通道信息视图；
[0050] 图4是实施例提供的对图3视觉多通道信视图的稀疏化处理结果视图；
[0051] 图5是实施例提供的BP神经网络训练模型的结构示意图；
[0052] 图6是实施例提供的BP神经网络预测模型的结构示意图。
具体实施方式
[0053] 为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
[0054] 本实施中以德克萨斯大学奥斯汀分校图像视频工程所提供的LIVE Release 2图像标准数据库为例进行说明。德克萨斯大学奥斯汀分校图像视频工程所提供的LIVE Release 2图像标准数据库，存储有一些配对的标准案例(即参考图像和失真图像对)，每个案例中的失真图像均有对应的MOS值(主观评价分值)已知，该MOS值即为人眼的主观测试结果。
[0055] 进行全参考图像质量客观评价时首先从LIVE Release 2图像标准数据库选择参考图像和相应的失真图像，然后进行对选择的失真图像进行全参考图像质量客观评价，流程如图1所示，该方法包括：
[0056] 步骤1，将失真图像随机划分为训练集数据库和测试集数据库，划分方法为随机选取失真图像，两个数据库中的失真图图像数量比例设定为1。
[0057] 步骤2，对所有参考图像和失真图像分别进行预处理得到相应的图像灰度矩阵。
[0058] 进行预处理时：
[0059] 首先，按照如下公式对参考图像和失真图像进行灰度变换，将其分别变换为灰度图像Gray：
[0060] Gray＝0.29900·R+0.58700·G+0.11400·B
[0061] 其中，R、G、B分别为源图像(失真图像或参考图像)在R、G、B三个通道上的强度值。
[0062] 然后，分别对经过灰度变换得到的灰度图像分别进行高斯低通滤波处理，本实施例中考虑到LIVE Release 2图像标准数据库中的图像大小，针对所有图像进行高斯低通滤波时采用的窗口大小均为16×16，且标准差为1.0。
[0063] 基于该滤波器对灰度图像进行低通滤波处理，在二维互相关过程中，未使用边缘补0部分进行计算的结果部分。
[0064] 本实施例中对原始图像预处理后的结果如图2所示。
[0065] 步骤3，利用小波变换，对图像进行视觉多通道信息提取，以Log-Gabor小波为例，提取公式如下：
[0066] v(s,o)(i,j)＝F-1[G(ω,θj)×F(f(i,j)]
[0067] 式中f(i,j)代表原始图像，v(s,o)(i,j)代表对原始图像f(i,j)提取的视觉通道(s,o)信息视图，s、o分别为log-Gabor尺度因子和方向因子，这里取S＝5，O＝4，F表示频域正变换，F-1表示频域逆变换，G(ω,θj)为log-Gabor的频率函数表达式。
[0068] 本实施例中对图2进行基于Log-Gabor小波的多通道分解，结果如图3所示。
[0069] 步骤4，对每个视觉通道信息进行感知稀疏化处理，处理公式如下：
[0070]
[0071] 式中 为稀疏化处理结果，计算过程中δ取δ＝-5，图像分块大小为取为11×11。
[0072] 本实施例中对图3各视觉通道进行感知稀疏化处理，结果如图4所示。
[0073] 步骤5，选取一种现有图像质量客观评价算法对所有失真图像的多视觉通道信息视觉进行全参考图像质量评价，这里选取PSRN算法进行评价。
[0074] 步骤6，构建BP神经网络训练模型，利用训练集数据库中失真图像质量的多通道客观评价结果对模型进行学习训练，保存训练结果的权重和阈值参数，构建的训练模型如图5所示。
[0075] 其该模型特性的描述如下：
[0076] BP神经网络输入层神经元的数量等于小波分解的通道数量5×4＝20，隐藏层为一层，隐藏层的神经元数量取20，BP神经网络的输出层神经元数量只有一个，该输出代表所选客观算法PSNR的质量评价结果。BP神经网络的训练目标为失真图像质量的人眼主观测试结果分值DMOS。BP神经网络所训练输入数据的长度等于训练集数据库中失真图像的数量，对BP网络进行有监督的学习训练，直到达到BP神经网络的其中一个训练终止条件，存储BP神经网络训练结果的网络权重和阈值等所有参数。两个训练终止条件分别为：
[0077] (1)BP预测输出和DMOS之间的误差e＜0.00001
[0078] (2)迭代次数取为500。
[0079] 步骤7，BP神经网络预测模型对所选客观算法的视觉多通道评价结果数据进行测试，其预测输出作为客观算法的质量评价，BP神经网络预测模型如图6所示。
[0080] 该模型特性可以这样描述：该模型和BP神经网络训练模型基本一样，差别在于，一是预测模型去掉了训练模型的训练目标输入，二是预测模型增加了参数输入，该参数就是训练模型学习结果的网络权重和阈值，三是预测模型增加了从BP神经网络预测模型到BP神经网络训练模型的反馈控制。该模型测试输入数据的长度等于测试集数据库中失真图像的数量，BP神经网络输出层神经元的预测输出就是所选客观算法的质量评价结果。通过测试BP神经网络预测输出的质量评价结果的评价指标水平，来决定是否重复BP神经网络训练模型的训练过程，直到BP神经网络预测输出的评价指标达到理想水平。评价指标取RMSE、PLCC和SROCC三个。本实施例针对PSNR、SSIM和SVD三种客观评价算法，BP神经网络预测输出在重复进行的20次训练过程中，大多数情况下RMSE、PLCC和SROCC三个评价指标水平均远远高于PSNR、SSIM和SVD算法本身。
[0081] 本实施例针对PSNR、SSIM和SVD三种客观评价算法的质量评价结果的偏置处理，处理方法是对所有结果统一加上1。
[0082] 步骤8，更换不同的图像质量客观评价算法，这里取SSIM和SVD两种图像质量客观评价算法，重复步骤5～步骤7。这样针对PSNR、SSIM和SVD三种图像质量客观算法，获得测试集数据库中所有失真图像关于这三种客观算法视觉多通道评价的基于BP神经网络预测的质量评价结果。
[0083] 步骤9，将PSNR、SSIM和SVD三种图像质量客观算法的质量评价结果进行自适应融合，获得失真图像质量的最终客观评价。
[0084] 这里首先选取SSIM和PSNR两种客观算法的质量评价结果进行融合，融合公式如下：
[0085]
[0086] 式中y1代表融合结果，SSIM和PSNR分别代表SSIM和PSNR算法的质量评价结果，参数λ1计算公式为：
[0087]
[0088] 将y1继续与第三种客观算法SVD的质量评价结果SVD进行自适应融合，融合公式如下：
[0089]
[0090] 式中y代表失真图像质量的最终客观评价，参数λ1计算公式为：
[0091]
[0092] 基于客观评价结果y分值和LIVE Release 2图像标准数据库中记载的各个失真图像的主观评估分MOS分值，根据国际视频质量专家组(Video Quality Experts Group，VQEG)规范计算得到本发明的客观评价方法的SROCC指标、RMSE指标和PLCC指标。
[0093] 表1为利用本实施例的客观评价方法(BP模型)与现有的评价方法对LIVE Release 2图像标准数据库中的标准案例进行全参考图像质量客观评价时得到的评价结果的SROCC指标、RMSE指标和PLCC指标对比。本实施例中的现有评价方法涵盖了目前较新的研究成果，将其分为四类。第一类是经典方法和工程学方法，包括PSNR(Peak Signal to Noise Ratio，峰值信噪比)、SSIM(Structural Similarity，结构相似度)、SVD(Singular Value Decomposition，奇异值分解)；第二类是基于工程学的信息处理类评价方法，包括IFC(Information Fidelity Criterion，信息保真度IFC)、MSSIM(Multi-scale Structural Similarity，多尺度结构相似)；第三类是视觉特征及其融合处理类评价方法，包括VIF(Visual Information Fidelity，视觉信息保真度)、FSIM(Feature Similarity FSIM，特征结构相似度)、VSI(Visual Saliency Induced，视觉显著)；第四类是基于视觉特征感知处理与视觉心理推导融合类评价方法，包括MAD(Most Apparent Distortion，显著失真)和IGM(Internal Generative Mechanism，内推机制)。
[0094] Release 2图像标准数据库中失真图像的格式包括JP2K、JPEG、WN、Gblur和FF，为说明本实施例的方法的适用范围，表1中给出的不同方法下各个指标(即评价指标)的值为对Release 2图像标准数据库中该类的所有失真图像评的评价指标水平，表1中All表示针对Release 2图像标准数据库中的所有格式的失真图像。
[0095] 表1
[0096]
[0097]
[0098] 从表1可以看出，对于各类失真图像质量的评价，与现有的评价方法比较，本实施例的方法对应的RMSE、PLCC和SROCC三个评价指标都维持了最高的水平，远远高于现有的经典方法和工程学方法，和工程学的信息处理类评价方法相比具有较大的优势，明显优于视觉特征及其融合处理类评价方法，和最近的视觉特征感知处理与视觉心理推导融合类评价方法相比，也有全面的优势。此外，对于不同失真类型的图像质量评价，本实施例的方法对应的RMSE、PLCC和SROCC三个评价指标水平，相对所有其它方法的变动范围都是最小的，因此，本实施例的方法具有更好的稳定性。
[0099] 以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于圆盘定理的次/超同步振荡控制方法 | 2020-05-11 | 777 |
| 一种三维模型生成方法 | 2020-05-11 | 6 |
| 基于稀疏表示的杂波抑制方法 | 2020-05-13 | 26 |
| 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 | 2020-05-11 | 334 |
| 保持锐利特征的三维重建方法及系统 | 2020-05-11 | 170 |
| 一种基于过完备字典对的高码率信号获取方法 | 2020-05-13 | 52 |
| 直升机协同定位方法 | 2020-05-13 | 677 |
| 数据采集方法、系统、设备及存储介质 | 2020-05-12 | 781 |
| 一种基于虚拟训练的机器人智能抓取方法 | 2020-05-08 | 52 |
| 一种基于图像序列的模型形变人脸三维重建方案 | 2020-05-11 | 568 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈