一种结合边缘检测的模糊估计新方法

传统的图像质量评价方法MSE和PSNR都是基于全参考(FR)的质量评价方法,这就要求在对图像进行质量评价时给出参考图像,因此这种方法在实际应用中并不实用,而无参考(NR)图像质量评价正好解决了这一问题,因此具有重要意义.针对数字图像的客观质量评价,从模糊距离检测角度,提出了一种结合边缘检测的图像模糊估计的无参考图像质量评价方法,对比现有模糊检测方法,此方法比单独的边缘检测方法和模糊估计方法更为有效.经过对结果的分析与比较,本文方法的检测结果与主观感知质量有很好的相关性,而且算法具有复杂性低、无需参考源、检测准确性高、可移植性强等特点,因此实用性比较强.     

一种针对图像模糊的无参考质量评价指标

在成像模型的基础上,分析了图像模糊的原因,提出了一种为图像构造参考图像的方法,进而将结构相似度(SSIM)评价方法引入到无参考图像质量评价中,提出一种无参考结构清晰度(NRSS)的新的无参考图像质量评价方法,将其用于对模糊图像的质量评价。该方法通过低通滤波器来构造参考图像,通过计算原始图像与参考图像的结构相似度值来评价原始图像质量,很好地结合了成像系统的数学模型和结构相似度评价方法的优势,实验结果表明无参考结构清晰度评价指标能够给出和主观评价方法以及其余有参考评价方法一致的结果。     

无参考模糊图像质量评价改进算法

针对传统无参考模糊图像质量评价算法存在高计算复杂度的问题,通过改进经典的二次模糊处理算法,提出一种快速有效的无参考模糊图像质量评价方法。该算法基于人眼视觉系统(HVS)特性,利用局部方差选取人眼感兴趣图像块代替整体图像,并将感兴趣图像块通过低通滤波处理,构造模糊图像块,通过计算滤波前后图像块相邻像素差值变化大小获取原始整体图像的客观质量评价参数。仿真测试结果表明,该算法与传统整体图像二次模糊算法相比,皮尔逊相关系数提高0.01,与主观评价结果更为一致;运算速度提高一倍,降低了运算复杂度。     

无参考模糊图像质量评价改进算法

针对传统无参考模糊图像质量评价算法存在高计算复杂度的问题,通过改进经典的二次模糊处理算法,提出一种快速有效的无参考模糊图像质量评价方法。该算法基于人眼视觉系统(HVS)特性,利用局部方差选取人眼感兴趣图像块代替整体图像,并将感兴趣图像块通过低通滤波处理,构造模糊图像块,通过计算滤波前后图像块相邻像素差值变化大小获取原始整体图像的客观质量评价参数。仿真测试结果表明,该算法与传统整体图像二次模糊算法相比,皮尔逊相关系数提高0.01,与主观评价结果更为一致;运算速度提高一倍,降低了运算复杂度。     

图像模糊度评价及其应用综述

图像模糊度指的是一种图像降质程度,对其进行评价有着重要的意义。图像模糊度评价属于图像质量评价的一种,目前图像模糊度评价客观方法分为全参考图像模糊度评价、半参考图像模糊度评价、无参考图像模糊度评价三种。本文对上述三种评价方法及其应用进行了分析,尤其对无参考图像模糊度评价算法进行深入探讨,分析其应用适用性,并对其今后发展进行了展望。     

基于深度学习的无参考图像质量评价综述

图像质量评价是图像处理、图像/视频编码等领域的基础性问题,用于评估图像的失真程度,被广泛应用于算法设计与分析、系统性能评估等方面.无参考图像质量评价(又称为盲图像质量评价)是一种重要的客观质量评价方法.因为无须原始的参考图像,因此具有广泛的应用前景.近年来,随着深度学习技术的不断发展,人们提出了多种基于深度学习的无参考...     

模糊失真图像无参考质量评价综述EI北大核心CSCD

图像的模糊问题影响人们对信息的感知、获取及图像的后续处理.无参考模糊图像质量评价是该问题的主要研究方向之一.本文分析了近20年来无参考模糊图像质量评价相关技术的发展.首先,本文结合主要数据集对图像模糊失真进行分类说明;其次,对主要的无参考模糊图像质量评价方法进行分类介绍与详细分析;随后,介绍了用来比较无参考模糊图像质量评价方法性能优劣的主要评价指标;接着,选择典型数据集及评价指标,并采用常见的无参考模糊图像质量评价方法进行性能比较;最后,对无参考模糊图像质量评价的相关技术及发展趋势进行总结与展望.     

顾及源图像质量的可见光和红外图像融合算法

分析了目前图像融合算法存在的问题,提出顾及源图像质量的可见光和红外图像融合的算法。以图像融合理论方法为基础,引入图像质量评价方法,构建了顾及源图像质量的图像融合基本框架。以区域加权信息熵作为可见光和红外图像评价方法,并以图像质量评价结果作为小波变换的系数权值来进行图像融合,分别以图像的平均灰度、标准差、信息熵、空间频率作为评价指标对融合后的图像进行质量评价,提出了基于区域加权信息熵的可见光与红外图像融合算法。最后选取多组可见光和红外图像进行图像融合实验。实验结果表明:顾及源图像质量的可见光和红外图像融合算法是完全可行和有效的。     

超分辨图像质量评价综述

全面综述了超分辨图像质量评价的研究进展。超分辨图像质量评价是以人眼的主观质量评价结果为依据,利用算法模型对重建的超分辨图像进行评价。该评价方法对超分辨重建算法的优化和模型参数的选择具有重要的指导意义。首先对超分辨图像的主观评价方法进行阐述;其次对现有超分辨图像客观评价方法按照全参考型、部分参考型和无参考型进行了分类阐述,特别详细介绍了几种具有代表性的无参考质量评价的主要思想;接着从定量和定性两方面分别介绍了评价超分辨图像质量评价方法有效性的指标,并对评价算法的主要实验方法进行了简要阐述;最后对超分辨图像质量评价方法未来的发展趋势进行了展望。     

运动模糊图像的质量分析与评价

提出了一种新的图像质量评价标准,通过图像的运动模糊参数来估计出图像由于运动而造成的信息损失量,并通过信息损失的多少来评价图像的质量。实验表明,该方法能客观地体现出运动模糊图像的质量与运动模糊参数之间的关系,这种关系对于图像的质量评价特别是有参考条件下的图像质量评价具有良好的效果。同时还根据活动度和图像灰度梯度能客观地表示图像细节部分的特性。将图像分块,并从8个方向对图像进行分析,客观地评价出无参考条件下直线运动模糊图像的质量。     

基于小波系数模糊积分的图像融合算法研究

提出一种新的基于Choquet模糊积分的图像融合方法。首先利用小波系数的区域特征获取模糊积分的信度函数,其次根据局部窗口内的模糊边缘评价函数自适应地构造模糊密度,最后由Choquet模糊积分确定融合后的小波系数,从而得到融合图像。将此方法应用于微光与红外图像融合处理中,实验结果表明,Choquet模糊积分法可以使得最终的融合图像在空间细节信息的增强和光谱信息的保持两方面的综合性能得到提高。     

核空间广义均衡模糊C-均值聚类算法

目的 针对现有广义均衡模糊C-均值聚类不收敛问题,提出一种改进广义均衡模糊聚类新算法,并将其推广至再生希尔伯特核空间以便提高该类算法的普适性。方法 在现有广义均衡模糊C-均值聚类目标函数的基础上,利用Schweizer T范数极限表达式的性质构造了新的广义均衡模糊C-均值聚类最优化目标函数,然后采用拉格朗日乘子法获取其迭代求解所对应的隶属度和聚类中心表达式,同时对其聚类中心迭代表达式进行修改并得到一类聚类性能显著改善的修正聚类算法;最后利用非线性函数将数据样本映射至高维特征空间获得核空间广义均衡模糊聚类算法。结果 对Iris标准文本数据聚类和灰度图像分割测试表明,提出的改进广义均衡模模糊聚类新算法及其修正算法具有良好的分类性能,核空间广义均衡模糊聚类算法对比现有融入类间距离的改进模糊C-均值聚类(FCS)算法和改进再生核空间的模糊局部C-均值聚类(KFLICM)算法能将图像分割的误分率降低10%30%。结论 本文算法克服了现有广义均衡模糊C-均值聚类算法的缺陷,同时改善了聚类性能,适合复杂数据聚类分析的需要。     

基于模糊Havrda-Charvát熵与混沌PSO算法的红外人体图像分割

针对红外人体图像成像质量较差的问题,提出一种基于模糊Havrda-Charvát熵的快速阈值分割方法.首先应用Z形及S形隶属度函数把图像灰度直方图信息转换到模糊域,定义图像背景与目标的模糊Havrda-Charvát熵;然后提出一种基于Tent映射的混沌粒子群优化算法,把隶属度函数参数组合作为粒子,根据最大熵原理确定参数的最佳组合,再由最佳隶属度函数参数计算得到图像的最佳分割阈值.在真实红外人体图像集上与几种经典的图像阈值方法进行对比实验的结果,说明了该方法的有效性和鲁棒性.     

基于新模糊准则与 DE算法的红外人体图像分割 *

人体目标的抽取是红外人体图像处理的基础 ,为了有效获取红外图像中的人体目标 ,提出了一种新的图像阈值化方法。首先在对模糊熵方法本质分析的基础上 ,通过参数变换定义了一种新的最小化模糊准则 ,然后将差分演化 ( differential evolution, DE)算法与新模糊准则相结合用于快速、有效地获取最佳阈值 ,最后在真实红外人体图像上与其他方法进行了对比实验。实验结果表明 ,所提出的方法不仅能得到理想的分割结果 ,而且 CPU耗时也较少 ,满足实时性处理要求。     

No-reference image quality assessment using interval type 2 fuzzy sets

Image quality assessment of distorted or decompressed images without any reference to the original image is challenging from computational point of view. Quality of an image is best judged by human observers without any reference image, and evaluated using subjective measures. The paper aims at designing a generic no-reference image quality assessment (NR-IQA) method by incorporating human visual perception in assigning quality class labels to the images. Using fuzzy logic approach, we consider information theoretic entropies of visually salient regions of images as features and assess quality of the images using linguistic values. The features are transformed into fuzzy feature space by designing an algorithm based on interval type-2 (IT2) fuzzy sets. The algorithm measures uncertainty present in the input–output feature space to predict image quality accurately as close to human observations. We have taken a set of training images belonging to five different pre-assigned quality class labels for calculating foot print of uncertainty (FOU) corresponding to each class. To assess the quality class label of the test images, maximum of T-conorm applied on the lower and upper membership functions of the test images belonging to different classes is calculated. Our proposed image quality metric is compared with other no-reference quality metrics demonstrating more accurate results and compatible with subjective mean opinion score metric.     

基于对偶树复小波变换的模糊图像质量评价

小波域和结构相似度SSIM的质量评价方法已经成为图像处理领域的研究热点,然而都存在一定的缺陷:传统的离散小波变换缺乏平移不变性,其方向选择性也十分有限;对于严重模糊的图像,SSIM评价结果并不十分准确。基于此,提出了一种适应于模糊图像质量评价的新算法。该算法用对偶树复小波变换DTCWT将图像进行分解来获取复小波系数,然后对所得到的六个方向的高频子带系数分别进行平均梯度幅度值的结构相似度MGSIM测量,最后将所得到的全部MGSIM的均值作为最终的原始模糊图像的模糊值。仿真实验验证了本方法比结构相似度更吻合人眼的视觉效果,与主观评价方法具有很好的一致性,并且在各方面的性能都优于目前有关文献的方法。     

互信息域中的无参考图像质量评价

目的无参考图像质量评价是近几年来的研究热点,具有深远的现实意义和广泛的应用价值,提出一种基于互信息的无参考图像质量评价方法。方法该方法使用原始自然图像及其对应的规范化亮度图像和局部标准差图像作为输入,利用自相关互信息对输入图像邻近像素间的相关性进行量化,并引入多尺度分析得到图像在两个尺度上的互信息特征,最后使用支持向量机(SVM)在LIVE图像数据库上训练学习,从而对多类失真图像进行客观质量评价。结果在LIVE图像数据库中对本文算法进行性能测试,实验结果显示该算法得到的评价结果与人眼主观评价结果之间的平均相关系数高达0.93,总体分类准确率达到79%,性能足以与当前主流的全参考、无参考方法相竞争。结论本文方法有别于传统的基于变换的无参考图像质量评价方法,将着眼点放于自然图像邻近像素之间的固有联系上,并取得了较好的实验效果。由于没有使用图像变换并从全局域进行考虑,本文方法具有较低的时间复杂度。     

小波域红外图像增强算法研究

由于红外图像成像机理及红外成像系统自身的原因,红外图像大多对比度低、细节信息不明显,视觉效果差,需要经过增强处理改善图像质量。提出一种基于小波的多分辨分析方法和Retinex图像增强算法相结合的红外图像增强方法。利用小波把红外图像分解成近似子图像和细节子图像,对近似子图像进行改进的Retinex增强算法处理,对细节子图像采用多策略小波阈值增强,最后小波重构得到增强的红外图像。实验结果表明,该算法对红外图像具有较好的增强效果。     

红外图像的一种Type-Ⅱ模糊增强算法

提出了一种基于Type-Ⅱ模糊集的红外图像增强算法,该算法首先根据像素的邻域相关性对图像进行预处理,然后以Ostu分割阈值为基础,构造了红外图像的Type-Ⅱ模糊特征平面;然后,采用不同的变换规则对图像进行模糊增强,并将结果进行融合;最后,通过Type reduction和去模糊化操作得到增强后的输出图像。对几幅典型的红外图像的增强实验表明,提出的方法能够有效地提高红外图像的对比度。     

Fuzzy entropy based optimal thresholding using bat algorithm

Image segmentation is a very significant process in image analysis. Much effort based on thresholding has been made on this field as it is simple and intuitive, commonly used thresholding approaches are to optimize a criterion such as between-class variance or entropy for seeking appropriate threshold values. However, a mass of computational cost is needed and efficiency is broken down as an exhaustive search is utilized for finding the optimal thresholds, which results in application of evolutionary algorithm and swarm intelligence to obtain the optimal thresholds. This paper considers image thresholding as a constrained optimization problem and optimal thresholds for 1-level or multi-level thresholding in an image are acquired by maximizing the fuzzy entropy via a newly proposed bat algorithm. The optimal thresholding is achieved through the convergence of bat algorithm. The proposed method has been tested on some natural and infrared images. The results are compared with the fuzzy entropy based methods that are optimized by artificial bee colony algorithm (ABC), genetic algorithm (GA), particle swarm optimization (PSO) and ant colony optimization (ACO); moreover, they are also compared with thresholding methods based on criteria of between-class variance and Kapur's entropy optimized by bat algorithm. It is demonstrated that the proposed method is robust, adaptive, encouraging on the score of CPU time and exhibits the better performance than other methods involved in the paper in terms of objective function values.