基于神经网络的无参考图像质量评价研究
发布时间：2021-09-18 08:30
图像作为一种高效而直观的信息载体,在现代生活中有着不可替代的地位。然而数字图像在获取、存储、传输、显示等过程中,总会不可避免地引入一些干扰因素,如噪声、模糊、压缩等,这些都会造成图像质量的下降,不能满足最终观看者的要求。无参考图像质量评价的研究目标是通过建立一个与人类视觉系统相关的机器学习模型,不需要借助原始参考图像的任何信息,能够对失真图像的质量进行预测,最能够切近现实生活的应用,具有一定的现实意义。本文在深入研究无参考图像质量评价方法的基础上,提出了以下两点研究成果:1)提出了一种联合多种边缘算子的无参考图像质量评价方法,利用失真条件下一阶边缘信息和二阶边缘信息之间的相似性进行质量预测。该方法首先提取图像的梯度,相对梯度以及高斯拉普拉斯特征（Laplacian of the Gaussian function,LOG）,然后计算梯度和LOG之间的条件熵以及相对梯度和LOG之间的条件熵,最后使用提升方法Adaboost神经网络进行回归预测。在公共数据库LIVE和TID2008上进行仿真,实验结果表明本文提出的算法与主观评价分值有着很高的一致性。2)卷积神经网络由于其强大的特征表达能力...
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
Prewitt梯度滤波算子
第3章联合多种边缘检测算子的无参考质量评价算法21图3-2Sobel梯度滤波算子由于提高了中心点的权值，一般来说，Sobel算子的边缘定位能力要好于Prewitt，故本文使用前者提取梯度特征。大脑的视觉皮层神经元对图像中的局部信息和结构性信息高度敏感，因此局部信息往往对图像质量的预测起到重要的作用。另一方面，由于图像失真时会破坏图像的结构信息以及局部的各向异性，导致梯度方向的变化波动较大。在一定程度的失真下，梯度方向呈现近似均值分布，无法直接用来衡量失真水平。Liu[51]等人认为传统的梯度特征没有充分的发掘出图像的局部结构特点，梯度尤其是梯度方向应该与邻域其他像素点进行比较，他们称为相对梯度特征。相对梯度幅度和相对梯度方向可由下式计算得到：22__()()xxAVEyyAVERMIIII(3-5)__yAVExAVEIROGOarctanI(3-6)其中，_和_分别为Ix和Iy经过3×3均值滤波后得到，在计算RO时，同样要注意分母为零的问题。经过与邻域像素的比较，RO的概率分布不再是接近均值分布。他们还证明，对于不同类型和不同程度的失真，RO的分布具有一定的规律性，因此本文选取RO的标准差作为第一维特征。3.1.2LOG特征高斯拉普拉斯(LaplacianoftheGaussianfunction，LOG)常用于图像的边缘提取和二值化处理，具有位移不变性和旋转不变性的优点。LOG是对二阶边缘特征提取方法的一种改进，首先对目标图像进行最佳平滑处理（高斯滤波），最大程度的抑制噪声，然后再对平滑后的图像提取特征，由于其实际效果很好，因此广泛用于图像处理之中。LOG特征的计算公式如下，其中(,|)是二维高斯函数。
天津大学硕士学位论文2222221(,|)()22xygxyexp(3-7)2222(,|)(,|)(,|)LOGhxygxygxyxy222222421222xyxyexp(3-8)LOGLIh(3-9)其中hLOG是滤波模板，L是提取的LOG特征，参数σ是二维高斯函数的形状参数，本算法中将σ设置为0.5。3.1.3GM与LOG变化特性通常来说，更高阶的边缘特征可以获取更精细的图像结构[52]，但同样也更容易受到噪声的影响。GM属于一阶边缘信息，而LOG属于二阶边缘信息，在高斯噪声失真条件下，高阶的LOG特征更容易受到噪声的扰动，在失真严重的情况下会呈现均值分布，而GM特征的变化没有那么明显。而对于模糊类失真如高斯模糊、压缩失真等相当于对图像进行低通滤波，造成结构信息的丢失。随着图像质量变差，LOG特征无法获得高阶的精细特征，会与一阶边缘特征表现出越来越近似的分布。图3-3是选自LIVE数据库中的一张名为“stream.bmp”的参考图像和该图像GM特征以及LOG特征的概率分布图，可以看出参考图像的GM和LOG分布有一定的不同，GM幅值主要集中在低幅值区域。(a)(b)图3-3(a)LIVE数据库中的参考图像“stream.bmp”(b)该图像的GM和LOG概率分布为了验证上述观点，接下来我们对噪声类失真中的白噪声和模糊类失真中的高斯模糊进行讨论。从LIVE库中分别选取由图像“stream.bmp”生成的两类失
【参考文献】：
期刊论文
[1]无参考图像质量评价综述[J]. 王志明. 自动化学报. 2015(06)
[2]医学图像质量评价中的梯度加权SSIM[J]. 段影影,陈武凡,冯前进,马建华. 计算机工程与应用. 2011(24)
本文编号：3399818
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
Prewitt梯度滤波算子
第3章联合多种边缘检测算子的无参考质量评价算法21图3-2Sobel梯度滤波算子由于提高了中心点的权值，一般来说，Sobel算子的边缘定位能力要好于Prewitt，故本文使用前者提取梯度特征。大脑的视觉皮层神经元对图像中的局部信息和结构性信息高度敏感，因此局部信息往往对图像质量的预测起到重要的作用。另一方面，由于图像失真时会破坏图像的结构信息以及局部的各向异性，导致梯度方向的变化波动较大。在一定程度的失真下，梯度方向呈现近似均值分布，无法直接用来衡量失真水平。Liu[51]等人认为传统的梯度特征没有充分的发掘出图像的局部结构特点，梯度尤其是梯度方向应该与邻域其他像素点进行比较，他们称为相对梯度特征。相对梯度幅度和相对梯度方向可由下式计算得到：22__()()xxAVEyyAVERMIIII(3-5)__yAVExAVEIROGOarctanI(3-6)其中，_和_分别为Ix和Iy经过3×3均值滤波后得到，在计算RO时，同样要注意分母为零的问题。经过与邻域像素的比较，RO的概率分布不再是接近均值分布。他们还证明，对于不同类型和不同程度的失真，RO的分布具有一定的规律性，因此本文选取RO的标准差作为第一维特征。3.1.2LOG特征高斯拉普拉斯(LaplacianoftheGaussianfunction，LOG)常用于图像的边缘提取和二值化处理，具有位移不变性和旋转不变性的优点。LOG是对二阶边缘特征提取方法的一种改进，首先对目标图像进行最佳平滑处理（高斯滤波），最大程度的抑制噪声，然后再对平滑后的图像提取特征，由于其实际效果很好，因此广泛用于图像处理之中。LOG特征的计算公式如下，其中(,|)是二维高斯函数。
天津大学硕士学位论文2222221(,|)()22xygxyexp(3-7)2222(,|)(,|)(,|)LOGhxygxygxyxy222222421222xyxyexp(3-8)LOGLIh(3-9)其中hLOG是滤波模板，L是提取的LOG特征，参数σ是二维高斯函数的形状参数，本算法中将σ设置为0.5。3.1.3GM与LOG变化特性通常来说，更高阶的边缘特征可以获取更精细的图像结构[52]，但同样也更容易受到噪声的影响。GM属于一阶边缘信息，而LOG属于二阶边缘信息，在高斯噪声失真条件下，高阶的LOG特征更容易受到噪声的扰动，在失真严重的情况下会呈现均值分布，而GM特征的变化没有那么明显。而对于模糊类失真如高斯模糊、压缩失真等相当于对图像进行低通滤波，造成结构信息的丢失。随着图像质量变差，LOG特征无法获得高阶的精细特征，会与一阶边缘特征表现出越来越近似的分布。图3-3是选自LIVE数据库中的一张名为“stream.bmp”的参考图像和该图像GM特征以及LOG特征的概率分布图，可以看出参考图像的GM和LOG分布有一定的不同，GM幅值主要集中在低幅值区域。(a)(b)图3-3(a)LIVE数据库中的参考图像“stream.bmp”(b)该图像的GM和LOG概率分布为了验证上述观点，接下来我们对噪声类失真中的白噪声和模糊类失真中的高斯模糊进行讨论。从LIVE库中分别选取由图像“stream.bmp”生成的两类失
【参考文献】：
期刊论文
[1]无参考图像质量评价综述[J]. 王志明. 自动化学报. 2015(06)
[2]医学图像质量评价中的梯度加权SSIM[J]. 段影影,陈武凡,冯前进,马建华. 计算机工程与应用. 2011(24)
本文编号：3399818
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3399818.html
