基于改进WMTrA算法的无参考图像质量评价方法

基于机器学习的无参考图像质量评价方法依赖于大量训练样本,但训练数据集的构建需要耗费大量人力物力。依据迁移学习理论,面向上述问题,本文首先提出了一种基于改进加权多源TrAdaboost算法 (Weighted Multisource TrAdaboost,WMTrA)算法的无参考图像质量评价算法,它采用权重自动更新方式,挖掘辅助图像库中的有价值样本,只需少量目标图像库样本便可以建立准确的图像质量评价模型;然后,本文将它应用到无参考图像质量评价方法上,检测了其效果。在JPEG,JPEG2000失真图像上的评价结果表明,本文方法相比于传统机器学习算法,能够有效利用现有辅助数据集,减少对目标数据集的数量要求,是一种具有实用性的无参考图像质量评价方法。     

无参考JP EG压缩图像质量评价改进算法

针对传统JPEG压缩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JPEG压缩图像质量评价算法,以无参考为基础,提出一种快速有效的质量评价算法。该算法将人眼视觉系统特性引入到图像质量评价体系中,利用局部方差选取人眼感兴趣图像块代替整体图像,并只针对感兴趣图像块做特征提取处理,计算得出3个图像的特征值,最后将所有特征值整合为一个评价值,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,与传统整体图像JPEG压缩图像评价算法相比,该算法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。     

基于卷积神经网络的立体图像质量评价

随着立体图像的广泛应用,迫切需要一个具有通用性的工具来评估立体图像的视觉质量,因此提出一种基于卷积神经网络的无参考立体图像质量评价算法。首先使用平面图像数据集对算法框架的主体结构质量图生成网络进行训练;然后使用训练好的网络预测立体图像融合视点图像的质量;最后使用一种加权融合方法得到最终的立体图像质量分数。试验结果表明,算法框架具有相对较好的准确性和鲁棒性。     

基于半监督学习的单类分类器

半监督学习是一种利用有标记样本和无标记样本进行学习的新的机器学习方法。针对单分类中只有目标类标记样本和大量无标记样本的情况,提出了一种基于半监督学习的单类分类算法。利用已标识的有标记样本建立两个单类分类器,通过相互学习来挖掘未标记样本中的隐含信息,扩大有标记样本的数量。利用所有已标识样本,用不同的单分类方法建立多个单类分类器,通过集成学习的方法得到最终的分类器。在UCI数据集上进行了实验,表明提出的基于半监督学习的单类分类器的有效性。     

基于图像内容和双目特性的立体图像质量评价

为提高图像质量客观评价与主观评价的相关性,提出了一种基于图像内容和双目特性的立体图像质量评价方法。首先,分别对参考和失真图像的频域信息加权,提取感兴趣区域作为权重进行融合计算,得到基于图像内容的评价值;然后,利用拉普拉斯金字塔和双目加权模型实现对左右视点图像的逐层分解、融合,并重构合成图,得到基于双目特性的评价值;最后,结合两者得到立体图像质量评价值。以LIVE3D图像库为样本,将该方法与主观评价值作相关性分析。在相同条件下,对于五种失真类型的立体图像,其Spearman等级相关系数总体优于现有算法。结果表明,该评价方法对立体图像质量的预测结果与主观评价值具有较高的一致性。     

基于多层级信息稀疏表征的盲图像质量评价

针对现有盲图像质量评价只关注图像局部或全局特征,且难以有效聚合特征等问题,提出了一种基于多层级信息稀疏表征的评价方法.首先,利用合成失真技术构建大规模数据集;然后,在原始图像上提取图像块作为初级视觉信息建立局部描述子集,同时通过卷积神经网络提取高级语义信息建立全局描述子集,在此基础上利用稀疏编码进行无监督学习训练,得到局部描述子码本和全局描述子码本;最后,汇聚目标数据集训练样本在两类码本上的稀疏编码系数作为图像表征,结合已有标签训练支撑向量回归(SVR)模型以预测图像质量.在LIVE,CSIQ和TID2013单个数据库上的实验结果表明:所提算法具有较强的主客观一致性,整体性能优于其他先进方法.研究结果表明本文算法具有较强的泛化能力和攻防竞争力,有益于图像质量评价任务的广泛应用.     

基于近邻算法的GAN生成图像质量评价

GAN生成图像质量评价是指对GAN生成的图像进行评价,判断生成图像的失真度是否影响观察者的信息获取和主观感受.目前,GAN生成图像质量评价算法较少且算法运行效率不高.该文提出一种基于近邻算法的生成图像质量评价(Near-Neighbor based Generated Image Quality Assessment, NN-GIQA)算法,实现对GAN生成图像的自动、客观、高效评价.首先,基于ANN算法获取生成图像的近邻构成相似图像候选池,缩小生成图像对比范围;然后,基于KNN算法在相似图像候选池中获取与生成图像最相似的K个真实图像得到生成图像质量分数;最后,评价多个经典GAN模型在多个经典数据集上获取的生成图像的质量.实验结果表明本文方法有效提高了GAN生成图像质量评价的效率和准确性,运行时间仅为其他方法的1/9～1/28,其评价结果和人类主观评价结果的一致性达到80%以上,符合人类视觉感知.     

基于视觉感知高度相关的图像质量评价

评估并监控图像质量是数字图像处理技术的基础工作。客观图像质量评价(IQA)旨在通过计算机开发与人眼视觉感知密切相关的算法。本文充分模拟人眼视觉系统(HVS)和大脑机制,提出了一种新的基于机器学习的全参考型图像质量评价模型CGDR。该模型融合了图像的色度特征、梯度特征、对比敏感度函数(CSF)特征以及Gauss差分(DOG)频带特征。其中,改进后的梯度算法不仅包含更丰富的相邻信息和多方向边缘信息,同时强调了参考图像和失真图像的边缘相关性。在三个基准图像数据库上的实验结果表明,CGDR的预测性能优于八种主流方法,跨数据库测试体现出其强大的鲁棒性,预测结果能够与人眼主观感知保持高度一致性。     

一种基于同类融合的工业数据扩充算法

在基于深度网络的工业板材表面缺陷检测应用中,缺陷图像的类别不平衡和数量不足严重制约了深度网络的应用性能.为了解决此问题,提出一种基于同类融合的工业数据扩充方法以丰富表面缺陷图像训练集.首先根据缺陷特征将表面缺陷图像集中的样本进行分类,随机选择属于同一类别的多个样本执行融合操作以扩充数据量和丰富样本类型,然后将原始数据和扩充的人工数据组合起来作为新训练集,以提升模型分类和检测的能力.以实际生产中采集的钢材表面缺陷图像进行实验,并与生成算法扩充的样本进行比较.实验结果表明,该算法不仅在扩充表面缺陷图像质量上超过了卷积生成对抗网络(DCGAN)和循环一致生成对抗网络(CycleGAN)等生成算法,并在缺陷目标分类和检测任务上取得了更有效的扩充效果.     

沃尔什哈达玛变换域的无参考图像质量评价

图像失真会改变图像低频成份和图像高频成份的统计信息,基于这种特性,提出了一种新颖的无参考混合失真图像质量评价方法.首先对图像进行局部沃尔什哈达玛变换,将空域图像转换为局部沃尔什哈达玛变换图;然后在局部沃尔什哈达玛变换图上进行特征提取,即分别提取反映图像低频成份的零列率项和反映图像高频成份的非零列率项的旋转不变局部二值模式统计特征;最后利用支持向量回归网络训练特征,获得特征到质量分数的映射关系模型.在两个混合失真数据库(MLIVE数据库和MDID2013数据库)上对所提出的算法进行性能验证,实验结果表明,提出的算法具有很好的主客观评价一致性,性能优于目前现有较优秀的全参考图像质量评价算法和无参考图像质量评价算法.     

基于深度学习模型的图像质量评价方法

为了有效提取与视觉感知质量高度相关的图像特征,改进图像质量评价方法,在深度学习的框架下,提出一个全新的卷积神经网络IQF-CNN结构,能自动学习判别性更强的图像质量特征,并利用学习的特征进行图像质量评价.同时,该算法采用局部亮度系数归一化、dropout等技术进一步提高网络学习能力.实验结果表明:该算法能较准确地评估五种常用的图像失真,尤其在JPEG压缩、JPEG2000压缩和高斯模糊图像失真上与人眼主观感知质量具有很高的一致性,整体性能比较优于其他经典评价方法.     

基于斜面模型图像分割的改进JPEG图像压缩算法

基于Haralick斜面模型进行图像分割,提出了一种改进JPEG图像压缩算法.该算法考虑了图像中存在不同的区域,针对图像分割后得到的不同区域进行程度不同的压缩.实验结果表明,在相同的编码比特率下,重构图像质量要优于传统的JPEG压缩算法.     

联合结构与纹理特征的无参考图像质量评价方法

提出了一种新的联合结构与纹理特征的无参考图像质量评价方法.将结构特征和纹理特征融合,共同作为支持向量回归的输入,建立图像质量评价模型.实验结果表明,所提出的新算法在2个混合失真图像数据库上的性能均优于已有的质量评价算法.     

一种评价自动目标检测算法性能的方法

提出一种自动目标检测算法性能的评价方法，设计了一种实景目标背景图像合成方法，由此可以得到满足测试目标检测算法性能的要求且度量参数调整方便的测试图像集，确定了１６个图像质量度量指标，建立了性能评价的响应函数模型，采用因子分析，多元相关回归分析和Ｌｏｇｉｓｔｉｃ回归分析方法，研究算法性能与图像度量的统计关系。实验表明，所提出的目标检测算法性能评价方法是合理的。     

基于胶囊神经网络的合成孔径雷达图像分类方法

针对合成孔径雷达(synthetic aperture radar,SAR)图像的目标分类,传统的卷积神经网络(convolutional neural network,CNN)需要大量的数据样本进行训练,无法在小样本条件下进行,其应用受到限制。提出将胶囊神经网络(capsule network,Capsnet)算法用于SAR雷达图像的分类,针对小样本SAR数据集对Capsnet结构进行轻量化设计,并在MSTAR数据集上验证了该算法的有效性。结果表明,与CNN相比,基于Capsnet的SAR目标分类抗过拟合性强,泛化效果较好,具有更高的准确性,能够很好地实现SAR图像样本的分类。     

基于视觉特性的无参考型遥感图像质量评价方法

影响遥感图像成像质量的主要是模糊和噪声这2种失真因素,二者在空域和频域互相影响互相抑制,因此很难对同时存在这2种失真的遥感图像进行客观图像质量评价。该文利用人类视觉系统对模糊和噪声两种激励的响应特性不同,结合结构相似性度量方法,提出了一种基于视觉特性的无参考型图像质量评价方法。该方法同时考虑了模糊和噪声两方面因素,它不需要参考图像作为图像质量评价依据。实验结果表明:该方法的评价结果与全参考型图像质量评价方法的结果具有较高的相关性,是一种准确可靠的无参考型图像质量评价方法,并且易于实现。     

一种评价自动目标检测算法性能的方法

提出一种自动目标检测算法性能的评价方法，设计了一种实景目标背景图像合成方法，由此可以得到满足测试目标检测算法性能的要求且度量参数调整方便的测试图像集，确定了１６个图像质量度量指标，建立了性能评价的响应函数模型，采用因子分析、多元相关回归分析和Ｌｏｇｉｓｔｉｃ回归分析方法，研究算法性能与图像度量的统计关系，实验表明，所提出的目标检测算法性能评价方法是合理的。     

基于残差集的CFA图像序列无损压缩新算法

提出了一种基于残差集的颜色滤波阵列(CFA)图像序列的无损压缩新算法.通过构造CFA图像序列的残差集,去除图像序列间的数据冗余;设计了一种最佳可逆滤波器对残差集图像进行通道分离滤波,去除图像内的冗余信息,提高CFA图像压缩性能.将该算法与通道分离滤波JPEG和PNG算法进行了对比,结果证明,残差集无损压缩算法具有最高的数据总量压缩比、最低的平均压缩率和最好的重建CFA图像峰值信噪比.     

一种基于条件信息熵的多目标代价敏感属性约简算法的研究

代价敏感学习是数据挖掘和机器学习领域的重要课题.已有的研究方法多数针对单目标进行优化,并不适用于多目标代价敏感问题的解决.因此通过分析基于粗糙集领域的单目标代价敏感属性约简问题,定义了多目标代价敏感属性约简问题,并设计了一种简单高效的算法.在4个UCI数据集上的实验结果表明,该算法能获得令人满意的帕累托最优解集,以辅助用户进行方案的选择.     

基于稀疏编码空间金字塔模型的零样本学习

针对目前零样本图像分类均采用图像底层视觉特征训练属性分类器而导致分类精度较低的问题,提出一种基于稀疏编码空间金字塔模型的零样本学习方法,给出系统结构流程图.首先从原始视觉图像中提取SIFT特征,并进行SIFT特征点提取;然后构建空间金字塔最大池化模型,对已提取的SIFT中间特征进行稀疏编码;最后建立间接属性预测模型.给出基于稀疏编码的空间金字塔最大池化模型的零样本学习算法步骤,完成对目标图像的属性预测,从而达到零样本图像分类的目的.在Shoes数据集与OSR数据集上进行了对比试验.结果表明:试验证实了文中算法的有效性;相对于传统算法,试验耗时减少,图像属性预测精度增加,图像分类识别率提高.