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.     

基于非全连接卷积神经网络的无参考图像质量评价方法

针对图像传统质量评价方法难以对人脑评价图像的复杂模型进行模拟的问题,提出了一种基于双路卷积神经网络的深度学习无参考质量评价方法. 该模型通过两路卷积网络的卷积层和池化层来提取图像特征,分别选用不同大小输入以保证每次对图像小范围进行评价,通过输入的卷积网络对周围环境进行参考,最终对图片进行综合评价时,使每幅图像之间都能相互关联. 实验结果表明,该模型在现有无参考图像质量评价方法效果突出,SROCC 值与PLCC 值均在0.95 以上,其质量评价结果与图像库中的人眼主观质量评价结果之间具有较好的一致性.     

基于稀疏表征的欠定盲源分离的研究

稀疏信号处理是研究欠定盲源分离的主要手段。本文介绍了稀疏分量分析的基本模型,在此基础上深入分析并讨论了基于稀疏表示的盲源分离算法。该算法对实际欠定混叠盲信号分离有重要的意义。     

基于字典稀疏表示和梯度稀疏的图像盲去模糊

基于超完备字典稀疏表示的图像复原利用字典的冗余性能够有效地恢复出图像的结构特征,但由于使用字典稀疏表示时需要对整幅图像进行分块处理,导致复原后的图像块之间重构图像常出现"伪像"效应。针对这一问题,本文将图像梯度稀疏统计特性作为先验知识加入稀疏表示图像盲去模糊模型中,提出了一种基于字典稀疏表示和梯度稀疏的图像盲去模糊算法,同时分析了算法的整体优化求解方法。实验分析和结果表明,本文算法能在一定程度上去除图像块之间的"伪像"效应,保持图像的结构特征和整体平滑。本文算法的去模糊图像在峰值信噪比和视觉效果两方面均有显著提高。     

基于多尺度特征逐层融合深度神经网络的无参考图像质量评价方法

现有的针对真实失真的无参考图像质量评价算法提取的特征对自然场景图像质量的表征能力较差,限制了其评估准确性和泛化能力。针对该问题,文中提出了一个基于多尺度特征逐层融合的深度神经网络(MsFF-Net)。首先,利用预训练的深度神经网络ResNet-50提取图像多尺度特征;然后,提出了一种特征融合模块,通过逐层递进融合相邻尺度特征,获得更准确表征图像质量的多尺度融合特征;接着,从多尺度融合特征提取低维特征,得到多粒度的图像质量感知特征;最后,利用由最高层特征自适应生成的全连接神经网络,对低维特征进行回归,得到自然场景图像的质量预测。仿真结果表明,MsFF-Net在真实失真数据库上的性能优于目前的大多数方法,而且在合成失真数据库上也取得了出色的评价性能。     

基于边缘信息的图像质量评价研究

针对传统客观图像质量评价方法没有考虑人眼的视觉信息这一问题,本文提出了一种基于边缘信息的图像质量评价方法。该方法考虑到人眼对图像的边缘信息敏感,运用Prewitt算子提取参考图像与失真图像的边缘信息,对两图像的边缘信息做均方误差,来衡量失真图像的质量,实验结果表明,该方法比传统评价方法更接近于图像的实际质量。     

基于稀疏重建的压缩图像质量提高方法

为了克服JPEG2000中低码率压缩图像在边缘处表现出的明显振铃效应严重降低了图像的人眼视觉质量的问题,在迭代凸集投影理论基础上,分析了迭代去噪方法恢复图像变换域稀疏数据的机理,提出了JPEG2000压缩图像重建算法.该算法保持压缩图像在小波域中的非零系数不变,通过迭代去噪恢复其他位置的小波系数.结果表明：提出方法有效地增强了JPEG2000压缩图像沿边缘的正则性,提高了图像的主客观质量,图像峰值信噪比平均提高0.52dB.     

基于图像多域特征缩放与BP网络的信息隐藏盲检测

为了提高图像信息隐藏通用盲检测的正确检测率，扩大通用盲检测的适用范围，提出一种基于多域特征缩放的图像信息隐藏盲检测方法，从图像的空域、DCT域和DWT域分别提取相邻像素对统计偏离度、DCT系数宏块中拉普拉斯分布的尺度参数的方差，以及小波系数高阶统计量作为特征，并按域进行特征值缩放，组成26维向量；然后设计BP神经网络分类器，进行训练和分类实现，对8种BMP和JPEG图像典型隐藏方法在多种嵌入比率情况下进行了实验，结果表明：该方法能对多种典型隐藏方法进行较为可靠的盲检测。     

采用形状一致性特征的盲图像质量评价方法

针对基于学习的盲图像质量评价方法评估性能易受训练样本库内容和学习策略影响的问题,提出一种无需训练学习的、采用条件直方图形状一致性特征的盲图像质量评价(SCCH)方法。该方法首先计算失真图像中相邻区分归一化变换系数的联合条件直方图,从中提取形状一致性特征;接着依尺度分解特征矢量,并利用公开数据库构造特征属性-主观评分字典;最后将特征子矢量一范数与字典中各特征属性比较排序,对字典中主观得分进行插值以计算失真图像质量评分。在两大公开数据库的实验结果表明,SCCH方法与图像质量主观评分的线性相关系数值大于0.82,稳定保持在较高水平。与传统盲图像质量评价方法相比,SCCH方法无需训练学习,质量评分公式形式简单,质量评价系统容易实现。     

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。     

基于组稀疏卡尔曼滤波的多步轨迹预测方法

提出一种基于组稀疏卡尔曼滤波的机动轨迹多步预测方法。首先引入组稀疏编码,通过一次学习建立简单的多步线性回归预测模型,克服了传统方法未能充分利用历史数据而导致预测精度降低的问题;再利用最小角回归算法来计算该模型的稀疏系数,进一步改善模型系数估计的准确性;然后改进了卡尔曼滤波算法,并结合上述组稀疏编码算法,来确保预测结果的精确性;最后通过与传统BP、长短时记忆网络和组稀疏编码方法的仿真比较,验证了所提方法的有效性。     

多输入多输出浅海水声信道响应的盲估计

提出一种在频率域实现的MIMO（multi—inputs multi—outputs）盲解卷积算法，可以在较低信噪比下求解得到浅海水声信道冲激响应的逆滤波器响应，不受时间域的原始信道阶数很长且稀疏的影响，经过求逆后得到原始MIM0浅海水声信道的冲激响应．最后采用合理的声场仿真模型验证了算法的有效性．     

基于双重注意力和分层感知表征的IQA方法

图像质量评价在图像处理领域有着广泛的应用．基于深度学习的方法以多通道特征的形式获取图像信息,但在特征下采样过程中会丢失局部空间细节,导致对于图像信息的表征能力不足．针对以上问题,本文基于人类视觉系统的分层感知机制,提出了一种全参考图像质量评价方法,采用Siamese结构的卷积神经网络实现非线性映射,从不同尺度和视觉复杂度表征图像信息,并通过双重注意力模拟人类在评价图像质量时对视觉注意力的调控过程．此方法在特征提取阶段引入空间注意力机制,对特征图的二维空间位置赋以权重,计算人在感知图像失真信息时对空间区域的注意力差别．在特征融合阶段利用分组通道注意力模块显式建模通道间的依赖关系,对感知差异特征进行自适应的校准,使网络关注对于图像质量评价影响大的通道特征．实验结果表明,该方法在LIVE、TID2013和CSIQ3个公开数据集上的斯皮尔曼相关系数分别达到0.975、0.938和0.963,在应对复杂失真类型图像时的性能提升显著,与人类主观评价的一致性良好．     

基于Gabor 相位和图像质量评价的高分辨率掌纹细节点提取算法

针对主线、褶皱线及噪声等造成高分辨率掌纹细节点提取困难的问题, 提出一种基于Gabor 相位和图像质量评价的高分辨率掌纹细节点提取算法。首先使用Gabor 振幅相位模型对掌纹图像进行描述, 并基于 Gabor 相位提出多尺度的细节点检测方法; 然后利用提取细节点过程中的信息, 设计基于傅里叶响应的质量评价方法和基于Gabor 振幅的质量评价方法; 最后融合两种质量评价结果, 并对检测到的细节点进行筛选。实验结果表明, 所提方法能够有效地提取高分辨率掌纹图像的细节点, 并去除不可信细节点。与其他方法相比, 具有更好的细节点提取结果。     

基于稀疏编码和ICA的带噪混叠语音盲分离

主要介绍了采用稀疏编码去噪技术对带噪观测混叠语音分别进行预消噪处理,然后再利用ICA盲分离算法对稀疏编码去噪后的混叠语音进行分离,从而得到各个语音源信号的估计．计算机仿真结果表明这种方案具有很好的分离效果．     

基于多阶结构表示的超分辨率重构图像质量盲评价方法

为了客观地预测超分辨率重构图像的质量,提出了一种基于多阶结构表示的超分辨率重构图像无参考质量评价方法.利用多阶导数信息表示超分辨率重构图像的主要结构和细微纹理,并利用局部二值模式提取超分辨率重构图像的多阶结构特征;结合主观分数,利用随机森林回归训练图像质量预测模型,再利用模型预测待测图像的质量.为了证明该算法的有效性和...     

基于视觉感知与学习的图像质量评价

针对几种经典评价方法的缺点,通过引入人眼的主观特性,提出一种基于视觉感知与学习(visual perception and learning,VPL)的方法,以解决人类视觉系统(human vision system,HVS)多通道评价融合的不稳定性。借助反向传播(back propagation,BP)神经网络构建了评价融合模型,分别对几种视觉感知算法的多通道评价进行融合,并基于回归函数对视觉感知算法的结果进行二次互补融合。结果表明,相对于现有主流方法,本文所提方法的各项评价指标均具有较大的优势。     

基于奇异值分解的图像质量评价

分析了传统的基于灰度误差的图像质量评价算法的局限,扩展了图像质量评价的定义.考虑原始图像和畸变图像尺寸不一致的情况,提出了用奇异值分解把图像矩阵转为向量,用奇异值向量之间的夹角作为图像的质量评价指标.实验表明:提出的基于奇异值向量夹角的准则对压缩、噪声和旋转、平移、尺度等几何畸变等都具有好的性质;且适于文中扩展的质量评价的定义.最后对实验结果和人类视觉系统的主观评价进行了比较分析.     

基于差值图像分块均方差的图像质量评价方法

图像质量评价是衡量信息隐藏算法性能的重要指标.常用的峰值信噪比(PSNR)图像质量评价方法基于原始图像和掩密图像的统计误差,本文针对峰值信噪比方法忽略像素误差分布情况的缺点,用统计差值图像像素块均方差的方法对其进行了改进.实验表明,该方法能更有效地衡量信息隐藏图像质量,比较符合人眼视觉特性的要求,而且计算简单.