针对现有图像质量评价方法的缺陷,通过深度学习理论建模人眼视觉系统(human vision system,HVS)特性,提出了一种基于视觉特征深度感知与学习融合(deeply perception and learning for pooling,DPLP)的评价方法。首先为了增加图像视觉特...针对现有图像质量评价方法的缺陷,通过深度学习理论建模人眼视觉系统(human vision system,HVS)特性,提出了一种基于视觉特征深度感知与学习融合(deeply perception and learning for pooling,DPLP)的评价方法。首先为了增加图像视觉特征的稳定性,根据人眼感光的空域结构特征和频域多通道特性,对图像依次进行二维Log-Gabor小波变换、梯度变换和频谱残余的深度视觉信息处理,然后分别提取各层视觉信息进行质量评价。其次为了克服HVS融合的不确定性,对质量评价信息采取了深度池化策略,第一层为评价视图的空域融合,采取了符合人眼感光特性的高斯加权策略;第二层为多通道评价的频域融合,采取了具有HVS推理能力的BP神经网络的学习-预测策略;第三层为各级视觉特征的评价融合,采取了具有自适应特性的回归函数策略。最后,基于现实中的各种失真类型图像进行了实验,结果表明所提方法具有较高的主客观评价一致性水平和更好的稳定性。展开更多
文摘针对现有图像质量评价方法的缺陷,通过深度学习理论建模人眼视觉系统(human vision system,HVS)特性,提出了一种基于视觉特征深度感知与学习融合(deeply perception and learning for pooling,DPLP)的评价方法。首先为了增加图像视觉特征的稳定性,根据人眼感光的空域结构特征和频域多通道特性,对图像依次进行二维Log-Gabor小波变换、梯度变换和频谱残余的深度视觉信息处理,然后分别提取各层视觉信息进行质量评价。其次为了克服HVS融合的不确定性,对质量评价信息采取了深度池化策略,第一层为评价视图的空域融合,采取了符合人眼感光特性的高斯加权策略;第二层为多通道评价的频域融合,采取了具有HVS推理能力的BP神经网络的学习-预测策略;第三层为各级视觉特征的评价融合,采取了具有自适应特性的回归函数策略。最后,基于现实中的各种失真类型图像进行了实验,结果表明所提方法具有较高的主客观评价一致性水平和更好的稳定性。
