针对监控图像受到多重噪声影响的特点,及安防对监控图像的信息量大小、子区域质量的特殊要求,提出一种基于空域特征的图像质量无参评估方法。该方法在图像自然场景统计模型空域特征基础上,引入图像二维信息熵作为特征之一;另外,提出分...针对监控图像受到多重噪声影响的特点,及安防对监控图像的信息量大小、子区域质量的特殊要求,提出一种基于空域特征的图像质量无参评估方法。该方法在图像自然场景统计模型空域特征基础上,引入图像二维信息熵作为特征之一;另外,提出分块分析方法,将图像的子区域质量并入图像特征;最后,通过机器学习优化特征权重,得到图像质量评价模型。交叉验证实验中,该方法对监控图像质量评估结果与主观质量得分的线性相关系数、斯皮尔曼等级相关系数均值分别为0.783和0.687,相对空域上的无参考质量评价方法 BRISQUE分别提高了0.7 d B和1.5 d B。实验结果表明,算法对监控图像质量评估结果与专业人士主观评价结果一致性明显高于对比算法。展开更多
为了解决因引入局部化思想的线性判别分析(Linear Discriminant Analysis, LDA)方法需要人工设置邻居个数而无法以自适应的方式挖掘数据的局部结构问题,提出了一种无参数的局部线性判别分析(Parameter-free Local Linear Discriminant A...为了解决因引入局部化思想的线性判别分析(Linear Discriminant Analysis, LDA)方法需要人工设置邻居个数而无法以自适应的方式挖掘数据的局部结构问题,提出了一种无参数的局部线性判别分析(Parameter-free Local Linear Discriminant Analysis, Pf-LLDA)方法。该方法首先建立了一个关于权重矩阵和变换矩阵的统一优化模型。然后,通过使用交替方向的方法迭代求解出了与数据局部结构相关的权重矩阵和与判别分析相关的变换矩阵。从而使得Pf-LLDA在无需人为设定邻居个数的情况下,自适应地挖掘出了数据的局部结构并最终实现了局部线性判别分析的能力。在仿真数据集和手写体真实数据集上的实验结果表明,Pf-LLDA挖掘出数据局部结构的同时实现了更优的判别分析结果。展开更多
文摘针对监控图像受到多重噪声影响的特点,及安防对监控图像的信息量大小、子区域质量的特殊要求,提出一种基于空域特征的图像质量无参评估方法。该方法在图像自然场景统计模型空域特征基础上,引入图像二维信息熵作为特征之一;另外,提出分块分析方法,将图像的子区域质量并入图像特征;最后,通过机器学习优化特征权重,得到图像质量评价模型。交叉验证实验中,该方法对监控图像质量评估结果与主观质量得分的线性相关系数、斯皮尔曼等级相关系数均值分别为0.783和0.687,相对空域上的无参考质量评价方法 BRISQUE分别提高了0.7 d B和1.5 d B。实验结果表明,算法对监控图像质量评估结果与专业人士主观评价结果一致性明显高于对比算法。
文摘为了解决因引入局部化思想的线性判别分析(Linear Discriminant Analysis, LDA)方法需要人工设置邻居个数而无法以自适应的方式挖掘数据的局部结构问题,提出了一种无参数的局部线性判别分析(Parameter-free Local Linear Discriminant Analysis, Pf-LLDA)方法。该方法首先建立了一个关于权重矩阵和变换矩阵的统一优化模型。然后,通过使用交替方向的方法迭代求解出了与数据局部结构相关的权重矩阵和与判别分析相关的变换矩阵。从而使得Pf-LLDA在无需人为设定邻居个数的情况下,自适应地挖掘出了数据的局部结构并最终实现了局部线性判别分析的能力。在仿真数据集和手写体真实数据集上的实验结果表明,Pf-LLDA挖掘出数据局部结构的同时实现了更优的判别分析结果。
