RGB色彩空间中各色彩分量间存在强相关性,图像发生失真会改变各分量间的相关性.基于此,本文提出了一种新的通用无参考图像质量评价方法.首先,根据人类视觉对RGB色彩空间中绿色分量更为敏感的颜色感知特性,提取了G分量MSCN系数及其4方向...RGB色彩空间中各色彩分量间存在强相关性,图像发生失真会改变各分量间的相关性.基于此,本文提出了一种新的通用无参考图像质量评价方法.首先,根据人类视觉对RGB色彩空间中绿色分量更为敏感的颜色感知特性,提取了G分量MSCN系数及其4方向邻域系数的统计特征;其次,在分析RGB色彩空间中R、G及B分量间相关性的基础上,分别计算RGB色彩空间各色彩分量及其纹理、相位间的互信息,利用互信息作为统计特征来描述其各分量间的相关性;进而,结合上述统计特征,分别利用SVR和SVC构建无参考图像质量评价模型和图像失真类型识别模型;最后,在LIVE、CSIQ及TID2008图像质量评价数据库上进行了算法与DMOS(Different mean opinion score)的相关性、失真类型识别及计算复杂性等方面的实验.实验结果表明,本文方法的评价结果与人类主观评价具有高度的一致性,在LIVE数据库上的斯皮尔曼等级相关系数和皮尔逊线性相关系数均在0.942以上;而且,图像失真类型识别模型的识别准确率也高达93.59%,明显高于当今主流无参考图像质量评价方法.展开更多
针对目前的无参考评价方法无法准确反映人类对图像质量的视觉感知效果,该文提出一种基于自然统计特征分布(DIstribution Characteristics of Natural statistics,DICN)的无参考图像质量评价方法。其原理是用小波变换将图像分解为低频子...针对目前的无参考评价方法无法准确反映人类对图像质量的视觉感知效果,该文提出一种基于自然统计特征分布(DIstribution Characteristics of Natural statistics,DICN)的无参考图像质量评价方法。其原理是用小波变换将图像分解为低频子带和高频子带部分,再将高频子带部分分成8′8的小块,提取每一子块的幅值和信息熵,并分别计算其分布直方图均值和斜度作为特征,利用支持向量回归思想对特征进行训练,建立5种不同失真类型的质量预测模型。在此基础上,采用支持向量机针对图像特征构造分类器并进行失真判断以确定不同失真的权重,结合5种失真评价模型可得到自然统计特征分布的无参考评价模型。实验结果分析表明,该算法的评价效果优于现有的经典算法,与主观评价具有较好一致性,能够准确反映人类对图像质量的视觉感知效果。展开更多
文摘RGB色彩空间中各色彩分量间存在强相关性,图像发生失真会改变各分量间的相关性.基于此,本文提出了一种新的通用无参考图像质量评价方法.首先,根据人类视觉对RGB色彩空间中绿色分量更为敏感的颜色感知特性,提取了G分量MSCN系数及其4方向邻域系数的统计特征;其次,在分析RGB色彩空间中R、G及B分量间相关性的基础上,分别计算RGB色彩空间各色彩分量及其纹理、相位间的互信息,利用互信息作为统计特征来描述其各分量间的相关性;进而,结合上述统计特征,分别利用SVR和SVC构建无参考图像质量评价模型和图像失真类型识别模型;最后,在LIVE、CSIQ及TID2008图像质量评价数据库上进行了算法与DMOS(Different mean opinion score)的相关性、失真类型识别及计算复杂性等方面的实验.实验结果表明,本文方法的评价结果与人类主观评价具有高度的一致性,在LIVE数据库上的斯皮尔曼等级相关系数和皮尔逊线性相关系数均在0.942以上;而且,图像失真类型识别模型的识别准确率也高达93.59%,明显高于当今主流无参考图像质量评价方法.
文摘针对目前的无参考评价方法无法准确反映人类对图像质量的视觉感知效果,该文提出一种基于自然统计特征分布(DIstribution Characteristics of Natural statistics,DICN)的无参考图像质量评价方法。其原理是用小波变换将图像分解为低频子带和高频子带部分,再将高频子带部分分成8′8的小块,提取每一子块的幅值和信息熵,并分别计算其分布直方图均值和斜度作为特征,利用支持向量回归思想对特征进行训练,建立5种不同失真类型的质量预测模型。在此基础上,采用支持向量机针对图像特征构造分类器并进行失真判断以确定不同失真的权重,结合5种失真评价模型可得到自然统计特征分布的无参考评价模型。实验结果分析表明,该算法的评价效果优于现有的经典算法,与主观评价具有较好一致性,能够准确反映人类对图像质量的视觉感知效果。
