针对人类视觉系统(HVS)特性在图像质量评价研究中的不足,提出一种将HVS前端感知特性和后端内推特性联合起来的图像质量评价方法。图像首先经由HVS前端感知特性提取视觉多通道梯度特征显著图,然后再经由HVS后端内推机制对各视觉通道梯度...针对人类视觉系统(HVS)特性在图像质量评价研究中的不足,提出一种将HVS前端感知特性和后端内推特性联合起来的图像质量评价方法。图像首先经由HVS前端感知特性提取视觉多通道梯度特征显著图,然后再经由HVS后端内推机制对各视觉通道梯度特征信息进行深度分解。针对HVS多通道评价的池化问题,构建BP神经网络预测模型,对基于三层视觉梯度特征的多通道评价分别进行了融合。最后,通过设计自适应回归算法对各层视觉梯度特征的模型融合评价从内层到外层逐层地进行了二次深度融合。实验结果表明,所提融合模型明显提高了各个客观算法的各项评价指标水平,其中,均方根误差(root mean squared error,RMSE)小于3.4153,皮尔逊线性相关系数(pearson linear correlation coefficient,PLCC)大于0.9900,斯皮尔曼排序相关系数(spearman rank order correlation coefficient,SROCC)大于0.9725,所提方法的各项评价指标相对现有方法具有更高的水平和更好的稳定性。展开更多
文摘针对人类视觉系统(HVS)特性在图像质量评价研究中的不足,提出一种将HVS前端感知特性和后端内推特性联合起来的图像质量评价方法。图像首先经由HVS前端感知特性提取视觉多通道梯度特征显著图,然后再经由HVS后端内推机制对各视觉通道梯度特征信息进行深度分解。针对HVS多通道评价的池化问题,构建BP神经网络预测模型,对基于三层视觉梯度特征的多通道评价分别进行了融合。最后,通过设计自适应回归算法对各层视觉梯度特征的模型融合评价从内层到外层逐层地进行了二次深度融合。实验结果表明,所提融合模型明显提高了各个客观算法的各项评价指标水平,其中,均方根误差(root mean squared error,RMSE)小于3.4153,皮尔逊线性相关系数(pearson linear correlation coefficient,PLCC)大于0.9900,斯皮尔曼排序相关系数(spearman rank order correlation coefficient,SROCC)大于0.9725,所提方法的各项评价指标相对现有方法具有更高的水平和更好的稳定性。
