导读:本文包含了参考图像论文开题报告文献综述及选题提纲参考文献，主要关键词:图像质量评价,特征,视觉相似性
参考图像论文文献综述
崔力[1]（2019）在《基于多特征相似性融合的半参考图像质量评价》一文中研究指出提出了一种基于多特征相似性融合的半参考图像质量评价方法.在多个特征域,该算法采用不同的策略,分别评估了原始与待测图像之间的视觉相似性,并利用特征融合模块将上述特征相似性度量合并为图像整体质量指标,即MFSIQ(Multi-Feature Similarity based Image Quality).为验证所提出算法的性能,本研究分别在叁个主流数据库上,将所提出算法与主流的全参考以及无参考算法进行了性能比较.实验结果表明,MFSIQ的性能优于两种主流半参考算法和全参考算法PSNR,甚至可以媲美人们所熟知的全参考算法SSIM.(本文来源于《陕西科技大学学报》期刊2019年06期）
杨璐,魏敏[2]（2019）在《基于多任务无参考图像质量评价模型研究》一文中研究指出基于深度学习的无参考图像质量评价(NRIQA)模型常见2种结构,即单任务(Single-task)结构和多任务(Multi-task)结构。为了探讨在没有预训练情况下多任务结构对模型准确率影响,对比分析了基于MEON调整后的多任务模型及单任务模型在无参考图像质量评价任务上的性能优劣,其中多任务模型在图像质量评价数据库LIVE、TID2013上分别取得了0.882、0.871的准确率,表现出同等甚至优于单任务模型的性能。在此基础上,多任务模型的子任务输出维度实验表明在NRIQA研究中,子任务能够根据需求和目标在相关数据集上预训练,再结合质量评价任务微调,具有可迁移学习集成于其他任务中的优点。(本文来源于《计算机与现代化》期刊2019年11期）
高方远,何立火[3]（2019）在《基于深度网络和视觉特性的无参考图像质量评价方法》一文中研究指出图像质量评价是图像处理和计算机视觉领域的基础性问题,对于视觉信息的采集、处理和分析系统性能的评判具有重要的意义.现有的无参考型图像质量评价方法都是基于自然统计规律的,或者构建单一网络模型,并未考虑视觉感知特性,使得最终的评价结果与主观感受间存在较大差异.为此,本文提出一种结合多种网络特性和最差视觉感知特性的无参考型图像质量评价方法.首先,提取图像的去均值对比度归一化特征,将特征图进行重迭分块;然后,构建VGG与Inception相结合的深度网络,对图像块提取深度感知特征;最后,将分块图像的质量分数集合进行排序,利用视觉感知最差情况加权策略对序列进行加权求和,得到最终的图像质量分数.在国际公开的质量评价数据库CSIQ、LIVE和TID2013上的实验结果表明,本文方法取得了优于现有方法的主客观一致性性能.(本文来源于《南京师大学报(自然科学版)》期刊2019年03期）
Scott,Hunt[4]（2019）在《高性能图像传感器参考设计的核心集成与协作》一文中研究指出ADI公司与滨松光电子公司合作,建立了高性能模拟前端(AFE)板,与Hamamatsu G920x线性阵列NIR/SWI InGaAs图像传感器系列接口。920x系列图像传感器包括一个集成热电冷却器(TEC),用于冷却光学探测器,支持超低噪声操作,这使其成为高性能NIR/SWIR光谱应用(如天然气和矿物鉴定)的理想选择。(本文来源于《传感器世界》期刊2019年08期）
王晓红,黄中秋,肖颖,麻祥才,顾思成[5]（2019）在《基于无参考图像质量评价的反卷积去模糊算法》一文中研究指出针对数字图像在处理过程中容易产生模糊的现象,提出了基于无参考图像质量评价的自适应反卷积去模糊算法。首先,根据无参考图像质量评价结果与其失真等级的强相关性,通过计算模糊图像的无参考评价参数确定图像的模糊等级,进而根据图像模糊等级与模糊核的对应关系确定反卷积核;其次,提出将失真图像颜色空间转变到YUV,仅对失真图像Y通道进行去模糊处理,保证了彩色图像处理前后颜色的忠实性,并提高算法运算效率;最后,针对图像灰度剧烈变化的邻域出现类吉布斯(Gibbs)振荡分布的现象,提出基于梯度的权重矩阵进行控制。实验结果表明,本文提出的算法在Tid2008图库不仅能够对图像模糊进行快速有效去除,并且恢复图像的纹理细节能够得到有效保留。(本文来源于《光学仪器》期刊2019年04期）
马小雨,姜秀华[6]（2019）在《基于机器学习的全参考图像质量评价模型泛化能力分析》一文中研究指出图像质量评价模型的最终目的是在现实场景中准确度量给定图像的质量,然而目前大多数基于机器学习的图像质量评价模型都致力于在给定的图像数据库中取得较高准确率,却在一定程度上忽视了对其泛化能力的研究。本文通过主观评价实验建立一个包含多种失真类型、大量图像内容的图像数据库,在此基础上对多种基于机器学习的全参考图像质量评价模型的泛化能力进行验证。实验结果表明这类图像质量评价模型在特定数据集上可以取得极为准确的预测结果,但是其泛化能力较为有限,很难被应用于现实场景。(本文来源于《中国传媒大学学报(自然科学版)》期刊2019年04期）
李素梅,薛建伟,秦龙斌[7]（2019）在《基于融合图像的无参考立体图像质量评价》一文中研究指出长时间观看立体图像会导致视觉疲劳、恶心、头痛等不适感,如何结合人类的视觉特性对立体图像质量进行评价是近年来立体成像领域的研究热点.为此,本文提出了一种基于融合图像的无参考立体图像质量评价方法.为了更好地模拟人脑处理立体图像的过程,提出了一种先将左、右视图融合然后进行处理的融合图像算法.首先针对左、右视图分别在RGB 3个通道上进行Gabor滤波以模拟人眼的视觉多通道特性,获取其不同尺度和方向的结构特征,随后通过对比敏感度函数滤除图像的不重要频率信息,然后通过增益控制原理进行加权获得融合图像.相比之前无参考立体图像质量评价方法局限于提取手工裁剪的特征,本文采用直接将原始图像进行切块后,送入网络进行训练,让卷积神经网络自动地提取图像的特征,并且采用重迭切块的方法,相比于非重迭切块,重迭切块可以更好地保留相邻像素之间的关系,并且增加了训练的数据集.然而,与拥有几百万张图像组成的Imagenet数据库相比,立体图像数据库仅有几百张,而且构成图像的基向量是普适的,所以本文对在Imagenet数据库上训练好的Alexnet网络进行迁移学习,建立输入图像和输出质量值之间端到端的映射.迁移学习网络模型较传统卷积神经网络收敛快,而且具有更好的初始权重.最后,鉴于人眼在观看图像时总是倾向于从图像的中心开始寻找视觉注视点,然后其注意力由中央向四周递减,本文利用显着特性对图像小块的输出进行加权以更好地模拟人眼的视觉显着特性.在公开的LIVE3Dphase-Ⅰ、LIVE3Dphase-Ⅱ数据库上进行测试,结果表明本文所提方法在对称和非对称立体图像数据库上较其他方法均取得了较好的结果,能够与人类的主观感知保持良好的一致性.(本文来源于《天津大学学报(自然科学与工程技术版)》期刊2019年10期）
夏雨蒙,王永芳,叶鹏[8]（2019）在《联合结构与纹理特征的无参考图像质量评价方法》一文中研究指出提出了一种新的联合结构与纹理特征的无参考图像质量评价方法.将结构特征和纹理特征融合,共同作为支持向量回归的输入,建立图像质量评价模型.实验结果表明,所提出的新算法在2个混合失真图像数据库上的性能均优于已有的质量评价算法.(本文来源于《郑州大学学报(理学版)》期刊2019年03期）
闫钧华,白雪含,张寅,吕向阳,侯平[9]（2019）在《融合多特征的无参考复原遥感图像质量评价》一文中研究指出针对现有的无参考复原遥感图像质量评价方法特征提取不够充分的问题,文中提出一种融合多特征的无参考复原遥感图像质量评价算法GEDIQA(No-Reference Recovered Remote Sensing Image Quality Assessment Based On Fusion of Multiple Features(Gradient、Entropy and Difference Images),GEDIQA)。在复原遥感图像上,提取梯度特征、频域熵特征、差分图特征,并利用AdaboostBP神经网络,实现无参考复原遥感图像质量评价。创建了复原模糊光学遥感图像数据库RBORSID2(Recovered Blur Optics Remote Sensing Image Database2),在其上与其他图像质量评价算法进行了一致性比较,实验结果表明GEDIQA算法对复原遥感图像评价的SROCC(Spearman Rank Correlation Coefficient)在0.95以上,性能优于其它算法。(本文来源于《电子设计工程》期刊2019年12期）
陈曦,李雷达,李巧月,韩习习,祝汉城[10]（2019）在《基于自然场景统计的深度图像质量无参考评价方法》一文中研究指出深度图在视角合成中起着很重要的作用,深度信息的错误易导致合成视角几何位置上的误差。由于很难获得完美的深度图,文中提出了一种基于自然场景统计的无参考型深度图质量评价方法。首先利用Canny算子检测出图像边缘并确定边缘失真区域,然后分别计算边缘失真区域的梯度幅值和高斯-拉普拉斯图像。无失真深度图的边缘失真区域的梯度幅值和高斯-拉普拉斯算子分别符合韦伯分布和非对称高斯分布;由于存在失真的深度图的这两个分布会发生不同程度的偏移,因此在5个尺度下提取这两个分布的共计30个参数构成了所提方法的特征。最后通过随机森林建立评价模型来评价深度图的质量。在公开数据库上进行的测试结果显示,所提方法与主观评价结果有着很好的一致性,而且其性能优于现有的图像质量评价方法。(本文来源于《计算机科学》期刊2019年06期）
参考图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于深度学习的无参考图像质量评价(NRIQA)模型常见2种结构,即单任务(Single-task)结构和多任务(Multi-task)结构。为了探讨在没有预训练情况下多任务结构对模型准确率影响,对比分析了基于MEON调整后的多任务模型及单任务模型在无参考图像质量评价任务上的性能优劣,其中多任务模型在图像质量评价数据库LIVE、TID2013上分别取得了0.882、0.871的准确率,表现出同等甚至优于单任务模型的性能。在此基础上,多任务模型的子任务输出维度实验表明在NRIQA研究中,子任务能够根据需求和目标在相关数据集上预训练,再结合质量评价任务微调,具有可迁移学习集成于其他任务中的优点。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
参考图像论文参考文献
[1].崔力.基于多特征相似性融合的半参考图像质量评价[J].陕西科技大学学报.2019
[2].杨璐,魏敏.基于多任务无参考图像质量评价模型研究[J].计算机与现代化.2019
[3].高方远,何立火.基于深度网络和视觉特性的无参考图像质量评价方法[J].南京师大学报(自然科学版).2019
[4].Scott,Hunt.高性能图像传感器参考设计的核心集成与协作[J].传感器世界.2019
[5].王晓红,黄中秋,肖颖,麻祥才,顾思成.基于无参考图像质量评价的反卷积去模糊算法[J].光学仪器.2019
[6].马小雨,姜秀华.基于机器学习的全参考图像质量评价模型泛化能力分析[J].中国传媒大学学报(自然科学版).2019
[7].李素梅,薛建伟,秦龙斌.基于融合图像的无参考立体图像质量评价[J].天津大学学报(自然科学与工程技术版).2019
[8].夏雨蒙,王永芳,叶鹏.联合结构与纹理特征的无参考图像质量评价方法[J].郑州大学学报(理学版).2019
[9].闫钧华,白雪含,张寅,吕向阳,侯平.融合多特征的无参考复原遥感图像质量评价[J].电子设计工程.2019
[10].陈曦,李雷达,李巧月,韩习习,祝汉城.基于自然场景统计的深度图像质量无参考评价方法[J].计算机科学.2019