导读:本文包含了无参考图像质量评价论文开题报告文献综述及选题提纲参考文献,主要关键词:深度学习,无参考图像质量评价,单任务模型,多任务模型
无参考图像质量评价论文文献综述
杨璐,魏敏[1](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[2](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)
王晓红,黄中秋,肖颖,麻祥才,顾思成[3](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)
夏雨蒙,王永芳,叶鹏[4](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)
赵亚丹[5](2019)在《高效无参考图像质量评价方法研究》一文中研究指出多媒体设备及信息科技的进步使数字图像的获取、分享变得越来越便捷。与此同时,由于拍摄设备各异、环境复杂、传输处理等因素,数字图像的质量无法得到保证,即数字图像从产生到最终到达消费者这一过程中,其质量容易受到损伤。因此,如何准确地评价图像的质量,并在各个环节严格监控图像的质量,最大限度地保证图像的质量不受影响对数字图像的应用具有重要的意义。图像最终会呈现在消费者面前,所以最可靠的评价策略为由测试者对图像的质量做出判断,即主观质量评价。然而,这种方式需要耗费大量的人力资源,在实际应用中也无法操作,所以,客观质量评价,即通过设计算法来对图像的质量进行评价变得尤为重要。基于此,本文针对客观质量评价展开深入研究。研究内容与创新点主要有:在无参考的质量评价方面,现有的方法大多属于有监督的方法,这类方法根据失真图像的主观分数在训练集上训练一个质量评价模型,然后利用该模型进行预测,这类方法通常受限于所使用的训练集,改变数据库算法性能会受到一定的影响,算法的泛化能力有限。然而,无监督方法不需要主观分数的介入而具有较强的泛化能力。因此,本文研究无监督的质量评价方法,通过探索自然图像的统计特性与视觉显着性对图像质量的表征作用,建立一个基于自然图像统计和视觉显着性的无监督无参考质量推断模型,实验结果表明提出的模型取得了优越的质量预测性能。对比度失真是常见的图像失真类型中的一种,通常由于曝光不当导致,比如过曝光或者曝光不足导致获取的图片过亮、过暗等。现有的无参考评价方法通常只给出一个质量分数,而不能对图像的失真情况进行描述,比如给出图像哪个区域存在失真,失真程度的大小等详细信息,而这些信息可以用于指导图像对比度增强等,具有重要的实用价值。因此,本章提出一种对比度失真图像描述方法,通过卷积神经网络学习一个局部失真映射模型,通过该模型对图像中对比度失真区域及失真程度进行准确描述,实验结果验证了模型的有效性。(本文来源于《哈尔滨工业大学》期刊2019-06-01)
张爽爽[6](2019)在《基于卷积神经网络的无参考图像质量评价及应用》一文中研究指出当前,图像应用正处于飞速发展的阶段,很多相关的图像技术和服务已经被引入到我们的日常生活以及许多专业领域中。图像质量评价是图像处理、机器学习和计算机视觉等领域中非常具有挑战性的方向之一,受到人们越来越多的关注。在收集、传输、处理和显示图像的时候,可能会发生各种各样的失真。耗时耗力的人工图像质量监督成本太高,并且当前的图像画面质量自动检测技术在实时性和有效性方面还未达到应有的效果。因此,建立一种具有实时性和有效性的图像质量评估方法成为一个越来越热的研究方向。本文主要提出了一种平面图像质量评价方法和叁种立体图像质量评价方法,主要工作概括如下:首先,提出了一种基于全卷积网络无参考平面图像质量评价方法。网络框架预测质量图,进而加权池化得到最终的预测图像质量得分。然后,基于前一种平面图像评估方法,拓展到立体图像质量评价,提出一种基于卷积网络和显着性加权的立体图像质量评价算法,该框架的主体模型是质量图生成网络。还有一种立体评价方法是基于深度融合网络的立体图像质量评价方法。主要是将立体图像的浅层卷积网络特征图和深层卷积网络图特征进行多次融合,融合的同时加入对比度特征,然后进入深度神经网络,最后一层是质量得分预测层,形成深度融合网络模型,预测立体图像质量得分。最后一种方案是基于权重初始化的立体图像质量评价方法。首先,使用公开二维图像数据库训练一个深度网络模型,得到最优的权重参数。然后用左右视点图像和融合视点图像提取得到的图像块分别作为该模型的输入,将最优的权重参数作为叁路网络的初始化权重值。叁者融合得到最终的预测质量得分。(本文来源于《浙江科技学院》期刊2019-05-29)
白雪含[7](2019)在《面向失真及复原图像的无参考图像质量评价》一文中研究指出无参考图像质量评价可以有效的提升图像信息的获取和应用能力。本文面向失真图像和复原图像,提出了叁种无参考图像质量评价算法,从而对图像的质量进行辨别和量化,并且辅助复原算法设计以确保复原后的图像质量高于未复原图像的质量。(1)提出了一种融合深度学习和统计视觉特征的无参考失真图像质量评价算法FDSVDIQA。提取图像的统计视觉特征,根据其特点,设计双路卷积层结构。分别将图像局部归一化亮度图像块和局部归一化亮度LBP图像块输入到两路卷积层中,融合统计视觉特征,实现图像的无参考质量评价。分别在LIVE、LIVEMD和MDORSID上对FDSVDIQA算法进行了大量的与其他无参考图像质量评价算法的对比实验,实验结果表明:FDSVDIQA算法对于自然失真图像以及遥感失真图像均具有较好的主客观一致性,算法鲁棒性好。在LIVEMD和MDID数据库上进行了数据库独立性实验,实验结果表明:FDSVDIQA算法对失真图像的评价不依赖于特定的数据库,具有数据库独立性。(2)提出了一种融合多特征的无参考复原遥感图像质量评价算法GEDIQA。提取复原图像的梯度特征、差分图特征、频域熵特征,构建表征图像质量的特征向量。训练AdaBoost_BP神经网络学习图像特征与图像质量分数的关系,实现对复原遥感图像的无参考质量评价。建立了复原模糊光学遥感图像数据库RBORSID。在RBORSID数据库上对GEDIQA算法与其它图像质量评价算法进行了一致性比较,实验结果表明:GEDIQA算法对于复原遥感图像的评价有着较好的主观一致性,性能优于其它算法。(3)提出了一种融合深度学习和空域频域特征的的无参考复原图像质量评价算法FDSFRIQA。首先提取了图像的空域梯度特征和差分图特征,以及频域的二维局域熵特征,将特征向量进行连接后构成图像的空域频域特征;接着将复原图像的归一化亮度图输入CNN网络;然后将图像空域频域特征输入CNN网络;最后经过学习和训练实现对复原图像的质量评价。在RBORSID复原遥感数据库上对FDSFRIQA算法与其它无参考图像质量评价算法进行了对比实验,实验结果表明:FDSFRIQA算法对于复原图像具有较好的主客观一致性,性能优于其他算法。将FDSFRIQA算法在不同类型数据库上进行了实验,包括单失真自然图像数据库LIVE、多失真自然图像数据库LIVEMD和多失真遥感图像数据库MDORSID数据库,实验结果表明:FDSFRIQA算法对于不同类型的图像具有较好的主客观一致性,算法鲁棒性好。(本文来源于《南京航空航天大学》期刊2019-03-01)
程晓梅,沈远彤[8](2019)在《双目标的CNN无参考图像质量评价方法》一文中研究指出为有效提取与人类视觉感知高度相关的图像质量特征,提出了一个估计图像退化类型和质量评分的双目标卷积神经网络(CNN)结构。该网络结构有次序地分步提取用作退化类型分类和用作估计质量评分的特征,使网络更充分地挖掘图像退化类型信息并强化其对质量评分估计任务的辅助作用,进而提升了网络对图像质量特征的学习能力,同时实验表明两步特征提取的方式能加速网络的收敛。通过在标准图像质量评价数据库LIVE和TID2008上的对比实验,结果表明该算法在图像退化类型和质量评分两个任务中,整体性能均明显优于其他经典评价方法。(本文来源于《计算机工程与应用》期刊2019年09期)
樊晓婷,毕艳辉[9](2019)在《基于机器学习的无参考图像质量评价指标体系改进》一文中研究指出为解决BRISQUE算法中单纯提取灰度空间指标特征的问题,进一步提升算法预测的准确性,文章在BRISQUE算法的基础上改进了无参考图像质量评价指标体系,提出了一种基于灰度空间和色彩空间的改进算法。同时,为了减少单一数据库造成的模型过拟合现象,提升算法的鲁棒性,该算法分别在LIVE和CSIQ数据库上分析了算法计算结果与DMOS值的相关性。实验结果表明,改进的BRISQUE算法评价结果与人类主观评价具有高度的一致性,较BRISQUE算法在一致性方面有一定程度的提升。(本文来源于《无线互联科技》期刊2019年02期)
陈寅栋,李朝锋,桑庆兵[10](2019)在《卷积神经网络结合深度森林的无参考图像质量评价》一文中研究指出提出了一种新的卷积神经网络与深度回归森林结合的无参考图像质量评价方法。该方法对原始图像进行局部对比度归一化处理,采用卷积神经网络提取图像质量的判别特征,最后利用深度回归森林预测图像质量。该方法无须手工设计图像特征,简化了图像的预处理过程。较少的卷积层数有利于减少网络的训练时间。使用深度策略对回归森林进行集成,提高了单一森林的预测精度。基于LIVE数据库与TID2008数据库的实验结果表明,该方法能很好地预测图像质量,并具有良好的泛化性能与较高的准确率,尤其在JPEG2000压缩、高斯模糊和白噪声等3种失真类型上均表现出了良好的性能。(本文来源于《激光与光电子学进展》期刊2019年11期)
无参考图像质量评价论文开题报告
(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:
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.
(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。
无参考图像质量评价论文参考文献
[1].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
[2].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
[3].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
[4].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
[5].赵亚丹.高效无参考图像质量评价方法研究[D].哈尔滨工业大学.2019
[6].张爽爽.基于卷积神经网络的无参考图像质量评价及应用[D].浙江科技学院.2019
[7].白雪含.面向失真及复原图像的无参考图像质量评价[D].南京航空航天大学.2019
[8].程晓梅,沈远彤.双目标的CNN无参考图像质量评价方法[J].计算机工程与应用.2019
[9].樊晓婷,毕艳辉.基于机器学习的无参考图像质量评价指标体系改进[J].无线互联科技.2019
[10].陈寅栋,李朝锋,桑庆兵.卷积神经网络结合深度森林的无参考图像质量评价[J].激光与光电子学进展.2019