1 安徽工程大学 人工智能学院, 安徽 芜湖 241000
2 安徽工程大学 机械工程学院, 安徽 芜湖 241000
图像质量评价方法是为了符合主观视觉图像质量评分结果, 设计出的客观计算方法。在本研究中, 提出了一种基于CIELAB颜色空间局部色貌指标(clarity)的无参考彩色模糊图像评价(NR-IQA)方法。在所提方法中, 结合最大局部clarity和变异局部clarity评价图像模糊等级。最大局部clarity表征提取模糊图像最锐度信息, 即局部模糊特征; 变异局部clarity表示图像内部色貌整体变化情况, 即全局模糊特征。为了验证该方法的性能, 使用五个常用图像质量数据库中的失真图像进行对比测试, 从预测精度、计算复杂度和泛化性进行分析。结果表明, SROCC和PLCC加权平均值分别是0.9345和0.9379, SROCC和PLCC直接平均值分别是0.9331和0.9357, 综合性能优于其他典型和最新提出的NR-IQA方法。研究结果表明, 所提方法是有效的、可行的, 是一个综合性能优异的NR-IQA方法。
图像质量评价 无参考 局部色貌 彩色模糊图像 image quality assessment no reference local color appearance color blurred image
1 上海海洋大学 信息学院, 上海 201306
2 国家海洋局东海勘察中心, 上海 200137
基于深度学习的无参考图像质量评价方法目前存在语义关联性不足或模型训练要求高的问题，为此，本文提出了一种基于语义特征符号化和Transformer的无参考图像质量评价方法。首先使用深层卷积神经网络提取图像的高层语义特征；然后将语义特征映射成视觉特征符号，并基于Transformer自注意力机制对视觉特征符号之间的关系进行建模，提取图像的全局特征，同时使用浅层神经网络提取底层局部图像特征，捕捉图像低级失真信息；最后结合全局图像信息与局部图像信息，对图像质量进行预测。为了验证模型的精度和鲁棒性，以相关系数PLCC和SROCC作为评价指标，在5个主流的图像质量评价数据集和1个水下图像质量评价数据集上进行了实验，并将本文提出的方法与15种传统和基于深度学习的无参考图像质量评价方法进行了对比。实验结果表明，本文方法以较少的参数量（大约1.56 MB）在各类数据集上均取得了优越的性能，尤其在多重失真数据集LIVE-MD上将SROCC提升到了0.958，证明在复杂的失真情况下仍能准确评估图像质量，本文网络结构能满足实际应用场景。
图像质量 无参考图像质量评价 Transformer 自注意力 特征符号 image quality no-reference quality assessment Transformer self-attention feature tokens
1 西南石油大学机电工程学院，四川 成都 610500
2 西南油气田分公司蜀南气矿井工程管理科，四川 成都 610506
针对显微镜观测动态平面目标时的自动对焦需求，提出一种基于图像清晰度评价的显微镜静/动态自动对焦方法。首先，根据对聚焦-失焦图像特征的分析，建立加权Tenengrad评价函数评估方法和图像分块对焦窗口模式。其次，针对搜索过程中的局部极大值问题，利用模拟退火理论建立对焦搜索模型。最后，为了对动态图像进行评价，利用图像模糊法来判断动态无参考图像失焦水平。在此基础上，形成了静态调焦模型，动态失焦检测与实时对焦模型。通过搭建显微镜自动对焦实验平台，结果表明：该静态调焦模型能够使显微镜快速准确地静态自动调焦，动态失焦检测和实时对焦模型能够使显微镜满足在动态观测下离焦检测和实时调焦的要求。
加权Tenengrad评价函数 图像分块窗口选择 模拟退火算法 图像模糊无参评价 显微镜动态对焦 激光与光电子学进展
2023, 60(4): 0411003
江南大学人工智能与计算机学院，江苏 无锡 214122
为了能够在图像质量评价领域实现自监督学习，提出一种基于半监督学习的双分支网络训练的无参考图像质量评价算法。它是具有两个分支的训练过程，其中在一个分支使用少量手工标记数据样本来进行有监督学习，在另一个分支进行自监督学习来辅助前者训练同一个特征提取器，自监督学习部分采用几种传统的全参考方法联合为训练样本打上软标签。在6个公开的图像数据库中进行大量实验，结果表明所提算法不仅在合成失真图像数据集上优于目前大多数方法，而且在真实失真图像数据集上具有良好的泛化性能，预测结果与人类主观感知表现一致。
图像质量评价 特征提取 自监督学习 无参考 联合训练 激光与光电子学进展
2023, 60(4): 0410023
为了更好地评价图像质量, 解决在基于卷积神经网络的图像质量评价模型(CNN-IQA)上明显忽略的分块图像之间存在差异性的问题, 提出了一种多特征融合的CNN模型。首先, 将整幅图像进行不重叠分块, 并提取每个分块图像的信息熵和纹理特征。然后, 将提取计算的两特征相结合, 计算各分块图像的重要性权重, 以此衡量分块图像对失真图像质量的影响。最后, 根据计算出的重要性权重修改损失函数, 突出重要性高的分块图像在训练过程中发挥的作用。在LIVE数据集进行验证和对比实验发现, 该算法的SROCC与LCC指标为0.962和0.960, 相比原算法至少提升09%; 在TID2008数据集上验证和对比实验发现, 该算法获得的SROCC与LCC指标为0.922和0.926, 相比原算法至少提升06%。并且在两数据集上的结果均优于其他对比算法。实验结果证明了其在预测图像质量方面具有良好的性能和泛化性。
图像处理 无参考图像质量评价 卷积神经网络 纹理特征 信息熵 损失函数 image processing no reference image quality assessment convolutional neural network texture feature information entropy loss function
中国石油大学（华东） 计算机科学与技术学院，山东 青岛 266580
提出一种结合人眼视觉敏感特性的无参考图像清晰度客观评价方法，利用高通滤波划分出人眼视觉敏感（图像细节）和非敏感区域，分别计算对应区域的清晰度，最后加权求和得出整幅图像的清晰度。利用公开的4个图像库与现有的6个无参考清晰度评价模型进行测试和比较，所研究的评价模型计算结果与主观评价分数有较好的一致性，且运算速度较快。
图像质量评价 无参考清晰度评价 人眼视觉敏感特性 高通滤波 Image quality evaluation no reference sharpness evaluation human visual sensitivity high-pass filtering
1 上海理工大学出版印刷与艺术设计学院, 上海 200093
2 上海出版印刷高等专科学校印刷包装工程系, 上海 200093
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。
去模糊 反卷积 无参考图像质量评价 YUV颜色空间 deblurring deconvolution no-reference image quality evaluation YUV color space
1 陆军炮兵防空兵学院兵器工程系, 安徽 合肥, 230000
2 陆军炮兵防空兵学院研究生1队, 安徽 合肥, 230000
利用经典超分方法获得高光谱超分图像集,研究了图像的特点,提出一种基于3类图像特征向量的高光谱超分图像质量评价方法。该方法分别计算了图像的空域自然场景统计、局部频域特征以及局部二值模式梯度,获得了3类特征向量,对3类低层特征向量建立回归森林模型,以预测图像的质量得分。与其他经典方法相比,所提算法具有更好的准确度和主客观一致性。
图像处理 高光谱图像 超分重建 无参考测度 图像质量评价 激光与光电子学进展
2019, 56(4): 041001
1 上海理工大学 出版印刷与艺术设计学院, 上海 200093
2 上海出版印刷高等专科学校 印刷包装系, 上海 200093
目前图像质量评价的研究都是在相对标准观察环境下进行的, 没有考虑电子显示设备在不同场合使用时照明亮度的变化对图像失真造成的影响。通过在四种不同环境光照度下进行主观评价实验探究MOS值变化规律, 在BRISQUE和SSEQ算法的研究基础上, 利用机器学习方式获取亮度因子来反映不同亮度条件引起的人眼感知变化, 建立不同亮度下图像质量评价模型。改进后的算法模型针对噪声、压缩、模糊的SROCC系数在不同的亮度环境下均有良好的效果, 表明修正后的算法模型具有很高的普适性和准确性。所提算法是对现有算法模型的很好补充, 尤其适用于户外高亮度条件下的图像质量评价。
无参考图像质量评价 亮度因子 大亮度条件 no-reference image quality evaluation illumination factor high luminance conditions
江南大学 物联网工程学院, 江苏 无锡 214122
大多数现有的客观图像质量评价算法往往针对单一失真类型设计, 对混合多失真图像质量评价效果欠佳, 而且大都是运用传统机器学习方法, 很少用到深度学习方法, 为此, 提出一种基于相位一致变换和卷积神经网络的无参考图像质量评价方法, 用来评价混合失真图像。对输入图像进行分块和相位一致变换, 使用卷积网络训练、预测图像质量得分, 其中卷积网络结构包括4层卷积层、3层最大池化层和2层全连接层。在Live混合失真质量评价数据库上的实验结果表明, 所提方法预测的图像质量分和主观质量评分达到了很好的一致性。
无参考 图像质量评价 卷积神经网络 相位一致性 深度学习 no reference image quality evaluation convolution neural networks phase congruency deep learning
