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09%; 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06%。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。

无参考图像质量评价是近年来的研究热点,目前常用的评价算法都是从灰度空间提取特征。为了增加颜色通道信息对图像质量的反馈,分别提取了RGB(Red,Green,Blue )、LAB(Luminosity,A,B)、HSV(Hue,Saturation,Value)颜色空间中各通道下的亮度去均值对比度归一化(MSCN)系数,并用非对称广义高斯分布模型(AGGD)拟合。对拟合得到的MSCN系数统计特征,用梯度提升回归算法训练,得到无参考图像质量评价模型,并将各颜色通道训练模型和灰度空间训练模型的预测分数与主观评分进行比较。结果表明,相比灰度空间,部分颜色通道下的无参考图像质量评价模型的单调性、主客观一致性、稳定性都有一定提升,用RGB_B通道下提取的特征训练的模型性能最好,Pearson相关系数从0.63提升到0.70。

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。

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。

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。

为客观、准确地评价目标可见光的伪装效果,提出一种基于图像修复技术的伪装效果评价方法。利用具有针对性改进的图像修复技术构造伪装目标所在区域与周围背景融合度高的理想伪装图案;采用无参考图像质量算法得到理想伪装纹理近似度(即修复效果度量)以消除误差;对待评价伪装目标与近似理想伪装进行相似度检验;融合理想伪装近似度与结果相似度值对目标伪装效果进行综合评价。仿真结果表明,该评价方法的结果与目视观察的结果具有较好的一致性,可有效评价目标伪装效果。

为了客观评价图像质量, 本文提出联合颜色空间统计特征和权重局部二值模式(Local Binary Pattern,LBP)纹理特征的无参考图像质量评价模型。首先, 对失真图像进行亮度去均值对比度归一化(Mean Subtracted Contrast Normalized,MSCN)操作得到MSCN系数; 然后, 对MSCN系数提取其统计参数特征和权重LBP直方图特征, 其中统计参数由广义高斯模型获得, 权重为MSCN系数的幅度。另外, 还采用了Lαβ颜色空间下红绿和蓝黄分量的自然场景统计(Natural Scence Statistics,NSS)特征来增强基于颜色失真的描述, 并运用非对称广义高斯模型获得统计参数特征。最后, 运用SVR建立图像质量评价指标到主观质量得分的回归模型。在LIVE,CSIQ,TID2013和MLIVE数据库上的实验结果表明: 4个数据库加权平均Spearman秩相关系数为0.776, Pearson线性相关系数为0.821, 均优于其他方法; 图像大小为512×512时特征提取只需0.19 s。本文提出的方法与人眼主观感知具有良好的一致性, 并具有复杂度低等优点。

由于传统的无参考彩色图像质量评价方法与人眼感知结果的一致性较差, 本文提出了一种全面利用待评价图像的色度、锐利度和对比度的无参考彩色图像质量客观评价方法。分析了彩色图像锐利度的局部特征, 提出了一种新的彩色图像锐利度测量模型。基于对比度的局部特征和Buchsbaum曲线特征, 建立了新的彩色图像对比度测量模型。最后, 通过线性组合色度测量模型、锐利度测量模型和对比度测量模型, 构建了无参考彩色图像质量评价函数。利用TID2013数据库中的3类退化图像(高斯模糊图像、对比度改变图像和噪声图像)验证了本文提出的锐利度测量模型、对比度测量模型和无参考彩色图像质量评价函数的性能。结果表明, 本文提出的锐利度测量模型和对比度测量模型的性能均优于传统的锐利度和对比度计算模型。提出的无参考彩色图像质量评价函数的Spearman秩相关系数(SROCC)为0.904, Kendall秩相关系数(PROCC)为0.865, Pearson线性相关系数(PLCC)为0.922, 亦均优于传统方法。

为了实时监测图像质量, 建立了像素小波系数的二元空间依存关系模型, 并利用该模型实现了图像质量的无参考评价。首先, 将RGB图像映射到HSV空间; 对图像进行小波分解, 并建立小波系数的二元空间依存关系模型, 即以广义高斯分布来拟合小波系数的二元联合分布。然后, 分析二元空间依存关系与图像质量的相关性, 建立了无参考图像质量评价指标。最后, 对图像质量评价指标进行了测试及对比研究。基于TID2013、LIVE及CSIQ数据库完成了测试, 结果表明: 基于空间依存的无参考图像质量评价指标可以对图像的失真程度进行准确分级, 分级准确率达到96%以上; 采用基于空间依存的无参考图像质量评价方法可以实现对图像质量失真度的准确分级。