• 基于机器学习的图像质量评价算法


    1、BRISQUE算法

    https://blog.csdn.net/watermelon1123/article/details/79262078

    《No-Reference Image Quality Assessment in the Spatial Domain》

    BRISQUE的意思是Blind/Referenceless Image Spatial QUality Evaluator,一种无参考的空间域图像质量评估算法。算法总体原理就是从图像中提取mean subtracted contrast normalized (MSCN) coefficients,将MSCN系数拟合成asymmetric generalized Gaussian distribution(AGGD)非对称性广义高斯分布,提取拟合的高斯分布的特征,输入到支持向量机SVM中做回归,从而得到图像质量的评估结果。

    去均值对比度归一化-MSCN

    MSCN系数:https://www.cnblogs.com/libai123456/p/10727105.html 

    BRISQUE在计算的时候选取了4个方向分别计算MSCN系数。类似提取纹理。

    广义高斯分布GGD:数据的特殊分布会产生左倾斜和右倾斜的现象。在图像质量评估中,因为各种distortion的影响,都会导致GGD分布的变形。

    2、一种基于神经网络学习融合的全参考图像质量客观评价方法

    一种全参考图像质量客观评价方法,包括以下步骤:将BP神经网络用于图像质量评价,通过设计视觉多通道多算法自适应融合的BP神经网络图像质量预测模型,将失真图像基于各种客观评价算法的视觉多通道评价结果输入BP神经网络,以人眼主观测试结果分值作为训练目标,对BP神经网络进行有监督的学习训练,然后预测输出各种客观评价算法的客观评价结果,并将各种算法的客观评价结果进行自适应融合,获得失真图像质量的最终客观评价。本发明方法全面提高了PSNR、SSIM和SVD评价方法的各项指标水平,超过了最近的视觉特征感知处理与视觉心理推导融合类评价方法,且具有更好的评价稳定性。

     http://www.vipzhuanli.com/pat/books/201810240606.0/2.html?page=1

    相关:一种基于去均值归一化约束的图像复原算法

    https://www.docin.com/p-1601742986.html

    而在处理病态问题的方法当 中,正则化方法则是主要方法之一。图像复原领域经过几十年的研究与发展,已 经形成了许多成熟的正则化复原方法。这些方法多选取图像本身特性,如变换域的稀疏性等作为正则化先验,利用这些先验知识构造正则化项引入复原模型进行数值求解。而正则化项的构造就决定了图像的最终复原效果。 然而在传统图像复原模型中,由于所选先验与人眼视觉特性相关性有限,可能在复原过程中引入复原伪像,如在图像边缘处产生振铃等,并可能造成图像原有噪声的放大,在此情况下复原结果虽然是迭代数值求解的最优解,但实际视觉 效果欠佳。因此需要引入一种与人眼视觉特性相关性较强,且能够表征图像质量 的指标作为正则化约束,从而改善复原图像视觉效果,抑制伪像的产生及噪声的 放大。 [8] 研究中发现,去均值归一化系数 (Mean Subtracted Contrast Normalized coefficient ,MSCN )可以用于描述图像特性,并且研究表明该系数与人眼视觉特 性有较强相关性。因此本课题将 MSCN 作为正则化约束引入传统正则化图像复 原算法,建立新的图像复原模型,提高复原图像的视觉效果,以使复原图像更贴合人眼视觉习惯。

    【其他】

    http://www.eope.net/article/2018/2018-4-916.htm 颜色空间统计联合纹理特征的无参考图像质量评价

  • 相关阅读:
    C++之用程序理解浅拷贝
    es6 | 新增语法 | 总结
    http协议 | http缓存
    Mobx | 强大的状态管理工具 | 可以用Mobx来替代掉redux
    nohup和&后台运行,进程查看及终止
    MIME Type介绍 Content-Type 各种定义
    Meta http-equiv属性详解(转)
    sublme text 3 快捷键
    【坑】【数组的坑】1、对象assign复制的假深度,2、数组slice复制的坑,3、还有数组map复制的坑
    Proxy监听对象的数据变化,处理绑定数据很有用
  • 原文地址:https://www.cnblogs.com/wxl845235800/p/11479061.html
Copyright © 2020-2023  润新知