论文部分内容阅读
图像增强能够改善图像的视觉效果,以便人或机器获得更好的体验效果和使用价值,在图像/视频处理中占有重要的地位。增强图像质量的好坏直接影响着人的视觉感知和获取信息的准确性,但增强图像的质量评价的相关研究并未得到广泛关注。本文从增强图像的特点和人类视觉感知系统特点两个角度来进行研究。针对其特性,提出了两种有效的无参考质量评价方法和基于图像质量驱动的去雾增强方法,具体创新点如下:一、提出一种增强图像的无参考质量评价方法。首先,构建大小为320幅增强图像的数据库(EID),并通过主观实验得到图像的主观分数。然后,分别计算图像的非结构信息、清晰度信息和自然场景统计信息,即提取图像的42个感知特征并通过支持向量回归(SVR)训练模型。得到质量评价模型并用来预测图像的质量。本实验在增强数据库EID、相机图像数据库CID2013和LIVE-WILD以及润饰图像数据库DRIQ上测试的实验结果显示本文提出的评价算法可以很好的与主观评价结果保持很高的一致性,算法的性能均优于目前通用的无参考图像质量评价算法。二、提出一种基于残留雾测量的无参考去雾图像评价方法。由于图像去雾后的残留雾对图像质量的影响很大。首先,提出基于改进的图像先验暗通道方法来测量去雾图像残留雾的密度。同时,去雾图像出现的过度增强和过亮现象也是影响图像的质量重要因素,提出了影响图像质量的对比度特征因素。最后,结合人眼视觉系统的特点,对去雾图像的颜色饱和度进行分析,发现去雾后图像的饱和度是影响图像自然性失真的主要因素。最后将提取的三组特征在支持向量回归(SVR)上训练模型,然后将训练好的SVR模型预估测待测图像的质量。本实验在去雾数据库现存的公开数据库上测试的实验结果表明本文提出的算法能够与主观评价结果保持较高的一致性,其性能优于目前通用的无参考图像质量评价算法。三、提出一种基于图像梯度分布先验的去雾增强方法。首先,从大量的高质量自然图像数据集中训练学习得到图像的梯度分布先验模型。其次,改变有雾图像的梯度分布使其无限逼近学习得到先验模型。最后,利用泊松方程求解重构图像得到去雾后的图像。实验数据表明,该方法可以有效的对雾霾图像进行去雾处理。与目前现有的最新去雾算法相比较,该方法处理后的图像保留了更多的细节信息,显著地提高了图像质量。