论文部分内容阅读
随着互联网的飞速发展和各种电子设备的普及,在日常生活中人们不仅会接触到传统的自然图像,还会有各种各样的屏幕内容图像。自然图像往往是由数码相机拍摄得到,然而屏幕内容图像是由计算机等电子设备生成的。屏幕内容图像在传送、接收和编码过程中,会不可避免地受到各种图像失真类型的干扰,从而影响人们对屏幕内容图像的视觉感知。本文主要考虑了人眼视觉系统的特性和屏幕内容图像的结构特征,展开了对屏幕内容图像质量评价方法的研究,并且提出的三种无参考图像质量评价方法在公认的屏幕内容图像数据库上均取得了不错的实验结果。本文的主要成果和创新点如下:
成果一提出了一种基于纹理特征和稀疏表示的屏幕内容质量评价方法。该方法主要计算了屏幕内容图像的三种梯度图:绝对梯度幅度图,相对梯度幅度图,相对梯度方向图。而图像纹理特征可以通过求取高阶导数获得,因此屏幕内容图像的纹理信息可以由上述梯度图中提取的局部梯度直方图特征来表示。在质量分数预测阶段,成果一使用了字典学习和稀疏表示的方法。
成果二提出了一种基于视觉边缘模型和Adaboosting反向传播神经网络的屏幕内容图像质量评价方法。该方法采用了人眼高斯差分模型去获得反映屏幕内容图像质量的边缘信息。通过视觉边缘模型,该方法计算了两种类型尺度的边缘图。然后利用L矩估计方法进行屏幕内容图像边缘特征的提取。在最后的质量分数预测阶段,采用了预测性能指标更好的Adaboosting反向传播神经网络。
成果三提出了一种基于分区域和堆栈式自编码器的屏幕内容图像质量评价方法。首先通过屏幕内容图像分割方法对图像区域和文本区域进行分割。其次,从这两个区域提取相应的质量感知特征。接着分别以无监督的方式训练两个并行的堆栈式自编码器网络,然后将这些提取的特征输入到训练好的堆栈式自编码器网络中,以计算相应的深度特征。接下来使用这两个区域的深度特征以及失真的屏幕内容图像的主观评价分数来训练两个支持向量回归机。最后,通过加权和方式将两个支持向量回归机分别获得的文本质量分数和图像质量分数合并为一个最终的整体视觉质量分数。
成果一提出了一种基于纹理特征和稀疏表示的屏幕内容质量评价方法。该方法主要计算了屏幕内容图像的三种梯度图:绝对梯度幅度图,相对梯度幅度图,相对梯度方向图。而图像纹理特征可以通过求取高阶导数获得,因此屏幕内容图像的纹理信息可以由上述梯度图中提取的局部梯度直方图特征来表示。在质量分数预测阶段,成果一使用了字典学习和稀疏表示的方法。
成果二提出了一种基于视觉边缘模型和Adaboosting反向传播神经网络的屏幕内容图像质量评价方法。该方法采用了人眼高斯差分模型去获得反映屏幕内容图像质量的边缘信息。通过视觉边缘模型,该方法计算了两种类型尺度的边缘图。然后利用L矩估计方法进行屏幕内容图像边缘特征的提取。在最后的质量分数预测阶段,采用了预测性能指标更好的Adaboosting反向传播神经网络。
成果三提出了一种基于分区域和堆栈式自编码器的屏幕内容图像质量评价方法。首先通过屏幕内容图像分割方法对图像区域和文本区域进行分割。其次,从这两个区域提取相应的质量感知特征。接着分别以无监督的方式训练两个并行的堆栈式自编码器网络,然后将这些提取的特征输入到训练好的堆栈式自编码器网络中,以计算相应的深度特征。接下来使用这两个区域的深度特征以及失真的屏幕内容图像的主观评价分数来训练两个支持向量回归机。最后,通过加权和方式将两个支持向量回归机分别获得的文本质量分数和图像质量分数合并为一个最终的整体视觉质量分数。