论文部分内容阅读
图像数据在获取、存储、传输和处理的过程中不可避免地会遇到质量退化的问题,这将影响人们对图像信息的理解和应用。因此,图像的质量评价显得必不可少。由于人是图像信息的最终接收者,所以其图像质量感受即主观感受被作为图像质量评价的衡量标准。图像质量的主观感受评价过程被称为主观图像质量评价,具有费时、费力的局限性。这导致它只能作为客观评价方法的衡量标准却不能应用在实时的系统中,因此众多的研究者不断地致力于寻找与主观感受一致的客观图像质量评价方法。在客观评价方法中又可根据是否需要原始参考图像分为全参考方法、半参考方法和无参考方法。其中无参考图像质量评价方法应用最广泛。本文提出了一种独立于失真类型的无参考图像质量评价方法即一般意义上的无参考方法:在海量的图像数据库中检索与当前失真图像高度相似的图像作为参考,利用成果显著的全参考图像质量评价方法估计出当前失真图像的质量评分。通过大量的实验验证,本文所提出的方法不仅可以克服现有一般意义上的无参考方法的局限性,同时还能取得与主观质量感受较高的一致性。总的来说,本文的主要贡献有以下三个方面:(1)提出了一种基于遗传算法的图像对齐方法。通过SIFT特征点的提取和匹配,获得了一定数量的SIFT匹配对。再利用遗传算法找到这些匹配对中正确的四个匹配对,从而计算出正确的变换矩阵,实现图像对齐。(2)给出了主流块匹配度量准则在各种噪声下的稳定性分析。由于图像质量评价中面对的是失真图像,因此在做局部块匹配时需要考虑块匹配度量准则在噪声下的稳定性,从而可以选取最稳定的度量准则来实现块匹配。(3)提出了一种基于海量图像数据的无参考失真度量算法。现有的一般意义上的无参考算法具有如下的局限性:a)需要大规模含有主观评分的训练集。b)训练数据依赖。c)无法提供质量分布图。由于受到海量图像数据处理应用的启发,本文创新性地提出利用全参考方法来解决无参考问题。该方法可以从根本上规避基于回归模型学习的无参考方法的缺陷。