论文部分内容阅读
近些年，图像超分辨率重构在机器视觉、医疗图像、遥感和监控等方面有着广泛的应用。因此，大量的图像超分辨率重构算法也随之被提出，怎样评价超分辨率重构图像以及重构算法性能的问题也伴随产生。尽管大量的图像质量评价模块已经被提出，但是这些算法都不是专为图像超分辨率重构模型设计的，难以有效的预测超分辨率重构图像质量及算法性能。 针对上述问题，本文建立了超分辨率图像库用来测试超分辨率重构算法性能及质量评价算法性能，此外提出了两种超分辨率重构图像质量评价算法，具体研究内容如下： 一．构建了超分辨率重构图像库，选取20幅低分辨率图像，利用2种插值方法和 6 种主流的超分辨率重构算法生成高分辨率图像。20 幅图像的选取遵循了图像内容多样性的原则，包括人物、风景、动植物和建筑等。再对所获高分辨率图像进行主观测试以获得图像的主观质量分数。主观分数可用作测试超分辨率重构算法的性能以及评价图像质量评价算法的性能。 二．针对图像超分辨率重构算法产生的复合失真，提出了一种无参考型超分辨率重构图像质量评价算法。在图像超分辨率重构过程中，图像的结构发生了退化，并且产生了振铃效应和模糊等失真。针对上述特点分别从这三方面入手，提取图像的结构退化、振铃效应和清晰度等特征。然后，采用支持向量机回归和随机森林模型来训练所得特征，得到超分辨重构图像质量评价模型用来预测图像的质量。 三．基于高分辨率图像相较于低分辨率图像的信息量增益以及纹理相似度，提出了一种半参考型超分辨率重构图像质量评价算法。首先对低分辨率图像和高分辨率图像做显著性检测提取出图像的显著性图像。然后采用下述两步骤设计出图像质量评价模块：(1) 首先采用显著性图像对图像进行加权，然后对所得图像做小波变化 (Discrete Wavelet Transform，DWT)并计算出DWT之后的高频部分图像的信息熵，最后计算出高分辨率图像相对于低分辨率图像的信息增益。(2)采用局部二值模式 (Local Binary Pattern，LBP)提取低分辨率和高分辨率图像的纹理特征并结合图像显著性，再通过直方图来比较低分辨率与高分辨率图像之间的纹理相似度。结合 (1)和 (2)得到最终的半参考型超分辨率重构图像质量评价模型。