论文部分内容阅读
图像在人们的日常工作生活和许多专业研究领域中有着广泛的应用,数字图像处理技术也随着计算机和网络技术的进步而迅速发展。图像质量评价(Image Quality Assessment,IQA)的研究旨在设计客观评价算法来自动评估图像质量,得到与人眼主观评价一致的结果,具有重要的研究意义。由于人眼主观感受是图像质量评价的基准,因此人眼视觉系统感知特性在IQA算法的设计过程中应被充分考虑。得益于计算机存储技术和运算速度的大幅提高,深度学习在图像处理领域中逐渐发挥强大优势。本文基于人眼视觉系统(Human Visual System,HVS)感知特性和深度学习理论,对平面图像质量评价算法和立体图像质量评价(Stereoscopic Image Quality Assessment,SIQA)进行了 较深入的研究,主要内容和成果如下:(1)根据对HVS感知特性的研究,提出了一种基于空间纹理和频域方向尺度联合特征提取的全参考IQA方法。考虑到HVS的视觉注意机制,对参考图像进行显著性检测,并利用显著图对参考图像和失真图像进行增强预处理。然后,采用一种改进的高效纹理提取算子局部四值模式(Local Tetra Pattern)进行空间局部纹理信息提取,结合log Gabor滤波器组提取图像的频域多方向多尺度信息作为联合特征,最后通过特征综合、差异量化和回归分析,得到图像的客观质量评价结果。实验结果表明,与其他IQA方法相比,本算法与主观评价结果具有更好的一致性,在多个实验数据库上针对不同失真类型都达到了很好的性能,且具有很好的鲁棒性。(2)提出了一种基于卷积神经网络特征提取的无参考SIQA评价方法。本方法引入深度学习框架,首先训练卷积神经网络对立体图像的左右视图分别进行质量描述特征的提取,替代了传统IQA算法中提取具有严格物理意义的特征的做法。在显著性信息的辅助下将左右视图中提取的特征进行融合,结合从多尺度视差图中提取的补充统计特征,得到综合质量描述特征。最后建立图像质量感知特征与主观质量分数之间的回归映射模型,得到图像质量的客观评价结果。实验结果表明,本方法的准确性和鲁棒性均优于现有的无参考SIQA方法,在实验数据库上表现出很好的整体性能和分失真性能。