基于多视觉特征的图像复杂度评价及应用

论文摘要

图像复杂度评价的研究涉及到美学、视觉心理学、认知学、计算机视觉等多门学科。研究图像复杂度的评价不仅有利于进一步了解人类视觉的认知过程,同时能够促进其他相关科学领域的发展。虽然图像复杂度评价在机器视觉和认知科学中已有广泛的应用,但对于彩色图像的复杂度的定义和评价却一直是一项具有挑战的工作。人类对图像复杂度的评价不仅跟图像本身的视觉特征有关,而且与客观评价者本身的认知息息相关。传统的图像复杂度评价主要是基于信息论或某一典型的视觉复杂度特征,而视觉生理学家则认为人类的视觉复杂度是由多种图像特征引起,其中最主要的三个特征是图像颜色多样性、纹理紊乱性以及目标对象数目。基于视觉理论,本文提出了基于多视觉特征的图像复杂度评价算法。本文提出的基于多视觉特征的图像复杂度评价主要包括两个方面的工作：图像复杂度特征提取和图像复杂度模型描述。图像复杂度特征提取主要是提取图像中影响人类视觉复杂度的三大特征：颜色多样性,纹理紊乱性以及对象数目。本文分别采用了最简单的全局颜色直方图和梯度方向直方图的方差的补来衡量颜色特征和纹理规则性的复杂度,并且采用了一种基于模糊集的边缘复杂度算法定量衡量边缘复杂度。对于图像的复杂度模型的描述,本文首先将前阶段提取的三大特征组合成为复杂度向量；然后基于模糊的聚类算法训练确定三个不同复杂度等级的聚类中心：最后根据新来图像的复杂度向量与聚类中心的距离大小即可确定图像的复杂度等级。同时,本文进一步定义了内部映射函数实现了定量的图像复杂度描述。与传统的图像复杂度评价算法相比,本文的基于多视觉特征的图像复杂度算法的优势在于：特征选取上,本文不只是利用某一个典型的影响视觉复杂度特征,而是基于视觉生理学理论,选取多个视觉特征用作图像复杂度的衡量,这样提高了评价的鲁棒性；在评价结果描述方面,图像复杂度结果采用了两种表达方式：简单的图像等级标记与具体的综合图像复杂度值,用户可以根据自己的需求选择自己需要的结果形式。同时,在两张图像复杂度比较时,只有所属同一个复杂度等级才需进一步计算复杂度值,否则,通过简单的等级比较就可实现比较,这样大大提高了图像复杂度评价的效率和灵活性；在复杂度的应用方面,本文提出了两个新的应用场景：基于图像复杂度的图像增强算法和基于图像复杂度的图像集智能拼贴。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 图像复杂度概述
• 1.1.1 人类视觉系统特性分析
• 1.1.2 图像复杂度分类
• 1.1.3 图像复杂度的应用
• 1.1.4 图像复杂度评价的挑战
• 1.2 本文工作
• 第二章 相关工作介绍
• 2.1 图像复杂度评价过程
• 2.2 图像复杂度特征选择
• 2.2.1 颜色特征
• 2.2.2 纹理特征
• 2.2.3 形状特征
• 2.2.4 空间关系特征
• 2.3 图像复杂度评价方法
• 2.3.1 基于信息论与组合论的图像复杂度
• 2.3.2 基于空间分布情况的图像复杂度
• 2.3.3 基于目标对象数量的图像复杂度
• 2.4 图像复杂度的结果表示
• 第三章 基于多视觉特征的复杂度评价
• 3.1 图像复杂度特征提取
• 3.1.1 颜色复杂度
• 3.1.2 梯度方向复杂度
• 3.1.3 边缘复杂度
• 3.2 基于多视觉特征的复杂度模型
• 3.2.1 基于模糊集的图像复杂度模型
• 3.2.2 基于多视觉特征的精确复杂度的评价
• 3.3 基于多视觉特征的复杂度模型实验
• 3.3.1 基于多视觉特征的客观评价结果
• 3.3.2 客观评价结果与主观评价结果对比实验
• 第四章 图像复杂度评价的应用
• 4.1 基于图像复杂度的图像增强
• 4.1.1 基于图像复杂度的图像增强算法
• 4.1.2 基于图像复杂度的图像增强结果
• 4.2 基于图像复杂度的图像集拼贴
• 4.2.1 基于图像复杂度的智能图像集拼贴
• 4.2.2 基于图像复杂度的智能图像集拼贴结果
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 发表文章
• 致谢