基于视觉注意与结构失真的图像质量评价方法研究

论文摘要

数字图像质量评价是计算机视觉和机器学习领域中一个基本而重要的研究课题,在图像质量控制、图像处理算法标准、视觉系统和算法的参数优化等领域有着广阔的应用前景。数字图像质量评价也是计算机视觉领域的一个难题,这是因为在图像获取以及图像压缩和传输等处理过程中会产生各种不同类型的失真,使得难以有一个统一的评价方法来解决各类失真问题。同时,质量评价更是一个视觉感知问题,视觉感知是一个非常主观的生理机制,无法对其作一个具体的描述。所以对图像质量给出客观准确的评估是一个困难的问题。?在传统的质量评价方法中显式的引入视觉注意机制从而提升原有方法的性能是本文研究的目标。传统的算法主要是基于误差统计量和HVS模型的算法。基于误差统计量的方法仅注重衡量失真图像与参考图像之间的差异,而没有考虑人的视觉感知对这些差异的影响,因而和主观评价值之间有较大的出入。而基于HVS模型的算法则通过综合模拟HVS系统的各项特性,能够较好的保证主客观评价的一致性,然而算法复杂,运算量大,并且受制于当前对HVS机制的认识水平,仍需进一步的研究。本文提出将这两种思路结合起来,在基于误差统计量的算法中加入视觉注意机制,从而发挥两者的优势,改进算法的性能。本文首先介绍了质量评价的基本概念以及理论基础和框架,提出了引入视觉注意机制的新的质量评价体系,并从理论上分析了视觉显著性能够提升算法性能的合理性;之后分别介绍了本文的两个基本算法:基于上下文的视觉显著图谱提取算法和基于结构相似性的图像质量评价算法,并进行了算法的分析和实验验证;然后,针对视觉显著图谱和误差失真图谱的特性,设计了三种结合方法,使这两个图谱能够结合起来,经过实验验证,发现两图谱相乘并归一化的方法比较有效,能够较大的提升原有算法性能。?

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 研究的目的与意义
• 1.3 国内外研究现状
• 1.4 本文的结构与内容
• 2 图像质量评价的基本方法与框架
• 2.1 图像质量评价方法的主要分类
• 2.2 Top-down 与Bottom-Up 方法
• 2.3 全参考、半参考、无参考度量
• 2.4 视觉注意
• 2.5 IQA 的一般框架与本文框架
• 2.6 本章小结
• 3 基于上下文感知的显著区域提取与基于结构相似性的质量评价方法
• 3.1 Saliency Map 的定义
• 3.2 基于上下文感知的视觉显著图谱提取算法描述
• 3.3 视觉显著图谱提取算法原理与实验
• 3.4 图像结构相似性描述
• 3.5 基于结构相似性的算法设计
• 3.6 相似性度量及实验
• 3.7 本章小结
• 4 基于Saliency Map 与SSIM 的图像质量评价方法
• 4.1 二者结合的基本点
• 4.2 改进方法的提出
• 4.3 改进方法实验
• 4.4 分析与结论
• 4.5 本章小结
• 5 结论与展望
• 5.1 本文的工作总结
• 5.2 未来研究工作展望
• 致谢
• 参考文献