当前位置：文档之家 › 基于人类视觉系统的特征相似性图像质量评价

基于人类视觉系统的特征相似性图像质量评价

  • 格式：pdf
  • 大小：4.09 MB
  • 文档页数：9

Damera Venkata 型（ NQM) ， 证 明 了 非 线 性 的 NQM是一种比线性测 量方法更好的视觉质量评价方法; WatS 〇 n [3]提出利 用离散余弦变换（ DCT)与小波变换（ WT)将图像分 解到频域， 针 对 HVS 与 频 率 的 关 系 设 计 了 相 关 模 型;Wang等 [4]提 出 了 结 构 相 似 度 （SSIM),认为人
n
华南理工大学学报（ 自然科学版)
第 45卷
， 层 特征， 该算法在评价图像质量时更好地与人的主 观 保 持 一 致 .然 而 算法对图像失真的变化程
FSIM
度， 特别是对图像边缘信息的变化程度并不敏 感气因此对边缘信息比较丰富的图像评价效果不 理想.另外， 算法图像内容无关的失 真类型时表现一般. 人类视觉系统利用一套内在推导机制（ 对输人的视觉信息进行解读
眼视觉的主要功能是提取场景中的结构信息， 人类 *
HVS
行评价， 这些模型往往无法有效地提取人类感兴趣 的不同特征点. 文献 [5 ]发 现 ， 不同频率下傅里叶级数的相位 一致性与人眼观察到的图像特征相一致.相位一致 性不受对比度的影响， 对比度会影响图像的质量. 等 [6]提出了特征相似性算法（ )， 选取相
Zhang
FSIM
位一致性信息作为主要特征提取出人类感兴趣的底
收稿 日 期 ： 2016-06-17 * 基 金 项 目 ：国家自然科学基金资助项目（ 51274202); 国家自然科学基金青年基金资助项目（ 51504255,51504214 ) ;中国矿业 大学中央高校基本科研业务费专项资金资助项目（ 2013R C11); 江苏省科技成果转化项目（ BA2012068 );江苏省自然科学基 金资助项目（ BK20131124); 江 苏 省 自 然 科 学 基 金 青 年 基 金 资 助 项 目 （ BK20130199);江 苏 省 产 学 研 前 瞻 性 联 合 研 究 项 目 ( BY2014028-01) ; 江苏省重点研发计划项目（ BE2015040); 重庆市教委科学技术研究项目（ KJ1501030 ) ;中国矿业大学重大 项目培育专项（ 2〇 MZDPYl6 ) Foundation item s ：Supported by the National Natural Science Foundation of China(51274202) ,the National Natural Science Foun­ dation of China for Young Scientists (51504255, 51504214) ,the Transformation Program of Scientific and Technological Achieve­ ments of Jiangsu Province of China( BA2012068) ,the Natural Science Foundation of Jiangsu Province of China( BK20131124) , the Natural Science Foundation of Jiangsu Province of China for Young Scientists( BK20130199) , the Perspective Research Foundation of Production Study and Research Alliance of Jiangsu Province of China( BY2014028-01) and the Fundamental Research and Deve­ lopment Foundation of Jiangsu Province( BE2015040) 作 者 简 介 ：孙彦景（ 1977-), 男 ， 博士， 教授， 主要从事图像处理、 无线传感器网络和信息物理系统研究 . E-mall:yjSUn@ cumt.
基于人类视觉系统的特征相似性图像质量评价
孙彦景刘东林谢新新王艳芬 ( 中国矿业大学信息与控制工程学院， 江 苏 徐 州 221116)
摘 要： 为克服现有特征相似性（
FSIM) 图像质量评价算法对图像信息无序部分及边缘
信息度量能力的不足， 利用人类视觉系统的内在推导机制， 提出基于人类视觉系统的特征 相似性图像质量评价算法 .该算法采用自回归预测模型分解并解读图像内容的预
TN
doi
j issn
X
近年来， 随着对人类视觉系统（ 解， 很多研究者认识到
HVS 的特性会影响人们对图
HVS) 的深入了
视觉系统能高度自适应地实现这一目标.人眼对图 像的理解主要根据图像中的底层特征， 大多数现有 的基于 的评价模型仅根据某一种图像特征进
像的感知[1]， 并结合图像质量评价做了大量的研究 工作. 等 [2]提出了噪声质量检测模
2017 年 3 月
第45卷 第
3期
Journal of South China University of Technology (Natural Science Edition)
华 南 理 工 大 学 学 报 （自 然 科 学 版 ）
Vol.45 No. 3 March 2017
文章编号： l〇 〇 〇 -565X(2017)03-0011-09
HFSIM 测部分和无序部分;联合 FSIM与边缘结构相似性算法度量预测部分， 采用多尺度峰值信 噪比（ PSNR)度量无序部分的衰减情况， 最后根据噪声能量融合图像信息预测部分与无
与人类主观感知具有高度的一致性， 且在各类型失真图像的评价上具有较好的性能.
序部分的评价结果得到图像质量评价.在6 个公开基准数据库上的实验结果表明， 该算法 关键 词 ：图像质量评价;人 类视觉系统； 内在推导机制； 特征相似性； 边缘结构相似性 中图分类号： 919. 8 ： 10. 3969/ . .1000-565 .2017.03. 002

合集下载

基于人类视觉系统的融合图像质量评价方法的研究

基于人类视觉系统的融合图像质量评价方法的研究


ｓｍｅ ｔ ， ｔｉ ｍｅ ｏ ｓ ｂｉ ｅ ｔｅ ｄｒｃ ｌｔ ｎ ｈｐ ｂ ｔ ｅ ｅ ｅａｕ ｔ ｎ ｍｅ ｓｒ ｄ ｔｅ ｒａ ａ ｉ ｍｅ ｈ ｓ ｔ ｄ ｅｔ ｌ ｈ ｓ ｈ ｉ ｔ ｒ ａｉ ｓ ｉ ｅ ｈ ａ ｓ ｅ ｅ ｏ ｗｅ ｎ ｔ ｖ ａｉ ａ ｕｅ ａ ｌ ｈ ｌ ｏ ｎ ｈ ｅ
维普资讯
２ ０ 年第１ ０８ 期
中图分类 号 ：Ｎ １ Ｔ ９１ 文献标识码 ： Ａ 文章编号 ：０９ ５２ ２０ ｝１ ０５ ４ １０ —２５ （０ ８０ —０８ —０
基 于人类视觉系统 的融合图像质量评价方法的研究
张秀琼
（ 乐山师范学院计算机 系，乐山 ６４０ ） １０４
类 图像 的不 同融合 算法的质 量评价表 明该 方 法是一种 实用 、有效的 图像 融合质 量评 价方法 。
关键词 ：图像融合 ； 图像质量度量 ； 人类视觉系统 ； 比敏感性 函数 对
Ｓ ｕ ｙ ｏ ｈ ｕ ｅ ｍ ａ ｅ ｑ ａｉｙ ｅ ａ ｕ ｔｏ ａ ｅ ｎ ｔ ｄ ｎ ｔ ｅ ｆ ｓ ｄ ｉ ｇ ｕ ｌ ｖ ｌ ａ ｉｎ ｂ ｓ ｄ ｏ ｔ
ｐ ｒ ｅ ｔａ ｓ ｌ ｆ ｈ ｍ ｎ ． ３ ｅ ｅ ｐ ｒ ｎ ｓ ｏ ｉ ｅｅ ｔ ｋｎ ｓ ｏ ａ ｅ ａ ｄ ｉ ｇ ｕ ｉｎ ｌ ｏ ｉ ｍｓ ｅｃ ｐｕ ｌ ｒ ｕ ｔ ｏ ｕ ａ ｓ ＂ ｘ ｅｉ ｔ ｆ ｄｆ ｒｎ ｉｄ ｆ ｉ ｇ ｓ ｎ ｍａ ｅ ｆ ｓ ａ ｒ ｈ ｅ ｓ ｈ ｍｅ ｍ ｏ ｇ ｔ
０ 引言
随着 图像 和计算 技 术 的飞 速发 展 ， 用 人类 视 利 觉信 息来 进 行 状 况 估 计 和决 策 制 定 的情 况 Ｅ益 增 ｔ 多， 多传感 器 图像 融合 即是其 中一个 重 要 现象 。随 着 越来越 多 图像融合 技 术 的使 用 ， 价这 些 融 合 算 评 法 的性 能也变 得非 常重要 。
lpips评价指标

lpips评价指标

lpips评价指标LPIPS（Learned Perceptual Image Patch Similarity）是一种用于图像质量评价的指标。

它是在2018年由Richard Zhang等人提出的，通过学习参考数据集来模拟人类视觉的感知特征，从而对图像的感知质量进行评估。

LPIPS通过使用卷积神经网络（CNN）从图像中提取特征并计算它们之间的距离来评估图像的相似度。

这些特征可包括颜色、纹理、结构等。

相比于传统的PSNR（峰值信噪比）或SSIM （结构相似性），LPIPS更加符合人类感知的特征，因此能够提供更准确的图像质量评价。

LPIPS的计算过程可以分为两个阶段：特征提取和距离计算。

首先，对于每个图像，使用预先训练好的卷积神经网络（如VGG）来提取特征。

通常，特征提取的层数越高，提取到的特征越抽象。

然后，计算不同图像特征之间的欧几里得距离或余弦距离，来评估它们之间的相似度。

最后，通过对所有图像特征之间的距离进行加权求和，得到图像的LPIPS分值。

LPIPS在图像质量评价方面具有很多优势。

首先，它考虑了人类感知的特征，因此能够提供更加准确的图像评价结果。

其次，LPIPS可以应用于各种应用场景，如图像超分辨率、图像增强和图像合成等。

此外，LPIPS还可以用于图像检索、图像分类和图像生成等任务中。

然而，LPIPS也存在一些局限性。

首先，它可能受到数据集的限制。

如果用于训练的数据集不具有代表性或覆盖面不广，LPIPS的评价结果可能会偏离实际情况。

其次，LPIPS可能对一些特殊类型的图像（如艺术画作）评价效果不佳，因为艺术作品通常具有独特的风格和审美标准。

此外，LPIPS并不能完全取代传统的评价指标，在某些场景下，仍然需要结合使用其他指标来评估图像的质量。

总之，LPIPS作为一种新兴的图像质量评价指标，通过学习人类视觉特征，能够提供更加准确的图像质量评价结果。

它已经在图像生成、图像超分辨率和图像增强等领域得到了广泛应用，并有望在未来进一步发展和完善。

lpips评价指标

lpips评价指标

lpips评价指标LPIPS（Learned Perceptual Image Patch Similarity）是一种常用的评价指标，它通过学习感知图像块之间的相似度来评估图像的质量。

LPIPS的设计目标是尽可能地与人类视觉系统的感知相一致，在很多图像质量评估任务中表现出了很好的性能。

LPIPS指标的核心思想是通过计算图像的感知距离来评估图像的相似性。

为了实现这一目的，LPIPS使用了预训练的卷积神经网络（CNN），该网络在大规模图像数据库上进行了训练，以学习感知距离。

具体来说，LPIPS基于多尺度CNN特征计算图像的感知距离，即通过计算图像在不同尺度下的CNN特征之间的差异来度量图像的相似性。

这种基于CNN特征的感知距离被认为是与人类感知系统的相似性最高的。

LPIPS指标在很多图像质量评估任务中显示出了很好的性能。

例如，在图像失真评估中，LPIPS可以准确地评估合成图片与原始图片之间的失真程度。

在图像超分辨率任务中，LPIPS可以评估生成的高分辨率图片与真实高分辨率图片之间的相似性。

在风格转换任务中，LPIPS可以评估生成的风格转换图片与目标风格的一致性。

在图像检索任务中，LPIPS可以评估查询图片与数据库中图片之间的相似性。

与传统的评价指标相比，LPIPS具有很多优势。

首先，LPIPS利用了预训练的CNN模型来学习感知距离，这使得它能够更好地与人类感知系统的感知一致性。

其次，LPIPS是一个无参的评价指标，不需要依赖于大量的样本数据进行调优。

此外，LPIPS还考虑了多尺度特征的差异，从而能够更好地捕捉图像的细节信息。

然而，LPIPS也存在一些局限性。

首先，LPIPS只能用于评估图像的感知质量，而不能评估其他方面的质量，比如结构准确性和语义一致性。

其次，LPIPS在某些场景下可能会受到图像特定信息的影响，比如颜色信息和纹理信息。

最后，LPIPS不能解决所有的图像质量评估任务，对于特定的任务和数据集可能需要进一步的调优和改进。

基于相位的结构相似度图像质量评价模型

基于相位的结构相似度图像质量评价模型

基于相位的结构相似度图像质量评价模型李爱华【摘要】The image quality assessment algorithm based on structural similarity ignores the phase feature information of the image its own, thus fails in well assessing and measuring the quality of some images in distortion type.Aiming at this issue, in this paper we propose a phase-based quality as-sessment model for images with structural similarity (PSSIM).Based on the structural similarity, the model further considers phase congruency feature of the image, and a computation method of assessment function for image quality is designed.Experimental simulation results demonstrate that PSSIM is an effective image quality assessment method.Meanwhile, it has good consistency with the subjective assessment feelings of human beings.%基于结构相似度的图像质量评价算法忽视了图像自身的相位特征信息，不能较好地评测某些失真类型的图像质量。

针对这一问题，提出一种基于相位的结构相似度图像质量评价模型（ PSSIM）。