基于人类视觉系统的立体图像质量评价方法

基于初级视皮层视觉特性的图像质量评价方法张琪;张先鹤;龚丽【摘要】针对现有的图像质量评价方法多从特征提取角度考虑图像的失真,忽视初级视皮层是视觉信息处理和认知推理的前提的问题,受人类视觉系统特性的启发,提出一种基于初级视皮层视觉特性的图像质量评价算法;该方法基于对初级视皮层视觉特性的学习,利用初级视皮层中感受野对视觉感知信息的稀疏编码特性,提取模拟初级视皮层感受野特性的基函数,结合独立成分分析和结构相似度算法构建一种初级视觉相似性测度法,并在LIVE图像数据库中进行实验.结果表明,该模型的预测结果与主观质量评价有很好的一致性,并优于已有的结构相似度算法.【期刊名称】《济南大学学报（自然科学版）》【年(卷),期】2019(033)005【总页数】7页(P403-409)【关键词】图像质量评价;独立成分分析;初级视觉特性;结构相似度【作者】张琪;张先鹤;龚丽【作者单位】湖北师范大学机电与控制工程学院,湖北黄石 435002;湖北师范大学机电与控制工程学院,湖北黄石 435002;中石油管道有限责任公司西气东输分公司,湖北武汉 430074【正文语种】中文【中图分类】TP391图像在获取、压缩、处理、传输、存储、显示过程中很容易失真[1-2]，因此人们一直致力于研究图像质量评价方法，希望能设计出自动、精确感知和识别图像质量，以符合人类视觉感受的方法。

现有的图像质量评价方法都还处于探索阶段，大多从特征提取角度考虑图像失真,却忽视了人类视觉系统强大的处理复杂信息的能力。

人类视觉系统处理了人脑所接受到的80%的外界信息，是最重要的感觉系统[3]。

大量资料显示，视觉系统中初级视皮层V1区对图像质量评价方法的研究起着重要作用，并且，越来越多的证据表明，初级视皮层能够抽取形状特征，可以提取图像的颜色、形状及方向等信息[4]，因此，研究和模拟人类视觉系统中初级视皮层的视觉特性，对图像质量的评价具有重要的意义。

主视皮层V1区的感受野能够对视觉感知信息实现稀疏表示，因此V1区的神经元对这些刺激表达采用的是稀疏编码(sparse coding)原则[5-6]。

ssim结构相似度度量SSIM（结构相似性度量）是一种评估图像质量的指标，可以用来度量两张图像之间的相似度。

它是一种广泛应用于图像处理和计算机视觉领域的算法，可用于比较图像的亮度、对比度和结构。

SSIM的计算过程非常复杂，需要大量的数学知识和图像处理技术。

下面我将详细介绍SSIM的原理、应用和优缺点。

一、SSIM的原理SSIM的计算基于人类视觉系统（HVS）的知觉特性。

HVS是指人眼和视神经等身体的一部分，用于处理视觉信息。

HVS的特点是对亮度和对比度的敏感度高于对结构的敏感度。

因此，SSIM与我们的视觉系统有很大的相似性。

SSIM的计算分为三个部分，即亮度相似度、对比度相似度和结构相似度。

在亮度相似度方面，SSIM使用一个均值方差结构来确定两幅图像中亮度的平均值。

对于对比度相似度，SSIM使用两个标准方差来计算两幅图像中对比度的变化。

最后，在结构相似度方面，SSIM使用一个互相关系数来比较两幅图像中的结构。

这种方法使得SSIM算法不仅能够计算图像的相似度，还可以捕捉到图像的结构信息。

另外，在计算SSIM时，还需要考虑图像的亮度范围。

由于不同的图像可能有不同的亮度范围，如果不考虑亮度范围，则可能导致错误的结果。

为了解决这个问题，SSIM 使用一个可调节的参数，称为亮度权重。

该参数用于调整亮度范围的权重，从而实现对不同亮度范围的图像进行公平的比较。

二、SSIM的应用SSIM在广泛的图像处理和计算机视觉应用中得到了广泛的应用。

其中一些应用包括：1、图像压缩SSIM可用于评估图像压缩算法的质量。

压缩算法通常会改变图像的亮度、对比度和结构等方面，SSIM可以帮助判断所压缩的图像与原始图像之间的相似性。

这使得压缩算法可以针对不同的图像数据进行优化，从而提高压缩算法的效率。

2、图像增强SSIM可用于评估图像增强算法的质量。

图像增强算法通常会调整图像的亮度、对比度和结构等方面，优化图像的质量。

通过使用SSIM，可以定量评估这些算法对图像质量的影响，根据结果进行优化和改进。

目前视频质量得评价算法主要有2种,主观评价法与客观评价法。

根据各算法所引用得源素材多少,可把视频质量客观评价分为3类:全参考评价体系、部分参考评价体系、无参考评价体系。

全参考评价体系:要求占有完整得源素材信息,就是目前客观评价3大体系中发展较为成熟得部分,其现状代表当前客观评价技术得最高水平。

1、基于全像素失真统计得评价方法:以统计理论为基础,逐帧、逐像素比较参考源与测试源得数据差异。

通过获得原数据与待测数据间得总体误码累计,体现像素噪声层面上得绝对误码率,从而反映视频质量。

该类评价方法能敏感捕获两端视频在像素层面上得细微失真,具有很高得敏感性。

此为,其数学方法简单,物理含义清晰,就是目前应用最广泛得评价方法。

但它们都就是从整体上反映原始图像与恢复图像像素层面上得差别,其评价机制无法体现出视频图像数据所承载得不同于一般数据得内容信息,常造成评价结果与主观感受相偏离,并不能较好满足客观评价得应用需求。

该类评价方法得主要代表有:PSNR与MSE等。

其中,与,分别为原始与重建图像中对应得像素值,N2为N×N图像得总像素数。

其中MN为图像大小,与分别代表原始图像与失真图像在点(m,n)处得像素值。

图为PSNR模型进行客观评价得程序流程图。

2.基于人眼视觉系统(HVS)得评价方法。

人眼自身得“生理特点”与人关注内容得“心理特点”都对绝对误码效果产生不同程度得掩蔽效果,使得图像质量好坏得理解并不仅仅依赖绝对误码损耗。

当前,基于HVS得评价方法主要可划分成以下2类主流算法模型:“基于视觉感知得算法模型”与“基于视觉兴趣加权得算法模型”。

2、1 基于视觉感知得算法模型。

人眼“生理特性”主要有:视觉非线性(Weber定律)、视觉灵敏度差异、视觉多通道与掩盖效应等。

利用这些特性,通过模拟视觉感知,将绝对差值映射成能被人眼觉察得JND(Just noticeable difference)单位。

如差错高于视觉得敏感门限,则表示所产生得绝对误码可被察觉;否则差错不足以引起人眼感知,可忽略不计。

立体视觉图像显示的实现与研究的开题报告一、研究背景立体视觉图像显示是一种将场景转换为可以为人类立体感知的形式的技术。

它使用一种称为立体成像的技术创建具有深度感的影像，使人眼睛看到不同的角度，从而产生3D束体效应。

随着虚拟现实、增强现实等技术的发展和应用，立体视觉图像显示技术也得到了广泛的应用。

二、研究内容本文将主要研究以下内容：1. 立体成像技术的原理及应用立体成像是通过在左右眼睛之间以不同的方式呈现两个角度不同的图像来产生立体效果的技术。

在本文中，我们将比较和研究不同的立体成像技术、算法和设备，包括有直接视差立体成像、长宽比图像立体成像、基于纹理论的立体成像、基于深度信息的立体成像等。

2. 人类视觉系统的特征与模型人类视觉系统是立体视觉的基础，在研究立体视觉图像显示技术的同时，也需要深入了解和研究人类视觉系统的特征和模型。

3. 立体视觉图像的质量评估对于不同的立体成像技术，如何评估其输出的立体视觉图像的质量是一个重要的问题，这也将是本文的研究重点之一。

4. 立体视觉图像的应用立体视觉图像的应用广泛，包括虚拟现实、医学、娱乐、广告等领域。

本文将研究立体视觉图像在不同领域的应用，探索未来的发展方向。

三、研究意义随着人们对高质量立体视觉图像的需求越来越大，研究立体视觉图像显示技术变得越来越重要。

本文的研究和探索将有助于：1. 提高立体视觉图像的质量和效果；2. 推动立体视觉技术的发展和应用；3. 为医学、娱乐、广告等领域提供更加逼真的立体视觉体验；4. 探索虚拟现实和增强现实等新兴技术的发展方向。

四、研究方法本文将结合文献研究和实验研究的方法，利用MATLAB、OpenCV等软件平台进行数据分析和算法开发，实现立体视觉图像的生成和评估。

五、研究成果本文的研究成果包括：1. 立体成像技术的比较及优缺点分析；2. 人类视觉系统的特征和模型研究及应用探索；3. 基于常用评估指标的立体视觉图像质量评估模型开发及实验验证；4. 立体视觉图像在医学、娱乐、广告等领域的应用探索。

在图像信息技术被广泛应用的情况下，对图像质量的评估变成一个广泛而基本的问题。

由于图像信息相对于其它信息有着无可比拟的优点，因此对图像信息进行合理处理成为各领域中不可或缺的手段。

在图像的获取、处理、传输和记录的过程中，由于成像系统、处理方法、传输介质和记录设备等不完善，加之物体运动、噪声污染等原因,不可避免地带来某些图像失真和降质，这给人们认识客观世界、研究解决问题带来很大的困难。

比如，在图像识别中，所采集到的图像质量直接影响识别结果的准确性和可靠性；又如，远程会议和视频点播等系统受传输差错、网络延迟等不利因素影响，都需要在线实时的图像质量监控，以便于服务提供商动态地调整信源定位策略，进而满足服务质量的要求；在军事应用方面，战场监视和打击评估的效果也取决于无人机等航拍设备所采集到的图像或视频的质量。

因此，图像质量的合理评估具有非常重要的应用价值。

从有没有人参与的角度区分，图像质量评价方法有主观评价和客观评价两个分支。

主观评价以人作为观测者，对图像进行主观评价，力求能够真实地反映人的视觉感知；客观评价方法借助于某种数学模型，反映人眼的主观感知，给出基于数字计算的结果。

图像质量的主观评价主观评价只涉及人作出的定性评价，它以人为观察者，对图像的优劣作出主观的定性评价。

对于观察者的选择一般考虑未受训练的“外行”或者训练有素的“内行”。

该方法是建立在统计意义上的，为保证图像主观评价在统计上有意义，参加评价的观察者应该足够多。

主观评价方法主要可分为两种：绝对评价和相对评价。

绝对评价所谓绝对评价，是由观察者根据自己的知识和理解，按照某些特定评价性能对图像的绝对好坏进行评价。

通常，图像质量的绝对评价都是观察者参照原始图像对待定图像采用双刺激连续质量分级法（Double Stimulus Continuous Scale,DSCQS），给出一个直接的质量评价值。

具体做法是将待评价图像和原始图像按一定规则交替播放持续一定时间给观察者，然后在播放后留出一定的时间间隔供观察者打分，最后将所有给出的分数取平均作为该序列的评价值，即该待评图像的评价值。

基于视觉分割图的图像质量评价方法
薛祥飞; 桂小玲
【期刊名称】《《电脑知识与技术》》
【年(卷),期】2012(008)007
【摘要】图像质量评价是图像处理领域的研究热点之一，传统的图像质量评价方
法通常从图像的整体出发，没有充分考虑到人眼视觉对图像的感知过程，往往造成质量评价的结果与人眼视觉机制的感知质量不符。

该文利用Itti人类视觉注意模型，得到图像的显著点，再利用分割算法得到分割图以及分割区域的权值对图像进行质量评价计算，在LIVE图像库上的实验结果表明，该文的方法的评价结果相比于MSE（Mean Square Error），PSNR（Peak Signal Noise Ratio）方法与图像
的主观评价（由DMOS值表示）结果更一致。

【总页数】4页(P1601-1603,1608)
【作者】薛祥飞; 桂小玲
【作者单位】厦门大学计算机科学与技术系福建厦门361005
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于视觉感兴趣度和视觉系统特性融合的图像质量评价方法 [J], 李贵民;马丰原
2.基于视觉分割图的图像质量评价方法 [J], 薛祥飞;桂小玲
3.基于初级视皮层视觉特性的图像质量评价方法 [J], 张琪;张先鹤;龚丽
4.基于人类视觉系统的水下图像质量评价方法 [J], 赵馨;侯国家;潘振宽;李景明;王国栋
5.基于视觉显著性的自适应图像质量评价方法 [J], 邓杰航;袁仲鸣;刘栋濠;顾国生因版权原因，仅展示原文概要，查看原文内容请购买。

《基于双目立体视觉的测量技术研究》一、引言双目立体视觉技术在测量领域有着广泛的应用，特别是在需要精确获取物体三维信息的场合。

通过模拟人眼双目视觉原理，双目立体视觉技术能够有效地捕捉并处理三维空间信息，从而实现对物体形状、尺寸、位置等参数的精确测量。

本文将探讨基于双目立体视觉的测量技术的研究现状、原理、方法及实际应用。

二、双目立体视觉测量技术原理双目立体视觉测量技术基于视差原理，通过模拟人眼双目视觉过程，利用两个相机从不同角度获取同一物体的图像信息。

通过对两幅图像进行特征提取、匹配、三维重建等处理，从而得到物体的三维空间信息。

该技术主要包括图像获取、图像预处理、特征提取与匹配、三维重建等步骤。

三、双目立体视觉测量技术方法1. 图像获取与预处理：利用两个相机从不同角度获取同一物体的图像信息，并进行预处理，如去噪、灰度化、二值化等，以提高后续处理的准确性。

2. 特征提取与匹配：在预处理后的图像中提取特征点或特征线，然后通过算法进行特征匹配，得到对应点或线的匹配关系。

3. 三维重建：根据特征匹配结果，结合相机参数及三角测量原理，进行三维重建，得到物体的三维空间信息。

四、双目立体视觉测量技术研究现状目前，双目立体视觉测量技术在国内外均得到了广泛的研究和应用。

在算法方面，研究者们不断提出新的特征提取、匹配及三维重建算法，以提高测量的精度和效率。

在应用方面，双目立体视觉测量技术已广泛应用于工业检测、医疗诊断、无人驾驶、虚拟现实等领域。

五、双目立体视觉测量技术的优势与挑战优势：1. 精度高：双目立体视觉测量技术能够精确获取物体三维空间信息，具有较高的测量精度。

2. 灵活性强：该技术适用于各种复杂环境下的测量任务，具有较好的灵活性和适应性。

3. 非接触式测量：双目立体视觉测量技术为非接触式测量，不会对被测物体造成损伤。

挑战：1. 算法复杂度高：双目立体视觉测量技术涉及到的算法较为复杂，需要较高的计算能力和处理速度。

fsim指标-回复FSIM（Feature Similarity Index for Image Quality Assessment）是一种用于评估图像质量的指标。

该指标主要基于图像的特征相似度，通过计算参考图像与被评估图像之间的相似度来衡量图像的质量。

本文将逐步回答关于FSIM指标的相关问题，包括其原理、计算方法以及在实际应用中的意义。

一、FSIM指标的原理FSIM指标的原理建立在人类视觉系统（HVS）的认知机制基础上。

人眼在对图像的感知中，对局部结构、对比度和全局结构都有较高的敏感度。

因此，FSIM指标通过模拟这些认知机制，将这三个方面的质量特性结合起来，从而更准确地评估图像的质量。

具体而言，FSIM指标主要有两个关键部分。

首先是结构相似性（SSIM），它用于评估图像的局部结构相似性。

SSIM通过比较两个图像的亮度、对比度和结构之间的差异来确定它们的相似程度。

其次是梯度相似度（GSM），它用于评估图像的对比度特性。

GSM通过比较两个图像的梯度分布来测量它们的对比度相似性。

这两个部分共同构成了FSIM指标，以综合评估图像的质量。

二、FSIM指标的计算方法FSIM指标的计算方法分为两个步骤。

首先，通过计算参考图像和被评估图像之间的结构相似性（SSIM）和梯度相似度（GSM）来得到相应的分数。

然后，将这些分数进行加权求和得到最终的FSIM指标。

具体而言，SSIM的计算过程涉及到亮度、对比度和结构的比较，而GSM 的计算过程涉及到梯度的求解和梯度分布的比较。

对于每个图像，SSIM 和GSM的分数都在0到1之间，分数越高则表示相似度越高，图像质量越好。

三、FSIM指标的意义与应用FSIM指标在图像处理和计算机视觉领域具有广泛的应用意义。

首先，该指标可以用于图像质量评估。

在图像压缩、图像增强和图像复原等任务中，FSIM指标可用作评估算法效果的标准。

通过对比不同算法的FSIM指标，可以选择性能更好的算法进行图像处理。

图像质量评价综述[摘要]图像质量评价是图像处理领域的研究热点。

本文综合论述了图像质量的主观和客观评价方法，就各自具体的实现方法做了简要的介绍，并分析了各自适用性和存在的问题。

最后进而根据发展趋势和应用需求，对图像质量评价方法的进一步发展提出了若干技术与研究方向的展望。

[关键字]图像质量评价人类视觉系统结构相似度全参考评价部分参考评价无参考评价[abstract]Image quality assessment (IQA) is a hot research area in the field of image processing. In this paper, we discuss the subjective and objective assessment methods of image quality, respectively give a brief introduction of their specific implementation method, and analyses the respective applicability and problems. Finally, the further development of the technology and research directions of the future are proposed based on the trends and application requirements.[keywords]Image Quality Assessment(IQA) Human Visual System(HVS) Structural similarity Full Reference(FR) Reduced Reference(RR) No Reference(NR)，一.引言图像是人类获取信息的重要途径，其所承载的信息远比其它形式的信息更贴切、更丰富。

基于视觉的人体动作质量评价研究综述目录1.内容描述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．2 1.1 研究背景．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．31.2 研究意义．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．32.视觉感知与人体动作质量评价．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．4 2.1 视觉感知的基本概念．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．5 2.2 人体动作质量评价的重要性．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．62.3 研究现状与发展趋势．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．73.人体动作视觉评估方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．8 3.1 视频分析技术．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．9 3.2 计算机视觉与图像处理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．103.3 深度学习在人体动作识别中的应用．．．．．．．．．．．．．．．．．．．．．．．．124.评价指标体系研究．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．13 4.1 评价指标选取的原则．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．14 4.2 常见评价指标介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．154.3 指标体系构建方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．175.实验设计与结果分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．18 5.1 实验设计思路．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．19 5.2 实验过程与数据收集．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．205.3 实验结果与讨论．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．226.案例分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．236.1 具体案例选择与介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．246.2 基于视觉的评价方法应用实例．．．．．．．．．．．．．．．．．．．．．．．．．．．．256.3 案例分析与启示．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．277.研究不足与展望．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．277.1 当前研究存在的不足．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．287.2 未来研究方向展望．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．297.3 对相关领域的建议．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．301. 内容描述本文旨在全面综述基于视觉的人体动作质量评价研究现状与发展趋势。