本文選題：模糊圖像 + 無參考圖像質(zhì)量評(píng)價(jià)　； 參考：《西安科技大學(xué)》2017年碩士論文

【摘要】：圖像在獲取、處理、傳輸和存儲(chǔ)的過程中都會(huì)伴隨有各種程度的降質(zhì)現(xiàn)象,圖像質(zhì)量下降會(huì)影響人眼觀感,會(huì)為圖像信息的獲取增加很大的困難。因此,有必要建立良好的圖像質(zhì)量評(píng)價(jià)機(jī)制。由于在實(shí)際應(yīng)用中很難獲得參考圖像,因此對(duì)無參考圖像質(zhì)量評(píng)價(jià)方法的研究更具有實(shí)際應(yīng)用價(jià)值。圖像模糊失真是圖像各種失真類型中最為常見的一種,本文在研究了現(xiàn)有的模糊圖像質(zhì)量評(píng)價(jià)方法的基礎(chǔ)上,結(jié)合結(jié)構(gòu)相似性理論、圖像區(qū)域劃分、圖像特征提取提出了針對(duì)模糊圖像的無參考質(zhì)量評(píng)價(jià)方法以及改進(jìn)方法。針對(duì)目前模糊圖像無參考質(zhì)量評(píng)價(jià)方法不能有效評(píng)價(jià)模糊圖像質(zhì)量這一問題,本文在研讀了大量相關(guān)文獻(xiàn)的基礎(chǔ)之上,給出了一種基于區(qū)域劃分的模糊圖像無參考質(zhì)量評(píng)價(jià)方法。首先對(duì)模糊失真圖像進(jìn)行濾波構(gòu)造參考圖像。然后對(duì)模糊圖像及參考圖像進(jìn)行區(qū)域劃分,文中介紹了三區(qū)域劃分方法和四區(qū)域劃分方法,四區(qū)域劃分方法是在三區(qū)域劃分方法上的改進(jìn),它利用圖像的灰度梯度值將圖像劃分為保留的邊緣區(qū)、變化的邊緣區(qū)、紋理區(qū)和平坦區(qū)。然后計(jì)算各個(gè)區(qū)域的結(jié)構(gòu)相似度(Structural Similarity,SSIM),將其作為圖像質(zhì)量評(píng)價(jià)指標(biāo),建立支持向量回歸模型(Support Vector Regression,SVR),通過對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)測(cè)得到最終的質(zhì)量評(píng)測(cè)值。該方法能夠得到較好的質(zhì)量評(píng)價(jià)結(jié)果。對(duì)于模糊圖像而言,邊緣特征、紋理特征和結(jié)構(gòu)特征的變化對(duì)圖像質(zhì)量的改變有著很大影響�；诖�,本文提出了一種改進(jìn)的模糊圖像無參考質(zhì)量評(píng)價(jià)方法。首先通過低通濾波來構(gòu)造參考圖像,然后將圖像劃分為保留的邊緣區(qū)域、變化的邊緣區(qū)域以及平坦區(qū)域。再采用局部二值模式(Local Binary Patterns,LBP)算法獲取圖像的紋理區(qū)域,采用Tamura算法提取紋理區(qū)域的紋理特征。然后計(jì)算保留邊緣區(qū)域的邊緣梯度相似度、紋理區(qū)域的紋理相似度以及四個(gè)區(qū)域的結(jié)構(gòu)相似度,再將這三個(gè)相似度進(jìn)行融合作為圖像的質(zhì)量評(píng)價(jià)指標(biāo),最后使用SVR模型訓(xùn)練預(yù)測(cè)得到最終的客觀質(zhì)量評(píng)價(jià)值。該方法的Pearson相關(guān)系數(shù)和Spearman等級(jí)相關(guān)系數(shù)能夠達(dá)到0.96以上,算法性能較好。
[Abstract]:In the process of image acquisition, processing, transmission and storage, there are various degrees of degradation phenomenon, the degradation of image quality will affect the perception of human eyes, which will increase the difficulty of obtaining image information. Therefore, it is necessary to establish a good image quality evaluation mechanism. Because it is difficult to obtain reference image in practical application, the research on evaluation method of non-reference image quality has practical application value. Image fuzzy distortion is one of the most common types of image distortion. In this paper, based on the research of existing fuzzy image quality evaluation methods, combined with structural similarity theory, the image region is divided. In this paper, an evaluation method without reference quality for blurred images and an improved method are proposed for image feature extraction. In view of the problem that the evaluation method of blur image without reference quality can not effectively evaluate the quality of blur image at present, based on the study of a large number of relevant documents, This paper presents an evaluation method of blur image without reference quality based on region division. Firstly, the fuzzy distortion image is filtered to construct the reference image. Then the fuzzy image and the reference image are divided into three regions and four regions. The four regions division method is an improvement on the three regions division method. It uses the grayscale gradient of the image to divide the image into reserved edge regions, varying edge areas, texture areas and flat areas. Then the structural similarity (SSIM) of each region is calculated as an index of image quality evaluation, and the support Vector regression Model (SVR) is established, and the final quality evaluation value is obtained by training and forecasting the data. This method can obtain better quality evaluation results. For fuzzy image, the change of edge feature, texture feature and structure feature has great influence on the change of image quality. Based on this, an improved evaluation method of blur image without reference quality is proposed. First, the reference image is constructed by low-pass filtering, and then the image is divided into reserved edge region, variable edge region and flat region. Then the local binary pattern (LBP) algorithm is used to obtain the texture region of the image, and the Tamura algorithm is used to extract the texture feature of the texture region. Then the edge gradient similarity, texture similarity and structural similarity of the four regions are calculated, and then the three similarity are fused as the image quality evaluation index. Finally, SVR model training is used to predict the final objective quality evaluation value. The Pearson correlation coefficient and Spearman rank correlation coefficient of this method can reach above 0.96, and the performance of the algorithm is good.
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 林佳楠;;一種基于結(jié)構(gòu)相似度的部分參考型圖像質(zhì)量評(píng)價(jià)方法[J];長(zhǎng)春大學(xué)學(xué)報(bào);2016年10期

2 王紅玉;馮筠;牛維;卜起榮;賀小偉;;基于再模糊理論的無參考圖像質(zhì)量評(píng)價(jià)[J];儀器儀表學(xué)報(bào);2016年07期

3 謝立志;李玉惠;李勃;;一種基于視覺特性加權(quán)的圖像質(zhì)量評(píng)價(jià)方法[J];計(jì)算機(jī)技術(shù)與發(fā)展;2016年08期

4 王志明;;無參考圖像質(zhì)量評(píng)價(jià)綜述[J];自動(dòng)化學(xué)報(bào);2015年06期

5 黃曉妹;田緒紅;;無參考的模糊圖像清晰度評(píng)價(jià)方法[J];小型微型計(jì)算機(jī)系統(tǒng);2015年05期

6 桑慶兵;梁狄林;吳小俊;李朝鋒;;基于支持向量回歸的無參考模糊和噪聲圖像質(zhì)量評(píng)價(jià)方法[J];光電子.激光;2014年03期

7 付燕;解丹婷;;一種失真模糊圖像的無參考質(zhì)量評(píng)價(jià)方法[J];科學(xué)技術(shù)與工程;2014年05期

8 詹曙;胡德鳳;蔣建國(guó);;結(jié)合GLWT和LBP提取紋理特征的圖像分割[J];電子測(cè)量與儀器學(xué)報(bào);2014年02期

9 張偉;糜靖峰;李慶武;霍冠英;;一種無參考型模糊圖像質(zhì)量評(píng)價(jià)方法[J];光學(xué)與光電技術(shù);2014年01期

10 殷瑩;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)無參考模糊圖像質(zhì)量評(píng)價(jià)[J];激光與紅外;2013年04期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 桑慶兵;半?yún)⒖己蜔o參考圖像質(zhì)量評(píng)價(jià)新方法研究[D];江南大學(xué);2013年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前7條

1 黃珊;無參考模糊圖像質(zhì)量評(píng)價(jià)方法研究[D];北京郵電大學(xué);2015年

2 張妍;基于HVS特性的無參考圖像質(zhì)量評(píng)價(jià)[D];西安科技大學(xué);2014年

3 王龍;圖像紋理特征提取及分類研究[D];中國(guó)海洋大學(xué);2014年

4 王洪姣;圖像質(zhì)量評(píng)價(jià)方法的研究及實(shí)現(xiàn)[D];西安電子科技大學(xué);2014年

5 馬大江;基于圖像內(nèi)容的結(jié)構(gòu)相似性質(zhì)量評(píng)價(jià)研究[D];西安科技大學(xué);2013年

6 韓宇;基于集成學(xué)習(xí)的圖像質(zhì)量評(píng)價(jià)[D];西安電子科技大學(xué);2013年

7 龐勝利;圖像模糊度評(píng)價(jià)研究[D];西安電子科技大學(xué);2010年

，

本文編號(hào)：2082879