發(fā)布時(shí)間：2021-09-18 08:30

　　圖像作為一種高效而直觀的信息載體,在現(xiàn)代生活中有著不可替代的地位。然而數(shù)字圖像在獲取、存儲(chǔ)、傳輸、顯示等過(guò)程中,總會(huì)不可避免地引入一些干擾因素,如噪聲、模糊、壓縮等,這些都會(huì)造成圖像質(zhì)量的下降,不能滿(mǎn)足最終觀看者的要求。無(wú)參考圖像質(zhì)量評(píng)價(jià)的研究目標(biāo)是通過(guò)建立一個(gè)與人類(lèi)視覺(jué)系統(tǒng)相關(guān)的機(jī)器學(xué)習(xí)模型,不需要借助原始參考圖像的任何信息,能夠?qū)κд鎴D像的質(zhì)量進(jìn)行預(yù)測(cè),最能夠切近現(xiàn)實(shí)生活的應(yīng)用,具有一定的現(xiàn)實(shí)意義。本文在深入研究無(wú)參考圖像質(zhì)量評(píng)價(jià)方法的基礎(chǔ)上,提出了以下兩點(diǎn)研究成果:1)提出了一種聯(lián)合多種邊緣算子的無(wú)參考圖像質(zhì)量評(píng)價(jià)方法,利用失真條件下一階邊緣信息和二階邊緣信息之間的相似性進(jìn)行質(zhì)量預(yù)測(cè)。該方法首先提取圖像的梯度,相對(duì)梯度以及高斯拉普拉斯特征（Laplacian of the Gaussian function,LOG）,然后計(jì)算梯度和LOG之間的條件熵以及相對(duì)梯度和LOG之間的條件熵,最后使用提升方法Adaboost神經(jīng)網(wǎng)絡(luò)進(jìn)行回歸預(yù)測(cè)。在公共數(shù)據(jù)庫(kù)LIVE和TID2008上進(jìn)行仿真,實(shí)驗(yàn)結(jié)果表明本文提出的算法與主觀評(píng)價(jià)分值有著很高的一致性。2)卷積神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的特征表達(dá)能力... 

【文章來(lái)源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Prewitt梯度濾波算子

第3章聯(lián)合多種邊緣檢測(cè)算子的無(wú)參考質(zhì)量評(píng)價(jià)算法21圖3-2Sobel梯度濾波算子由于提高了中心點(diǎn)的權(quán)值，一般來(lái)說(shuō)，Sobel算子的邊緣定位能力要好于Prewitt，故本文使用前者提取梯度特征。大腦的視覺(jué)皮層神經(jīng)元對(duì)圖像中的局部信息和結(jié)構(gòu)性信息高度敏感，因此局部信息往往對(duì)圖像質(zhì)量的預(yù)測(cè)起到重要的作用。另一方面，由于圖像失真時(shí)會(huì)破壞圖像的結(jié)構(gòu)信息以及局部的各向異性，導(dǎo)致梯度方向的變化波動(dòng)較大。在一定程度的失真下，梯度方向呈現(xiàn)近似均值分布，無(wú)法直接用來(lái)衡量失真水平。Liu[51]等人認(rèn)為傳統(tǒng)的梯度特征沒(méi)有充分的發(fā)掘出圖像的局部結(jié)構(gòu)特點(diǎn)，梯度尤其是梯度方向應(yīng)該與鄰域其他像素點(diǎn)進(jìn)行比較，他們稱(chēng)為相對(duì)梯度特征。相對(duì)梯度幅度和相對(duì)梯度方向可由下式計(jì)算得到：22__()()xxAVEyyAVERMIIII(3-5)__yAVExAVEIROGOarctanI(3-6)其中，_和_分別為Ix和Iy經(jīng)過(guò)3×3均值濾波后得到，在計(jì)算RO時(shí)，同樣要注意分母為零的問(wèn)題。經(jīng)過(guò)與鄰域像素的比較，RO的概率分布不再是接近均值分布。他們還證明，對(duì)于不同類(lèi)型和不同程度的失真，RO的分布具有一定的規(guī)律性，因此本文選取RO的標(biāo)準(zhǔn)差作為第一維特征。3.1.2LOG特征高斯拉普拉斯(LaplacianoftheGaussianfunction，LOG)常用于圖像的邊緣提取和二值化處理，具有位移不變性和旋轉(zhuǎn)不變性的優(yōu)點(diǎn)。LOG是對(duì)二階邊緣特征提取方法的一種改進(jìn)，首先對(duì)目標(biāo)圖像進(jìn)行最佳平滑處理（高斯濾波），最大程度的抑制噪聲，然后再對(duì)平滑后的圖像提取特征，由于其實(shí)際效果很好，因此廣泛用于圖像處理之中。LOG特征的計(jì)算公式如下，其中(,|)是二維高斯函數(shù)。

天津大學(xué)碩士學(xué)位論文2222221(,|)()22xygxyexp(3-7)2222(,|)(,|)(,|)LOGhxygxygxyxy222222421222xyxyexp(3-8)LOGLIh(3-9)其中hLOG是濾波模板，L是提取的LOG特征，參數(shù)σ是二維高斯函數(shù)的形狀參數(shù)，本算法中將σ設(shè)置為0.5。3.1.3GM與LOG變化特性通常來(lái)說(shuō)，更高階的邊緣特征可以獲取更精細(xì)的圖像結(jié)構(gòu)[52]，但同樣也更容易受到噪聲的影響。GM屬于一階邊緣信息，而LOG屬于二階邊緣信息，在高斯噪聲失真條件下，高階的LOG特征更容易受到噪聲的擾動(dòng)，在失真嚴(yán)重的情況下會(huì)呈現(xiàn)均值分布，而GM特征的變化沒(méi)有那么明顯。而對(duì)于模糊類(lèi)失真如高斯模糊、壓縮失真等相當(dāng)于對(duì)圖像進(jìn)行低通濾波，造成結(jié)構(gòu)信息的丟失。隨著圖像質(zhì)量變差，LOG特征無(wú)法獲得高階的精細(xì)特征，會(huì)與一階邊緣特征表現(xiàn)出越來(lái)越近似的分布。圖3-3是選自LIVE數(shù)據(jù)庫(kù)中的一張名為“stream.bmp”的參考圖像和該圖像GM特征以及LOG特征的概率分布圖，可以看出參考圖像的GM和LOG分布有一定的不同，GM幅值主要集中在低幅值區(qū)域。(a)(b)圖3-3(a)LIVE數(shù)據(jù)庫(kù)中的參考圖像“stream.bmp”(b)該圖像的GM和LOG概率分布為了驗(yàn)證上述觀點(diǎn)，接下來(lái)我們對(duì)噪聲類(lèi)失真中的白噪聲和模糊類(lèi)失真中的高斯模糊進(jìn)行討論。從LIVE庫(kù)中分別選取由圖像“stream.bmp”生成的兩類(lèi)失

【參考文獻(xiàn)】：
期刊論文
[1]無(wú)參考圖像質(zhì)量評(píng)價(jià)綜述[J]. 王志明.  自動(dòng)化學(xué)報(bào). 2015(06)
[2]醫(yī)學(xué)圖像質(zhì)量評(píng)價(jià)中的梯度加權(quán)SSIM[J]. 段影影,陳武凡,馮前進(jìn),馬建華.  計(jì)算機(jī)工程與應(yīng)用. 2011(24)



本文編號(hào)：3399818