专利交易市场

本发明公开了一种利用多层深度表征进行无参考图像质量预测的方法。本发明包括如下步骤：步骤(1)数据预处理：将所有图像缩放到统一的尺寸大小，减去平局值，将二进制数据转换为深度神经网络能识别的数据格式；步骤(2)特征提取及处理：利用一个在ImageNet上训练好的37层VGGnet模型进行特征提取，提取每层特征并进行处理，得到一个列向量；步骤(3)预测分数：将每层特征融合得到的列向量输入支持向量回归模型得到每层特征的预测分数；将各层分数平均值作为整张图片的质量评估分值。本发明提出了一整简单高效的针对图像质量评价的新方法。并且获得了目前在图像质量评价领域中的最好效果。

本发明公开了一种基于加权梯度幅度的双目融合立体图像质量评价方法。客观图像质量评价算法根据是否利用原图像参与图像质量评价，可分为全参考、半参考和无参考图像质量评价算法三种。本发明采用的是半参考立体图像客观质量评价算法。与传统的融合左右眼图像生成独眼图算法不同，本发明将经过局部加权后的梯度幅度因子加入双目融合算法中，从而对传统的独眼图构造过程中丢失的结构信息进行一定补偿。本发明在消除对比度变化的同时增强局部图像结构。采用经典的自适应稀疏字典和OMP迭代算法，捕获随着迭代次数增加而增强的边缘和纹理信息，能更好的体现图像的结构信息。

一种基于多粒度图像信息内容的图像质量评价方法，属于计算机视觉领域。针对图像局部纹理信息的质量评价模块，首先将单颗花粉图像集合中每张花粉颗粒图片针对不同方向进行纹理特征的提取，然后平均加权求和求每张花粉颗粒图片的总纹理特征分数，其次将其纹理评价指标平均加权求和作为单颗花粉基于图像纹理内容信息的质量评价得分，之后将所有花粉颗粒得分进行平均加权求和作为基于图像局部纹理信息的质量评价得分。最终，我们将图像全局内容信息的质量分数和图像局部纹理信息的质量分数进行加权求和来得到花粉图片的最终得分。本发明更关注花粉颗粒质量的效果，比以往只考虑基于粗粒度的图像内容信息质量评价结果更加准确。

本发明公开了一种重定位立体图像质量评价方法，其考虑了几何失真、信息损失和视觉舒适度对立体图像重定位的影响，通过计算原始的立体图像和重定位立体图像的长宽比相似性、网格相似度、前向信息损失、后向信息损失、信息保持特征、视觉舒适度，得到重定位立体图像的特征矢量，然后在训练阶段利用支持向量回归对训练集中的特征矢量进行训练，构造支持向量回归训练模型；在测试阶段利用支持向量回归训练模型，预测得到测试集中的特征矢量对应的重定位立体图像的客观质量评价预测值，由于获得的特征矢量具有较强的稳定性且能较好地反映重定位立体图像的几何失真、信息损失和视觉舒适度，因此有效地提高了客观评价结果与人眼主观感知之间的相关性。

本发明涉及一种基于自主学习的无参考彩色图像质量评价方法，属于图像处理领域。该方法包括：首先，利用四元数理论将训练集中的彩色图像用四元数矩阵表示；其次，对训练图像进行分块并利用人眼视觉感知求得图像块的局部特征；然后，利用自主学习策略构建图像字典，将最具代表性的图像块作为字典的原子；最后，将待评价彩色图像进行相同的预处理后，计算待评价图像与图像字典之间的最大相似性，通过支持向量回归分析得到最终的质量评价分数，并实时更新图像字典。本发明充分考虑了图像字典中字典原子的代表性和自主学习能力，能够同时对不同失真种类的图像进行评价，且评价结果与主观评价趋于一致。

本发明公开了一种基于稀疏特征相似度的立体图像质量客观评价方法，其提取融合图像字典表和视点图像字典表；然后采用一阶双目融合模型，利用融合图像字典表提取一阶融合图像稀疏特征图，同时利用视点图像字典表提取左、右视点图像各自的稀疏特征图，采用二阶双目融合模型对左、右视点图像各自的稀疏特征图进行融合，得到二阶融合稀疏特征图；再利用稀疏特征相似度的方法得到失真立体图像的客观质量评价预测值；优点是在字典学习阶段避免了复杂的机器学习训练过程，且无需预知各无失真立体图像的主观评价值；在质量预测阶段采用的一阶双目融合模型和二阶双目融合模型能有效表示双目视觉特性，因此能有效地提高客观评价结果与主观感知之间的相关性。