-
公开(公告)号：CN106023208B
公开(公告)日：2019-01-18
申请号：CN201610345192.9
申请日：2016-05-23
Applicant: 北京大学
IPC: G06T7/00
Abstract: 本发明实施例提供了一种图像质量的客观评价方法。所述方法包括：获取失真图像和所述失真图像对应的原始图像；提取所述原始图像的轮廓和所述失真图像的轮廓；计算所述失真图像的轮廓和所述原始图像的轮廓之间的相似性；根据所述失真图像的轮廓和所述原始图像的轮廓之间的相似性，得到所述失真图像的轮廓退化程度DSC；对所述原始图像和所述失真图像分别进行分割，生成分割区域；对于每个所述分割区域，分别衡量所述原始图像和所述失真图像之间的内容相似性；对每个所述分割区域的内容相似性加权，得到所述失真图像的区域退化程度DSR；根据所述失真图像的轮廓退化程度DSC和所述失真图像的区域退化程度DSR，得到所述失真图像的图像质量。
-
公开(公告)号：CN108596902B
公开(公告)日：2020-09-08
申请号：CN201810418632.8
申请日：2018-05-04
Applicant: 北京大学
Abstract: 本发明提供了一种基于选通卷积神经网络的多任务全参考图像质量评价方法。该方法包括：基于全参考图像质量评价数据集构建无监督训练数据集，利用无监督训练数据集对选通自编码器进行训练；构建包括编码器模块、抽象模块和预测模块的掩码选通卷积神经网络，使用训练好的选通自编码器初始化掩码选通卷积神经网络的编码器模块，利用全参考图像质量评价数据集对掩码选通卷积神经网络进行端到端的训练；利用训练好的掩码选通卷积神经网络对测试图片进行图像质量评价。本发明通过编码参考图像和失真图像之间的变换，同时估计图像质量分数和识别失真类型，能够更加充分准确的评价图像质量。
-
公开(公告)号：CN108596902A
公开(公告)日：2018-09-28
申请号：CN201810418632.8
申请日：2018-05-04
Applicant: 北京大学
Abstract: 本发明提供了一种基于选通卷积神经网络的多任务全参考图像质量评价方法。该方法包括：基于全参考图像质量评价数据集构建无监督训练数据集，利用无监督训练数据集对选通自编码器进行训练；构建包括编码器模块、抽象模块和预测模块的掩码选通卷积神经网络，使用训练好的选通自编码器初始化掩码选通卷积神经网络的编码器模块，利用全参考图像质量评价数据集对掩码选通卷积神经网络进行端到端的训练；利用训练好的掩码选通卷积神经网络对测试图片进行图像质量评价。本发明通过编码参考图像和失真图像之间的变换，同时估计图像质量分数和识别失真类型，能够更加充分准确的评价图像质量。
-
公开(公告)号：CN106023208A
公开(公告)日：2016-10-12
申请号：CN201610345192.9
申请日：2016-05-23
Applicant: 北京大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/10004 , G06T2207/30168
Abstract: 本发明实施例提供了一种图像质量的客观评价方法。所述方法包括：获取失真图像和所述失真图像对应的原始图像；提取所述原始图像的轮廓和所述失真图像的轮廓；计算所述失真图像的轮廓和所述原始图像的轮廓之间的相似性；根据所述失真图像的轮廓和所述原始图像的轮廓之间的相似性，得到所述失真图像的轮廓退化程度DSC；对所述原始图像和所述失真图像分别进行分割，生成分割区域；对于每个所述分割区域，分别衡量所述原始图像和所述失真图像之间的内容相似性；对每个所述分割区域的内容相似性加权，得到所述失真图像的区域退化程度DSR；根据所述失真图像的轮廓退化程度DSC和所述失真图像的区域退化程度DSR，得到所述失真图像的图像质量。
-
-
-
Search Results
4
records
(took 0.024 seconds)
