没有合适的资源?快使用搜索试试~ 我知道了~
首页MATLAB可视化图像质量评价系统设计与算法对比研究
"这篇毕业论文主要探讨了基于MATLAB的可视化图像质量评价系统的设计与研究。随着数字图像在各个领域的广泛应用,图像质量的评估显得至关重要。论文深入分析了图像质量评价的发展历程,从全参考、部分参考到无参考的评价方法,并强调了选择最佳评价算法的重要性。MATLAB因其强大的图像处理能力和可视化界面而被选为系统开发的工具。" 在论文的第一部分,作者详细介绍了图像质量评价系统的背景和意义,以及当前国内外的研究状况,特别关注了全参考和无参考图像质量评价算法。这些算法各有特点,选择合适的算法对于特定的图像失真问题至关重要。 第二部分,作者阐述了利用MATLAB的GUIDE工具进行可视化界面设计的基本理论和技术,为系统界面的构建和编程实施奠定了基础。MATLAB GUI的易用性使得图像处理和质量评价的操作更加直观。 接下来,论文详细讨论了几种经典的图像质量评价算法,包括全参考和无参考类别中的算法实现,为实际的编程实现提供了清晰的路径。这些算法的实现和比较是系统核心功能的一部分。 第四部分,作者编写并测试了系统的各项功能,包括不同评价算法的封装、对比分析和性能评估。系统不仅支持多种图像格式的读取、显示和质量评价,还能处理如噪声添加、灰度化、模糊和JPEG压缩等图像失真处理,扩展了其应用范围。 最后,系统设计考虑了二次开发的需求,提供了相应的接口,使得未来可以进一步扩展或定制功能。整个系统致力于为研究人员和工程师提供一个直观、高效的质量评价工具,以便更好地理解和评估数字图像的质量。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88482831/bgb.jpg)
第一章 绪论
5
提出了一种基于结构相似度理论(structural similarity,SSIM)的图像质量的评价算法;
等等。其中比较经典的两个 HVS 模型是基于生理学和心理学获得的人类视觉系统前端
特性来建立的人类视觉模型,分别是:daly visible differ re-nces predictor 和 Sarnoff visual
discrimination model
[21]
。随后有很多学者对 SSIM 算法进行改进,其中 Wang 等人
[20]
针
对 SSIM 算法对图像进行质量评价的结果与主观评价有很大的差异,再次提出了一种对
图像进行平均结构相似度比较的理论(mean structural similarity,MSSIM)
[22]
,也即基
于多尺度结构相似性。从相位一致性考虑,有 LIU 等人
[23]
提出的基于相位一致性的图像
质量评价算法和 Zhang 等人提出的特征相位相似算法(FSIM)
[24]
,相对于 SSIM 来说,
该类方法不需要来考图像的对比度以及亮度因素,但相对于 SSIM 类算法的评价结果来
说,该类方法不是很好。
(2)部分参考图像质量评价方法
部分参考图像质量评价方法(RR-IQA),是指使用原图像的部分信息来评测图像的
质量。相比全参考来说,它只需要原图像的一个或者多个特征值作为参数进行质量的评
价,不仅大大减少了获取的难度,也减小了通信量。在实际应用中,完整的原图像获取
难度相当大,但获取原图像的部分信息则相对容易的多。部分参考图像质量评价方法的
算法原理框架如下图 1-1 示。RR-IQA 算法主要由两方面构成,先获取原图像的特征信
息以及以相同的方式对待评测图像进行相同的特征信息抽取,然后再比较分析参考图像
的特征信息和失真图像的特征性的差异性,从而获取失真图像的失真度。
特征提取
RR特征信
息分析
降至信道
辅助信道特征提取
RR特征提取和质量分析
RR特征提取
发送端 接收端
原始图像
RR
失真图像
RR特征
质量得分
图 1-1 部分参考图像质量评价方法结构图
Fig.1-1 The structure chart of reduce reference image quality asseeement
由上所述,可知,部分参考图像质量评价方法的重点和难点在于寻找合适的特征信
息。部分参考图像质量算法有路文等人
[25]
提出的一种基于冗余度的图像稀疏表示的方法,
并对分解后获得的各个子带系数进行 CSF 掩膜,将其作为参考图像特征进行质量评价。
(3)无参考图像质量评价算法
无参考图像质量评价算法(No Reference Image Quality Assessment,NR-IQA)又称
为盲图像质量评价(Blind Image Quality Assessment,BIQA),是指在没有任何原图像信
![](https://csdnimg.cn/release/download_crawler_static/88482831/bgc.jpg)
第一章 绪论
6
息的情况下,根据函数拟合或者机器学习等方法获取待评测图像的评测值。相对全参考
和部分参考评价方法来说,虽然无参考评价方法实现难度比较复杂,但在实际应用中,
原图像一般很难获得。所以,无需参考原图像任何信息的无参考评价方法应用更广,现
今的图像质量评价的重点研究主要是针对于无参考的研究。无参考图像质量评价方法主
要分为 3 类:面向特定失真图像质量评价方法、非特定失真图像质量评价和基于机器学
习图像质量评价方法。
面向特定失真方法主要是针对一种失真类型的评价方法,比如针对图像模糊、图像
噪声、JPEG 压缩、JPEG2000 压缩和块效应等,其中比较常见的是针对图像的模糊失真
和噪声失真的评价方法研究。研究比较广泛的是基于模糊失真的图像质量评价,有基于
边缘信息差异的,如:Wang 等人
[26]
提出的根据检测到的不同边缘强度信息进行计算模
糊度的图像质量评价算法,Ferzli 和 Karam 等人
[27]
提出的基于可察觉模糊和 HVS 计算
图像模糊度的图像质量评价算法,Marziliano 等人
[28,29]
提出的基于 Sobel 算子计算图像
的平均边缘宽度,作为模糊度估计的图像质量评价算法;有基于像素统计信息的,如:
Crete 等人
[30]
提出的基于图像相邻像素域的灰度信息变化来计算图像模糊度的图像质量
评价算法,Tsomko 和 Kim 等人
[31]
提出的基于图像相邻灰度的差异方差的变化大小来计
算模糊度的图像质量评价算法;有基于变换域的,如:Marichal 等人
[32]
提出的基于 8*8
大小的离散余弦变换(discrete cosine transform, DCT)来估计图像模糊度的图像质量评
价算法。针对噪声失真,Meer 等人
[33]
提出一种根据不同分辨率的方差差异计算出图像
的噪声方差的图像质量评价算法,Tai 和 Yang 等人
[34]
提出了一种根据 Sobel 算子计算图
像结构的边缘阈值,并对低于阈值的像素点采用 Laplacian 算子计算噪声的标准差的图
像质量评价算法;针对 JPEG 失真,Pan 和 Lin 等人
[35]
提出了一种基于块边界的统计图
像质量评价算法。
非特定失真方法主要是针对面向特定失真只考虑一种失真情况下的评价方法进行
的延伸研究,其目的是研究一种符合两种失真或多种失真同时存在的情况下评价方法。
因为这种评价方法不受制于失真图像的类型,所以实际应用更广泛,同时也更符合人眼
的感知。
基于机器学习方法主要是通过从已知质量的图像中提取出能够反映图像质量的特
征参数,并进行训练学习,建立一个分析模型,然后,把待评测图像的相应的特征参数
输入到分析模型中,预测失真图像的图像质量。这种方法的评测结果一般优于用函数拟
合预测出来的结果,但机器学习有学习过程,所以,这种方法一般比函数拟合方法花的
时间更长。Kang 等人
[36]
提出了一种利用卷积神经网络(convolutional neural networks,
CNN)的模型对图像质量进行评价,Li 等人
[37]
利用广义回归神经网络(GRNN)的模型
对图像的质量进行评价。
![](https://csdnimg.cn/release/download_crawler_static/88482831/bgd.jpg)
第一章 绪论
7
1.3 图像质量评价算法评价指标和常用数据库
从 20 世纪 80 年代开始,各种图像质量评价算法纷纷涌现出来,每种算法都有各自
独特的地方,至今还没有统一出最好的算法。但是,算法的评价效果是否较好,则需要
一个统一的标准来衡量。另外,为了方便比对每种算法的优劣,大多数研究者把自己的
算法在一些公开的图像数据库上进行测试。作为图像质量评价研究的一个重要组成部分,
本节首先介绍图像质量评价算法的常用评价指标以及几个常用的图像质量评价数据库。
1.3.1 评价指标
从 20 世纪 80 年代到今天,图像质量评价的算法已经有很多很多了,每一种算法都
有各自的思路,如何评价这些算法的优劣性呢?我们知道好的图像质量评价方法的评测
结果应该与主观评价结果有很好的一致性,一般从一致性、单调性和准确性三个方面来
衡量。其中,一致性是指设计的评价算法在不同的测试样本下的误差尽可能小,也就是
说评价算法要能广泛应用;单调性是指设计的评价算法的评测值和主观评测值的变化规
律一样,也就是说它们要有相似的单调性;准确性是指设计的评价算法的评测值要与主
观评价值的误差尽可能小。下面介绍几个比较常用数学评价指标:
(1)斯皮尔曼等级相关系数(Spearman rank ordered correlation Coefficient, SROCC),
算法公式如下:
2
1
2
)(
)1(
6
1
yi
n
i
xi
rr
nn
SROOC
(1-1)
其中,其中
xi
r
、
yi
r
分别是
x
、
y
对应序列的排序位置,
n
为测试的样本个数。
(2)线形皮尔森相关系数(Linear Pearson Correlation Correicient, LPCC ),算法公式
如下:
i i
ppii
i
ppii
ssss
ssss
LPCC
22
)
ˆ
()
ˆ
(
)
ˆ
()
ˆ
(
(1-2)
其中,
i
s
表示的是主观得分(MOS 或 DMOS),
p
s
表示的是基于回归函数后的图像
质量预测得分。
(3)KL 散度(Kullback-Leibler divergence,KLD)
[38]
。也称 KL 距离和相对熵,它
是用来测量两个概率密度函数分布差异,其算法公式如下:
i
iq
ip
ipqpKLD )
)(
)(
log()()|(
(1-3)
其中,
p
代表的是概率密度函数生成的真实直方图映射,
q
代表的是概率密度函数
![](https://csdnimg.cn/release/download_crawler_static/88482831/bge.jpg)
第一章 绪论
8
生成的预测直方图映射。
(4)离出率(outlier ratio,OR),其算法公式如下:
total
outlier
N
N
OR
(1-4)
其中,
outlier
N
代表的是超出主观评分
2
倍标准差的数量,
total
N
代表的是参与预测
评价的总数。
(5)离群值距离(outlier distance,OD
[39]
,其算法公式如下:
f
Ii
ss
isifisifOD |)2)()(||,2)()(min(|
(1-5)
其中,
f
I
代表的是离群值的集合,
)(is
代表的是图像
i
的 DMOS 或 MOS 值,
)(if
是
通过逻辑变换后的预测值。其中逻辑变换公式如下:
2
4
3
21
)exp(1
)(
x
xf
(1-6)
其中,
1
,
2
,
3
和
4
是从预测值和主观值之间的最小化均方误差中选择的模型参
数。
上述几个评价指标中,SROCC 和 LPCC 的取值范围都在[0,1]之间,取值越趋近于 1
代表图像的质量越好。其中前者 SROCC 评价指标代表的是预测单调性,后者 LPCC 表
示的是预测的精度。KLD 代表的是预测值和真实值的分布差异情况,其值越小,则说
明预测值和真实值的分别情况越相似,也就代表图像质量越好。OR 代表的是预测值的
离群度,其值越小,这说明预测值的离群度较小,所以图像质量越好。OD 代表的是预
测值的离群值距离,其值越小,说明图像质量越好。
1.3.2 常用典型数据库
为了对提出的质量评价算法进行验证,之前的研究者通过主观评价方法评价很多图
像,并给出了它们的主观评价值,一起组成一个公开的图像质量评价数据库。比较典型
的公开数据库有 3 个,分别为:LIVE2,CSIQ 和 TID2013。
LIVE2 图像质量评价数据库是美国德州大学奥斯汀分校图像与视频工程实验室
(Laboratory for Image and Video Engineering,LIVE)开发的;CSIQ 图像质量评价数据
库是美国俄克拉荷马州立大学开发的,包含了来自 25 个观察者的 5000 个主观评分;
TID2013 图像质量评价数据库是乌克兰航空航天大学开发的。其中,LIVE2 数据库是最
常用的一个数据库,主要包含原始图像 29 幅,以及由这 29 幅原始图像衍生出的 799 幅
剩余65页未读,继续阅读
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)