基于多尺度边缘特征融合的无参考屏幕内容图像质量评估方法

    公开(公告)号:CN114897884B

    公开(公告)日:2024-12-20

    申请号:CN202210684718.1

    申请日:2022-06-17

    Applicant: 福州大学

    Abstract: 本发明提出一种基于多尺度边缘特征融合的无参考屏幕内容图像质量评估方法,首先,对失真屏幕内容图像数据集中的数据进行数据预处理;训练基于多尺度边缘特征融合的图像质量评分预测网络,得到无参考屏幕内容图像质量评分预测模型;所述基于多尺度边缘特征融合的图像质量评分预测网络使用支持双源输入的孪生网络对输入的失真图像和对应的边缘结构图进行多尺度特征提取和特征融合;再使用Transformer编码器模块以形成不同尺度特征的全局信息表示;最后将失真图像和对应的边缘结构图输入,输出失真图像的质量评估分数。从而有效提高无参考屏幕内容图像质量评估模型的性能。

    基于双重孪生网络的无参考屏幕内容图像质量评估方法

    公开(公告)号:CN113658130B

    公开(公告)日:2023-07-28

    申请号:CN202110935267.X

    申请日:2021-08-16

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于双重孪生网络的无参考屏幕内容图像质量评估方法。包括:对失真屏幕内容图像数据集中的数据进行预处理,在每幅失真图像的灰度图上提取对应的结构特征图,生成对应结构特征图数据集,并将两个数据集划分为训练集与测试集;设计多头自注意力模块,学习失真图像特征与其对应结构特征之间的特征关联信息;设计支持双源输入的孪生网络,使用所设计的网络学习失真图像的多类失真信息;设计双重孪生的图像质量评估网络,训练所设计的网络得到无参考屏幕内容图像质量评估模型;将测试集中的失真屏幕内容图像和对应的结构特征图输入到训练好的基于双重孪生网络的无参考屏幕内容图像质量评估网络模型中,计算失真图像的质量评估分数。

    基于空洞双残差多尺度深度网络的图像去模糊方法及系统

    公开(公告)号:CN114723630A

    公开(公告)日:2022-07-08

    申请号:CN202210335774.4

    申请日:2022-03-31

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于空洞双残差多尺度深度网络的图像去模糊方法及系统,该方法包括以下步骤:对原始模糊退化图像和干净图像的训练图像对进行预处理,并组成图像块数据集;构建空洞双残差多尺度深度网络,其采用多尺度编码解码器结构,包括多个空洞双残差模块以及小波重建模块;以图像块数据集为训练数据,根据目标损失函数,利用反向传播方法计算多尺度深度网络中各参数的梯度,并利用随机梯度下降方法更新参数,学习多尺度深度网络的最优参数;将待测图像输入到训练好的空洞双残差多尺度深度网络中,预测生成去除模糊之后的干净图像。该方法及系统有利于提高图像去模糊的性能,去除图像模糊的同时保留更多的图像纹理细节,重建出高质量的清晰图像。

    基于混合CNN-T和多区域特征的无参考屏幕图像质量评估方法

    公开(公告)号:CN117474855A

    公开(公告)日:2024-01-30

    申请号:CN202311412207.5

    申请日:2023-10-30

    Applicant: 福州大学

    Abstract: 本发明涉及基于混合CNN‑T和多区域特征的无参考屏幕图像质量评估方法。包括以下步骤:S1:对失真屏幕内容图像数据集中的数据进行数据预处理;S2:设计图像局部特征与全局特征提取模块;S3:设计双边特征交互模块,该模块能够增强局部特征和全局特征间的信息交流;S4:设计区域特征重要性计算模块,该模块通过动态调整不同区域特征的学习权重;S5:设计质量分数回归子网络和损失函数;S6:设计基于混合CNN‑Transformer和多区域特征重要性的无参考屏幕内容图像质量评估网络,并进行训练得到无参考屏幕内容图像质量评估模型;S7:将待测图像输入到训练好的基于混合CNN‑Transformer和多区域特征重要性的无参考屏幕内容图像质量评估模型中,输出对应的质量评估分数。

    基于多区域特征融合的无参考屏幕内容图像质量评估方法

    公开(公告)号:CN116403063A

    公开(公告)日:2023-07-07

    申请号:CN202310398032.0

    申请日:2023-04-14

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于多区域特征融合的无参考屏幕内容图像质量评估方法。包括:对失真屏幕内容图像数据集中的数据进行数据预处理;设计自适应特征提取模块,自适应地提取失真屏幕内容图像块中文本区域和图像区域的不同尺度特征,并基于注意力机制对文本区域特征和图像区域特征进行融合;设计局部图像信息交互模块,通过引入自注意力机制来增强失真屏幕内容图像中任意两个图像块之间的信息交互,赋予各个图像块不同的关注权重;设计基于多区域特征融合的无参考图像质量评估网络,训练得到无参考屏幕内容图像质量评估模型;将待测的失真屏幕内容图像输入到训练好的的无参考屏幕内容图像质量评估模型中,输出对应的质量评估分数。

    基于边缘特征引导的无参考屏幕内容图像质量评估方法

    公开(公告)号:CN115797304A

    公开(公告)日:2023-03-14

    申请号:CN202211575974.3

    申请日:2022-12-08

    Applicant: 福州大学

    Abstract: 本发明涉及基于边缘特征引导的无参考屏幕内容图像质量评估方法。包括以下步骤:S1:首先利用高斯拉普拉斯算子生成对应失真屏幕内容图像数据集的边缘结构图数据集;S2:设计多尺度边缘特征引导网络;S3:设计位置注意力模块,形成不同尺度特征的全局信息表示;S4:设计渐进式特征融合模块,该模块通过自顶向下的方式逐步聚合各个尺度的特征,以形成失真图像的多尺度特征表示;S5:设计基于边缘特征引导的图像质量评估网络;S6:输出失真图像的质量评估分数。应用本技术方案既可以通过不同深度的网络有效提取屏幕内容图像低层的细节信息和深层的语义信息,又能通过边缘结构图对图像的浅层边缘信息作为补充。

    基于空洞双残差多尺度深度网络的图像去模糊方法及系统

    公开(公告)号:CN114723630B

    公开(公告)日:2024-09-06

    申请号:CN202210335774.4

    申请日:2022-03-31

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于空洞双残差多尺度深度网络的图像去模糊方法及系统,该方法包括以下步骤:对原始模糊退化图像和干净图像的训练图像对进行预处理,并组成图像块数据集;构建空洞双残差多尺度深度网络,其采用多尺度编码解码器结构,包括多个空洞双残差模块以及小波重建模块;以图像块数据集为训练数据,根据目标损失函数,利用反向传播方法计算多尺度深度网络中各参数的梯度,并利用随机梯度下降方法更新参数,学习多尺度深度网络的最优参数;将待测图像输入到训练好的空洞双残差多尺度深度网络中,预测生成去除模糊之后的干净图像。该方法及系统有利于提高图像去模糊的性能,去除图像模糊的同时保留更多的图像纹理细节,重建出高质量的清晰图像。

    基于多尺度边缘特征融合的无参考屏幕内容图像质量评估方法

    公开(公告)号:CN114897884A

    公开(公告)日:2022-08-12

    申请号:CN202210684718.1

    申请日:2022-06-17

    Applicant: 福州大学

    Abstract: 本发明提出一种基于多尺度边缘特征融合的无参考屏幕内容图像质量评估方法,首先,对失真屏幕内容图像数据集中的数据进行数据预处理;训练基于多尺度边缘特征融合的图像质量评分预测网络,得到无参考屏幕内容图像质量评分预测模型;所述基于多尺度边缘特征融合的图像质量评分预测网络使用支持双源输入的孪生网络对输入的失真图像和对应的边缘结构图进行多尺度特征提取和特征融合;再使用Transformer编码器模块以形成不同尺度特征的全局信息表示;最后将失真图像和对应的边缘结构图输入,输出失真图像的质量评估分数。从而有效提高无参考屏幕内容图像质量评估模型的性能。

    基于双重孪生网络的无参考屏幕内容图像质量评估方法

    公开(公告)号:CN113658130A

    公开(公告)日:2021-11-16

    申请号:CN202110935267.X

    申请日:2021-08-16

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于双重孪生网络的无参考屏幕内容图像质量评估方法。包括:对失真屏幕内容图像数据集中的数据进行预处理,在每幅失真图像的灰度图上提取对应的结构特征图,生成对应结构特征图数据集,并将两个数据集划分为训练集与测试集;设计多头自注意力模块,学习失真图像特征与其对应结构特征之间的特征关联信息;设计支持双源输入的孪生网络,使用所设计的网络学习失真图像的多类失真信息;设计双重孪生的图像质量评估网络,训练所设计的网络得到无参考屏幕内容图像质量评估模型;将测试集中的失真屏幕内容图像和对应的结构特征图输入到训练好的基于双重孪生网络的无参考屏幕内容图像质量评估网络模型中,计算失真图像的质量评估分数。

Patent Agency Ranking