-
公开(公告)号：CN104392446A
公开(公告)日：2015-03-04
申请号：CN201410669644.X
申请日：2014-11-20
Applicant: 江南大学
Inventor： 殷莹
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/30168
Abstract: 本发明针对传统PSNR图像质量评价算法的缺点，提出了改进的基于PSNR的DCT域无参考模糊图像质量评价算法。首先对预测图像进行高斯模糊处理，并对预测图像和高斯模糊处理图像进行DCT变换，得到DCT系数矩阵；然后分别提取预测图像和高斯模糊图像的DCT系数矩阵的前100列，并计算这两幅图像前100列每列之间的PSNR值，得到特征向量；最后应用支持向量机回归模型对特征向量进行训练学习，得到图像质量预测模型，进而得到图像质量的预测值。实验结果表明，此算法性能明显好于传统的全参考PSNR图像质量评价算法，与人类主观感觉相一致。
-
公开(公告)号：CN104361596A
公开(公告)日：2015-02-18
申请号：CN201410670298.7
申请日：2014-11-20
Applicant: 江南大学
Inventor： 殷莹
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/30168
Abstract: Contourlet变换具有多分辨率、多尺度、多方向和各向异性等性质，其少量系数即可有效地捕捉图像中的边缘轮廓，本发明基于Contourlet变换提出了一种的半参考图像质量评价算法。首先对参考图像和待评价图像分别进行3尺度4级Contourlet分解，其次对每一子带进行奇异值分解，并使用Frobenius范数计算能量，得到每一尺度上的能量特征向量，最后计算参考图像和待评价图像3个尺度上能量特征向量之间的夹角并加权求和，最终得到待评价图像质量得分。在3个公开数据库上的大量实验结果表明，本发明算法性能优越，与人类视觉系统具有较高的一致性。
-
公开(公告)号：CN104104943A
公开(公告)日：2014-10-15
申请号：CN201310123323.5
申请日：2013-04-10
Applicant: 江南大学
IPC: H04N17/00 , H04N19/154
Abstract: 一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法，其特征在于按如下步骤进行：(一)选择LIVE2数据库中的JPEG2000图像作为训练样本；(二)将该库中的图像转化为相位一致图像；(三)计算相位一致图像的信息熵、对比度和同质性；(四)把图像的信息熵、对比度和同质性3个参数作为输入，DMOS的值作为输出，在LIVE2数据库上对广义回归神经网络进行训练学习；(五)用训练好的广义回归神经网络对待评价图像质量进行预测，得分作为图像的质量评价指标。本发明是一种不需要参考图像，评价JPEG2000图像质量好坏的方法，并且评价结果符合人类视觉主观认识结果。
-
公开(公告)号：CN111369548B
公开(公告)日：2023-06-06
申请号：CN202010161674.5
申请日：2020-03-10
Applicant: 江南大学
IPC: G06T7/00 , G06V10/46 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明提供一种基于生成对抗网络的无参考视频质量评价方法，其无需原始视频信息，方法简单，适用范围广，且分类准确率高。首先利用生成对抗网络恢复失真视频帧块的分辨率，然后将失真视频帧块和与其对应的复原的视频帧块的显著图作为输入送入到视频质量评价网络，对失真视频帧块的质量进行评价。同时本发明还公布了一种基于生成对抗网络的无参考视频质量评价装置。
-
公开(公告)号：CN109919901A
公开(公告)日：2019-06-21
申请号：CN201810832910.4
申请日：2018-07-25
Applicant: 江南大学
IPC: G06T7/00
Abstract: 一种基于集成学习与随机森林的图像质量评价方法，其可大大提高图片质量评价的准确度，其具体实现步骤如下：（1）选择六种基学习算法，（2）采用步骤（1）所选择的基学习算法对失真图像进行打分，（3）将打分后的分数组成训练数据，（4）使用训练数据建立深度随机森林模型，深度随机森林模型包括包括K层训练步骤，经每层训练步骤中的随机森林过滤后得出过滤特征，将过滤特征与原始特征结构构成强化特征，将强化特征作为下一层训练步骤的输入值进行训练，循环往复，直至最后一层，最后一层训练步骤得出的数据作为失真图像的分数。
-
Patent Agency Ranking
公开(公告)号：CN104282012A
公开(公告)日：2015-01-14
申请号：CN201310283747.8
申请日：2013-07-05
Applicant: 江南大学
IPC: G06T7/00
CPC classification number: G06T5/10 , G06T2207/30168
Abstract: 一种基于小波域的半参考图像质量评价算法，其特征在于按如下步骤进行：(一)：分别对失真图像和参考图像进行2尺度小波分解；(二)：分别提取参考图像和失真图像的特征向量CXlow(i)和CYlow(i)；(三)：将失真图像特征向量CXlow(i)看成N维欧氏空间中的点CXlow[i]，参考图像特征向量CYlow(i)看成N维欧氏空间中的点CYlow[i]，计算图像质量评价标准D(X，Y)。本文的半参考图像质量评价算法和其它半参考图像质量评价算法相比，算法简单，物理意义清晰，算法性能优越。在实际应用方面，本文的半参考图像质量评价算法和其它全参考图像质量评价算法相比，当无法获得参考图像的全部信息时，更具有实际应用价值。
-
公开(公告)号：CN104103063A
公开(公告)日：2014-10-15
申请号：CN201310123322.0
申请日：2013-04-10
Applicant: 江南大学
IPC: G06T7/00
Abstract: 一种基于自动调焦原理无参考噪声图像质量评价方法，其特征在于按如下步骤进行：(一)选择一幅噪声图像为被评价图像；(二)将该噪声图像转化为灰度图像；(三)对被评价噪声图像进行高斯低通滤波，生成的图像作为参考图像；(四)分别对噪声图像和经过高斯滤波生成的参考图像进行奇异值分解，得到奇异值向量S1和S2；(五)根据奇异值的该变量构造噪声图像的质量评价函数Noise；(六)计算被评价图像的质量评价函数Noise的值，作为图像噪声指标。本发明是一种不需要参考图像，评价噪声图像质量的方法，并且评价结果符合人类视觉主观认识结果，Noise值越大，被评价图像的质量越好。
-
公开(公告)号：CN109919901B
公开(公告)日：2023-04-28
申请号：CN201810832910.4
申请日：2018-07-25
Applicant: 江南大学
IPC: G06T7/00
Abstract: 一种基于集成学习与随机森林的图像质量评价方法，其可大大提高图片质量评价的准确度，其具体实现步骤如下：（1）选择六种基学习算法，（2）采用步骤（1）所选择的基学习算法对失真图像进行打分，（3）将打分后的分数组成训练数据，（4）使用训练数据建立深度随机森林模型，深度随机森林模型包括包括K层训练步骤，经每层训练步骤中的随机森林过滤后得出过滤特征，将过滤特征与原始特征结构构成强化特征，将强化特征作为下一层训练步骤的输入值进行训练，循环往复，直至最后一层，最后一层训练步骤得出的数据作为失真图像的分数。
-
公开(公告)号：CN109191426A
公开(公告)日：2019-01-11
申请号：CN201810820639.2
申请日：2018-07-24
Applicant: 江南大学
IPC: G06T7/00
Abstract: 本发明提出一种平面图像显著性检测方法，其可以输出准确度更高的显著图，方法更简单，易于理解，适于应用。其包括以下步骤：S1：构件网络模型；S2：训练网络模型，得到训练后的网络模型；S3：将图像数据输入到S2中得到的训练后的网络模型，进行显著性检测，输出显著图，用于后续图像处理；在步骤S1中网络模型的结构包括一个左侧的收缩路径和一个右侧的扩张路径；收缩路径用来捕捉上下文，其包括一个输入层、多个卷积层和池化层；由输入层输入的被检测图像传入第一个卷积层进行卷积操作；每两个连续的卷积层之后跟着一个池化层；扩张路径用来精确定位，其包括多个上采样层和卷积层、一个输出层；每个上采样层之后跟着两个连续的卷积层。
-
公开(公告)号：CN111369548A
公开(公告)日：2020-07-03
申请号：CN202010161674.5
申请日：2020-03-10
Applicant: 江南大学
Abstract: 本发明提供一种基于生成对抗网络的无参考视频质量评价方法，其无需原始视频信息，方法简单，适用范围广，且分类准确率高。首先利用生成对抗网络恢复失真视频帧块的分辨率，然后将失真视频帧块和与其对应的复原的视频帧块的显著图作为输入送入到视频质量评价网络，对失真视频帧块的质量进行评价。同时本发明还公布了一种基于生成对抗网络的无参考视频质量评价装置。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
