联系我们
- 地 址:北京市海淀区北四环西路9号 ,主 营:人脸识别,活体检测,身份证识别,银行卡识别,名片识别,车牌识别,OCR识别等及智能识别技术。
- 电 话:13146317170 廖经理
- 传 真:
- 邮 箱:398017534@qq.com
AI图像质量检测方法
AI图像质量检测方法
图像质量检测办法方式
本章只是简单来说说传统的,如今并不晓得如何对图像内容质量停止检测的无监视方法。
.
1、全、半参考办法
图像的某些特征与原始图像的相同特征停止比拟, 比方小波变换系数的概率散布、综合多尺度几何剖析、比照度敏感函数和可察觉灰度差别特征 等. 其相应的应用范畴包括视频传输中的数字水印考证、应用副通道停止视频质量监控与码流率控制等.
.
2、盲图像质量(Blind image quality, BIQ)
评价办法, 则完整无需参考图像, 依据失真图像的本身特征来估量图像的质量. 有些办法是面向特定失真类型的, 如针对含糊、噪声、块状效应的严重水平停止评价; 有些办法先停止失真缘由分类, 再停止定量评价; 而有些办法则试图同时评价不同失真类型的图像. 无参考办法最具适用价值, 有着十分普遍的应用范围.
.
3、机器学习的图像质量评价
(1)SVM + SVR
算规律采用两步计划, 先用SVM 停止失真类型辨认, 进而对特定失真类型树立SVR 回归剖析模型,我们称之为SVM + SVR 模型.
(2)GGD
Moorthy 和Bovik的盲图像质量指数(Blind image quality index, BIQI) 分两步对图像停止评价, 先采用小波合成系数经广义高斯散布(Generalized Gaussian distribution, GGD) 模型拟合得到的参数作为特征, 由SVM 分类得到当前图像属于每个类的概率, 再采用SVR 对各个退化类型计算图像质量指标值, 最后依据概率加权得到总的质量评价指标; 在后续的基于失真辨识的图像真
实性和完好性评价。
.
4、基于概率模型的办法
这类办法首先树立图像特征与图像质量之间的统计概率模型, 大多采用多变量高斯散布描绘概率散布. 看待评价图像, 提取特征后依据概率模型计算最大后验概率的图像质量, 或依据与概率模型的匹配水平(如特征间的间隔) 估量图像质量.
在德克萨斯大学奥斯汀分校的Mittal 等 提出的自然图像质量评价(Natural image quality evaluator, NIQE)算法中, 无需应用人眼评分的失真图像停止锻炼, 在计算其部分MSCN 归一化图像后, 依据部分活性选择局部图像块作为锻炼数据, 以广义高斯模型拟合得到模型参数作为特征, 采用多变量高斯模型描绘这些特征, 评价过程中应用待评价图像特征模型参数与预先树立的模型参数之间的间隔来肯定图像质量
Abdalmajeed 和Jiao在对图像停止部分MSCN 归一化后, 基于韦伯散布提取自然图像统计特征, 并以多变量高斯散布描绘它的概率散布, 评时计算待评价图像特征与无失真图像统计模型的间隔作为图像质量评价度量. 依据概率建模是一种基于大量样本的统计办法, 概率数学模型的选择和样本量的大小是影响性能的关键, 现有办法大都基于多变量高斯模型停止概率建模, 主要是为了便当建模. 思索到表征图像质量的特征维度很高, 复杂的模型将需求更多的数据量, 这类办法只要当数据量较大时才可能获得较好的效果。
.
5、神经网络的办法
这类办法先提取一定的图像变换域或空间特征, 再基于已知质量数据锻炼一个神经网络回归剖析模型, 由图像特征预测图像质量.
Kang 等采用卷积神经网络(Convolutionalneural networks, CNN) 将特征提取和回归剖析融入同一个网络中, 网络包括5 层, 图像经部分MSCN归一化后以32 £ 32 子块输入网络, 第一层卷积层由50 个滤波器提取特征, 第二层停止最大最小选择, 后面两层为800 节点的全衔接网络, 最后一层为单个节点输出图像质量。
Hou 等也采用具有5 层网络构造的深度学习算法停止图像质量评价,综合特征提取、分类、后验概率计算等功用为一体,由3 级小波变换细节特征为输入, 锻炼过程先采用受限波尔兹曼机(Restricted Boltzmann machine,RBM) 停止层间学习, 再采用反向传送算法停止精密调整. 这两种算法的实验结果均明显优于其他无参考算法, 以至在某些状况下优于全参考算法中较好的VIF
本章只是简单来说说传统的,如今并不晓得如何对图像内容质量停止检测的无监视方法。
.
1、全、半参考办法
图像的某些特征与原始图像的相同特征停止比拟, 比方小波变换系数的概率散布、综合多尺度几何剖析、比照度敏感函数和可察觉灰度差别特征 等. 其相应的应用范畴包括视频传输中的数字水印考证、应用副通道停止视频质量监控与码流率控制等.
.
2、盲图像质量(Blind image quality, BIQ)
评价办法, 则完整无需参考图像, 依据失真图像的本身特征来估量图像的质量. 有些办法是面向特定失真类型的, 如针对含糊、噪声、块状效应的严重水平停止评价; 有些办法先停止失真缘由分类, 再停止定量评价; 而有些办法则试图同时评价不同失真类型的图像. 无参考办法最具适用价值, 有着十分普遍的应用范围.
.
3、机器学习的图像质量评价
(1)SVM + SVR
算规律采用两步计划, 先用SVM 停止失真类型辨认, 进而对特定失真类型树立SVR 回归剖析模型,我们称之为SVM + SVR 模型.
(2)GGD
Moorthy 和Bovik的盲图像质量指数(Blind image quality index, BIQI) 分两步对图像停止评价, 先采用小波合成系数经广义高斯散布(Generalized Gaussian distribution, GGD) 模型拟合得到的参数作为特征, 由SVM 分类得到当前图像属于每个类的概率, 再采用SVR 对各个退化类型计算图像质量指标值, 最后依据概率加权得到总的质量评价指标; 在后续的基于失真辨识的图像真
实性和完好性评价。
.
4、基于概率模型的办法
这类办法首先树立图像特征与图像质量之间的统计概率模型, 大多采用多变量高斯散布描绘概率散布. 看待评价图像, 提取特征后依据概率模型计算最大后验概率的图像质量, 或依据与概率模型的匹配水平(如特征间的间隔) 估量图像质量.
在德克萨斯大学奥斯汀分校的Mittal 等 提出的自然图像质量评价(Natural image quality evaluator, NIQE)算法中, 无需应用人眼评分的失真图像停止锻炼, 在计算其部分MSCN 归一化图像后, 依据部分活性选择局部图像块作为锻炼数据, 以广义高斯模型拟合得到模型参数作为特征, 采用多变量高斯模型描绘这些特征, 评价过程中应用待评价图像特征模型参数与预先树立的模型参数之间的间隔来肯定图像质量
Abdalmajeed 和Jiao在对图像停止部分MSCN 归一化后, 基于韦伯散布提取自然图像统计特征, 并以多变量高斯散布描绘它的概率散布, 评时计算待评价图像特征与无失真图像统计模型的间隔作为图像质量评价度量. 依据概率建模是一种基于大量样本的统计办法, 概率数学模型的选择和样本量的大小是影响性能的关键, 现有办法大都基于多变量高斯模型停止概率建模, 主要是为了便当建模. 思索到表征图像质量的特征维度很高, 复杂的模型将需求更多的数据量, 这类办法只要当数据量较大时才可能获得较好的效果。
.
5、神经网络的办法
这类办法先提取一定的图像变换域或空间特征, 再基于已知质量数据锻炼一个神经网络回归剖析模型, 由图像特征预测图像质量.
Kang 等采用卷积神经网络(Convolutionalneural networks, CNN) 将特征提取和回归剖析融入同一个网络中, 网络包括5 层, 图像经部分MSCN归一化后以32 £ 32 子块输入网络, 第一层卷积层由50 个滤波器提取特征, 第二层停止最大最小选择, 后面两层为800 节点的全衔接网络, 最后一层为单个节点输出图像质量。
Hou 等也采用具有5 层网络构造的深度学习算法停止图像质量评价,综合特征提取、分类、后验概率计算等功用为一体,由3 级小波变换细节特征为输入, 锻炼过程先采用受限波尔兹曼机(Restricted Boltzmann machine,RBM) 停止层间学习, 再采用反向传送算法停止精密调整. 这两种算法的实验结果均明显优于其他无参考算法, 以至在某些状况下优于全参考算法中较好的VIF
上一条:全美首个人工智能AI本科专业今年开课
下一条:机器学习之神经网络