圖像測(cè)試設(shè)備中的測(cè)試卡

在現(xiàn)實(shí)圖像測(cè)試中產(chǎn)生的許多測(cè)量困難。它包括使用gamma = 0.5(等式P=Lγ)，從像素級(jí)=亮度伽馬的線性原始格式轉(zhuǎn)換的修改的ISO 12233:2000分辨率測(cè)試卡(添加低對(duì)比度傾斜邊緣)，類(lèi)似于廣泛使用顏色空間例如sRGB。分辨率測(cè)試卡的圖像不均勻照明，白色背景在中心附近(測(cè)試卡底部)飽和。即使是理想的照明，不均勻照射也是非常普遍的，特別是對(duì)于顯示強(qiáng)光衰減的超廣角鏡頭。

圖像測(cè)試設(shè)備基于概率模型的方法

這類(lèi)方法首先建立圖像特征與圖像質(zhì)量之間的統(tǒng)計(jì)概率模型, 大多采用多變量高斯分布描述概率分布. 對(duì)待評(píng)價(jià)圖像, 提取特征后根據(jù)概率模型計(jì)算后驗(yàn)概率的圖像質(zhì)量, 或根據(jù)與概率模型的匹配程度(如特征間的距離) 估計(jì)圖像質(zhì)量.

在德克薩斯大學(xué)奧斯汀分校的Mittal 等 提出的自然圖像質(zhì)量評(píng)價(jià)(Natural image quality evaluator, NIQE)算法中, 無(wú)需利用人眼評(píng)分的失真圖像進(jìn)行訓(xùn)練, 在計(jì)算其局部MSCN 一化圖像后, 根據(jù)局部活性選擇部分圖像塊作為訓(xùn)練數(shù)據(jù), 以廣義高斯模型擬合得到模型參數(shù)作為特征, 采用多變量高斯模型描述這些特征, 評(píng)價(jià)過(guò)程中利用待評(píng)價(jià)圖像特征模型參數(shù)與預(yù)先建立的模型參數(shù)之間的距離來(lái)確定圖像質(zhì)量。

圖像測(cè)試設(shè)備神經(jīng)網(wǎng)絡(luò)的方法

這類(lèi)方法先提取一定的圖像變換域或空間特征, 再基于已知質(zhì)量數(shù)據(jù)訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)回歸分析模型, 由圖像特征預(yù)測(cè)圖像質(zhì)量.Kang 等采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutionalneural networks, CNN) 將特征提取和回歸分析融入同一個(gè)網(wǎng)絡(luò)中, 網(wǎng)絡(luò)包括5 層, 圖像經(jīng)局部MSCN一化后以32 ￡ 32 子塊輸入網(wǎng)絡(luò), 一層卷積層由50 個(gè)濾波器提取特征, 第二層進(jìn) 大行小選擇, 后面兩層為800 節(jié)點(diǎn)的全連接網(wǎng)絡(luò), 一層為單個(gè)節(jié)點(diǎn)輸出圖像質(zhì)量。Hou 等也采用具有5 層網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)算法進(jìn)行圖像質(zhì)量評(píng)價(jià),綜合特征提取、分類(lèi)、后驗(yàn)概率計(jì)算等功能為一體,由3 級(jí)小波變換細(xì)節(jié)特征為輸入, 訓(xùn)練過(guò)程先采用受限波爾茲曼機(jī)(Restricted Boltzmann machine,RBM) 進(jìn)行層間學(xué)習(xí), 再采用反向傳遞算法進(jìn)行精細(xì)調(diào)整. 這兩種算法的實(shí)驗(yàn)結(jié)果均明顯優(yōu)于其他無(wú)參考算法, 甚至在某些情況下優(yōu)于全參考算法中較好的VIF。

圖像測(cè)試設(shè)備的起源

圖像處理技術(shù)于20世紀(jì)60年代末在美國(guó)國(guó)家航空航天局噴氣推進(jìn)實(shí)驗(yàn)室(Jet Propulsion Laboratory)首創(chuàng)，通過(guò)計(jì)算機(jī)增強(qiáng)，將Ranger航天器的模擬信號(hào)轉(zhuǎn)換為數(shù)字圖像?，F(xiàn)在，數(shù)字成像有著廣泛的應(yīng)用，尤其是在醫(yī)學(xué)上。眾所周知的應(yīng)用包括計(jì)算機(jī)輔助斷層掃描(CAT)和超聲波。