圖像測試設備中的測試卡

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

圖像測試設備基于概率模型的方法

這類方法首先建立圖像特征與圖像質量之間的統計概率模型, 大多采用多變量高斯分布描述概率分布. 對待評價圖像, 提取特征后根據概率模型計算后驗概率的圖像質量, 或根據與概率模型的匹配程度(如特征間的距離) 估計圖像質量.

在德克薩斯大學奧斯汀分校的Mittal 等 提出的自然圖像質量評價(Natural image quality evaluator, NIQE)算法中, 無需利用人眼評分的失真圖像進行訓練, 在計算其局部MSCN 一化圖像后, 根據局部活性選擇部分圖像塊作為訓練數據, 以廣義高斯模型擬合得到模型參數作為特征, 采用多變量高斯模型描述這些特征, 評價過程中利用待評價圖像特征模型參數與預先建立的模型參數之間的距離來確定圖像質量。

圖像測試設備神經網絡的方法

這類方法先提取一定的圖像變換域或空間特征, 再基于已知質量數據訓練一個神經網絡回歸分析模型, 由圖像特征預測圖像質量.Kang 等采用卷積神經網絡(Convolutionalneural networks, CNN) 將特征提取和回歸分析融入同一個網絡中, 網絡包括5 層, 圖像經局部MSCN一化后以32 ￡ 32 子塊輸入網絡, 一層卷積層由50 個濾波器提取特征, 第二層進 大行小選擇, 后面兩層為800 節(jié)點的全連接網絡, 一層為單個節(jié)點輸出圖像質量。Hou 等也采用具有5 層網絡結構的深度學習算法進行圖像質量評價,綜合特征提取、分類、后驗概率計算等功能為一體,由3 級小波變換細節(jié)特征為輸入, 訓練過程先采用受限波爾茲曼機(Restricted Boltzmann machine,RBM) 進行層間學習, 再采用反向傳遞算法進行精細調整. 這兩種算法的實驗結果均明顯優(yōu)于其他無參考算法, 甚至在某些情況下優(yōu)于全參考算法中較好的VIF。

圖像測試設備的起源

圖像處理技術于20世紀60年代末在美國國家航空航天局噴氣推進實驗室(Jet Propulsion Laboratory)首創(chuàng)，通過計算機增強，將Ranger航天器的模擬信號轉換為數字圖像。現在，數字成像有著廣泛的應用，尤其是在醫(yī)學上。眾所周知的應用包括計算機輔助斷層掃描(CAT)和超聲波。