论文部分内容阅读
随着科学技术的发展,人类已经进入信息化的时代,数字图像作为最普遍的信息载体与人类的生活息息相关。图像质量代表了图像的核心价值,图像质量的高低很大程度上决定了图像服务的质量。然而,由于受到设备本身及外界环境因素的影响,图像在获取、储存、压缩、传输、显示等各个环节中,都会无法避免地出现失真现象,最终影响用户的服务体验。为了有效地评估图像质量,必须建立成熟、完善的图像质量评价体系。鉴于主观质量评价的不稳定、成本高、非实时性等缺点,科学家们提出了各种各样的客观质量评价算法,试图准确、实时、高效地评价图像的质量,然而,大多数算法都无法与人眼主观评分保持高度一致。本文针对图像质量评价问题,提出了两种基于机器学习的图像质量客观评价方法。在全参考评价方面,本文提出了一种基于图像失真类型的融合图像质量评价算法。该算法首先以图像DCT系数为特征,利用基于KNN的分类器,预测图像的失真类型,然后使用多元线性回归融合PSNR、SSIM、JND、VIF四种经典算法,依据待测图像的失真类型,使用相应的公式来预测图像的质量,可同时发挥各经典算法的优点。TID2008及LIVE图像库中的实验表明,不论对于单一失真类型的图像,还是多种失真类型的图像,本文的融合算法都十分有效,其性能优于PSNR、SSIM、JND等经典算法。在无参考评价方面,本文结合近年来深度学习的先进成果,提出了一个基于卷积神经网络的图像质量评价算法。相比于传统的机器学习算法,本网络可通过自主学习,从原始图像中挖掘内在规律,而无需人工设计图像特征,充分体现了深度学习的优越性,是图像质量评价未来的一个发展方向。