欢迎来到天天文库
浏览记录
ID:46608533
大小:876.75 KB
页数:6页
时间:2019-11-26
《基于特征域奇异值分解的图像质量评价》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、2013年12月北京航空航天大学学报December2013第39卷第12期JournalofBeijingUniversityofAeronauticsandAstronauticsV01.39No.12基于特征域奇异值分解的图像质量评价崔力明(西北工业大学电子信息学院,西安710072)(西安邮电大学通信与信息工程学院,西安710121)摘要:为了克服传统图像质量评价算法泛化能力不足的问题,提出一种基于特征奇异值分解的图像质量预测模型.首先从多个特征域(图像及其梯度和相位一致性)中分别较图像局部的奇异向量和奇异值差异完成视觉特征提取,随后利用支持向量机
2、完成图像感质量预测.实验表明:所提出的基于支持向量机而构建图像质量预测模型不仅在单个图像数库上的表现要优于传统的图像质量评价算法,而且有着良好的跨数据库性能变现,表现出较的泛化性;通过用集成学习器取代单个支持向量机,图像感知质量预测模型的泛化能力还可进一步提高.关键词:人眼视觉系统;奇异值分解;支持向量机中图分类号:TN911.73文献标识码:A文章编号:1001-5965(2013)12.1665-05Imagequalityassessmentbasedonsingularvaluedecompositioninmultiplefeaturedomai
3、nsCuiLi(SchoolofElectronicandInformation,NorthwesternPolytechnicUniversity,Xi’all710072,China)HaoMing(SchoolO±CommunicationandlnformationEngineering,Xi’anUniversityOlPostsand’I’elecommunication,Xi’an710121.China)Abstract:Tosolvetheinsufficientgeneralizationabilityofthetraditionali
4、magequalityassessment(IQA)algorithms,animagequalitypredication(IQP)modelbasedonthesingularvaluedecompositioninmultiplefeaturedomainswasproposed.Thevisualfeatureswereextractedbycomparingthedifferenceofsin-gularvaluesandsingularvectorsbetweenthecorrespondinglocalneighborhoodsofrefer
5、enceandtestimagesinthemultiplefeaturedomains(imagesandtheirgradientandphasecongruencymaps),andthenfedintoasupportvectormachine(SVM)topredicttheperceptualqualityofimages.Subsequentexperimentsshowthat,proposedIQPmodelbuiltontheSVMnotonlyhasabetterperformancethanthetraditionalIQAalgo
6、-rithmsonindividualimagedatabases,butalsoexhibitsgoodgeneralizationabilitybyhavingagoodacross-im—age-databaseperformance.ByreplacingtheSVMwithanensemblelearner,thegeneralizationabilityoftheproposedIQPmodelcanbeimprovedfurther.Keywords:humanvisualsystem;singularvaluedecomposition;s
7、upportvectormachine图像质量评价是图像处理的重要研究内容之一.作为算法性能评判及参数优化的关键指标,图像质量评价对于图像采集、压缩、编码、去噪、增强、水印、认证、存储、合成、复制等相关领域具有重要意义.图像质量评价主要有主观和客观两种方式.考虑到传统的主观质量评价不仅对实验条收稿日期:2013.01.15;网络出版时间:2013-06.0910:15网络出版地址:WWW.cnki.net/kems/detail/11.2625.V.20130609.1015.002.html基金项目:国家自然科学基金资助项目(61103062);人事部留
8、学人员科技活动择优资助项目;教育部留学回国人员科研启动基金资助项目
此文档下载收益归作者所有