论文部分内容阅读
视觉信息是人类获取信息的最主要途径,它通过人自身的视觉感知系统获取,其中图像信息是最主要的组成部分。随着个人计算机、数字通信、多媒体和网络技术的发展,数字图像和数字视频日益成为信息最重要的载体之一,已经深入到人们的日常生活,普及到千家万户。在数字图像的获取、处理、编码、存储、传输和重建的每一个步骤中,通常都会对图像的质量产生影响,如何评价图像质量成为图像处理和计算机视觉领域的一个基本而又富有挑战性的问题。本论文研究无参考图像质量评价中一个重要组成部分——无参考图像模糊度估计。本文在研究图像模糊失真特点、模糊过程建模、边缘信息提取、HVS系统的显著性特性基础上,提出了基于模板匹配法的无参考图像模糊度估计方法和基于视觉显著性加权的图像模糊度估计方法。本论文的研究内容主要围绕图像中的边缘类型分析、高斯模板匹配法和视觉显著性特性等关键技术进行研究工作。主要的工作和创新成果总结如下:1)将模板匹配法用于图像模糊度估计中,提出了基于模板匹配法的图像模糊度估计方法。设计了自适应的断裂边缘连接法优化了边缘检测。建立一个高斯模板集,通过模板集里的模板与边缘梯度轮廓曲线做模板匹配,计算最佳信噪比情况下的边缘梯度曲线的标准差。通过所有边缘梯度轮廓曲线标准差的分布计算图像全局的模糊度。模板匹配法的原理是匹配滤波,匹配滤波具有最大信噪比信号检测的优点。可以将模板集里的模板作为信号,把边缘梯度轮廓曲线作为滤波器,滤波器输出的是最佳匹配的模板,用最佳匹配模板的标准差作为该边缘梯度轮廓曲线的标准差。2)将图像显著性理论应用到图像模糊度估计中,优化图像模糊度估计结果,使得估计的图像模糊度和主观模糊度之间具有更高的线性度。图像显著性是指HVS在观看一幅图像的时候,视点总是会集中在一些有意义的区域,一般而言,这些有意义的区域是结构性比较明显的区域,本文引入多尺度的显著性区域提取优化了基于多尺度图像显著性区域提取算法。