|
发布时间: 2017-03-16 |
第十一届中国计算机图形学大会专栏 |
|
|
收稿日期: 2016-07-18; 修回日期: 2016-11-03
基金项目: 安徽省自然科学基金项目(1208085MF97)
第一作者简介: 李从利(1973-), 男, 副教授, 2004年于炮兵学院获计算机应用专业硕士学位, 主要研究方向为图像信息智能处理。E-mail:lcliqa@163.com
中图法分类号: TN911.73
文献标识码: A
文章编号: 1006-8961(2017)03-0366-10
|
摘要
目的 偏振成像产生的偏振参量图像具有一定的揭示雾天目标相关特性的优势,目前尚无适当的量化评估手段,由于偏振参量图像均由原方向图解析产生,针对解析类图像的质量评价问题利用现有方法无法有效解决,为此,提出一种用于雾天条件下偏振成像质量评价的方法,旨在给出不同雾天条件下偏振参量图像质量及其变化对比情况。 方法 从图像质量分析角度验证雾天目标特性表征与主观观测一致性关系。在分析全偏振参量解析过程及雾天对图像质量的影响基础上,提取了与“解析失真”敏感的特征因子:基于空域的自然场景统计特征和图像的结构性特征,同时引入相应Stokes参量形成了偏振解析参量特征,依据马氏距离构建了统一的评价模型。 结果 分别选取室内模拟雾天环境成像样本、仿真生成的雾天样本、室外实拍雾天成像样本3类样本。采用3个参数:1)非线性回归后的算法测试分数与DMOS(平均主观评份差值)间的线性相关系数(CC);2)非线性回归后的算法测试分数与DMOS间;的均方根误差(RMSE)3)斯皮尔曼相关系数(SROCC)。开展了有效性实验及主客观一致性实验。采用本文算法评价的入射光强(I)图CC值和RMS值分别为0.930 2和4.593 2,偏振度(P)图的CC值和RMS值分别为0.877 1和0.995 0,算法准确度高。入射光强(I)图的SROCC值为0.939 0,P图的SROCC值为0.786 1,算法的客观分数与主观分数相一致。算法对不同雾天条件下的偏振解析参量图像的质量演变关系辨识性好,客观评价结果符合主观理论分析。 结论 本文针对偏振参量图像提出的综合质量评价模型通过提取特征因子及Stokes参量形成的评价算法能够准确地评价参量图像中的I图和P图,算法准确度高、主客观一致性好,能够反映偏振参量图像的质量及相关关系,较好地解决了雾天条件下偏振成像质量评价问题。
关键词
雾天图像; 偏振解析成像; 无参考质量评价; 主客观一致性
Abstract
Objective Images that are produced by polarization imaging have certain characteristics that reveal the advantages of fog goal. An effective quantitative evaluation method, however, has yet to be developed for polarization images. Given that the parameters of polarization images are generated by the original pattern, existing methods cannot effectively evaluate analytical images. The current study presents an evaluation method for the quality of polarization images under foggy conditions, as well as aims to compare the quality of images under different fog conditions. Methods The relationship between the characteristics and the subjective observation of fog was verified from the view of image quality analysis. A polarization analysis of the characteristic parameters and factors of "analytical distortion sensitive" was conducted by analyzing the process of all polarization parameters and the influence of fog on image quality. These factors were based on the structural characteristics of the spatial statistical characteristics of natural scenes and images. Then, the corresponding Stokes parameters were introduced. A unified evaluation model was developed based on Mahalanobis distance. The experiment analyzed indoor simulated fog scene samples, simulated fog samples, and images under actual conditions. Experiments and the indoor simulation of a foggy environment were conducted with samples. Samples under foggy conditions were analyzed and evaluated. Results The validity and consistency of the subjective and objective experiments were determined with the three types of samples. The experimental results show that the CC values and RMS values of the I map evaluated by the proposed algorithm are 0.930 2 and 4.593 2, respectively, and the CC value and RMS value of the P map are respectively 0.877 1 and 0.995 0, algorithm has high accuracy. The SROCC value of I is 0.939 0, the SROCC value of P is 0.786 1, the objective score of the algorithm is consistent with the subjective score. The algorithm is better for the identification of the quality evolution relation of the polarization resolution parameter images under different fog conditions, The objective evaluation results are in accordance with the subjective analysis. Conclusion In this paper, a comprehensive quality evaluation model based on polarization parameter image is proposed, which can accurately evaluate the I and P images in the parametric image by extracting the characteristic parameters and the Stokes parameters. The algorithm has high accuracy and good subjective and objective consistency, which can reflect the quality and correlation of the polarization parameter image, and can solve the problem of polarization imaging quality evaluation under the condition of fog.
Key words
foggy image; polarization imaging; no-reference quality assessment; subjective and objective consistency
0 引言
雾是一种常见的自然现象,其对光线的散射作用使得场景能见度降低,雾天成像时会导致图像对比度和颜色严重衰减,进而影响图像的信息内容和视觉效果,给后续的图像信息充分提取带来一定的困难。目前对雾天图像研究主要聚焦在图像去雾质量改善上[1-3],作为一种有效手段,偏振成像可在一定程度上抑制雾区背景,突出雾中目标细节特征[4-5],如何进一步利用去雾方法增强偏振图像质量已有学者进行了研究[6],但对于雾天条件下的成像质量评价问题成果较少,主要原因是现有评价方法主要针对自然场景图像及相应失真图像展开的,而本文研究的偏振参量图像是由原方向图经过不同解析式(Stokes公式) 产生,既有原方向图的自然场景特性也有经解析后产生的“解析失真”,导致利用现有方法难以有效解决。
评价雾天条件下偏振成像的图像质量通常采用主观评价方法,但主观评价方法耗时长、代价高、过程繁琐且易受外界条件干扰,难以实际应用,同时雾天条件下清晰参考图像采集困难,因此评价时使用无参考评价方法较为适宜。无参考图像质量评价算法旨在设计一种无需人类主观感知分数及参考图像先验知识而进行图像质量评测的算法。经典的通用型无参考图像质量评价模型主要应用在与人类已训练过失真类型相同或相近的失真(如JPEG, JPEG2000, Fast Fading, White niose, Gaussian blur等等),加以机器学习的方法获得图像质量[7],该类模型通常涉及对失真图像特征进行分类和回归。依据特征提取方式的不同,无参考评价方法可分为2类:1) 基于自然场景统计(NSS) 的方法[8-13];2) 基于训练的方法[7, 14-15]。基于自然场景统计的方法认为自然图像存在确定的统计规律,图像中的失真会改变这些规律。而训练方法通过不同的回归模型或建立视觉码书映射得出质量分数。
目前,人们围绕2类无参考评价方法的研究已取得了许多成果,有力推动了无参考图像质量评价方法的发展。但由于雾的随机性和特殊性,其对图像质量造成的影响较为复杂,从图像信息角度可大致分为:一是雾遮掩了图像的原有信息;二是雾在破坏图像原有信息的同时增添了一些信息;三是雾与图像原有信息衍生出的新信息。本文研究的是在不同雾浓度条件下,评价偏振参量图像质量得分及其相关关系,从图像质量分析角度验证雾天目标特性表征与主观观测一致性关系。偏振参量图像解析于自然场景图像(原方向图),又区别于自然场景图像,依据解析式的不同,呈现“解析失真”带来的降质表现,因此本文研究的问题属于非自然场景图像的质量评价问题或称之为解析场景图像质量评价问题,从偏振解析规律、雾天图像特点,解析失真影响及评价模型构建等方面展开研究。
1 偏振参量解析及雾天图像特性分析
1.1 偏振参量解析
在偏振成像中,目标的偏振信息可以用斯托克斯(Stokes) 参量
$ \begin{array}{l} I = \frac{2}{3}\left( {{I_{{0^ \circ }}} + {I_{{{60}^ \circ }}} + {I_{{{120}^ \circ }}}} \right)\\ Q = \frac{2}{3}\left( {2{I_{{0^ \circ }}} - {I_{{{60}^ \circ }}} - {I_{{{120}^ \circ }}}} \right)\\ U = \frac{2}{{\sqrt 3 }}\left( {{I_{{{60}^ \circ }}} - {I_{{{120}^ \circ }}}} \right) \end{array} $ | (1) |
相应的偏振度
$ \left\{ \begin{array}{l} P = \frac{{\sqrt {{Q^2} + {U^2}} }}{I}\\ A = \frac{1}{2}\arctan \left( {\frac{U}{Q}} \right) \end{array} \right. $ | (2) |
由于
1.2 雾对图像质量影响分析
由于雾的存在,遮掩了部分场景,形成了许多反射面,这时大部分射入的光线被反射出来,因此使雾天拍摄图像饱和度降低、色调偏移,对图像亮度和对比度造成了影响,场景轮廓分裂或异常,使得图像整体质量下降。下面结合偏振成像机理和主观评价从3个方面分析雾对偏振参量图像质量造成的影响:
1) 由于雾的存在,3个偏振方向的0°图、60°图、120°图质量会随着雾浓度的增加不断下降,
2) 在雾浓度较低的情况下,
3) 从式(1)(2) 可知
基于上述分析,针对2类典型图像进行特征提取和评价模型构建,进一步结合实验加以验证。
2 雾天图像特征选取及评价模型构建
2.1 基于空域自然场景统计特征
研究表明,自然场景统计能够显著地揭示失真图像的质量衰退程度[15-16],被广泛用于建立图像质量评价模型。因此为了准确描述雾天图像的结构信息,引入基于空域自然场景统计的特性作为特征因子。学者Ruderman[17]研究认为,自然灰度图像的局部归一化亮度因子服从于高斯分布,可描述为
$ {I_{{\rm{MSCN}}}}\left( {i,j} \right) = \frac{{{I_{{\rm{gray}}}}\left( {i,j} \right) - \mu \left( {i,j} \right)}}{{\sigma \left( {i,j} \right) + 1}} $ | (3) |
$ \mu \left( {i,j} \right) = \sum\limits_{k = - K}^K {\sum\limits_{l = - L}^L {{w_{k,l}}{I_{{\rm{gray}}}}\left( {i + k,j + l} \right)} } $ | (4) |
$ \sigma \left( {i,j} \right) = \sqrt {\sum\limits_{k = - K}^K {\sum\limits_{l = - L}^L {{w_{k,l}}{{\left[ {{I_{{\rm{gray}}}}\left( {i + k,j + l} \right) - \mu \left( {i,j} \right)} \right]}^2}} } } $ | (5) |
式(4) (5) 分别计算了图像的局部均值和方差,其中
2.2 图像的结构性特征
进一步对雾天条件下偏振参量图像进行分析,
$ {I_{{\rm{Vpair\_MSCN}}}}\left( {i.j} \right) = {I_{{\rm{MSCN}}}}\left( {i.j} \right) \cdot {I_{{\rm{MSCN}}}}\left( {i.j + 1} \right) $ | (6) |
由式(6) 可计算出2个成对的参量,将其作为表征图像结构的两个特征,记为
式(5) 为图像的局部标准差
$ \xi \left( {i,j} \right) = \frac{{\sigma \left( {i,j} \right)}}{{\mu \left( {i,j} \right)}} $ | (7) |
由式(5) 计算的
式(3)-式(7) 所提取的特征如表 1所示。
表 1
特征因子
Table 1
Characteristic factors
特征 | 特征描述 | 公式序号 |
MSCN因子 | (3) | |
垂直方向上MSCN因子的成对参量 | (6) | |
图像锐度 | (5) | |
图像熵 | (7) |
2.3 偏振解析参量场景特征
基于表 1所提取的5种特征,下面构建相应的
由于一次成像过程中的3幅偏振原始图像0°图、60°图、120°图通过式(1) (2) 可获取该成像过程产生的
$ \begin{array}{l} {f_{{\rm{stokes}}\_I}} = \frac{2}{3}\left( {{f_{{0^ \circ }}} + {f_{{{60}^ \circ }}} + {f_{{{120}^ \circ }}}} \right)\\ {f_{{\rm{stokes}}\_Q}} = \frac{2}{3}\left( {2{f_{{0^ \circ }}} - {f_{{{60}^ \circ }}} - {f_{{{120}^ \circ }}}} \right)\\ {f_{{\rm{stokes}}\_U}} = \frac{2}{{\sqrt 3 }}\left( {{f_{{{60}^ \circ }}} - {f_{{{120}^ \circ }}}} \right)\\ {f_{{\rm{stokes}}\_p}} = \frac{{\sqrt {f_Q^2 + f_U^2} }}{{{f_I}}} \end{array} $ | (8) |
式中,
因此基于以上描述,
2.4 质量评价模型构建
多元高斯模型(MVG) 很早被提出且成功地用于构建图像质量评价模型,如BRISQUE、NIQE、IL-NIQE等无参考图像质量评价算法模型。MVG的优点在于其能将复杂的图像特征转变为简单的模型参数。因此本文采用MVG模型来分析并获取图像质量参数,进而达到获得图像质量的目的。
MVG模型的计算公式为
$ \begin{array}{*{20}{c}} {f\left( \mathit{\boldsymbol{x}} \right) = \frac{1}{{{{\left( {2{\rm{ \mathsf{ π} }}} \right)}^{m/2}}{{\left| \sum \right|}^{1/2}}}} \times }\\ {\exp \left( { - \frac{1}{2}{{\left( {\mathit{\boldsymbol{x}} - \mathit{\boldsymbol{\mu }}} \right)}^{\rm{T}}}{\sum ^{ - 1}}\left( {\mathit{\boldsymbol{x}} - \mathit{\boldsymbol{\mu }}} \right)} \right)} \end{array} $ | (9) |
式中,
将待评价的
由于马氏距离能够考虑到数据间各种特性的联系,且不受尺度的限制,能够有效计算2个样本集的相似度。因此,最终计算出两组数据的马氏距离获得偏振图像的质量参数,即
$ q = \sqrt {{{\left( {{\mathit{\boldsymbol{\mu }}_1} - {\mathit{\boldsymbol{\mu }}_2}} \right)}^{\rm{T}}}{{\left( {\frac{{{\sum _1} + {\sum _2}}}{2}} \right)}^{ - 1}}\left( {{\mathit{\boldsymbol{\mu }}_1} - {\mathit{\boldsymbol{\mu }}_2}} \right)} $ | (10) |
以上模型构建过程如图 3所示。
3 实验及结果分析
实验对象为线偏振成像系统在室内水雾仿真环境下获取的不同雾浓度的偏振图像。该偏振成像系统透过波段为655 nm,采用3路面阵CCD同时成像方式,在每路CCD前均加装了线偏振器,其透光轴与所选参考方向的夹角分别为0°、60°、120°,获取的偏振图像量化为8位灰度图像.在实验室中使用水雾发生器模拟不同浓度的雾天,利用偏振分光相机及实验系统获取实验场景为在沙地背景中2种颜色的伪装板及在壕沟的两个车辆进行拍摄,获取雾浓度依次递增(0%, 25%, 30%, …, 85%, 90%) 的
为评估算法有效性,还给出了所有测试图像的平均主观评分差值(DMOS)。由于评价的是偏振图像,因此主观评价人员均有一定的图像识别基础。参评人员共10人,年龄为2035岁。其中DMOS值越高表示图像质量越差,DMOS值越低表示图像质量越好,且DMOS范围为[0, 100]。
3.1 有效性实验
首先对算法是否能够有效评价展开相关实验。图 4所示为对5组样本库图像进行评价的结果曲线,其中第1行为对
3.2 主客观一致性实验
为了验证算法主客观的一致性,对测试图像库分别使用本文算法和6种经典的无参考算法(BIQI、BLIINDS-Ⅱ、DIIVINE、QAC、BRISQUE、NIQE、IL-NIQE) 进行质量评估,然后与DMOS比较评价算法性能。由于客观数据对主观评价分数的预测关系存在一定的非线性,在VQEG的测试和检验中都允许这样的非线性的映射[16]。实验采用对数函数进行非线性补偿,即
$ q\left( x \right) = {\beta _1}l\left( {{\beta _2}\left( {x - {\beta _3}} \right)} \right) + {\beta _4}x + {\beta _5} $ | (11) |
$ l\left( {\tau ,x} \right) = \frac{1}{2} - \frac{1}{{1 + \exp \left( {\tau x} \right)}} $ | (12) |
用3个参数指标来测试算法性能:参数1为非线性回归后的算法测试分数与DMOS间的线性相关系数(CC);参数2为非线性回归后的算法测试分数与DMOS间的均方根误差(RMSE);参数3为斯皮尔曼相关系数(SROCC)。其中CC和RMS可度量算法的准确性,及算法最小平均错误率预测DMOS的能力,SROCC则为算法单调性度量,反映了算法测试值与DMOS值一致的程度。CC和SROCC值越大,算法测试值与DMOS值相关性越好,RMS越小,模型测量误差越小。选取6种无参考算法BIQI、BLIINDS-Ⅱ、DIIVINE、BRISQUE、NIQE,QAC作为对比测试算法,对
表 2
Table 2
Test results of
算法 | SROCC | CC | RMS |
BIQI | 0.138 6 | 0.468 1 | 11.058 6 |
BLIINDS-Ⅱ | 0.667 0 | 0.506 9 | 9.667 0 |
DIIVINE | 0.515 2 | 0.549 9 | 10.315 2 |
BRISQUE | 0.754 5 | 0.785 7 | 17.369 9 |
NIQE | 0.771 6 | 0.786 5 | 8.006 8 |
QAC | 0.780 3 | 0.782 5 | 17.482 1 |
本文 | 0.939 0 | 0.930 2 | 4.593 2 |
表 3
Table 3
Test results of
算法 | SROCC | CC | RMS |
BIQI | 0.228 6 | 0.535 1 | 1.750 3 |
BLIINDS-Ⅱ | 0.487 3 | 0.524 9 | 5.216 9 |
DIIVINE | 0.356 1 | 0.684 4 | 10.984 1 |
BRISQUE | 0.625 3 | 0.724 4 | 19.357 8 |
NIQE | 0.307 6 | 0.638 1 | 1.595 2 |
QAC | 0.561 4 | 0.689 4 | 20.339 1 |
本文 | 0.786 1 | 0.877 1 | 0.995 0 |
为进一步直观观察模型预测与主观分数的一致性,绘制了本文算法的预测质量值与DMOS的对比散点图,如图 5所示。
从表 2和表 3可以直观地看出:1) 对于
3.3 室外雾天实拍图像实验
为了进一步验证算法的有效性,还针对室外实拍图像展开相关实验。实验图像为在雾天条件下对建筑、植物、水域等不同区域下拍摄可见光图像并生成的强度图像和偏振度图像,如图 6所示。由于实拍场景雾浓度变化随机,难以准确量化,因此该实验仅针对实拍条件下
表 4
实拍条件下
Table 4
Test results of
算法 | SROCC | CC | RMS |
BIQI | 0.210 4 | 0.436 7 | 13.635 8 |
BLIINDS-Ⅱ | 0.629 1 | 0.538 1 | 10.617 2 |
DIIVINE | 0.515 2 | 0.549 9 | 10.315 2 |
BRISQUE | 0.142 9 | 0.176 4 | 12.300 6 |
NIQE | 0.703 5 | 0.721 3 | 9.874 9 |
QAC | 0.701 2 | 0.719 4 | 18.834 1 |
本文 | 0.831 4 | 0.830 6 | 6.957 0 |
表 5
实拍条件下
Table 5
Test results of
算法 | SROCC | CC | RMS |
BIQI | 0.254 7 | 0.365 5 | 2.425 7 |
BLIINDS-Ⅱ | 0.430 6 | 0.464 8 | 7.821 5 |
DIIVINE | 0.398 5 | 0.623 5 | 13.598 4 |
BRISQUE | 0.502 9 | 0.639 4 | 22.589 2 |
NIQE | 0.620 5 | 0.674 8 | 3.829 0 |
QAC | 0.529 8 | 0.702 9 | 23.278 4 |
本文 | 0.803 2 | 0.688 8 | 1.777 4 |
由表 4、表 5分析可知,针对实拍雾天偏振图像
3.4 其他相关实验
考虑到待评价图像子块的大小选择会对评价的结果造成影响,针对本文方法,块大小分别选取了4×4像素、8×8像素、16×16像素、32×32像素、64×64像素、96×96像素、128×128像素计算其SROCC、PLCC,结果如表 6所示。
表 6
不同块大小的算法性能参数
Table 6
Different block size on the results of this algorithm (The first line is
性能 | 块大小/像素 | |||||||
4×4 | 8×8 | 16×16 | 32×32 | 64×64 | 96×96 | 128×128 | ||
PLCC | 0.931 5 | 0.932 0 | 0.931 0 | 0.931 0 | 0.930 8 | 0.930 9 | 0.924 4 | |
SROCC | 0.936 6 | 0.939 0 | 0.934 0 | 0.934 3 | 0.933 6 | 0.934 2 | 0.925 4 | |
PLCC | 0.836 5 | 0.877 1 | 0.290 6 | 0.437 6 | 0.596 8 | 0.597 6 | 0.720 8 | |
SROCC | 0.690 1 | 0.786 1 | 0.357 7 | 0.300 6 | 0.342 0 | 0.437 6 | 0.093 9 |
由表 6可以发现,块规模大小为8×8像素时,对
此外,为评估算法运行代价,在64位Windows 7操作系统下,以Matlab02014a为开发工具测试了本文算法及其他对比算法的时间开销。在主频为3.1 GHz Intel-Core-i5-3350 CPU,内存为8 GB的台式机上测试算法时间,结果如表 7所示。
表 7
各算法的运行时间
Table 7
Time results
算法 | 运行时间/s |
BIQI | 1.4 |
BLIINDS-Ⅱ | 46.5 |
DIIVINE | 16.1 |
QAC | 0.3 |
BRISQUE | 1.0 |
NIQE | 0.8 |
本文 | 1.4 |
从表 7可以发现本文算法一次评价为1.4 s,略高于NIQE、BRISQUE、QAC,但大大低于BIQI、DIIVINE和BLIINDS-Ⅱ,表现出较高的运行效率。
4 结论
随着对偏振成像机理的深入研究和偏振成像应用领域的扩展,科学、自动、定量的偏振成像图像质量评价方法的研究尤为重要。本文在认真分析雾天条件下偏振成像特点基础上,引入并改进了相关图像特征因子,借助于MVG模型提出了一种有效的雾天条件下偏振图像质量评价算法,实验结果表明,该算法具有较高的准确性和主客观一致性。但由于影响雾天偏振成像质量因素多,解析方法多样,下一步将采集不同天候条件下的偏振图像样本,进一步完善评价模型和相关实验,针对另外几类解析参量图像的评价也是将来的工作。
参考文献
-
[1] Tan R T. Visibility in bad weather from a single image[C]//Proceedings of 2008 IEEE Conference on Computer Vision and Pattern Recognition. Anchorage, AK:IEEE, 2008:1-8.[DOI:10.1109/CVPR.2008.4587643]
-
[2] Tarel J P, Hautière N. Fast visibility restoration from a single color or gray level image[C]//Proceedings of the 2009 IEEE 12th International Conference on Computer Vision. Kyoto:IEEE, 2009:2201-2208.[DOI:10.1109/ICCV.2009.5459251]
-
[3] He K M, Sun J, Tang X O. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341–2353. [DOI:10.1109/TPAMI.2010.168]
-
[4] Zhang X D, Lin J J, Xie Z, et al. Modeling of skylight polarization pattern based on electric vector[J]. Acta Electronica Sinica, 2010, 38(12): 2745–2750. [张旭东, 林金金, 谢昭, 等. 基于电矢量描述的大气偏振建模[J]. 电子学报, 2010, 38(12): 2745–2750. ]
-
[5] Zhao Y Q, Pan Q, Chen Y C, et al. Clutter reduction based on polarization imaging technology and image fusion theory[J]. Acta Electronica Sinica, 2005, 33(3): 433–435. [赵永强, 潘泉, 陈玉春, 等. 基于偏振成像技术和图像融合理论杂乱背景压缩[J]. 电子学报, 2005, 33(3): 433–435. DOI:10.3321/j.issn:0372-2112.2005.03.012]
-
[6] Zhou P C, Xue M G, Zhang H K, et al. Automatic image dehaze using polarization filtering[J]. Journal of Image and Graphics, 2011, 16(7): 1178–1183. [周浦城, 薛模根, 张洪坤, 等. 利用偏振滤波的自动图像去雾[J]. 中国图象图形学报, 2011, 16(7): 1178–1183. DOI:10.11834/jig.20110717]
-
[7] Ye P, Doermann D. No-reference image quality assessment using visual codebooks[J]. IEEE Transactions on Image Processing, 2012, 21(7): 3129–3138. [DOI:10.1109/TIP.2012.2190086]
-
[8] Moorthy A K, Bovik A C. A two-step framework for constructing blind image quality indices[J]. IEEE Signal Processing Letters, 2010, 17(5): 513–516. [DOI:10.1109/LSP.2010.2043888]
-
[9] Moorthy A K, Bovik A C. Blind image quality assessment:from natural scene statistics to perceptual quality[J]. IEEE Transactions on Image Processing, 2011, 20(12): 3350–3364. [DOI:10.1109/TIP.2011.2147325]
-
[10] Mittal A, Moorthy A K, Bovik A C. No-reference image quality assessment in the spatial domain[J]. IEEE Transactions on Image Processing, 2012, 21(12): 4695–4708. [DOI:10.1109/TIP.2012.2214050]
-
[11] Saad M A, Bovik A C, Charrier C. Blind image quality assessment:a natural scene statistics approach in the DCT domain[J]. IEEE Transactions on Image Processing, 2012, 21(8): 3339–3352. [DOI:10.1109/TIP.2012.2191563]
-
[12] Mittal A, Soundararajan R, Bovik A C. Making a "completely blind" image quality analyzer[J]. IEEE Signal Processing Letters, 2013, 20(3): 209–212. [DOI:10.1109/LSP.2012.2227726]
-
[13] Saad M A, Bovik A C, Charrier A C. DCT statistics model-based blind image quality assessment[C]//Proceedings of the 18th IEEE International Conference on Image Processing. Brussels:IEEE, 2011:3093-3096.[DOI:10.1109/ICIP.2011.6116319]
-
[14] Xue W F, Zhang L, Mou X Q. Learning without human scores for blind image quality assessment[C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland, OR:IEEE, 2013:995-1002.[DOI:10.1109/CVPR.2013.133]
-
[15] Li C F, Bovik A C, Wu X J. Blind image quality assessment using a general regression neural network[J]. IEEE Transactions on Neural Networks, 2011, 22(5): 793–799. [DOI:10.1109/TNN.2011.2120620]
-
[16] Rohaly A M, Corriveau P J, Libert J M, et al. Video quality experts group:current results and future directions[C]//Proceedings of SPIE 4067, Visual Communications and Image Processing 2000. Perth, Australia:SPIE, 2000:742-753.[DOI:10.1117/12.386632]
-
[17] Liu L X, Liu B, Huang H, et al. No-reference image quality assessment based on spatial and spectral entropies[J]. Signal Processing:Image Communication, 2014, 29(8): 856–863. [DOI:10.1016/j.image.2014.06.006]