內(nèi)蒙古IE圖像測試軟件價格信賴推薦「多圖」

圖像測試設(shè)備中的測試卡

在現(xiàn)實圖像測試中產(chǎn)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(zhuǎn)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(shè)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(zhì)量之間的統(tǒng)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(jù)概率模型計算后驗概率的圖像質(zhì)量, 或根據(jù)與概率模型的匹配程度(如特征間的距離) 估計圖像質(zhì)量.

在德克薩斯大學(xué)奧斯汀分校的Mittal 等 提出的自然圖像質(zhì)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(xùn)練, 在計算其局部MSCN 一化圖像后, 根據(jù)局部活性選擇部分圖像塊作為訓(xùn)練數(shù)據(jù), 以廣義高斯模型擬合得到模型參數(shù)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(shù)與預(yù)先建立的模型參數(shù)之間的距離來確定圖像質(zhì)量。

圖像測試設(shè)備神經(jīng)網(wǎng)絡(luò)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(zhì)量數(shù)據(jù)訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)回歸分析模型, 由圖像特征預(yù)測圖像質(zhì)量.Kang 等采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutionalneural networks, CNN) 將特征提取和回歸分析融入同一個網(wǎng)絡(luò)中, 網(wǎng)絡(luò)包括5 層, 圖像經(jīng)局部MSCN一化后以32 ￡ 32 子塊輸入網(wǎng)絡(luò), 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(wǎng)絡(luò), 一層為單個節(jié)點輸出圖像質(zhì)量。Hou 等也采用具有5 層網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)算法進行圖像質(zhì)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(xì)節(jié)特征為輸入, 訓(xùn)練過程先采用受限波爾茲曼機(Restricted Boltzmann machine,RBM) 進行層間學(xué)習(xí), 再采用反向傳遞算法進行精細(xì)調(diào)整. 這兩種算法的實驗結(jié)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(shè)備的起源

圖像處理技術(shù)于20世紀(jì)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(zhuǎn)換為數(shù)字圖像。現(xiàn)在，數(shù)字成像有著廣泛的應(yīng)用，尤其是在醫(yī)學(xué)上。眾所周知的應(yīng)用包括計算機輔助斷層掃描(CAT)和超聲波。