没有合适的资源?快使用搜索试试~ 我知道了~
一种固定时间收敛模型参考终端滑模控制方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 50 浏览量
2023-02-23
16:50:13
上传
评论
收藏 748KB DOCX 举报
温馨提示
试读
31页
一种固定时间收敛模型参考终端滑模控制方法.docx
资源推荐
资源详情
资源评论
随着成像科学的不断发展, 成像技术在社交媒体、天文、医学、工业、公共安全等领
域得到广泛的应用, 并取得大量研究进展与成果, 如更快的成像速度、更高的成像分辨率
等. 尽管如此, 由于成像系统内在或外在因素的影响, 不同失真类型的成像结果(降质图像)
仍然不可避免, 模糊失真即其中最为重要的一种降质类型. 虽然在某些情况下, 如从艺术的
角度, 局部模糊的图像可能带来更高的艺术价值, 但在绝大多数情况下, 图像的模糊问题会
影响人们对信息的感知、获取及图像的后续处理, 尤其是一些基于高质量图像应用的场合,
如医学分析与诊断
[1-2]
、遥感
[3]
、生物识别
[4]
、监控系统
[5]
等. 因此, 针对模糊图像的各种分
析与处理方法得到长期且广泛的关注及应用
[6-13]
, 包括:
1)应用于自动成像系统的图像清晰度评价函数. 在基于对焦深度法的自动对焦系统中
包含 3 个重要环节
[6-7]
, 即对焦窗口选择、图像清晰度评价函数与搜索算法. 其中, 图像清晰
度评价函数实现对不同模糊程度图像的质量评价, 从而为得到最终的正焦图像提供依据.
2)应用于成像结果自动筛选的图像质量评价方法. 正如前述, 由于成像系统内在与外
在因素(如环境因素、人为因素)的影响, 最终采集得到的图像可能是包含了模糊问题的降质
图像. 因此, 通过有效的质量评价方法对图像进行评估, 丢弃不符合质量要求的图像(模糊
失真图像), 从而为图像的后续处理提供保障
[14]
.
3)应用于模糊图像的图像增强算法. 图像去模糊(Image deblurring)方法作为常见的图像
增强算法之一, 实现对模糊图像的去模糊处理, 将模糊失真图像恢复为清晰图像
[12-13]
.
上述 3 类方法与应用中, 应用于自动对焦的图像清晰度评价(Image sharpness
assessment)函数与应用于成像结果自动筛选的模糊图像质量评价方法(Image quality
assessment, IQA)均是实现对模糊图像的质量评价. 同时, 模糊图像质量评价结果又为图像
去模糊方法的应用提供了先决条件, 即模糊的检测与分级
[12]
. 此外, 部分学者也将模糊检测
及评价算法应用于图像分割方法中, 提升了模糊图像的分割性能
[15-16]
.
模糊图像质量评价方法可以分为主观评价方法和客观评价方法
[17-20]
. 主观评价由观察
者对图像质量进行主观评分, 一般采用平均主观得分(Mean opinion score, MOS)或平均主观
得分差异(Differential mean opinion score, DMOS)来表示, 但主观评价工作量大、耗时长, 使
用起来很不方便. 众多 IQA 图像数据集的主观评价结果主要为客观评价方法的优劣提供参
考. 客观评价方法是由计算机根据一定的方法计算得到图像的质量评价结果. 根据评价时是
否需要参考图像, 客观评价方法又可以分为全参考图像质量评价(Full-reference image quality
assessment, FR-IQA)、半参考图像质量评价(Reduced-reference image quality assessment, RR-
IQA)和无参考图像质量评价(No-reference image quality assessment, NR-IQA)三类
[20]
. 虽然随
着算法的不断提出与改进, FR-IQA 和 RR-IQA 这两类方法的评价性能得到较大提升, 但在
实际应用中这两类方法的缺点也十分明显, 即通常情况下无法获得无失真图像或其特征作
为参考. NR-IQA 方法很好地解决了上述问题. NR-IQA 也称为盲图像质量评价(Blind image
quality assessment, BIQA), 该类方法主要根据失真图像的自身特征来估计图像质量. 针对模
糊失真的 NR-IQA 方法又称为盲/无参考图像清晰度评价(Blind/no-reference image sharpness
assessment)方法, 该方法分为两类, 一类是仅针对模糊失真的 NR-IQA 方法, 另外一类则是
针对各种失真类型(包含模糊失真)的通用 NR-IQA 方法, 包括各种类型的噪声(如加性噪
声、高斯噪声、掩模噪声、脉冲噪声等)、各种类型的模糊(如失焦模糊、运动模糊等)、
JPEG(2000)压缩、JPEG(2000)传输错误、对比度问题(如对比度变化、整体对比度缩减
等)、局部块失真、快速瑞利衰减等. 由于没有参考图像的帮助, 在早期的研究中, 此类方
法往往较难取得较高的评价性能. 但二十多年来, 随着研究的不断深入, 针对模糊失真的
NR-IQA 性能已经逐渐接近甚至达到 FR-IQA 方法和 RR-IQA 方法的评价性能. 尤其是近几
年来, 随着深度学习等基于学习的方法在 NR-IQA 中的广泛应用, 评价性能得到了进一步的
提升. 与此同时, 伴随着方法的改进, 针对不同模糊失真(人工模糊及自然模糊)的数据集也
不断涌现, 从而为不同算法的验证提供了保证.
本文针对模糊图像 NR-IQA 方法进行综述. 首先, 对模糊失真问题进行分类, 介绍包含
模糊失真图像的主要 IQA 数据集; 其次, 对 NR-IQA 方法进行分类及分析, 文中将其分为
基于空域或(与)频域且无需学习的方法(以下简称基于空域/频域的方法)及基于学习的方法
两大类; 接着, 在对应用于 NR-IQA 方法优劣对比的评价指标进行简要说明的基础上, 使用
经常应用于不同文献中进行实验对比的方法进行性能比较, 尤其是基于学习的方法; 最后,
对针对模糊失真问题的 NR-IQA 相关技术进行总结和展望.
1. 模糊失真分类
通常认为模糊是图像质量损失最常见的原因之一
[21]
, 本节将结合模糊产生的原因及不
同 IQA 数据集对模糊失真问题进行分类说明.
产生模糊的原因可分为两大类型: 人工模糊与自然模糊. 人工模糊是通过不同类型的
滤波器人为地给清晰图像加入不同类型的模糊, 如经常被用于模糊图像质量评价的高斯模
糊. 而自然模糊包括物体移动引起的运动模糊, 拍摄时相机抖动引起的抖动模糊, 采集过程
中失焦引起的失焦模糊, 远距离成像时的大气湍流模糊等
[13]
. 常见的模糊图像如图 1 所示
[13, 21-23]
.
图 1 不同类型模糊图像示例
Fig. 1 Examples for different kinds of blurred images
下载: 全尺寸图片 幻灯片
1)人工模糊
人工模糊即在参考图像中人为加入不同类型的模糊降质, 以高斯模糊最为典型, 其通
过参考图像与高斯滤波器卷积得到, 高斯滤波器表示为
h(i,j)=(12πσ2)e−(i2+j2)2σ2h(i,j)=(12πσ2)e−(i2+j2)2σ2
(1)
式中, i 与 j 是当前位置坐标离滤波器 h 中心坐标的距离, σσ 是正态分布的标准差.
早期基于空域/频域的 NR-IQA 方法在适用性和稳定性方面较差, 为了方便算法性能的
评价, 经典的 IQA 数据集均是由人工合成的单一失真类型的图像组成. 该类数据集可以分
为两个部分: 参考图像和失真图像. 为了提高数据集的质量, 大部分参考图像都会从柯达数
据库中选取代表各种场景的图像
[24]
, 不同类型的失真图像都是模拟生活中可能出现的失真
情况. 为了模拟生活中常见的失焦模糊, 数据集中的模糊图像往往由参考(局部)图像与高斯
滤波器相卷积得到, 其方差即对应于不同的模糊程度
[21]
. 包含单一高斯模糊的 4 个经典公开
数据集分别为: 1)德克萨斯大学的图像与视频工程实验室数据集(Laboratory for image and
video engineering, LIVE)
[22]
; 2)俄克拉荷马州立大学的计算与主观图像质量数据集
(Categorical subjective image quality, CSIQ)
[25]
; 3)坦佩雷理工大学的坦佩雷图像数据集 2008
(Tampere image database 2008, TID2008)
[26]
; 4)坦佩雷图像数据集 2013 (Tampere image
database 2013, TID2013)
[27]
. 上述 4 个数据集都含有 5 种以上的失真类型, 参考图像均达到
25 张以上, 且均为彩色图像. 此外, 南特中央理工大学的 IVC 图像数据集
[28]
、萨格勒布大
学的 VCL@FER 数据集
[29]
、康奈尔大学的 A57 数据集
[30]
、康斯坦茨大学的康斯坦茨人工失
真图像质量数据集 KADID-10k
[31]
等也在不同的文献中得到应用. 各数据集具体细节如表 1
所示.
上述经典数据集尽管包含多种失真类型, 但一幅失真图像仅含有一种失真类型. 然而
在典型通信系统中, 图像经历采集、压缩和传输等步骤后, 容易受到模糊、量化和噪声等多
种失真类型的共同影响
[32]
. 因此, 一幅失真图像可能含有多种失真类型. 对此, 研究者们提
出了多重失真图像数据集, 例如: 上海交通大学的多重失真图像数据集 MDID2013
[32]
、德克
萨斯大学的多重失真数据集 MLIVE
[33]
和清华大学的多重失真图像数据集 MDID
[34]
, 具体信
息如表 1 所示. 该类型数据集中也含有两类图像: 参考图像和失真图像. 其中参考图像大部
分来自柯达数据库, 失真图像则是通过模糊处理、JPEG 压缩和噪声加入等对参考图像进行
降质, 生成相应的多重失真图像. 由于模糊处理的过程还是使用高斯滤波器, 因此, 此类数
据集的模糊失真图像还是模拟失焦模糊.
表 1 含有模糊图像的主要图像质量评价数据集
Table 1 Main image quality assessment databases including blurred images
数据集
时间
参考图像
模糊图像
模糊类型
主观评价
分值范围
IVC
[28]
2005
4
20
高斯模糊
MOS
模糊−清晰 [1 5]
LIVE
[22]
2006
29
145
高斯模糊
DMOS
清晰−模糊 [0 100]
A57
[30]
2007
3
9
高斯模糊
DMOS
清晰−模糊 [0 1]
TID2008
[26]
2009
25
100
高斯模糊
MOS
模糊−清晰 [0 9]
CSIQ
[25]
2009
30
150
高斯模糊
DMOS
清晰−模糊 [0 1]
VCL@FER
[29]
2012
23
138
高斯模糊
MOS
模糊−清晰 [0 100]
TID2013
[27]
2013
25
125
高斯模糊
MOS
模糊−清晰 [0 9]
KADID-10k 1
[31]
2019
81
405
高斯模糊
MOS
模糊−清晰 [1 5]
KADID-10k 2
[31]
2019
81
405
镜头模糊
MOS
模糊−清晰 [1 5]
数据集
时间
参考图像
模糊图像
模糊类型
主观评价
分值范围
KADID-10k 3
[31]
2019
81
405
运动模糊
MOS
模糊−清晰 [1 5]
MLIVE1
[33]
2012
15
225
高斯模糊和高斯白噪声
DMOS
清晰−模糊 [0 100]
MLIVE2
[33]
2012
15
225
高斯模糊和 JEPG 压缩
DMOS
清晰−模糊 [0 100]
MDID2013
[32]
2013
12
324
高斯模糊、JEPG 压缩和白噪声
DMOS
清晰−模糊 [0 1]
MDID
[34]
2017
20
1600
高斯模糊、对比度变化、高斯噪声、
JPEG 或 JPEG2000
MOS
模糊−清晰 [0 8]
BID
[21]
2011
—
586
自然模糊
MOS
模糊−清晰 [0 5]
CID2013
[35]
2013
—
480
自然模糊
MOS
模糊−清晰 [0 100]
CLIVE
[36-37]
2016
—
1162
自然模糊
MOS
模糊−清晰 [0 100]
KonIQ-10k
[38]
2018
—
10073
自然模糊
MOS
模糊−清晰 [1 5]
下载: 导出 CSV
| 显示表格
2)自然模糊
如图 1 所示, 现实生活中的模糊失真除了失焦模糊外, 还包括了运动模糊, 而这类模糊
往往由物体的运动及相机的抖动引起. 现有数据集中的人工失真图像无法很好地模拟这些
失真. 因此, 研究者们采用自然图像构建了新的图像数据集, 例如: 赫尔辛基大学的图像数
据集 CID2013
[35]
、德克萨斯大学的自然失真数据集 CLIVE
[36-37]
, 里约热内卢联邦大学的模
糊图像数据集 BID
[21]
以及康斯坦茨大学的自然失真数据集 KonIQ-10k
[38]
, 具体信息如表 1 所
示. 该类数据集无参考图像, 仅含有大量使用现代移动设备拍摄的各类真实失真图像, 因此,
该类数据集只适用于无参考图像质量评价研究. 该类数据集在图像收集过程中不会人为地
引入任何失真. 以 BID 数据集为例, 该数据集包含用户在各种情况下拍摄的图像, 并将数据
剩余30页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3662
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功