目 录 第一章 引言 1 1.1 图像质量评价的定义 1 1.2 研究对象 1 1.3 方法分类 2 1.4 研究意义 3 第二章 历史发展和研究现状 4 2.1 基于手工特征提取的图像质量评价 4 2.1.1 基于可视误差的“自底向上”模型 4 2.1.1.1 Daly模型 4 2.1.1.2 Watson’s DCT模型 5 2.1.1.3 存在的问题 5 2.1.2 基于HVS的“自顶向下”模型 5 2.1.2.1 结构相似性方法 6 2.1.2.2 信息论方法 8 2.1.2.3 存在的问题 9 2.2 基于深度学习的图像质量评价 10 2.2.1 CNN模型 10 2.2.2 多任务CNN模型 12 2.2.3 研究重点 15 第三章 图像质量评价数据集和性能指标 16 3.1 图像质量评价数据集简介 16 3.2 图像质量评价模型性能指标 17 第四章 总结与展望 19 4.1 归纳总结 19 4.2 未来展望 19 参考文献 21 第一章 引言 随着现代科技的发展，诸如智能手机，平板电脑和数码相机之类的消费电子产品快速普及，已经产生了大量的数字图像。作为一种更自然的交流方式，图像中的信息相较于文本更加丰富。信息化时代的到来使图像实现了无障碍传输，图像在现代社会工商业的应用越来越广泛和深入，是人们生活中最基本的信息传播手段，也是机器学习的重要信息源。 图像质量是图像系统的核心价值，此外，它也是图像系统技术水平的最高层次。但是，对图像的有损压缩、采集和传输等过程会很容易导致图像质量下降的问题。例如：在拍摄图像过程中，机械系统的抖动、光学系统的聚焦模糊以及电子系统的热噪声等都会造成图像不够清晰；在图像存储和传输过程中，由于庞大的数据量和有限通讯带宽的矛盾，图像需要进行有损压缩编码，这也会导致振铃效应、模糊效应和块效应等图像退化现象的出现。所以，可以说图像降质在图像系统的各个层面都会很频繁地出现，对图像质量作出相应的客观评价是十分重要且有意义的。为了满足用户在各种应用中对图像质量的要求，也便于开发者们维持、控制和强化图像质量，图像质量评价（Image Quality Assessment，IQA）是一种对图像所受到的质量退化进行辨识和量化的

这里包含数字图像处理所需要的图像，DIP-Edition 3

IEEE SENSORS JOURNAL “Image Dehazing by An Artificial Image Fusion Method based on Adaptive Structure Decomposition” 一文源代码 ，仅用于科研使用，若使用，请使用DOI:10.1109/JSEN.2020.2981719进行引用 Source Code of Article IEEE SENSORS JOURNAL “Image Dehazing by An Artificial Image Fusion Method based on Adaptive Structure Decomposition” If you use this code for research, pls cite "M. Zheng, G. Qi, Z. Zhu, Y. Li, H. Wei and Y. Liu, "Image Dehazing by an Artificial Image Fusion Method Based on Adaptive Structure Decomposition," in IEEE Sensors Journal, vol. 20, no. 14, pp. 8062-8072, 15 July15, 2020, doi: 10.1109/JSEN.2020.2981719." @ARTICLE{9040575, author={M. {Zheng} and G. {Qi} and Z. {Zhu} and Y. {Li} and H. {Wei} and Y. {Liu}}, journal={IEEE Sensors Journal}, title={Image Dehazing by an Artificial Image Fusion Method Based on Adaptive Structure Decomposition}, year={2020}, volume={20}, number={14}, pages={8062-8072},} Research use only, please cite DOI:10.1109/JSEN.2020.2981719 article link: https://ieeexplore.ieee.org/document/9040575

matlab基于分水岭算法处理图像分割的源程序，其中有不同的方法，是我收集过来效果比较好的，有利于大家的学习交流

图像去噪是图像处理邻域的重要课题,该文在3维直方图的基础上定义图像的3维轴距,分析无噪声及椒盐噪声影响下图像3维轴距的分布特点,提出基于3维轴距的去噪算法。算法首先对图像进行边沿扩展,再利用3维轴距来检测噪声,最后用非噪声中值滤波来消除噪声。仿真比较了3维轴距去噪算法与中值滤波、自适应开关中值、快速自适应均值滤波、修正方向加权中值滤波和自适应模糊开关中值滤波算法的去噪性能,结果证明该文算法的有效性。

适合批处理压缩照片

由浅入深地讲解了医学影像处理算法和原理

由于目前监控视频所拍摄的人脸图像目标较小、难以辨识, 图像超分辨处理已成为亟待解决监控视频图像实际应用问题的技术和手段。提出了一种针对室外监控视频人脸图像的超分辨技术,利用先验知识设置图像训练集, 并进行图像空间转化、去噪等预处理操作; 设计八层卷积神经网络并对各层类型及连接方式进行设定, 同时设定激活函数类型及各层间传递方式函数; 初始化参数并根据训练集训练网络; 根据损失函数反向调整卷积核和偏置参数, 完成图像输出。经过大量实际监控视频图像测试, 并将本文方法和现有其他方法做对比, 实验结果表明,本文方法在图像超分辨效果和处理速度上均有一定的优势。

Lecture.径向基函数(RBF).pdf

初学数字图像，包含图像导入，导出，基本空间变换如平移，旋转，缩放，剪切，投影，仿射变换【投影和放射都只有一种实现方式】，仅用于实验报告。 自学Matlab GUI编程，设计并实现一个图像空间变换系统要求： 1、能对图像进行平移、旋转、缩放、剪切、投影、仿射变换以及各种复合变换（复合变换指融合前面两种及以上的变换，比如既有平移又有旋转）； 2、能将各种变换后结果保存为图像文件； 3、各种变换可以采用按钮或者菜单的方式进行； 4、变换时的用户可以自行设置简单的变换参数。