计算遥感图像的平均梯度，光谱扭曲程度，信息熵，对图像质量进行评价

提出了一种用于数字图像内容认证的半脆弱水印方案。将图像进行分块，图像块的归一化标准差经量化操作后映射为混沌系统初值，经混沌映射生成水印比特。用量化系数技术将水印比特嵌入块DCT直流系数。利用混沌对初值极端敏感性的特点,能够定位检测对加入水印图像的窜改,并且水印提取不需要原始图像。实验结果表明，嵌入水印后图像的视觉质量好；算法具有对图像内容局部窜改检测的有效性、敏感性以及良好的窜改定位能力，并具有更好的抗JPEG压缩、加性高斯噪声和中值滤波的鲁棒性。

对于所有对象及其功能，质量是非常重要的参数。 在基于图像的对象识别中，图像质量是主要标准。 为了进行真实的图像质量评估，必须具备地面真实性。 但是在实践中，很难找到基本事实。 通常，图像质量是通过完整的参考指标（例如MSE（均方误差）和PSNR（峰值信噪比））进行评估的。 与MSE和PSNR相比，最近，又开发了两个更多的参考度量标准SSIM（结构相似性索引方法）和FSIM（特征相似性索引方法），目的是在此基础上比较还原对象和原始对象之间的结构和特征相似性度量知觉。 本文主要强调比较不同的图像质量指标以提供全面的观点。 通过对不同的噪声浓度进行降噪，可以使用基准图像对这些指标进行实验。 所有指标均给出一致的结果。 但是，从表示的角度来看，对SSIM和FSIM进行了归一化，但对MSE和PSNR未进行归一化。 从语义的角度来看，MSE和PSNR仅给出绝对误差。 另一方面，SSIM和PSNR给出了基于感知和显着性的误差。 因此，与MSE和PSNR相比，可以更容易理解SSIM和FSIM。

C# 海康威视 获取设置 子码流 主码流 图像质量 完全封装好的DLL

保守值法matlab代码ENIQA：基于熵的无参考图像质量评估 抽象的 本文提出了一种基于图像熵的高性能通用无参考（NR）图像质量评估（IQA）方法。 图像特征是从两个域中提取的。 在空间域中，计算颜色通道之间的互信息和二维熵。 在频域中，滤波后的子带图像的二维熵和互信息被计算为输入彩色图像的特征集。 然后，利用所有提取的特征，将用于失真分类的支持向量分类器（SVC）和支持向量回归（SVR）用于质量预测，以获得最终质量评估分数。 所提出的方法，我们称为基于熵的无参考图像质量评估（ENIQA），可以评估不同类别的失真图像的质量，并且具有较低的复杂度。 作者 陈小巧，张庆一，林满慧，杨光一*和何楚，IEEE成员 实验 所有实验都是在64位Windows 7的Matlab R2016a上进行的，详细结果在本文中给出。 这些代码还在带有Matlab R2016b的Ubuntu 16.04上进行了验证，并且运行良好。 在实验中使用了两个IQA数据集和。 下表显示了LIVE数据集上ENIQA的SROCC值以及几种经典的NR和FR IQA方法 方法 JP2K JPEG格式 WN GBlur FF 全

图像质量评价方法代码matlab代码matlab-mylib 这个库是自己在做图像、视频质量评价（I/VQA）实验时需要经常用到的函数的汇总，函数部分为手动实现，部分为其他论文里的代码（均已表明出处）。 lib一直更新。 mscn.m 【论文[1]实现的方法】 一种归一化方法，在BRISQUE算法中被提出。 [1] Mittal, A., Moorthy, AK, & Bovik, AC (2012). No-reference image quality assessment in the spatial domain.IEEE Transactions on Image Processing, 21(12), 4695-4708. SDSP.m 【论文[2]实现的方法】 LinZhang的算法中使用的求图像显着性的方法。 [2] L. Zhang, L. Zhang, X. Mou, and D. Zhang, “FSIM: A feature similarity index for image quality assessment,” IEEE Trans. Image Pro

主要介绍了用Python+OpenCV对比图像质量过程详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

VGCN-PyTorch 感谢您的关注。在此仓库中，我们提供了论文。 先决条件 scipy == 1.2.1 opencv_python == 4.1.0.25 numpy == 1.16.4 火炬视觉== 0.3.0 火炬== 1.1.0 枕头== 6.2.0 安装 在先决条件中安装所有依赖项 准备数据 获取 ， 和 下载 FoV选择 matlab fov_selection/demo.m 训练 python main.py --root1 cviqd_local_epoch.pth --root2 cviqd_global_epoch.pth --save test 测验 python main.py --resume cviqd_model.pth --skip_training 引文 您可以在论文中引用它。非常感谢。 @article{xu2020blind, titl

DBCNN-Pytorch 使用深双线性卷积神经网络进行盲图像质量评估的实验性PyTorch实现。 目的 考虑到PyTorch在学术界的受欢迎程度，我们希望此回购协议可以帮助IQA的研究人员。 此存储库将用作集成IQA研究的先进技术的活动代码库。 要求 PyTorch 0.4+ Python 3.6 默认设置下的用法 python DBCNN.py 如果要重新训练SCNN，仍然需要Matlab和原始存储库来生成合成失真的图像。 python SCNN.py 引文 @article {zhang2020blind， title = {使用深双线性卷积神经网络进行盲图像质量评估}， 作者= {张维霞和马克德和闫家加邓，德祥和王舟}， journal = {IEEE视频技术电路和系统的交易}， 音量= {30}， 数字= {1}， 页数= {36--47}， 年= {2020} } 致谢

CT重建图像的图像质量评估-特定任务与一般质量评估