目录

前言

课题背景和意义

实现技术思路

实现效果图样例

---

前言

    📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

大家好,这里是海浪学长毕设专题,本次分享的课题是

🎯opencv图像质量评价分析

课题背景和意义

图像质量评价，但是什么叫做图像的质量呢?图像质量是一个非常宽泛的概念，在不同情况下有不同的理解。不仅仅在视频监控和网络直播中应用，其他的很多领域也有着广泛的应用。 数字图像和视频在采集、压缩、传输和存储等过程中会发生各种各样的畸变，任何失真都可能导致视觉感知质量的下降。

实现技术思路

I/VQA 介绍

在视频监控中，通过图像/视频质量评价(image/video quality assessment，I/VQA)可以预测设备状态，以及时对存在问题的设备进行维修或更换;在网络直播中，通过I/VQA可以分析视频质量，以改善终端用户体验。

I/VQA方法分为主观和客观两类。主观方法通过人为打分的方式获得平均主观得分(mean opinion score，MOS)或平均主观得分差异(differenti-almean opinion score，DMOS)，目前仅用于需要构造数据集的情况下，基于主观方法获取图像的MOS作为数据集的标签。

客观评价方法主要分为：

• 全参考(full-reference，FR)

• 半参考(reduced-reference，RR)

• 无参考(no-reference，NR)

其中FR方法在对测试图像或视频进行质量评价时，需要原始的参考图像或视频作为对比。RR方法仅需从参考数据中提取部分信息作为对比。NR方法不需要参考数据，能够直接对测试图像进行质量评价，是目前质量评价领域的研究重点，在3种方法中实用性最强。

I/VQA 发展

I/VQA 发展里程碑式的事件被认为有 3 个:

基于结构相似性

基于结构相似性(structural similarity,SSIM)方法的提出，改变了以往 主流质量评价方法 PSNR和MSE仅关注图像中像素信息 改变的现状,从而使基于结构信息的主观感知逐渐 成为评价任务的重心。

基于自然图像统计

基于自然图像统计是较早使用自然图像统计处理 IQA 的工作，它解决了此前 大多方法计算开销大、速度不够快、鲁棒性和性能不 佳的问题。

基于深度学习方法

基于深度学习方法具有影响力的算法包括: 基于质量排序思想的 RankIQA、基于生成对抗网络的 HIQA、基于元学习的Meta- IQA等。这些深度学习方法在一定程度上减少了对参考图像和MOS的需求，促进了NR-IQA方法的应用和发展。

 

基于深度学习的 NR-VQA 方法

深度学习时代的 VQA 方法注重帧与帧之间的关联及其可能对视觉感知造成的影响，主要分为基于帧处理并融合时序模块的 2D CNN 与基于视频级 处理的 3D CNN 两类。

实现效果图样例

 

 

我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。

毕设帮助，疑难解答，欢迎打扰！