基于結(jié)構(gòu)顯著性的醫(yī)學(xué)圖像質(zhì)量評價(jià)

張劍華，張自然，汪曉妍，管　秋

(浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310014)

基于結(jié)構(gòu)顯著性的醫(yī)學(xué)圖像質(zhì)量評價(jià)

張劍華，張自然，汪曉妍，管秋

(浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310014)

摘要：為提高醫(yī)學(xué)圖像質(zhì)量預(yù)測精度，檢驗(yàn)和優(yōu)化醫(yī)學(xué)圖像處理算法，提出了一種基于結(jié)構(gòu)顯著性的醫(yī)學(xué)圖像質(zhì)量評價(jià)方法.首先，分別計(jì)算參考圖像和失真圖像的相位一致性、梯度相似性，然后計(jì)算參考圖像的結(jié)構(gòu)顯著性圖譜，最后結(jié)合兩幅圖像的相位一致性信息和梯度幅度信息生成局部質(zhì)量圖譜，并用結(jié)構(gòu)顯著性圖譜作為視覺權(quán)重生成最終的圖像質(zhì)量分?jǐn)?shù).經(jīng)醫(yī)學(xué)影像質(zhì)量基準(zhǔn)庫測試，客觀評估結(jié)果與主觀評估結(jié)果的Pearson相關(guān)系數(shù)達(dá)到89%，Spearman相關(guān)系數(shù)達(dá)到86%.實(shí)驗(yàn)結(jié)果表明該方法優(yōu)于傳統(tǒng)評價(jià)方法，具有較高的可靠性.結(jié)構(gòu)顯著性模型不僅能反應(yīng)人眼自適應(yīng)提取場景結(jié)構(gòu)信息的能力，而且還能分層次地描述不同圖像結(jié)構(gòu)的結(jié)構(gòu)性.對人眼視覺特性的研究與應(yīng)用有助于提高圖像質(zhì)量評價(jià)方法的可靠性.

關(guān)鍵詞：醫(yī)學(xué)圖像；質(zhì)量評價(jià)；相位一致性；結(jié)構(gòu)顯著性

Medical image quality assessment based on structural saliency

ZHANG Jianhua, ZHANG Ziran, WANG Xiaoyan, GUAN Qiu

(College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310014, China)

Abstract:Aiming to improve the prediction accuracy of the quality of medical images, test and optimize the image processing algorithms, an approach based on structural saliency is proposed. Firstly, the phase congruency and gradient similarity between the reference image and the distorted image are generated. Secondly, the map of structural saliency for the reference image is computed. Finally, combining the phase congruency and gradient similarity of two images are combined to generate local mass spectrum. The structural saliency map is served as pooling strategy to produce the quality score. Extensive experiments carried on the benchmark database show that Pearson correlation coefficient between the objective scores and subjective scores reaches 89%, and the spearman-coefficient reaches 86%. The research and application of human visual characteristics can improve the accuracy and reliability of objective medical image quality assessment.

Key words:medical image; quality assessment; phase congruency; structural saliency

醫(yī)學(xué)圖像在疾病診斷及治療中有著重要的臨床意義.醫(yī)學(xué)圖像成像原理不同于普通圖像，它需要在計(jì)算機(jī)輔助下通過某種數(shù)學(xué)方法重建得到[1].影像在信息采集、數(shù)學(xué)重建、后期處理、存儲(chǔ)及傳輸過程中都會(huì)受到噪聲干擾而影響其圖像質(zhì)量.圖像質(zhì)量將直接影響到醫(yī)療診斷的準(zhǔn)確性.醫(yī)學(xué)圖像質(zhì)量評價(jià)方法主要分為兩類，即主觀評價(jià)方法和客觀評價(jià)方法.主觀評價(jià)方法由專業(yè)醫(yī)師對圖像給出主觀評價(jià)意見，其優(yōu)點(diǎn)是可信度高，但缺點(diǎn)也很明顯：耗時(shí)長，成本高，且不可重復(fù).客觀評價(jià)方法則是基于數(shù)學(xué)模型的自動(dòng)化評價(jià)方法，其優(yōu)點(diǎn)在于成本低、易實(shí)現(xiàn)，且具有可重復(fù)性的優(yōu)點(diǎn)[2].由于醫(yī)學(xué)影像設(shè)備通常會(huì)生成大量圖像，所以有必要開發(fā)出一個(gè)有效的客觀圖像質(zhì)量評價(jià)方法.該圖像質(zhì)量評價(jià)方法將可用于自動(dòng)監(jiān)督和調(diào)整圖像質(zhì)量，優(yōu)化成像系統(tǒng)的算法和參數(shù)設(shè)置，同時(shí)也可作為衡量各種圖像處理算法性能的重要指標(biāo).例如，古輝[3]和廖鋒峰[4]通過圖像質(zhì)量來證明其圖像編碼算法具有優(yōu)秀的性能，楊建鋒[5]則通過圖像質(zhì)量來證明其提出的流媒體傳輸控制方案的有效性.

筆者對傳統(tǒng)醫(yī)學(xué)圖像質(zhì)量評價(jià)方法進(jìn)行了闡述與分析，針對目前存在的問題，提出了相位一致性、梯度幅度和人眼視覺結(jié)構(gòu)顯著性相結(jié)合的綜合性評價(jià)指標(biāo)，從而提升了醫(yī)學(xué)圖像質(zhì)量客觀評價(jià)方法的可靠性.在該方法中，相位一致性和梯度幅度能有效反映圖像局部細(xì)節(jié)特征，結(jié)合二者可得到圖像局部質(zhì)量圖譜.結(jié)構(gòu)顯著性則能很好反映人眼視覺對結(jié)構(gòu)信息的敏感性，而且對不同結(jié)構(gòu)信息有不同敏感程度.最終的實(shí)驗(yàn)結(jié)果證明該方法的性能明顯優(yōu)于傳統(tǒng)醫(yī)學(xué)圖像質(zhì)量評價(jià)方法，對醫(yī)學(xué)圖像質(zhì)量的評估有較高的可靠性.

1傳統(tǒng)的醫(yī)學(xué)圖像質(zhì)量評價(jià)方法

1.1基于統(tǒng)計(jì)數(shù)據(jù)圖像質(zhì)量評價(jià)方法

基于統(tǒng)計(jì)數(shù)據(jù)的圖像質(zhì)量評價(jià)方法主要有均方誤差(Mean square error, MSE)以及峰值信噪比(Peak signal noise ratio, PSNR),這類算法物理意義明確、計(jì)算簡單，是目前最常用的圖像質(zhì)量評價(jià)指標(biāo)，MSE和PSNR分別定義為

(1)

(2)

式中：x和y分別代表參考圖像和與其相對應(yīng)的失真圖像；圖像尺寸為M×N；L為圖像總灰度級(jí)數(shù)；MSE為兩幅圖像間的均方誤差.

1.2基于結(jié)構(gòu)信息的圖像質(zhì)量評價(jià)方法

Wang[2]提出了SSIM評價(jià)方法，該方法最初應(yīng)用于自然圖像上，獲得了較好的效果.有研究者將其應(yīng)用于醫(yī)學(xué)圖像上也同樣獲得了不錯(cuò)的效果[6-8].該方法對兩幅圖像間的結(jié)構(gòu)相似性進(jìn)行評價(jià)，從3個(gè)圖像特征上進(jìn)行描述，并給3個(gè)特征賦以不同的權(quán)重.具體包括亮度比較因子l(x,y)、對比度比較因子c(x,y)和結(jié)構(gòu)比較因子s(x,y),SSIM被定義為

SSIM(x,y)=l(x,y)a·c(x,y)β·s(x,y)γ

(3)

另外，還有很多基于SSIM的改進(jìn)方法，段影影等提出了醫(yī)學(xué)圖像質(zhì)量評價(jià)中的梯度權(quán)重評價(jià)方法GWSSIM和基于梯度方向的評價(jià)方法GDSSIM[7,9],都提高了算法的準(zhǔn)確性.另外由于人眼對不同區(qū)域具有不同的關(guān)注度，因此，也可以將圖像分解成若干圖像塊，利用SSIM方法計(jì)算出每小塊的評分，然后計(jì)算每小塊分?jǐn)?shù)均值得到整體圖像質(zhì)量分?jǐn)?shù)為

(4)

式中M為圖像所分的塊數(shù).

基于梯度方向的評價(jià)方法GDSSIM則是將SSIM中的對比度因子和結(jié)構(gòu)因子替換為梯度大小和梯度方向因子，其具體定義為

GDSSIM(x,y)=α·l(x,y)+β·c(xG,yG)+

γ·s(xD,yD)

α+β+γ=1

(5)

式中：xG和xD分別為參考圖像的梯度大小矩陣和梯度方向矩陣；參數(shù)α,β,γ用以調(diào)整3個(gè)因子的權(quán)重；x,y分別為原始參考圖像和失真圖像.

基于梯度加權(quán)結(jié)構(gòu)相似性的評價(jià)模型GWSSIM利用梯度信息代替了SSIM中的結(jié)構(gòu)比較因子，其具體定義為

(6)

該方法采用Sobel算法對圖像進(jìn)行梯度的計(jì)算，求出參考圖像x和失真圖像y的梯度信息，并計(jì)算出權(quán)值矩陣.

1.3Q指標(biāo)評價(jià)方法

Q指標(biāo)評價(jià)方法是一個(gè)通用的圖像質(zhì)量評價(jià)方法，其表達(dá)式為

(7)

式中：

Q的動(dòng)態(tài)范圍為[-1,1]，當(dāng)y=x時(shí)，獲得最佳分?jǐn)?shù)值.通過對每一個(gè)圖像塊計(jì)算分?jǐn)?shù)值，就可以得到圖像的質(zhì)量圖譜，最終的圖像質(zhì)量分?jǐn)?shù)定義為所有每個(gè)圖像塊分?jǐn)?shù)Qi的平均值，即

式中M為圖像所分的塊數(shù).

1.4傳統(tǒng)方法存在的問題

基于統(tǒng)計(jì)數(shù)據(jù)的評價(jià)方法是單純從數(shù)學(xué)統(tǒng)計(jì)的角度出發(fā)，將圖像看成孤立點(diǎn)集合，而忽略局域像素間的相關(guān)性.這就決定了該方法在處理結(jié)構(gòu)性失真時(shí)不能給出準(zhǔn)確的質(zhì)量評價(jià)結(jié)果.同時(shí)它將信號(hào)誤差等同于質(zhì)量的視覺感知，這也不符合HVS視覺特性.PSNR對于噪聲失真能做出較準(zhǔn)確的判斷，但對于其他類型失真也并不適用.

SSIM及其改進(jìn)方法主要基于人眼視覺系統(tǒng)高度自適應(yīng)提取場景中的結(jié)構(gòu)信息的特性來進(jìn)行圖像質(zhì)量評估.SSIM方法從圖像局部亮度、對比度和結(jié)構(gòu)三方面來度量參考圖像與失真之間的相似性，得到圖像質(zhì)量圖譜后采用求均值的方法獲得一個(gè)整體的質(zhì)量分?jǐn)?shù).該類方法性能優(yōu)于早期方法，但依舊達(dá)不到實(shí)際應(yīng)用所需的可靠性.

2基于結(jié)構(gòu)顯著性醫(yī)學(xué)圖像質(zhì)量評價(jià)

2.1圖像相位一致性

Oppenhei和Lim[10]通過實(shí)驗(yàn)表明在表達(dá)圖像特征方面相位信息比幅度信息要重要得多，其作者通過交換兩幅圖像的相位和梯度信息生成了兩幅新圖像，新圖像的基本內(nèi)容與其所使用的相位信息保持一致.該實(shí)驗(yàn)表明圖像變換到頻域后其相位信息包含了圖像的基本特征.

Morrone和Owens[11]認(rèn)為圖像的特征出現(xiàn)在傅里葉分量的相位值最大的地方.幾乎所有的特征都伴隨著較高的相位一致性，而且人眼視覺皮層對相位一致性結(jié)構(gòu)有較強(qiáng)的敏感性.另外，Kovesi[12]給出了一種相位致性的計(jì)算模型，該模型采用了在計(jì)算機(jī)視覺和感知領(lǐng)域里應(yīng)用極為廣泛的log-Gabor小波來進(jìn)行計(jì)算.在2D圖像中，每個(gè)像素的相位一致性可以定義為

PC(x,y)=

(8)

Δφ(x,y)=cos[φn(x,y)-φ(x,y)]-

(9)

式中：m和n分別表示方向尺度個(gè)數(shù)；Aji(x)和Φji(x)分別表示在第i個(gè)方向第j個(gè)對數(shù)尺度上的幅度和局部相位偏差；Ti表示第i個(gè)方向上的估計(jì)噪聲；Wi表示第i個(gè)方向上的權(quán)重函數(shù).

2.2梯度幅度

梯度幅度是一種空域上的低水平的圖像特征，該特征雖然簡單但卻非常有效.梯度幅度可用卷積核來計(jì)算，常用的梯度算子有Scharr算子，Prewitt算子和Sobel算子.用GM來表示圖像梯度幅度，并定義為

(10)

式中Gx和Gy分別表示圖像f(x)在水平和豎直方向上的偏導(dǎo)數(shù).各梯度算子間差異不大，這里采用Zhang[13]推薦的Scharr算子，其定義為

(11)

(12)

2.3結(jié)構(gòu)顯著性模型

由前兩小節(jié)的相位一致性信息與梯度幅度信息可生成圖像的質(zhì)量圖譜，但對于如何將質(zhì)量圖譜轉(zhuǎn)換成一個(gè)標(biāo)量的質(zhì)量分?jǐn)?shù)則需要科學(xué)地分析.人眼視覺具有結(jié)構(gòu)顯著性特性，不同的結(jié)構(gòu)信息對人眼有不同的吸引程度.筆者采用全局邊緣概率的方法[14]來實(shí)現(xiàn)該結(jié)構(gòu)顯著性模型，并通過實(shí)驗(yàn)證明該模型非常適用于表達(dá)人眼在感知圖像質(zhì)量時(shí)的視覺特性.

該邊緣概率的方法[14]最初應(yīng)用于邊緣檢測，其主要思想是通過計(jì)算亮度、色彩和紋理三個(gè)通道的梯度方向信息來得到邊緣概率.對于亮度通道，使用被一條直徑分割成兩半的圓作為窗口，通過調(diào)整直徑的方向，計(jì)算出兩個(gè)半圓所對應(yīng)的直方圖g和h.用χ2表示直方圖g和h之間的距離，并定義為

(13)

紋理和色彩通道也用同樣的方式進(jìn)行處理.同時(shí)該作者還通過多尺度的方式將局部亮度和紋理信息結(jié)合起來，最終全局邊緣概率定義為

γ·sPb(x,y,θ)

(14)

式中：β與γ為權(quán)重參數(shù)；G為帶方向的梯度信號(hào)；sPb為邊界概率.如圖1所示，圖1(a)為參考圖像，圖1(b，c)分別為相位一致性圖和梯度幅度圖，圖1(d)為結(jié)構(gòu)顯著性圖.

圖1　參考圖像及相應(yīng)的特征圖Fig.1　The reference image and the corresponding feature maps

2.4綜合性評價(jià)指標(biāo)

圖2給出了圖像質(zhì)量綜合評價(jià)指標(biāo)的算法流程圖，圖2中Ref和Dst分別代表標(biāo)準(zhǔn)參考圖像和失真圖像，通過度量失真圖像與標(biāo)準(zhǔn)參考圖像間的相似程度來決定失真圖像的質(zhì)量.

圖2　算法流程圖Fig.2　The flow chart of the algorithm

首先，分別計(jì)算Ref與Dst對應(yīng)的相位一致性圖，用PC1和PC2來表示.同樣地，計(jì)算出其相應(yīng)的梯度幅度圖，用G1和G2來表示.PCS為PC1和PC2的相似性圖，用PCS(x)表示相位一致性圖的相似性，PCS可以定義為

(15)

式中：c1是一個(gè)小正數(shù)常量以避免分母為0的情況；GMS為G1和G2的相似性圖譜.用GMS(x)表示梯度幅度圖的相似性，GMS可以定義為

(16)

式中：G1和G2分別是參考圖和失真圖的梯度幅度圖；c2是一個(gè)小正數(shù)常量以避免分母為0的情況.通過結(jié)合相位一致性圖和梯度圖可以得到局部質(zhì)量圖，用Q(x)表示為

Q(x)=PCS(x)·GMS(x)

(17)

物體邊界通常占據(jù)主要的視覺注意力，結(jié)構(gòu)顯著性模型用于量化人眼對圖像結(jié)構(gòu)信息的敏感度.這里用SSM(x)表示該結(jié)構(gòu)顯著性模型所得的權(quán)重圖，用IQS(x)表示最終圖像質(zhì)量分?jǐn)?shù)，具體定義為

(18)

式中x表示圖像在空域Ω上的每個(gè)像素.

3實(shí)驗(yàn)結(jié)果及分析

3.1圖像庫及分?jǐn)?shù)指標(biāo)

目前就我們所知：在醫(yī)學(xué)圖像質(zhì)量評價(jià)方面，尚未有公開可用的圖像質(zhì)量評價(jià)基準(zhǔn)庫，已有的相關(guān)研究中普遍采用少量的醫(yī)學(xué)圖像作為實(shí)驗(yàn)數(shù)據(jù)，解剖位置單一、影像模態(tài)有限.針對這種情況，建立了較為全面的醫(yī)學(xué)圖像庫，其中涉及到頭部，胸腔，腹部，四肢等部位，模態(tài)有常見的CT,MR等.參考圖像共15幅，圖3列出其中4幅，失真模擬包括較常見的4種，即模糊失真、噪聲失真、對比度失真和壓縮失真.同時(shí)每種失真類型根據(jù)失真程度分為5個(gè)等級(jí)，共有300幅實(shí)驗(yàn)圖像，經(jīng)過4位放射科醫(yī)師給圖像質(zhì)量進(jìn)行主觀評分.由于篇幅限制，醫(yī)學(xué)圖像質(zhì)量基準(zhǔn)庫的各項(xiàng)統(tǒng)計(jì)數(shù)據(jù)不再給出.

圖3　圖像庫中部分參考圖像Fig.3　Four reference images from the image database

通過計(jì)算每幅圖像客觀評分，并同標(biāo)準(zhǔn)庫主觀平均分?jǐn)?shù)(MOS)進(jìn)行擬合，從而得到實(shí)驗(yàn)結(jié)果.這里采用了3種常用的評價(jià)標(biāo)準(zhǔn)與傳統(tǒng)評價(jià)方法所得結(jié)果進(jìn)行比較，分別為Spearmanrank-ordercorrelationcoefficient(SRC)，Pearsoncorrelationcoefficient(PCC) 與Rootmeansquareerror(RMSE).這些指標(biāo)用于計(jì)算客觀評價(jià)分?jǐn)?shù)與圖像庫主觀評價(jià)分?jǐn)?shù)經(jīng)過非線性回歸以后的結(jié)果的相關(guān)性，相關(guān)性越高表示所采用的評價(jià)方法越有效，反之亦然.這里采用其他相關(guān)文獻(xiàn)中使用最多的非線性回歸函數(shù)[15]為

(19)

式中β1～β5為回歸參數(shù).

3.2結(jié)果對比與分析

實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)如表1～5所示.表1～5中最佳及次佳數(shù)據(jù)加黑顯示，對于PLC和SRC而言，較高的分?jǐn)?shù)意味著較好的相關(guān)性，而對于RMSE而言，較低的分?jǐn)?shù)表示較好的相關(guān)性.表1～4分別給出了不同評價(jià)方法在模糊失真、壓縮失真、對比度失真和噪聲失真4類失真圖像上的性能比較，筆者方法都獲得較好的結(jié)果.表5給出了6種方法性能的綜合性比較，筆者方法明顯優(yōu)于其他傳統(tǒng)方法.

表1　六種評價(jià)方法在模糊失真圖像上的性能比較

表2　六種評價(jià)方法在壓縮失真圖像上的性能比較

表3　六種評價(jià)方法在對比度失真圖像上的性能比較

表4　六種評價(jià)方法在噪聲失真圖像上的性能比較

表5　六種評價(jià)方法的綜合性能比較

4結(jié)論

醫(yī)學(xué)圖像從功能意義上不同于自然圖像，其主要作用是輔助醫(yī)生進(jìn)行醫(yī)療診斷.研究醫(yī)學(xué)圖像質(zhì)量評價(jià)模型對于優(yōu)化成像算法、監(jiān)控調(diào)整圖像質(zhì)量及提供系統(tǒng)參數(shù)設(shè)置有重要意義.鑒于傳統(tǒng)的圖像質(zhì)量評價(jià)方法大多基于簡單的統(tǒng)計(jì)性數(shù)據(jù)，在對圖像基本特征進(jìn)行描述的同時(shí)還結(jié)合了一定的人眼視覺特性.人眼能夠自適應(yīng)地提取場景中的結(jié)構(gòu)信息，而且不同的結(jié)構(gòu)也會(huì)不同程度上吸引人眼視覺注意力.在利用能較好反應(yīng)圖像基本特征的相位一致性信息的基礎(chǔ)上，又結(jié)合了反應(yīng)人眼重要視覺結(jié)構(gòu)敏感性的結(jié)構(gòu)顯著性模型，從而獲得了明顯優(yōu)于傳統(tǒng)評價(jià)方法的性能，并顯著提升了圖像質(zhì)量評價(jià)方法的可靠性.但不可否認(rèn)的是目前人類對人眼視覺特性的研究及利用還不夠深入和充分，而且又由于醫(yī)療診斷對效率以及準(zhǔn)確性有著高標(biāo)準(zhǔn)要求，所以對醫(yī)學(xué)圖像質(zhì)量評價(jià)方法還需要進(jìn)行持續(xù)深入地研究.

參考文獻(xiàn)：

[1]DAMERA-VENKATA N, KITE T D, GEISLER W S, et al. Image quality assessment based on a degradation model[J]. IEEE Transactions on Image Processing,2000,9(4):636-650.

[2]WANG Zhou, BOVIK A C, SHEIKH H R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing,2004,13(4):600-612.

[3]古輝,陳強(qiáng).H.264幀內(nèi)預(yù)測模式選擇改進(jìn)算法[J].浙江工業(yè)大學(xué)學(xué)報(bào),2014,42(2):204-209.

[4]廖鋒峰，郭行波,劉文捷.基于小波變換的圖像編碼研究[J].浙江工業(yè)大學(xué)學(xué)報(bào),2010,38(2):197-201.

[5]楊建鋒,孟利民.視頻監(jiān)控系統(tǒng)中實(shí)時(shí)流媒體傳輸控制方法的設(shè)計(jì)[J].浙江工業(yè)大學(xué)學(xué)報(bào),2012,40(4):454-457.

[6]郭龍,鄭劍.基于梯度方向信息的醫(yī)學(xué)圖像質(zhì)量評價(jià)方法研究[J].計(jì)算機(jī)科學(xué),2012,39(12):278-280.]

[7]段影影,馬建華,陳武凡,等.改進(jìn)的結(jié)構(gòu)相似醫(yī)學(xué)圖像質(zhì)量評價(jià)方法[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(2):145-149.

[8]RAO T V N, GOVARDHAN A. Assessment of diverse quality metrics for medical images including mammography[J]. International Journal of Computer Applications,2013,83(4):42-47.

[9]段影影,陳武凡,馮前進(jìn),等.醫(yī)學(xué)圖像質(zhì)量評價(jià)中的梯度加權(quán)SSIM[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(24):205-210.

[10]OPPENHEIM A V, LIM J S. The importance of phase in signals[J]. Proceedings of the IEEE,1981,69(5):529-541.

[11]MORRONE M C, OWENS R A, Feature detection from local energy[J]. Pattern Recognition letters,1987,6(5):303-313.

[12]KOVESI P. Phase congruency: a low-level image invariant[J]. Psychological Research,2000,64(2):136-148.

[13]ZHANG Lin, ZHANG Lei, MOU Xuanqin. FSIM: a feature similarity index for image quality assessment[J]. IEEE Transactions on Image Processing,2011,20(8):2378-2386.

[14]ARBELAEZ P, MAIRE M, FOWLKES C, et al. Contour detection and hierarchical image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(5):898-916.

[15]褚江,陳強(qiáng),楊曦晨.全參考圖像質(zhì)量評價(jià)綜述[J].計(jì)算機(jī)應(yīng)用研究,2014,31(1):13-22.

(責(zé)任編輯：陳石平)

《浙江工業(yè)大學(xué)學(xué)報(bào)》入編北京大學(xué)中文核心期刊(2014年版)

接北京大學(xué)《中文核心期刊要目總覽》編輯部的通知，依據(jù)文獻(xiàn)計(jì)量學(xué)的原理和方法，經(jīng)研究人員對相關(guān)文獻(xiàn)的檢索、統(tǒng)計(jì)和分析，以及學(xué)科專家評審，《浙江工業(yè)大學(xué)學(xué)報(bào)》入編《中文核心期刊要目總覽》2014年版(即第七版)之“綜合性科學(xué)技術(shù)類”的核心期刊.據(jù)內(nèi)部信息，這次“綜合性科學(xué)技術(shù)類”的核心期刊入圍前120位，我?！秾W(xué)報(bào)》排序95位，比2011年(131位)提升了36位.這是學(xué)術(shù)期刊社繼2013年《發(fā)酵科技通訊》主管主辦單位成功變更我校后，期刊質(zhì)量提升的又一個(gè)標(biāo)志性的成果.

學(xué)術(shù)期刊社

文章編號(hào)：1006-4303(2015)06-0636-06

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼：A

作者簡介：張劍華(1981—)，男，江西鉛山人，講師，博士，研究方向?yàn)獒t(yī)學(xué)圖像處理和機(jī)器人視覺，E-mail：zjh@zjut.edu.cn.

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(61305021,11302195,61103140)；浙江省科技廳公益基金資助項(xiàng)目(2014C31102)

收稿日期：2015-05-19