基于最優(yōu)直線段邊緣方向的視頻清晰度評(píng)估

羅晨光，陳 黎，聶 暉

(1.武漢科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，湖北 武漢 430065；2.武漢科技大學(xué) 智能信息處理與實(shí)時(shí)工業(yè)系統(tǒng)湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430065；3.武漢東智科技股份有限公司 研發(fā)部，湖北 武漢 430060)

0 引 言

對(duì)于安防監(jiān)控視頻，從攝像機(jī)取景到計(jì)算機(jī)終端上形成視頻數(shù)據(jù)的過(guò)程中，會(huì)存在許多導(dǎo)致視頻圖像清晰度異常的因素[1]，可分為外部因素和內(nèi)部因素。外部因素主要是圖像在記錄、傳輸過(guò)程中的污染，如天氣環(huán)境的變化、外部電磁的干擾；內(nèi)部因素主要是攝像機(jī)內(nèi)部器件運(yùn)行環(huán)境的變化，如攝像機(jī)參數(shù)設(shè)置不當(dāng)引起的失焦模糊等。外部因素是引起視頻清晰度異常的主要因素，但是其產(chǎn)生的影響是非持久的，短暫的，是不可人為修復(fù)的，而由攝像機(jī)參數(shù)設(shè)置不當(dāng)引起的，若不經(jīng)過(guò)人為的修復(fù)，則其影響是持久的。因此，本文選擇了對(duì)由攝像機(jī)參數(shù)不當(dāng)而導(dǎo)致的視頻清晰度異常的檢測(cè)。

目前清晰度評(píng)價(jià)方法主要分為基于空域和頻域的方法[2]。空域方法主要是基于圖像的邊緣，根據(jù)圖像邊緣的各種特征信息來(lái)綜合評(píng)價(jià)圖像的清晰度。如王俊琦等[3]通過(guò)提取邊緣點(diǎn)的線擴(kuò)散函數(shù)，通過(guò)對(duì)其參數(shù)集合進(jìn)行統(tǒng)計(jì)學(xué)處理，以其統(tǒng)計(jì)特性作為最終的清晰度評(píng)價(jià)參數(shù)。Feichtenhofer等[4]引入了邊緣斜率，通過(guò)改進(jìn)局部梯度特征合并方法和邊緣寬度的計(jì)算方法，得到圖像的清晰度評(píng)價(jià)值。頻域方法主要是基于傅里葉變換、小波變換和離散余弦變換等方法及其改進(jìn)方法來(lái)對(duì)圖像清晰度進(jìn)行評(píng)價(jià)。如Hassen等[5]通過(guò)小波域的局部相位相干性來(lái)估計(jì)圖像清晰度。王治文等[6]提出的一種基于四元數(shù)小波變換幅值與相位的圖像清晰度評(píng)價(jià)方法。部分算法結(jié)合空域及頻域的方法[7]，這類方法的性能一般比單獨(dú)使用一種方法的性能要好，但是增加了計(jì)算量?？紤]到對(duì)于實(shí)際安防監(jiān)控視頻清晰度評(píng)價(jià)中，基于邊緣信息的空域方法具有低計(jì)算復(fù)雜度，計(jì)算速度快，與圖像內(nèi)容的無(wú)關(guān)性較好，且與主觀評(píng)價(jià)較符，適合實(shí)際應(yīng)用。因此，本文的清晰度評(píng)價(jià)采用改進(jìn)的基于邊緣信息的空域方法。

算法首先對(duì)待檢測(cè)圖像進(jìn)行分塊策略處理，其次根據(jù)各分塊圖像的最優(yōu)直線段方向，對(duì)圖像進(jìn)行強(qiáng)邊緣檢測(cè)，得到其強(qiáng)邊緣寬度值，然后，根據(jù)各區(qū)域最優(yōu)直線段的總長(zhǎng)度，對(duì)區(qū)域強(qiáng)邊緣寬度賦予權(quán)重，并通過(guò)加權(quán)平均法計(jì)算每幅圖像的清晰度評(píng)價(jià)值。最后，根據(jù)多幀圖像的評(píng)價(jià)值，估算視頻的清晰度。

1 視頻清晰度評(píng)估

1.1 基于最優(yōu)直線段的邊緣估計(jì)

在梯度圖像中，邊緣所在位置處會(huì)產(chǎn)生較大的直線狀邊緣響應(yīng)，并且該直線與邊緣的延伸方向一致。對(duì)于圖像局部邊緣方向的提取，在小區(qū)域中，邊緣的曲線方向可由其切線方向上直線代替。因此，在圖像邊緣檢測(cè)中，本文采用基于最優(yōu)直線段邊緣方向的檢測(cè)算法對(duì)圖像區(qū)域進(jìn)行直線段檢測(cè)，得到所有曲線邊緣處的最優(yōu)直線段[8]，然后計(jì)算各個(gè)方向上最優(yōu)直線段的總長(zhǎng)度，并以長(zhǎng)度和最長(zhǎng)的所處方向?yàn)樽顑?yōu)邊緣方向，基于此，得到圖像中各最優(yōu)的曲線邊緣方向。

1.1.1 線支持區(qū)域選取

線支持區(qū)域(line support region，LSR)是由圖像中的一組像素組成的，這些像素排成一條直線。本算法首先將像素點(diǎn)按照水平線角度θ進(jìn)行降序排列，θ由式(1)計(jì)算

(1)

得到像素點(diǎn)順序集S={P1,P2,P3,…,Pj,…,Pn}和對(duì)應(yīng)的水平線角度集θ={θ1,θ2,θ3,…,θj,…,θn}。將θm最大對(duì)應(yīng)的點(diǎn)Pm加入LSR，并將LSR的區(qū)域方向角θr初始化為該點(diǎn)的水平線角度。從集合S中第一個(gè)點(diǎn)開(kāi)始，搜索該點(diǎn)八連通區(qū)域內(nèi)的點(diǎn)Pi，若搜索點(diǎn)對(duì)應(yīng)水平線角度滿足式(2)

Δθ=|θi-θr|, Δθ<τ

(2)

則將當(dāng)前搜索點(diǎn)Pi加入到LSR中，且將此搜索點(diǎn)從集合S中刪除，并按照式(3)更新θr

θr=arctan(∑isin(θi)/∑icos(θi))

(3)

接著對(duì)新加入LSR的點(diǎn)按照同樣的方法進(jìn)行八連通區(qū)域遍歷，直到?jīng)]有新的點(diǎn)加入到LSR。若S集合不為空，則繼續(xù)選取θi最大的點(diǎn)進(jìn)行LSR生長(zhǎng)，直至S為空。

1.1.2 最優(yōu)直線段生成

生成線支持區(qū)域后，計(jì)算該區(qū)域的最小外接矩形，并計(jì)算出矩形的中心、方向角、寬度和高度。該區(qū)域的初始直線即為通過(guò)矩形中心點(diǎn)且方向?yàn)樽钚⊥饨泳匦畏较蚪堑闹本€。根據(jù)Helmholtz原則對(duì)初始直線進(jìn)行驗(yàn)證，按照如下式(4)計(jì)算區(qū)域錯(cuò)誤識(shí)別數(shù)(errorrecognitionnumber，ERN)

(4)

其中，N、M為直線支撐區(qū)域r的寬和高，m為區(qū)域內(nèi)像素點(diǎn)總數(shù)，k為與區(qū)域方向一致的像素點(diǎn)個(gè)數(shù)，p=τ/π。

如果線支持區(qū)域的ERN小于ε，則認(rèn)為線支持區(qū)域是ε有意義的直線支撐區(qū)域，即為檢測(cè)到的直線，標(biāo)記為最優(yōu)直線段。

1.1.3 最優(yōu)邊緣方向估計(jì)

人類對(duì)于場(chǎng)景信息的認(rèn)識(shí)，往往會(huì)選擇感興趣的區(qū)域進(jìn)行分析處理。在安防監(jiān)控圖像中的邊緣直線段在視覺(jué)上表現(xiàn)為人眼的感興趣區(qū)域。根據(jù)此特性，本文提出了基于最優(yōu)直線段的邊緣方向提取算法，即根據(jù)圖像中某一方向上直線段長(zhǎng)度最大和值，確定圖像的最優(yōu)邊緣方向。

圖1為利用該方法生成的邊緣方向直線段，并確定其最優(yōu)邊緣方向。

圖1 區(qū)域邊緣方向圖

圖1(a)為用戶自定義的原始監(jiān)控視頻圖像感興趣區(qū)域，圖1(b)為左下方的圖像區(qū)域塊檢測(cè)到的直線段，圖1(c)粗亮的白線為圖1(b)的最優(yōu)邊緣方向上直線線段。通過(guò)圖1(c)可以看出，在圖像中的邊緣方向上存在許多長(zhǎng)度不一的直線段，且邊緣處的張角越大，直線段越長(zhǎng)，反之，張角越小，直線段越短。如圖1(b)，邊緣在圖像中主要表現(xiàn)為路面上的指示線與路面的交界，在這塊區(qū)域中，采用最優(yōu)直線段生成方法對(duì)邊緣處的曲線進(jìn)行直線擬合，結(jié)果如圖1(c)中粗亮白色線段所示。

如圖1(c)中，檢測(cè)到的最優(yōu)直線段在與X軸正向成20°方向處的最優(yōu)直線段的長(zhǎng)度最大，比例達(dá)到85%，并且其在圖像上表現(xiàn)為比較顯著的邊緣，因此以該方向作為該區(qū)域邊緣的最優(yōu)方向。

1.2 強(qiáng)邊緣寬度統(tǒng)計(jì)

監(jiān)控視頻圖像的模糊造成全局的圖像質(zhì)量下降，但在局部區(qū)域模糊效果的表現(xiàn)各不相同。項(xiàng)目中根據(jù)客戶的實(shí)際需求，選擇感興趣區(qū)域，對(duì)感興趣區(qū)域進(jìn)行清晰度評(píng)估計(jì)算。又結(jié)合圖像局部梯度分布不同于全局梯度分布[9]。因此，本文在保證算法對(duì)視頻圖像清晰度的檢測(cè)準(zhǔn)確率，采用了分塊的策略進(jìn)行處理。采用基于最優(yōu)直線段邊緣方向的強(qiáng)邊緣寬度[10]檢測(cè)對(duì)不同區(qū)域的圖像的邊緣寬度進(jìn)行計(jì)算，得到圖像的清晰度評(píng)價(jià)值。

實(shí)驗(yàn)首先對(duì)原始圖像I按照N×N進(jìn)行分塊處理，然后根據(jù)1.1.1和1.1.2節(jié)所述，求取邊緣曲線的最佳擬合直線段。鑒于直線段在[0°,180°)的區(qū)間上會(huì)存在大量的方向，為提高算法對(duì)異常視頻的檢測(cè)效率，使用α={0°,45°,90°,135°}4個(gè)方向代替直線段方向在(-22.5°,22.5°]，(22.5°,67.5°]，(67.5°,112.5°]，(112.5°,157.5°]4個(gè)區(qū)間方向上的邊緣方向。計(jì)算各個(gè)方向區(qū)間內(nèi)擬合直線段的總長(zhǎng)度Li(i=1,2,3,4)，并以總長(zhǎng)度最長(zhǎng)的Lm所代表的區(qū)間方向?yàn)閰^(qū)域的最優(yōu)邊緣方向φ，φ由式(5)確定

(5)

得到區(qū)域圖像的最優(yōu)邊緣方向φ后，按照文獻(xiàn)[10]中的圖像強(qiáng)邊緣寬度統(tǒng)計(jì)的方法對(duì)各個(gè)區(qū)域的邊緣平均寬度進(jìn)行計(jì)算，得到各個(gè)區(qū)域的邊緣寬度均值BMi(i=1,2,…,n)。然后根據(jù)區(qū)域圖像對(duì)應(yīng)的最優(yōu)邊緣方向的直線段長(zhǎng)度對(duì)各個(gè)區(qū)域圖像清晰度評(píng)價(jià)估計(jì)進(jìn)行權(quán)重分配，如式(6)所示

p(i)=len(i)/∑ilen(i)

(6)

其中，p(i)為對(duì)應(yīng)的第i塊的直線擬合邊緣的權(quán)重，len(i)表示第i塊內(nèi)最優(yōu)直線段的總長(zhǎng)度。

最后，根據(jù)各區(qū)域圖像分配權(quán)重，按照式(7)計(jì)算整幅圖像的清晰度評(píng)價(jià)值

(7)

BM即為圖像的整體清晰度評(píng)價(jià)值。

1.3 算法流程

算法對(duì)待檢測(cè)視頻提取多幀圖像后，首先對(duì)每幅圖像進(jìn)行分塊處理，并計(jì)算每個(gè)區(qū)域圖像塊內(nèi)的最優(yōu)直線段。其次，以該最優(yōu)直線段的方向?yàn)閰^(qū)域邊緣最優(yōu)方向，并根據(jù)其強(qiáng)邊緣寬度直方圖分配權(quán)值，得到其強(qiáng)邊段的總長(zhǎng)度，對(duì)區(qū)域強(qiáng)邊緣寬度賦予權(quán)重，并通過(guò)加權(quán)平均法計(jì)算每幅圖像的清晰度評(píng)價(jià)值。最后，計(jì)算多幀圖像清晰度評(píng)價(jià)的均值，得到視頻的清晰度評(píng)價(jià)值。

算法流程如圖2所示。

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的性能，實(shí)驗(yàn)分為兩部分進(jìn)行，實(shí)驗(yàn)一采用美國(guó)TEXAS大學(xué)圖像和視頻工程實(shí)驗(yàn)室提供的LIVEDatabaseRelease2圖像庫(kù)，通過(guò)5種不同失真類型模擬不同因素造成的圖像清晰度異常，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證算法的可行性。實(shí)驗(yàn)二測(cè)試視頻圖像數(shù)據(jù)來(lái)源于項(xiàng)目合作方從實(shí)際安防監(jiān)控聯(lián)網(wǎng)系統(tǒng)采集的約230 000路視頻，視頻圖像實(shí)際尺寸為1280×720。實(shí)驗(yàn)環(huán)境為win7x64，3.0GHz，8.0G，matlab8.3。

2.1 LIVE圖片庫(kù)

LIVE圖像庫(kù)包含fastfading、gblur、jp2k、jpeg、wn這5種失真類型的圖片，能夠體現(xiàn)引言中所述的幾種主要因素造成監(jiān)控視頻圖像清晰度異常的失真圖像，并且?guī)熘刑峁┝丝梢栽u(píng)價(jià)圖像質(zhì)量的DMOS(differencemeanopinionscore)值，其中，值越小，圖像質(zhì)量越好，反之，質(zhì)量越差。

為檢測(cè)算法的性能，將實(shí)驗(yàn)中算法對(duì)圖片集的評(píng)估值與其對(duì)應(yīng)的DMOS分進(jìn)行一致性分析，本文采用斯皮爾曼(Spearmancorrelation)等級(jí)相關(guān)系數(shù)(SROCC)來(lái)表征客觀算法與主觀評(píng)價(jià)之間的一致相關(guān)性，SROCC越大，相關(guān)性越好，反之，相關(guān)性越差。

為確定算法在不同策略下的性能，實(shí)驗(yàn)在LIVE圖片庫(kù)上采取不同分塊方法得到不同方案下檢測(cè)結(jié)果。部分結(jié)果如圖(3)所示(以3×3塊下的gblur類型圖為例)。

由SROCC的定義，根據(jù)式(8)計(jì)算圖片差分平均主觀評(píng)價(jià)值(DMOS)與算法評(píng)價(jià)值BM的Spearman系數(shù)(SROCC)

(8)

其中，di=rg(xi)-rg(yi)，rg(xi)表示DMOS中圖像i的排序名次，rg(yi)表示算法對(duì)于對(duì)應(yīng)圖像的排序名次。計(jì)算得到3×3策略下SROCC=0.9430。

實(shí)驗(yàn)在其它不同分塊情況下的結(jié)果分析見(jiàn)表1。

由表1可以看出，隨著分塊數(shù)增加，5種失真類型的SROCC分值隨之緩慢增加。但隨著分塊數(shù)的增加，算法對(duì)單幅圖像的平均計(jì)算所耗時(shí)間越來(lái)越長(zhǎng)。綜合檢測(cè)結(jié)果與主觀評(píng)價(jià)的一致相關(guān)性和時(shí)間性能，本文最終選取3×3分塊的策略。

表2 算法與深度學(xué)習(xí)算法結(jié)果比較

在本文算法對(duì)圖像的客觀評(píng)價(jià)與主觀視覺(jué)評(píng)價(jià)一致性較高的基礎(chǔ)上，進(jìn)一步比較了算法與基于深度學(xué)習(xí)預(yù)測(cè)視頻圖像清晰度[11]的評(píng)測(cè)結(jié)果。在各個(gè)不同類型圖像集上進(jìn)行實(shí)驗(yàn)，得到兩種算法在不同類型圖像集上的SROCC。結(jié)果見(jiàn)表2。

從表2可以看出，算法在LIVE圖像庫(kù)上對(duì)5種類型圖片的評(píng)價(jià)值與主觀評(píng)分的一致相關(guān)性均高于基于深度學(xué)習(xí)的圖像清晰度評(píng)價(jià)值，具有很好的主觀一致性。

2.2 安防監(jiān)控視頻庫(kù)

對(duì)視頻庫(kù)中視頻是否存在噪聲進(jìn)行二類標(biāo)記，統(tǒng)計(jì)結(jié)果顯示噪聲圖像僅占0.20%。同時(shí)，考慮到加入噪聲抑制會(huì)造成其它4種圖像失真類型的檢測(cè)準(zhǔn)確率降低。因此，本文對(duì)安防監(jiān)控視頻的清晰度檢測(cè)算法不融合噪聲抑制處理。

監(jiān)控視頻圖像與其在各局部的邊緣直線擬合結(jié)果如圖4所示。

圖4 邊緣直線擬合結(jié)果

圖4展示了對(duì)一幅原始的監(jiān)控視頻圖像(a)中邊緣處的最佳直線擬合效果。通過(guò)圖4(b)可以看出，亮白色線段部分為圖像中出現(xiàn)的邊緣的直線擬合，可以看出算法在實(shí)際安防監(jiān)控視頻圖像上能夠很好地實(shí)現(xiàn)邊緣直線擬合。

為了驗(yàn)證算法在安防監(jiān)控視頻集上的清晰度評(píng)價(jià)效果，對(duì)其中的2000路清晰度異常視頻進(jìn)行主觀評(píng)價(jià)打分。實(shí)驗(yàn)采取埃洛(Elo ratings，ELO)算法模型[12]對(duì)其進(jìn)行分值評(píng)定，將該算法運(yùn)用到視頻清洗時(shí)假設(shè)視頻A被觀測(cè)者標(biāo)注異常等級(jí)大于視頻B的期望是兩個(gè)視頻異常等級(jí)分差距的函數(shù)，所以視頻個(gè)體的當(dāng)前異常等級(jí)分的更新與實(shí)際標(biāo)注結(jié)果和期望結(jié)果的偏差成比例。通過(guò)埃洛算法模型得到的安防監(jiān)控視頻清晰度異常程度分值，即為視頻的主觀評(píng)價(jià)值。視頻越模糊，分值越大，反之越小。

實(shí)驗(yàn)中算法對(duì)視頻集異常程度的排序結(jié)果與ELO排序的相關(guān)系數(shù)SROCC=0.8726。為了清晰反映算法對(duì)于視頻庫(kù)的檢測(cè)結(jié)果的主觀一致性,取視頻庫(kù)中前200路視頻進(jìn)行實(shí)驗(yàn)得到如圖5所示的趨勢(shì)。

圖5 200路監(jiān)控視頻清晰度評(píng)價(jià)值

算法在較大視頻集上取得了一個(gè)較好的相關(guān)性，符合人眼的視覺(jué)評(píng)價(jià)。實(shí)驗(yàn)在比較了本文特征提取算法與主觀視覺(jué)評(píng)價(jià)的基礎(chǔ)上，進(jìn)一步比較了本文算法與基于深度學(xué)習(xí)預(yù)測(cè)視頻圖像清晰度的評(píng)測(cè)結(jié)果。表3是在同一安防監(jiān)控視頻集上進(jìn)行實(shí)驗(yàn)，得到兩種算法的SROCC和對(duì)單幅圖像評(píng)測(cè)所需時(shí)間的平均值(Time)。結(jié)果見(jiàn)表3。

表3 算法與深度學(xué)習(xí)算法結(jié)果比較

從表3可以看出，本文算法對(duì)于安防監(jiān)控清晰度異常視頻的檢測(cè)的準(zhǔn)確率同樣優(yōu)于基于CNN方法的預(yù)測(cè)，但對(duì)于每幅圖像的檢測(cè)時(shí)間高于CNN的預(yù)測(cè)時(shí)間。但考慮到CNN算法需要一定的時(shí)間對(duì)樣本集進(jìn)行訓(xùn)練，得到合適的預(yù)測(cè)模型，并對(duì)測(cè)試視頻集進(jìn)行預(yù)測(cè)，得到清晰度評(píng)價(jià)值，所需要的一定的訓(xùn)練時(shí)間，然本文算法是基于無(wú)參考的視頻清晰度評(píng)估，對(duì)各類視頻類型并不需要CNN那樣進(jìn)行訓(xùn)練，比較方便快捷，因此，本文算法在實(shí)際應(yīng)用中具有較好的適用性。

3 結(jié)束語(yǔ)

視頻圖像清晰度的評(píng)價(jià)是圖像處理領(lǐng)域近幾年以來(lái)重要的課題。本文就現(xiàn)今安防監(jiān)控視頻圖像的清晰度進(jìn)行了分析實(shí)驗(yàn)，對(duì)于一定數(shù)量級(jí)的視頻的清晰度評(píng)價(jià)值也能較好符合人眼的主觀評(píng)價(jià)。對(duì)安防監(jiān)控領(lǐng)域中復(fù)雜多變的情景的問(wèn)題，提出了基于最優(yōu)直線段邊緣方向的視頻清晰度評(píng)價(jià)。算法提高了對(duì)于視頻圖像區(qū)域性差異的邊緣檢測(cè)，使之能更加的符合人眼主觀視覺(jué)評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明，通過(guò)對(duì)區(qū)域最優(yōu)邊緣方向的選取，能夠更加準(zhǔn)確地評(píng)測(cè)圖像的清晰度，驗(yàn)證了算法的有效性和準(zhǔn)確性。

[1]JI Guanxin,ZHOU Lili.Tampering detection and classification of intelligent video surveillance system[J].Journal of Data Acquisition & Processing,2013,28(2):231-238(in Chinese).[姬貫新,周利莉.智能視頻監(jiān)控系統(tǒng)中的干擾檢測(cè)及分類[J].數(shù)據(jù)采集與處理,2013,28(2):231-238.]

[2]Chandler Damon M, Md M Alam,Phan Thien D.Seven challenges for image quality research[C]//IS&T/SPIE Electronic Imaging.International Society for Optics and Photonics,2014:174-188.

[3]WANG Junqi,ZHANG Liguo,LIU Lei.No-reference image quality assessment for sharpness based on line spread function[J].Journal of Computer-Aided Design and Computer Grap-hics,2016,28(8):1279-1286(in Chinese).[王俊琦,張立國(guó),劉磊.基于線擴(kuò)散函數(shù)提取的無(wú)參考圖像清晰度評(píng)價(jià)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2016,28(8):1279-1286.]

[4]Feichtenhofer C,Fassold H,Schallauer P.A perceptual image sharpness metric based on local edge gradient analysis[J].IEEE Signal Processing Letters,2013,20(4):379-382.

[5]Zhao H,Fang B,Tang YY.A no-reference image sharpness estimation based on expectation of wavelet transform coefficients[C]//IEEE International Conference on Image Processing.IEEE,2013:374-378.

[6]WANG Zhiwen,LUO Xiaoqing,ZHANG Zhancheng.Quaternion wavelet transform for evaluation of image sharpness[J].Journal of Computer Applications,2016,36(7):1927-1932(in Chinese).[王治文,羅曉清,張戰(zhàn)成.基于四元數(shù)小波變換的清晰度評(píng)價(jià)[J].計(jì)算機(jī)應(yīng)用,2016,36(7):1927-1932.]

[7]Vu CT,Phan TD,Chandler DMS.A spectral and spatial measure of local perceived sharpness in natural images[J].IEEE Transactions on Image Processing,2012,21(3):934-945.

[8]Von Gioi RG,Jakubowicz J,Morel JM,et al.LSD:A line segment detector[J].Image Processing on Line,2012,2:35-55.

[9]SONG Ying,CHEN Ke,LIN Jiangli,et al.Edge detection algorithm based on image partition[J].Computer Enginee-ring,2010,36(14):196-197(in Chinese).[宋瑩,陳科,林江莉,等.基于圖像分塊的邊緣檢測(cè)算法[J].計(jì)算機(jī)工程,2010,36(14):196-197.]

[10]ZHANG Tianyu,FENG Huajun,XU Zhihai.Sharpness metric based on histogram of strong edge width[J].Journal of Zhejiang University(Engineering Science),2014(2):312-320(in Chinese).[張?zhí)祆?馮華君,徐之海.基于強(qiáng)邊緣寬度直方圖的圖像清晰度指標(biāo)[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2014(2):312-320.]

[11]TIAN Weijun,SHAO Feng,JIANG Gangyi,et al.Blind image quality assessment for stereoscopic images via deep lear-ning[J].Journal of Computer-Aided Design and Compu-ter Graphics,2016,28(6):968-975(in Chinese).[田維軍,邵楓,蔣剛毅,等.基于深度學(xué)習(xí)的無(wú)參考立體圖像質(zhì)量評(píng)價(jià)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2016,28(6):968-975.]

[12]Gásquez R,Royuela V.The determinants of international football success:A panel data analysis of the Elo rating[J].Social Science Quarterly,2016,97(2):125-141.