子图直方图相关的图像置乱效果盲评判

doi:10.3778/j.issn.1002-8331.2009.28.057

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (28): 190-192.DOI: 10.3778/j.issn.1002-8331.2009.28.057

• 图形、图像、模式识别 • 上一篇下一篇

子图直方图相关的图像置乱效果盲评判

谭永杰¹，马苗^1，2

1.陕西师范大学计算机科学学院，西安 710062
2.西北工业大学计算机学院，西安 710072

收稿日期:2008-05-26 修回日期:2008-09-08 出版日期:2009-10-01 发布日期:2009-10-01
通讯作者: 谭永杰

Subimage-histogram correlation blind assessment on image scrambling degree

TAN Yong-jie¹，MA Miao^1，2

1.College of Computer Science，Shaanxi Normal University，Xi’an 710062，China
2.School of Computer，Northwestern Polytechnical University，Xi’an 710072，China

Received:2008-05-26 Revised:2008-09-08 Online:2009-10-01 Published:2009-10-01
Contact: TAN Yong-jie

摘要/Abstract

摘要： 为客观、自动地评价图像置乱效果，提出了一种基于子图直方图相关的图像置乱盲评判方法。该方法首先分析理想置乱图像的定义和特征，归纳总结最优置乱图像的直方图特点；然后，将待评判的置乱图像进行分块处理，建立各子图的直方图序列，利用各序列间的相关度给出置乱程度的评判测度。两种不同类型的置乱效果评判实验显示，与基于SNR的置乱评价方法相比，该方法不仅高效、灵活，评判不需要原始图像做参考，而且评判结果与人类视觉系统的主观感知相吻合，可快速有效判断图像置乱程度。

关键词: 图像置乱, 置乱效果, 直方图, 相关度, 信噪比

Abstract: In order to objectively and automatically evaluate the degree of digital image scrambling，the paper suggests a subimage-histogram correlation based blind approach.In the method，the definition and the feature of the ideal scrambled image is analyzed first，whose histogram is summarized at the same time.And then，the scrambled image is divided into some subimages to construct some histogram sequences.Subsequently，image scrambling degree is assessed via the correlation of subimage-histograms.Finally，two kinds of experimental results indicate that compared with the method based on SNR，the method not only is efficient，flexible，running without the origin image involved，but also can provide with some conclusions which are consistent with the perception of human visual system.

Key words: image scrambling, scrambling degree, histogram, correlation, Signal-to-Noise Ratio（SNR）

中图分类号:

TP391.41

谭永杰¹，马苗^1，2. 子图直方图相关的图像置乱效果盲评判[J]. 计算机工程与应用, 2009, 45(28): 190-192.

TAN Yong-jie¹，MA Miao^1，2. Subimage-histogram correlation blind assessment on image scrambling degree[J]. Computer Engineering and Applications, 2009, 45(28): 190-192.

[1]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[2]	李文龙，李兴广，胡冉冉，崔炜. 基于天空分割的单幅交通标志图像去雾算法[J]. 计算机工程与应用, 2021, 57(20): 221-228.
[3]	张杰，常天庆，郭理彬，张雷，马金盾. 基于跟踪异常与相关性检验的目标丢失判断[J]. 计算机工程与应用, 2021, 57(18): 204-212.
[4]	唐维军，徐琨，柳有权，夏悬. 自动驾驶汽车虚拟测试中的树木点云生成方法[J]. 计算机工程与应用, 2021, 57(11): 185-192.
[5]	陈建促，王越，朱小飞，李章宇，林志航. 融合多特征图的野生动物视频目标检测方法[J]. 计算机工程与应用, 2020, 56(7): 221-227.
[6]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[7]	刘剑锋，李瑞华，刘垚圻，苏泳涛，胡金龙. 无线通信中的信噪比估计算法研究[J]. 计算机工程与应用, 2020, 56(18): 82-89.
[8]	晁静静，沈文忠，宋天舒. 基于HOG和SVM的双眼虹膜图像的人眼定位算法[J]. 计算机工程与应用, 2019, 55(9): 184-189.
[9]	吉慧芳，贾海蓉，王雁. 改进相位谱补偿的语音增强方法[J]. 计算机工程与应用, 2019, 55(8): 48-52.
[10]	丁华，王晓东，章联军，陈晓爱，赖佩霞. 基于SLIC融合纹理和直方图的图像显著性检测[J]. 计算机工程与应用, 2019, 55(3): 159-166.
[11]	朱学峰，徐天阳，吴小俊. 基于自学习特征的相关滤波跟踪算法[J]. 计算机工程与应用, 2019, 55(20): 58-64.
[12]	彭媛，段先华，王万耀，鲁文超. 基于多线索特征融合的图像分类方法[J]. 计算机工程与应用, 2019, 55(20): 164-169.
[13]	王育坚，高倩，谭卫雄，李深圳. 融合Haar型局部特征的人耳识别算法[J]. 计算机工程与应用, 2019, 55(18): 127-131.
[14]	谷雨，郑宏，许晓航，郑朝晖. 基于CICP的机械臂多目标定位与抓取[J]. 计算机工程与应用, 2019, 55(18): 189-194.
[15]	韩习习，魏民，徐西义，李巧月，陈曦，祝汉城. 基于多特征融合的交通标志识别算法[J]. 计算机工程与应用, 2019, 55(18): 195-200.

子图直方图相关的图像置乱效果盲评判

Subimage-histogram correlation blind assessment on image scrambling degree

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics