机器视觉最小可察觉误差的建模及其优化

来源：江苏大学学报·自然科学版杂志2026年第2期北京时间：

作者：蒋伟,肖睿,魏春娟

单位：上海电力大学 电子与信息工程学院， 上海 201306

摘要：为了提高机器视觉最小可察觉误差(JND)模型的准确性并降低其复杂度，对现有机器视觉JND模型的结构设计以及模型训练时使用的任务失真约束、JND幅度约束、JND分布约束设计进行研究，并提出一种改进的机器视觉JND模型Smooth-DMV-JND.新模型是一个由显著性分析模块、边缘提取模块和融合分析模块组成的卷积神经网络,使用改进的目标函数进行训练,并采用两阶段训练流程.通过试验对模型的性能进行验证，分析了模型复杂度，并给出了Smooth-DMV-JND在图像压缩中的应用.结果表明：Smooth-DMV-JND对机器视觉JND的估计更加准确，同时分析用时低于同类模型；使用JPEG和BPG压缩经过Smooth-DMV-JND 模型平滑处理后的图像，可以在保持约88%分类任务精度的条件下，分别比压缩原始图像节省17.68%和10.69%的码率.可见，Smooth-DMV-JND能够更有效地对机器视觉最小可察觉误差进行建模，可以指导图像去冗余，有利于面向机器视觉的图像压缩.

关键词：机器视觉,最小可察觉误差,图像压缩,图像感知,卷积神经网络,图像平滑

基金资助：国家自然科学基金资助项目（61401269）