利用大数据学习增强图像的无参考质量评价模型
计算机视觉与模式识别
2019-04-19 v1
摘要
本文通过机器学习研究图像质量评价（IQA）与增强问题。该问题长期吸引计算智能与图像处理领域的广泛关注，因为对于许多实际应用（如目标检测与识别），原始图像通常需适当增强以提升视觉质量（如可见度与对比度）。事实上，适当的增强可显著提升输入图像质量，甚至优于通常被认为质量最佳的原始采集图像。本工作提出两项最重要贡献。第一项贡献是开发一种新的无参考（NR）IQA 模型。给定一幅图像，我们的质量度量首先通过对比度、锐度、亮度等分析提取 17 个特征，然后利用回归模块给出视觉质量度量，该模块以远大于相关图像数据集规模的大数据训练样本学习得到。在九个数据集上的实验结果验证了我们的盲指标相较于典型 SOTA 全参考、半参考与无参考 IQA 方法的优越性与高效性。第二项贡献是基于质量优化建立了鲁棒的图像增强框架。对于输入图像，在所提 NR-IQA 度量引导下，我们进行直方图修正以逐步将图像亮度与对比度校正至适当水平。充分测试表明我们的框架能很好地增强自然图像、低对比度图像、低光照图像与去雾图像。源代码将发布于 https://sites.google.com/site/guke198701/publications。
引用
@article{arxiv.1904.08632,
title = {Learning a No-Reference Quality Assessment Model of Enhanced Images With Big Data},
author = {Ke Gu and Dacheng Tao and Junfei Qiao and Weisi Lin},
journal= {arXiv preprint arXiv:1904.08632},
year = {2019}
}
备注
12 pages, 45 figures