基于梯度统计与前馈神经网络的数字图像无参考质量监测
图像与视频处理
2021-12-30 v1 计算机视觉与模式识别
机器学习
摘要
数字图像包含大量冗余,因此采用压缩以在不过度损失合理图像质量的前提下减小图像尺寸。在包含图像序列的视频中这一点更为突出,在低吞吐量的网络中实现了更高的压缩比。此类场景下图像质量的评估尤为引人关注。多数场景中的主观评价不可行,因此更倾向于客观评价。在三种客观质量度量中,全参考与半参考方法需要以某种形式的原始图像来计算质量分数,这在广播或 IP 视频等场景中不可行。因此,本文提出一种无参考质量度量来评估数字图像质量,其计算亮度与多尺度梯度统计以及均值相减对比度归一化乘积作为特征,以训练采用 Scaled Conjugate Gradient 的前馈神经网络。所训练的网络给出了良好的回归与 R2 度量,并在 LIVE 图像质量评估数据库 release-2 上的进一步测试显示出有前景的结果。在预测质量分数与实际质量分数之间计算了 Pearson、Kendall 与 Spearman 相关性,其结果可与最先进的系统相媲美。此外,所提度量在计算上快于同类方法,并可用于图像序列的质量评估。
引用
@article{arxiv.2112.13893,
title = {Non-Reference Quality Monitoring of Digital Images using Gradient Statistics and Feedforward Neural Networks},
author = {Nisar Ahmed and Hafiz Muhammad Shahzad Asif and Hassan Khalid},
journal= {arXiv preprint arXiv:2112.13893},
year = {2021}
}
备注
Fifth International Conference on Aerospace Science & Engineering (ICASE 2017) (ICASE Proceedings, Page No. 300-305)