无参考图像质量评价之基于局部子图像相似度统计的评价方法

本博客主要参考论文,另外添加一些自己的心得体会。

Li B, Mou X. No reference image quality assessment based on statistical distribution of local Sub-Image-Similarity[C]// International Workshop on Quality of Multimedia Experience. 2012:176-181.

局部子图像相似度统计特征

子图像就是对原来的图像在水平方向和垂直方向对奇数行和偶数行分别采样得到一共四幅图像。采用原文中的图像来说明:

无参考图像质量评价之基于局部子图像相似度统计的评价方法_第1张图片

在这个地方说一点个人的理解,奇数行和偶数行的采样实际上是把原来图像的局部特征提取出来了。为什么这么说呢,比如对于原图中一个像素,其相邻像素反映了其与周边像素的关系,只不过这里是把这种局部的关系分开了,反映到两个子图像中。


局部子图像相似度统计特征

在统计知识中,方差反映了数据样本的离散程度。在原文中,分别计算D1与D2,D3,D4的协方差,D2与D3,D4的协方差,D3和D4的协方差。(实际上原文用的是SSIM中的一个度量方法,与协方差并无太大区别。)然后再对这些统计特征分组。

前面提到,子图像是把原图中的局部特征分开到不同的子图像中,然后计算这些图像中的关系,实际上就是局部特征的关系。


如何计算模糊度

在文中,主要的观点就是,当图像的模糊程度越高时,说明图像的细节和纹理就越接近平滑,那么局部特征就会很接近。这一点是很容易理解的。因为模糊之后,图像就变的更平滑,细节,纹理丢失,那么子图像的相似度就会增加。因为细节减少了,所以,平滑块之间就很相似。这也给以后的无参考图像质量评价提供了一个较好的思路。









你可能感兴趣的:(Image,Processing,图像处理,Feature,Extraction,特征提取)