图像质量评估IQA--稀疏表示(spare)

1、基于稀疏表达联合迁移学习的盲图像质量评价_冯天鹏

一篇2017年武汉大学的博士论文,主要写了三个方法,简单记录。

1、基于显著性稀疏特征的质量评价

两种显著性检测方法:

      a.谱残差算法

                傅里叶变换的振幅谱A(频谱图), L=log(A),res= L-h*L,用res和原来的相位谱求逆傅里叶变换即可。

      b.上下文感知法

                只考虑了与i区别度最小的前(K=65)个图像块,采用。

采用显著性排序方式代替CORNIA方法通过图像块随机抽取的方式,得到显著性局部特征描述子,对其稀疏编码。

图像质量评估IQA--稀疏表示(spare)_第1张图片

 

2、基于双尺度稀疏系数分解的盲图像质量评价

四叉树(Quadtree)分解结构

图像质量评估IQA--稀疏表示(spare)_第2张图片图像质量评估IQA--稀疏表示(spare)_第3张图片

为了最大化的从稀疏系数中提取有效信息,利用基于奇异值的能量拆分法对图像的双尺度稀疏系数集

 

3、特征联合迁移学习的盲图像质量评价方法

     a.样本实例归纳式迁移方法:需要对VCX:2007-Distortion的样本进行标注处理,标注信息为图像的客观质量得分

      b.无监督特征重建方法:从辅助领域的大量无标签特征集乂S上学习特征字典,目标领域样本特征在字典上表达系数,最后利用表达系数和标签进行有监督学习(SVM等)。

图像质量评估IQA--稀疏表示(spare)_第4张图片

对MSCN组成的36维图像空域特征进行特征重建的监督学习。

总结:稀疏系数的特征提取模型过于简单,研究稀疏系数的统计特性能,从理论角度分析失真对图像质量的影响

 

你可能感兴趣的:(图像质量评价)