摘要:
针对这一问题,我们利用高级语义学,提出了一种新的对于真实模糊图像的无参考图像质量评价方法。1.将整个图像分成多个重叠的补丁;2.每个补丁由从训练好的DCNN模型提取高级语义特征;3.采用三种不同的统计结构对来自不同的补丁信息进行统计,主要包含一切常见的统计方法;4聚集的特征作为线性回归模型的输入预测图像质量。
1.提出的方法
图像表示、特征提取、特征聚合和质量预测
1.1图像表示
预先训练的 dcnn 模型(例如 alexnet)需要一个固定的输入大小。为了满足这个要求,图像可以裁剪,或者缩放到固定大小。由于缩放操作会引起几何变形,从而影响图像质量,这不是一种好的方法。同时,仅剪切中心区域不足以覆盖大图像的信息。针对这两个问题,考虑使用多重重叠片来表示图像,既能覆盖整个图像的信息,又能避免引入几何变形。
比较了四种不同图像表示法的影响,包括裁剪、缩放、填充和多补丁表示法。裁剪表示法使用中央补丁表示图像。填充表示通过将较大的维度调整为所需的长度,然后将零填充到较小的维度来保留长宽比。缩放表示直接调整图像大小,而不保持原始的长宽比。多片表示生成多个重叠片,该重叠片以一个采样步长均匀采样于整个图像。