摘要
并不像其他的质量评价算法那样,将提取的特征直接映射为质量分数,提出的向量回归框架为输入图像产生一个置信分数向量。我们探讨了质量评估中的不确定性因素,设计了信念分数来衡量图像的可信度,并将其分配到相应的质量等级,除此之外,提出了一个面向对象的池策略,通过融合图像内容的语义信息来进一步提高性能。
介绍
在向量回归阶段,引入了多个质量等级并且使用一个置信分数向量来测量这些一个输入图像属于这些等级的可信度。在实现时,向量回归是由卷积神经网络实现的,由CNN产生的置信分数图进一步被转换成用于全局分数池化的局部分数图,在分数池化阶段,提出了一个面向对象的池化方式来将局部分数图转化为图像级的质量分数,因为物体更可能被注意到,因此在池化时含有物体的区域会分布更大的权重。
本算法可概括为以下三个方面
- 探索了质量评价中的不确定性并且引入了置信分数向量来计算一个图像属于相应质量等级的概率。
- 提出的质量回归网络是一个开放的框架,不同的CNN将其融入进去都可以提高性能,不论结构如何。
- 面向对象的池化策略被提出来进一步提高全局分数预测时的性能。
向量回归的原理
不同的人观看图像时会产生不同的质量分数,这里为了描述这种不确定性,引入了概率分布来描述不同人描述质量分可能性。连续数据的离散化是主观质量评价中常用的方法,这里采用这种方法,将质量分数分为若干个区间,那么Pk表示图像属于某个区间的概率,根据图像质量分数的分布情况可以很容易的求出该概率,但是由于数据集的缘故,计算Pk是十分困难的,同时发现Pk可以从图像分数到区间中间值的距离求出,也就是说,距离越小代