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。
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
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)。
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