No-reference Panoramic Image Quality Assessment
based on Adjacent Pixels Correlation
Ding W, An P, Liu X, et al. No-reference Panoramic Image Quality Assessment based on Adjacent Pixels Correlation[C]//2021 IEEE International Symposium on Broadband Multimedia Systems and Broadcasting (BMSB). IEEE, 2021: 1-5.
(本篇博客中出现的图片都来源于原论文)
文章结构
- Abstract
- Introduction
- The Statistical Characteristic
- The Proposed Method
- Conclusion
- Acknowledgment
创新点:
从全景图像统计特性出发,发现失真会影响全景图像相邻像素的一致性,提出利用相邻像素特征来辅助全景图像做质量评估。
1. 使用 马尔可夫链 来构建相邻像素特征;
2. 然后用 支持向量 做质量回归。
全景图像统计特性分析
适合测量全景图像畸变的特征应具有以下特征:
- 特征于图像内容的相关联性要尽可能低;
- 特征跟失真等级之间的关联性要相对较大;
- 提取出的特征的维度不能太大——以适合之后的支持向量机的质量回归任务。
本文给出了相邻像素的可能分布:
图一表明:全景图像的相邻像素值之间非常接近,而且全景图像的energy主要集中在低频区域。
图二表明:绝大部分(>90%)的像素差值都在-1~1之间,像素差值的分布呈正太分布结构。基于以上分析,可以看出——像素差值的分布比较集中,因此可以设置一个像素差值在一个小的范围内,可以有效规避上面提到的特征维度可能过大的问题。
图三表明:统计特性随着主观得分数的变化而变化,因此使用相邻像素来辅助全景图像特征预测应当是有效的。
总结
框架和实验内容较为简练,在这里就不再赘述。消融实验主要是比较了一阶马尔可夫链和二阶马尔可夫链的性能,从而证明了二阶马尔可夫链的有效性。
论文链接如下: