多层感知分解的全参考图像质量评估
目的 图像质量评估是计算机视觉、图像处理等领域的基础研究课题之一,传统评估方法常基于图像低层视觉特征而忽略了高层语义信息,这也在一定程度上影响了客观指标和主观视觉质量的一致性.近年来,感知损失被广泛应用于图像风格化、图像复原等研究中,通过使用预训练的深度网络对图像进行多层语义分解,在相关问题上取得了较好的效果.受感知损失启发,提出一种多层感知分解的全参考图像质量评估方法.方法 首先使用预训练的深度网络对图像进行多层语义分解,获取多层特征图,再计算失真图像与参考图像之间的相似度,以及它们的不同层级特征图之间的相似度,最终得出兼顾了高层语义信息的图像质量分数.结果 针对传统方法PSNR(peak signal-to-noise ratio)、SSIM(structure similarity)、MS-SSIM (multi-scale structure similarity)及FSIM (feature sim-ilarity)进行实验,结果表明,本文方法能够有效提升传统图像质量评估方法的性能,在SRCC(Spearman rank order correlation coefficient)、KRCC(Kendall rank order correlation coefficient)、PLCC (Pearson linear correlation coefficient)和RMSE(root mean squared error)客观指标上均有相应提升.通过使用本文框架,PSNR、SSIM、MS-SSIM、FSIM方法在TID2013数据库上SRCC指标分别获得0.02、0.07、0.06和0.04的提升.结论 本文提出的一种多层感知分解的全参考图像质量评估方法,结合传统方法与深度学习方法,兼顾了图像低层视觉特征和高层语义信息,从而有效地提升了传统方法的评估性能,使客观评估结果更加符合主观视觉感受,同时,本文提出的评估框架能够适用于多种传统方法的性能提升.
图像质量评估、卷积神经网络、感知损失、低层视觉特征、高层语义信息
24
TP391.41(计算技术、计算机技术)
国家自然科学基金项目61673157,61877016,61802103,61602146;中央高校基本科研业务费专项基金项目JZ2017YYPY0233
2019-02-27(万方平台首次上网日期,不代表论文的发表时间)
共10页
149-158