无参考图像质量评价研究进展
图像质量评价一直是图像处理和计算机视觉领域的一个基础问题,图像质量评价模型也广泛应用于图像/视频编码、超分辨率重建和图像/视频视觉质量增强等相关领域.图像质量评价主要包括全参考图像质量评价、半参考图像质量评价和无参考图像质量评价.全参考图像质量评价和半参考图像质量评价分别指预测图像质量时参考信息完全可用和部分可用,而无参考图像质量评价是指预测图像质量时参考信息不可用.虽然全参考和半参考图像质量评价模型较为可靠,但在计算过程中必须依赖参考信息,使得应用场景极为受限.无参考图像质量评价模型因不需要依赖参考信息而有较强的适用性,一直都是图像质量评价领域研究的热点.本文主要概述2012-2020年国内外公开发表的无参考图像质量评价模型,根据模型训练过程中是否需要用到主观分数,将无参考图像质量评价模型分为有监督学习和无监督学习的无参考图像质量评价模型.同时,每类模型分成基于传统机器学习算法的模型和基于深度学习算法的模型.对基于传统机器学习算法的模型,重点介绍相应的特征提取策略及思想;对基于深度学习算法的模型,重点介绍设计思路.此外,本文介绍了图像质量评价在新媒体数据中的研究工作及图像质量评价的应用.最后对介绍的无参考图像质量评价模型进行总结,并指出未来可能的发展方向.
图像质量评价、人类视觉系统、视觉感知、自然统计特征、机器学习、深度学习
26
TP301.6(计算技术、计算机技术)
国家自然科学基金项目;霍英东教育基金会高等院校青年教师基金项目
2021-03-22(万方平台首次上网日期,不代表论文的发表时间)
共22页
265-286