多层感知分解的全参考图像质量评估

• 作者: 刘青萌 李国庆 殷翔宇 王业南 赵洋
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 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
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: NCIG 2018会议专栏
• 页码范围: 149-158
• 页数: 10页
• 分类号: TP391.41
• 字数: 6089字
• 语种: 中文

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵洋	合肥工业大学计算机与信息学院	4	16	3.0	4.0
5	李国庆	合肥工业大学计算机与信息学院	2	4	1.0	2.0
9	刘青萌	合肥工业大学计算机与信息学院	1	4	1.0	1.0
10	殷翔宇	合肥工业大学计算机与信息学院	1	4	1.0	1.0
11	王业南	合肥工业大学计算机与信息学院	1	4	1.0	1.0