Degraded Image Quality Assessment by No-reference Methods

摘要

图像在传输到目的地之前会经过通信系统的不同阶段。通过这些阶段过程中会受到不同类型的干扰。例如，当通过摄影设备获取图像时，光学、传感器噪声、色彩校正、相位控制、照相机移动等会引入许多干扰。另外，为了获取带宽上更大存储空间而设计的压缩算法时允许一定的干扰发生。此外图像在通道上的传输或存储（很少情况）时会引入比特误差干扰。最后，负责显示最后输出的监测设备可能会以低的复制分辨率和劣质的校准等形式引入干扰。测量不同阶段增加的干扰并测定质量是十分重要的。
　　传统的服务质量主要关注网络的性能（数据丢失，吞吐量和延迟）。现代的服务质量概念已经变成反映所有用户的实践包括访问和提供的服务。为了满足服务质量的要求，服务的提供者识别并测量图像退化的质量是十分必要的。
　　尽管无参考图像质量评估构造起来更加困难，但它更具有实际意义，是所有图像质量评估方法中更加渴望得到的方法。无参考图像质量评估能够盲评估图像的质量。
　　本文探讨了图像质量评估的许多挑战。解决的最大挑战之一是解决了没有原始图像或其部分特征（要求原始图像或其部分特征分别相应于全参考和半参考图像质量评估）的情况下，定量地盲评估出干扰图像质量。
　　相比需要在数据库上训练的无参考图像质量评估算法，我们设计的无参考图像质量评估算法不依赖于特定的干扰类型或相应的人类意见分数（DMOS），可以称之为完全盲的无参考图像质量评估算法。
　　如果被评估的图像描述为干扰图像，利用自然景象建立的模型充当表示高质量“原始图像”的信息源。选择对测量图像质量有意义的适当的图像特征。因此，模型选择了不同类型的特征，这些特征利用统计方法提取，能够帮助有效快速提取景象要点。获取特征的方法依赖于边缘和图像中更锐利的部分。
　　图像质量数据库是图像质量评估算法中重要的真值信息。因此利用LIVE数据库衡量算法可以预测差别的平均预测分数（DMOS）值的效果如何。此外，本研究使用了两个评估图像质量评估算法的性能标准：由视频质量专家组提出的用以预测准确性和单调性。
　　本研究解决的另一个挑战是要求的计算和存储带宽量。提出的模型在空间域执行不要求任何变换（DCT,小波等）从而避免了这两个复杂性。
　　实验结果表明，在LIVE数据库上测试时，提出的算法与DMOS高度相关。另外，得到的算法优于现阶段最先进的方法。这些结果表明，提出的算法给出满意的能力，适合于纳入该领域的现代设计。

目录

封面

声明

英文摘要

中文摘要

目录

2. Abbreviations

1. Chapter 1 Introduction

1.1 Introduction

1.2The Problem Area

1.3 The Research Motivation

1.4The Research Aim

1.5The Research Methodology

1.6The Research Contribution

1.7The Thesis Structure

2.Chapter2 Background and Literature Review

2.1 Introduction

2.2Full-Reference Image Quality Assessment Algorithm

2.3 Reduced Reference IQA

2.4No-Reference IQA

2.5 Summary

3. Chapter 3 The Calibrationdata and Quantifying the Predictive Performance of IQA Algorithms

3.1 Introduction

3.2The Calibration data

3.3Quantifying the Predictive Performance of Image Quality Assessment Algorithms

3.4 Summary

4.Chapter4 NR IQA Algorithm Based on Weibull Statistics of Natural Scenes

4.1 Introduction

4.2 The Code Description

4.3The NR IQA Algorithm Based on Weibull Statistics of Natural Scenes

4.4 Summary

5.Chapter5 NRIQA Algorithm Based on Weibull Statistics of Log-derivatives of Natural Scenes

5.1 Introduction

5.2NR IQAAlgorithm No. 1

5.3NR IQAAlgorithm No. 2

5.4NR IQA Algorithm No. 3

5.5NR IQA Algorithm No. 4

5.6 Summary

6Chapter6 NR IQA Algorithm Based on sharpness functions of Log-derivatives of Natural Scenes

6.1 Introduction

6.2NR IQAAlgorithm No. 1 \(Based on Sharper Patches\)

6.3NR IQA Algorithm No. 2 \(Based on Patches with Rich Edges\)

6.4 Summary

7 Conclusion

参考文献

9 Publication sand Scientific Research During The Study Period of The Doctorate

致谢

2. Appendix

3. Dedication