350 руб
Журнал «Успехи современной радиоэлектроники» №7 за 2016 г.
Статья в номере:
Разработка и анализ алгоритма неэталонной оценки качества изображений на основе локальных бинарных шаблонов
Ключевые слова: неэталонная оценка качества изображений машинное обучение локальные бинарные шаблоны коэффициент корреляции
Авторы:
А.Л. Приоров - д.т.н., доцент, Ярославский государственный университет им. П.Г. Демидова. E-mail: andcat@yandex.ru И.С. Ненахов - аспирант, Ярославский государственный университет им. П.Г. Демидова. E-mail: zergoodsound@gmail.com В.В. Хрящев - к.т.н., доцент, Ярославский государственный университет им. П.Г. Демидова. E-mail: vhr@yandex.ru
Аннотация:
Разработан алгоритм для неэталонной оценки качества изображений на основе локальных бинарных шаблонов. Представлены сравнительные результаты работы предложенного алгоритма с другими алгоритмами оценки качества на стандартной тестовой базе изображений LIVE. Для искажений, вносимых кодеком JPEG2000 и размытием по Гауссу, предложенный подход оказывается лучшим среди всех рассматриваемых алгоритмов оценки качества. Использование вычислительно эффективных локальных бинарных шаблонов позволяет проводить неэталонную оценку качества изображений в режиме реального времени.
Страницы: 46-52
Список источников

 

  1. Дворкович В.П., Дворкович А.В. Цифровые видеоинформационные системы (теория и практика). М.: Техносфера. 2012.
  2. Bovik A. Handbook of Image and Video Processing. New York: Academic. 2005.
  3. Wang Z., Bovik A. Modern Image Quality Assessment. Morgan and Claypool Publishing Company. 2006.
  4. Mittal A., Moorthy A.K., Bovik A.C. No-reference image quality assessment in the spatial domain // IEEE Trans. Image Process. 2012. V. 7. № 12. P. 4695-4708.
  5. Приоров А.Л., Хрящев В.В., Ненахов И.С. Исследование метода неэталонной оценки качества изображений в пространст-венной области // Докл. 3-й Всерос. конф. «Радиоэлектронные средства получения, обработки и визуализации информа-ции». М. 2015. С. 147-151.
  6. Chandler D., Hemami S. VSNR: a wavelet-based visual signal-to-noise ratio for natural images // IEEE Trans. Image Process. 2007. V. 16. № 9. P. 2284-2298.
  7. Saad M., Bovik A., Charrier C. Blind image quality assessment: A natural scene statistics approach in the DCT domain // IEEE Trans. Image Process. 2012. V. 21. № 8. P. 3339-3352.
  8. Li C., Bovik A.C., Wu X. Blind image quality assessment using a general regression neural network // IEEE Trans. Neural Networks. 2011. V. 22. P. 793-799.
  9. Tong H., Li M., Zhang H., Zhang C. Learning no-reference quality metric by examples // Proc. 11th Int. Multimedia Modelling Conf. 2005. P. 247-254.
  10. Ye P., Doermann D. No-reference image quality assessment using visual codebook // IEEE International Conference on Image Processing. 2012. V. 21. № 7. P. 3129-3138.
  11. Pietikainen M., Hadid A., Zhao G., Ahonen T. Computer vision using local binary patterns. Springer. 2011.
  12. Ojala T., Pietikainen M., Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary pat-terns // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002. V. 24. № 7. P. 971-987.
  13. Khryashchev V., Shmaglit L., Shemyakov A. The application of machine learning techniques to real time audience analysis system // In: Favorskaya M., Jain L.C. (eds.) Computer Vision in Control Systems-2, Intelligent Systems Reference Library, 2015. V. 75. P. 49-69.
  14. Ненахов И.С., Хрящев В.В., Павлов В.А. Оценка качества изображения лица в задачах биометрической идентификации // Докл. на 18-й Междунар. конф «Цифровая обработка сигналов и ее применение (DSPA-2016) (Москва)». 2016. Т. 2. С. 954-959.
  15. Sheikh H., Sabir M., Bovik A. A statistical evaluation ofrecent full reference image quality assessment algorithms // IEEE Trans. Image Process. 2006. V. 15. № 11. P. 3440-3451.
  16. Wang Z., Simoncelli E., Bovik A. Multi-scale structural similarity for image quality assessment // IEEE Asilomar Conf. Signals, Systems, and Computers. 2003. P. 1398-1402.
  17. Tang H., Joshi N., Kapoor A. Learning a blind measure of perceptual image quality // International Conference on Computer Vision and Pattern Recognition. 2011. P. 305-312.
  18. Gao X., Li X., Tao D. Universal no reference image quality assessment metrics based on local dependency // IEEE The First Asian Conference on Pattern Recognition. 2011. P. 298-302.
  19. Zhang M., Xie J., Zhou X., Fujita H. No reference image quality assessment based on local binary pattern statistics // Vis. Commun. Image Process. (VCIP). 2013. P. 1-6.
  20. Geurts P., Ernst D., Wehenkel L. Extremely randomized trees // Machine Learning. 2006. V. 36. № 1. P. 3-42.
  21. Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: machine learning in python // Journal of Machine Learning Research. 2011. V. 12. P. 2825-2830.