[論文レビュー] No-Reference Quality Assessment of Contrast-Distorted Images using Contrast Enhancement
NR-IQAのコントラスト歪みに基づくコントラスト強調を利用したノーリファレンス画像品質評価指標。ヒストグラム均等化を用いて強化画像を作成し、SSIM、エントロピー、クロスエントロピーの特徴を回帰で組み合わせて品質スコアを予測する。
No-reference image quality assessment (NR-IQA) aims to measure the image quality without reference image. However, contrast distortion has been overlooked in the current research of NR-IQA. In this paper, we propose a very simple but effective metric for predicting quality of contrast-altered images based on the fact that a high-contrast image is often more similar to its contrast enhanced image. Specifically, we first generate an enhanced image through histogram equalization. We then calculate the similarity of the original image and the enhanced one by using structural-similarity index (SSIM) as the first feature. Further, we calculate the histogram based entropy and cross entropy between the original image and the enhanced one respectively, to gain a sum of 4 features. Finally, we learn a regression module to fuse the aforementioned 5 features for inferring the quality score. Experiments on four publicly available databases validate the superiority and efficiency of the proposed technique.
研究の動機と目的
- コントラスト歪みに対するNR-IQAの注意不足を解消する。
- コントラスト変化画像に対してシンプルでありながら効果的な指標を提案する。
- 情報量の多い特徴を得るためのコントラスト強調手順を活用する。
- 複数の特徴を回帰モデルに統合して知覚品質を予測する。
提案手法
- ヒストグラム均等化を用いて元画像から強化画像を生成する。
- 元画像と強化画像の間のSSIMを品質特徴として計算する。
- 元画像と強化画像のヒストグラムベースのエントロピーを計算する。
- 元画像と強化画像のクロスエントロピーを計算する。
- 5つの特徴を回帰モジュールに統合して品質スコアを得るよう学習する。
実験結果
リサーチクエスチョン
- RQ1NR-IQAはコントラスト歪みによる品質低下を効果的に評価できるか？
- RQ2ヒストグラム均等化に基づく強調は品質予測に有益な特徴を提供するか？
- RQ3コントラストが歪んだとき、SSIM、エントロピー、クロスエントロピーの特徴は人間の品質判断とどれほど高い相関を示すか？
- RQ4これらの特徴の学習済み回帰結合はデータセット全体で正確な品質スコアを生み出すか？
主な発見
- 提案手法は、実験を通じてコントラスト歪み画像に対して優れた効率的な品質予測を達成する。
- シンプルな特徴セット（SSIM、ヒストグラムエントロピー、クロスエントロピー）と強調由来の特徴を組み合わせる方式が効果的である。
- 4つの公開データベースでの実験がこのアプローチを検証している。
- このアプローチは性能と計算効率の利点の両方を示している。
より良い研究を、今すぐ始めましょう
論文設計から論文執筆まで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。