[논문 리뷰] No-Reference Quality Assessment of Contrast-Distorted Images using Contrast Enhancement

Jia Yan, Jie Li외 1명|arXiv (Cornell University)|2019. 04. 18.

Image and Video Quality Assessment참고 문헌 34인용 수 71

한 줄 요약

무참조 이미지 품질 평가 지표로서 대비 강화에 기반한 대비 왜곡 이미지의 품질을 예측합니다. 히스토그램 평활화를 사용해 향상된 이미지를 만들고, 그런 다음 회귀를 통해 SSIM, 엔트로피, 교차 엔트로피 특징을 결합해 품질 점수를 예측합니다.

ABSTRACT

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.

연구 동기 및 목표

• 무참조(IQA) 주의가 대비 왜곡에 충분히 반영되지 않는 문제를 다룬다.
• 대비가 변형된 이미지에 대해 단순하지만 효과적인 지표를 제안한다.
• 정보를 제공하는 특징을 유도하기 위한 대비 강화 단계를 활용한다.
• 여러 특징을 회귀 모델에 융합해 지각 품질을 예측한다.

제안 방법

• 원본으로부터 히스토그램 평활화를 이용해 향상된 이미지를 생성한다.
• 향상된 이미지와 원본 이미지 간의 SSIM을 품질 특징으로 계산한다.
• 원본 이미지와 향상된 이미지 간의 히스토그램 기반 엔트로피를 계산한다.
• 원본 이미지와 향상된 이미지 간의 교차 엔트로피를 계산한다.
• 다섯 가지 특징을 품질 점수로 융합하기 위해 회귀 모듈을 학습한다.

실험 결과

연구 질문

• RQ1 NR-IQA가 대비 왜곡으로 인한 품질 저하를 효과적으로 평가할 수 있는가?
• RQ2 히스토그램 평활화 기반의 향상은 품질 예측에 정보를 제공하는 특징을 제공하는가?
• RQ3 대비가 왜곡될 때 SSIM, 엔트로피, 교차 엔트로피 특징이 인간의 품질 판단과 얼마나 잘 상관하는가?
• RQ4 학습된 회귀 융합이 다양한 데이터셋에서 정확한 품질 점수를 산출하는가?

주요 결과

• 제안된 방법은 실험 전반에서 대비 왜곡 이미지에 대한 우수하고 효율적인 품질 예측을 달성한다.
• 단순한 특징 세트(SSIM, 히스토그램 엔트로피, 교차 엔트로피)와 강화로 도출된 특징의 조합이 효과적이다.
• 네 가지 공개 데이터베이스에서의 실험으로 이 접근법을 검증하였다.
• 본 접근은 성능과 계산 효율성 측면에서 이점을 보여준다.