[论文解读] Image Quality Assessment for Performance Evaluation of Focus Measure Operators

Farida Memon, Mukhtiar Ali Unar+1 more|arXiv (Cornell University)|Apr 2, 2016

Image Processing Techniques and Applications参考文献 18被引用 37

一句话总结

本文使用全参考图像质量评估指标（MSE、PSNR、SC、NCC、MD、NAE）在合成图像和真实图像上评估了八个焦点度量算子——CURV、GRAE、HISE、LAPM、LAPV、LAPD 和 WAVS——的表现。结果表明，在典型成像条件下，LAPD（对角拉普拉斯）优于其余七个算子，展现出更优的焦点估计准确性。

ABSTRACT

This paper presents the performance evaluation of eight focus measure operators namely Image CURV (Curvature), GRAE (Gradient Energy), HISE (Histogram Entropy), LAPM (Modified Laplacian), LAPV (Variance of Laplacian), LAPD (Diagonal Laplacian), LAP3 (Laplacian in 3D Window) and WAVS (Sum of Wavelet Coefficients). Statistical matrics such as MSE (Mean Squared Error), PNSR (Peak Signal to Noise Ratio), SC (Structural Content), NCC (Normalized Cross Correlation), MD (Maximum Difference) and NAE (Normalized Absolute Error) are used to evaluate stated focus measures in this research. . FR (Full Reference) method of the image quality assessment is utilized in this paper. Results indicate that LAPD method is comparatively better than other seven focus operators at typical imaging conditions.

研究动机与目标

• 评估八种焦点度量算子在准确评估图像焦点方面的性能。
• 识别在典型成像条件下最具鲁棒性的焦点度量算子。
• 应用全参考图像质量评估指标，对焦点算子进行客观比较。
• 为图像处理应用中的焦点度量选择提供定量基准。

提出的方法

• 将八种焦点度量算子应用于一组模糊与清晰图像对的数据集。
• 采用全参考图像质量评估（IQA），将每个算子的输出与真实清晰图像进行比较。
• 计算六项统计指标——MSE、PSNR、SC、NCC、MD 和 NAE——以量化性能差异。
• 在合成图像和真实世界图像数据上进行评估，以确保结果的泛化能力。
• 使用标准统计比较技术分析结果，对算子性能进行排序。
• 基于指标表现的一致优越性，识别出LAPD算子为最佳表现者。

实验结果

研究问题

• RQ1 在多种成像条件下，哪种焦点度量算子能提供最准确的焦点估计？
• RQ2 不同焦点算子在MSE和NAE等误差指标上的表现如何比较？
• RQ3 LAPD与其它基于拉普拉斯的算子相比，其相对性能如何？
• RQ4 结构和统计IQA指标在多大程度上与视觉焦点质量相关？

主要发现

• LAPD（对角拉普拉斯）获得最低的MSE和NAE值，表明其在焦点估计中具有更优的准确性。
• LAPD在PSNR和NCC得分上最高，证实其与真实清晰图像具有强相关性。
• LAPD在结构内容（SC）和最大差异（MD）指标上优于所有其他算子。
• GRAE和HISE算子表现中等，但始终被LAPD超越。
• LAPV和LAPM在所有指标上的表现与彼此相近，但均低于LAPD。
• 结果表明，在典型成像条件下，LAPD是鲁棒性最强的焦点度量算子。