[论文解读] No-Reference Quality Assessment of Contrast-Distorted Images using Contrast Enhancement

Jia Yan, Jie Li+1 more|arXiv (Cornell University)|Apr 18, 2019

Image and Video Quality Assessment参考文献 34被引用 71

一句话总结

一个基于对比增强的无参考图像质量评估指标，用于对比度失真的图像。它使用直方图均衡来创建增强图像，然后通过回归将 SSIM、熵和交叉熵特征结合起来以预测质量分数。

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.

研究动机与目标

• 解决 NR-IQA 对比度失真关注的不足。
• 提出一种简单而有效的对比度改变图像的指标。
• 利用对比度增强步骤来导出有信息的特征。
• 将多种特征融合到回归模型中以预测感知质量。

提出的方法

• 使用直方图均衡从原始图像生成增强图像。
• 计算原始图像与增强图像之间的 SSIM 作为质量特征。
• 计算原始图像与增强图像之间基于直方图的熵。
• 计算原始图像与增强图像之间的交叉熵。
• 学习一个回归模块，将五个特征融合成一个质量分数。

实验结果

研究问题

• RQ1 NR-IQA 是否能有效评估由于对比度失真导致的质量下降？
• RQ2 基于直方图均衡的增强是否为质量预测提供了有信息的特征？
• RQ3 当对比度失真时，SSIM、熵和交叉熵特征与人类质量判断的相关性有多高？
• RQ4 将这些特征通过学习的回归融合是否在不同数据集上产生准确的质量分数？

主要发现

• 所提出的方法在实验中实现了对比度失真图像的更优且高效的质量预测。
• 简单的特征集合（SSIM、直方图熵、交叉熵）结合增强派生特征是有效的。
• 在四个公开数据集上的实验验证了该方法。
• 该方法在性能和计算效率方面均具有优势。