论文笔记《Blind Quality Assessment Based on Pseudo-Reference Image》(2)

论文理解笔记《Blind Quality Assessment Based on Pseudo-Reference Image》(2)

@article{Min2018Blind Quality Assessment,
title={Blind Quality Assessment Based on
Pseudo-Reference Image},
author={Xiongkuo Min , Student Member, IEEE, Ke Gu , Member, IEEE, Guangtao Zhai, Member, IEEE, Jing Liu ,
Xiaokang Yang, Senior Member, IEEE, and Chang Wen Chen, Fellow, IEEE},
year={2018},
}
https://ieeexplore.ieee.org/document/8241862
侵删

二、 Local structure similarity(LSS)——针对sharpness 、noisiness

1. 过程

a)分两种更细的度量LSSS、LSSN
b)不同得到PRI的方法，在LSSS中PRI得到是通过一个特殊平滑滤波器；在LSSN中PRI得到是通过在原噪声图像中加入一个高强度的噪声
c)给予LBP算法，文中通过衡量像素四邻域之间的亮度的差异，来体现最后local structures
d)通过测算LSS，得出两者之间的local structures

2.具体细节

首先引入一个局部二值模式的方法（local binary pattern）LBP

通过中心块亮度和四邻域像素来衡量local structures

在LSSS和LSSn中，能够用点lij被用来表示local structure 的组成：

Ld和Lm分别代表了失真图像和PRI组成其local structures 每个的点：

Lo代表了Ld和Lm 之间重叠的点：

Lu有点不一样，代表了Ld和Lm的相交运算：

No，Nu分别代表Lo和LU的个数：

最后LSS：

三、 分数调整

最后得分通过如下函数进行修正：

四、 SVM分类

由于图像存在多种失真，需要分析失真成分，得出概率矩阵：

再让图像分别通过PSS,LSSS,LSSN给出得分后按概率矩阵加权赋分：

最后是整个网络的框图

欢迎批评指正！
2018.12.7