有意思的hand-crafted features based IQA的论文吧2（图像质量评价）

最新推荐文章于 2023-12-11 11:02:50 发布

原创

最新推荐文章于 2023-12-11 11:02:50 发布 · 2.8k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#图像质量评价 #深度学习

本文介绍了两篇关于图像质量评估(IQA)的论文。第一篇论文提出了一种名为Orientation selectivity mechanism的新颖特征提取方法，该方法基于视觉方向选择，不同于传统的Local Binary Pattern (LBP)。第二篇论文利用亮度(MSCN系数)和旋转不变的均匀LBP特征进行盲图像质量评估。两篇论文都利用统计特征和局部模式来表征图像质量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、2016IS: Orientation selectivity based visual pattern for reduced-reference image quality assessment

(2015TIP. Visual orientation selectivity based structure description.)

这篇论文很有意思，提出了一种新颖的特征提取方法Orientation selectivity mechanism (方向选择机制)：。非常值得学习。

视觉心理学的解释就不讲了，我不是研究这个方向的。也讲不清楚。聊一下怎么做的。

注：这些图都是来源于原论文

提取特征的时候，类似于local binary pattern(LBP)。LBP指的是一个非常非常出名，非常非常NICE的纹理检测的特征提取方法，也有很多很多变种。常规的LBP特征提取如下图所示：要表示图像中每一个像素点，直接用intensity值表示是没有意义的，像素点灰度值等于100，有什么意义吗？说明不了什么问题。所以，要用每个像素点的局部信息表示这个像素点（离它太远的信息对它的影响也不大）。这个像素点改变称呼：中心像素点，围绕它，取中心像素点的局部信息。ok,抛出两个问题来了，一个“局部”，一个“信息”。局部区域取多大呢？8邻域或者其他。这个“信息”怎么取呢？因为是纹理检测，纹理纹理，要有差异，才有纹理。像素点值都一样的话，就是一片空白或者一片黑了。LBP就比较中心像素点像素值与周围像素点像素值的大小。然后赋值1