Content"/>
A Content
关于图像质量评价,很早之前就有前辈在该领域做出卓越的贡献,推动该方向的进步。
图像质量评价的重要性自然不言而喻,而且对于世界上很多事物,人们都想着站在某个或多个角度进行一系列评价,或主观或客观。
最开始是针对于单幅照片的一系列评价,从主观评价和客观评价两个大的角度来较为精确评估一幅照片的质量好坏。其中
主观评价分为:绝对评价和相对评价
客观评价分为:全参考评价、部分参考评价和无参考评价
主观评价又以打分评级为判断图像优劣的量化指标。客观评价就显得科学性浓厚一些,相关的评价方法有均方误差MSE(Mean Squared Error)、峰值噪比法PSNR(Peak Signal to Noise Ratio)(全参考型评价方法)以及后来的基于结构相似度SSIM(Structural Similarity)(部分参考评价方法),在图像相似度上全面超越前述两种评价方法,除此之外,还有块偏差评价法BDQ(Block Difference Quality)、灰度评价梯度法GMG(Gray Mean Grads)和拉普拉斯算子和法LS(Laplacian Summation)等客观图像质量评价方法。
后来发展到对多幅拼接图像的质量评价,比如边缘差分谱评价法DoEM(Difference of Edge Map),此时对于照片的评价就不能仅限于其中的一张或者几张图像,而是图像拼接完成之后的整个拼接照片。而且在单幅照片的评价中并没有参考图像这一说法,而在拼接图像的拼接处拼接质量的好坏要给与评价则自然就引入了参考图像这一概念--简单来讲就是在两张图片的拼接处用一张自然捕捉到的图像作为参照(Ground Truth)。
正如标题所看到,现在的研究方法开始转向对全景拼接照片做质量评价。这也是一种趋势,毕竟在很多工业应用和生活场景中,对于观察视角的扩大一直都有很高的需求,特别是安防领域,全景图像和全景视频都拥有较好的应用落地场景。
这篇Paper提出了融合度量方法(Fused Metric),该方法主要由两部分组成:
Perceptual Geometric Error Metric 和 Structure-guided Metric
- Perceptual Geometric Error Metric
- 主要是计算失真图片和参考图片之间光流场能量(Optical Flow Field Energy)的局部方差(Local Variance)。
- 该Metric是针对于Miscalcalated Correspondence所导致的投影、缩放和平移误差。
- 在Pixel Level使用光流来验证拼接图片和参考图片之间关于稠密对应点之间的平移。
- 光流场的大小反应了从拼接图片到参考图片之间的几何平移强度。
- Structure-guided Metric
- 主要是计算在高度结构化的像素区域中亮度和色差梯度。
- 形状和色差相似性对于评价显而易见的结构扭曲情况被证明是有效的。
- 步骤是:首先使用从先前步骤中得到的光流场来修正图片投影,然后使用边界框检测定位结构区域,最后根据边界框形成的度量来对相关索引进行加和。
- Pipeline(Paper的主要核心思想或者流程)
归结到最后就是落实到一个评价方程上面去,其中的各个参数需要进过一系列的处理和计算得到。
最后作者利用自己的方法经过了横向(利用控制变量法得到组合度量方法是最科学的)和纵向(跟传统方法以及IQA进行对比得到平均主观评价得分)对比试验,其中使用的数据也是本Paper的开源数据集(其中涵盖了408组Samples)。
这就是这篇Paper的大致情况,省略了众多细节,可能在一定程度上会有误导的嫌疑,如果对这篇文章感兴趣,可以与我进行讨论或者移步“ICCV 2017”。
更多推荐
A Content
发布评论