الوصف
تحلل نماذج BIQA الحالية عادةً صورة إلى نطاقات تردد واتجاه مختلفة ، ثم تستخرج ميزات إحصائية من المعاملات المتحللة لتعلم نموذج تنبؤ عالي الجودة. ومع ذلك ، فإن القليل من نماذج BIQA تستغل صراحة ميزات تباين الصورة البسيطة مثل استجابات التدرج اللوني (GM) واستجابات Laplacian of Gaussian (LOG) ، على الرغم من أن استجابات LOG تشترك في أوجه التشابه مع استجابات المجال البشري المستقبلي. هنا قمنا بالمحاولة الأولى لاستخدام ميزات GM و LOG لإجراء BIQA عالي الأداء.
للتخفيف من آثار اختلافات محتوى الصورة ، طبقنا إجراء تطبيع تكيفي مشترك لتطبيع ميزات GM و LOG وتبييض بيانات الصورة. نظرًا لأن ميزات GM و LOG ليست مستقلة ويمكن أن يعكس التفاعل بينهما تنبؤًا محليًا للجودة على الصور الطبيعية ، فقد اقترحنا فهرسًا بسيطًا يسمى توزيع الاستقلالية ، لقياس الإحصائيات المشتركة بينهما.
تستخدم نماذج BIQA المقترحة التوزيعات الهامشية والتوزيعات المستقلة لكل من GM و LOG ، وتؤدي إلى أداء تنافسي للغاية مع العديد من أساليب BIQA الحديثة من حيث دقة التنبؤ بالجودة والقدرة على التعميم والمتانة (أي عبر القدرة على التنبؤ بقاعدة البيانات) والتعقيد الحسابي. بتشجيع من أحدث نتائج BIQA التي تم الحصول عليها في هذه الورقة ، سنقوم في العمل المستقبلي بالتحقيق في كيفية استخدام ميزات GM و LOG لتقدير خريطة الجودة المحلية الأعمى ، وهي مشكلة بحث مفيدة للغاية ولكنها صعبة للغاية.
ref :
Xue, Wufeng, Xuanqin Mou, Lei Zhang, Alan C. Bovik, and Xiangchu Feng. “Blind image quality assessment using joint statistics of gradient magnitude and Laplacian features.” IEEE Transactions on Image Processing 23, no. 11 (2014): 4850-4862.
التنبؤ بحركة مرور الشبكة حسب النموذج الهجين (MLP و ARIMA)
المراجعات
لا توجد مراجعات بعد.