In industriellen Visionssystemen ist das vollreferenzielle objektive Bewertungsmodell ein Forschungsschwerpunkt im Bereich der Bildqualitätsbewertung. Dieser Artikel schlägt ein vollreferenzielles Bildqualitätsbewertungsmodell vor, das durch mehrskalige Bilddetailinformationen geleitet wird. Das Testbild wird in einen bestimmten Farbraum konvertiert, wobei Helligkeits- und Farbkanäle getrennt werden. Basierend auf der Gradienteninteraktion zwischen Referenzbild, verzerrtem Bild und deren Fusionsbild wird eine Helligkeitskanal-Gradientenähnlichkeitskomponente erstellt, die in Kombination mit einer Richtungs-Kohärenzanalyse des Farbkanals eine Farbähnlichkeitskomponente erzeugt. Durch die Fusion der Spektralreste des Helligkeitskanals, Kantendaten und adaptiver Kontrastmerkmale wird eine mehrskalige Bilddetail-Akkumulationskomponente aufgebaut, um den kumulativen Effekt der Detailinformationen zu beschreiben. Schließlich wird durch Merkmalskoeffizienten eine gewichtete Fusion der Standardabweichungsmerkmale der oben genannten Komponenten durchgeführt, um das endgültige Bewertungsergebnis zu erhalten. Zur Überprüfung der Zuverlässigkeit des Modells wurden Tests mit vier Bewertungskennzahlen durchgeführt: Spearman-Rangkorrelationskoeffizient (SROCC), Pearson-Korrelationskoeffizient (PLCC), Kendall-Rangkorrelationskoeffizient (KROCC) und Root Mean Square Error (RMSE) auf den Datenbanken LIVE, CSIQ, TID2008, TID2013 und KADID-10K. Die experimentellen Ergebnisse zeigen, dass der niedrigste gemessene PLCC-Wert in den genannten Datenbanken 0,8768 (KADID-10K) betrug, der höchste 0,9678 (LIVE), der niedrigste SROCC-Wert 0,8648 (TID2013) und der höchste 0,9610 (CSIQ). Im Vergleich zu verschiedenen typischen und tief lernenden vollreferenziellen Bildqualitätsbewertungsmodellen weist dieses Modell deutliche Vorteile bei der Rechenleistung auf und zeigt gleichzeitig gute Gesamtleistung in Vorhersagegenauigkeit und Generalisierbarkeit.

Bildqualitätsbewertung;vollreferenziell;mehrskalig;Bilddetailinformationen