Evaluación sin referencia de la calidad de imagen basada en la información de la imagen y la percepción visual

  • role: Corresponding author, First author通信作者, 第一作者
  • Affiliation:

    School of Computer Engineering, Nanjing Institute of Technology, Nanjing 211167, China

    School of information and Communications Engineering, Xi’an Jiaotong University, Xi'an 710049, China

  • Email:yaojcnj@njit.edu.cn
  • Introduction:姚军财(1979-),男,博士, 教授。毕业于西安交通大学,获得博士学位,主要从事图像和视频技术, 光信息处理技术,机器学习,计算机视觉与模式识别等方面的研究工作。E-mail: yaojcnj@njit.edu.cn
YAO Juncai12*,  
  • role: Corresponding author通信作者
  • Affiliation:

    School of Computer Engineering, Nanjing Institute of Technology, Nanjing 211167, China

  • Email:shenjnj@njit.edu.cn
  • Introduction:申 静(1981-),女,硕士,副教授。主要从事图像技术,信息安全,光信息处理技术,计算机视觉与模式识别等方面的研究工作。E-mail: shenjnj@njit.edu.cn
SHEN Jing1*

resumen

Para proponer un método de evaluación de la calidad de imagen (IQA) sin referencia que cumpla con la percepción visual y tenga un buen equilibrio en precisión, generalización y complejidad, con el fin de controlar mejor el procesamiento de imágenes y satisfacer las necesidades de aplicaciones prácticas, combinando las características del sistema visual humano (HVS) como la sensibilidad al contraste, la percepción no lineal de luminancia, la comodidad visual y la percepción de la complejidad de la textura, basándose en la información y características de la imagen como luminancia, crominancia, textura, nitidez y contraste local, se propone un método IQA sin referencia y su modelo BCTCSP. En este método, primero se analiza la relación entre la luminancia de la imagen, la distribución de grises, la profundidad y saturación del color, la percepción no lineal de luminancia, la comodidad visual y la calidad de la imagen, proponiendo un método cuantitativo y de cálculo para la contribución e influencia de la luminancia, la crominancia y la percepción visual en la IQA; luego se combina el cálculo de la matriz de co-ocurrencia de gradientes de gris y las características estadísticas de la textura, utilizando un promedio ponderado por textura y un modelo de percepción de objetivos complejos del HVS, para proponer un método para cuantificar y calcular la entropía de la información de textura de la imagen y su contribución e influencia visual en la IQA; a continuación, se calcula el valor de contraste y el umbral perceptual en cada punto de la imagen, combinando las características de sensibilidad al contraste y el modelo y características de enmascaramiento del HVS, para cuantificar y calcular el contraste local y su contribución e influencia visual en la IQA; después, se utilizan cuatro factores — nitidez, relación señal-ruido, proporción de componentes de alta frecuencia y resolución — para describir la nitidez de la imagen y se propone un método cuantitativo y de cálculo para obtener el índice de nitidez de la imagen; finalmente, integrando estos cuatro aspectos, se construye un modelo IQA y se cuantifican sus métricas. Además, se ha probado y validado el método con 6430 imágenes distorsionadas de seis bases de datos internacionales de código abierto (TID2013, CSIQ, LIVE, IVC, SPAQ y Koniq 10k), y se comparó su precisión, complejidad, generalización y desempeño del modelo con 28 modelos IQA típicos existentes. Los resultados experimentales muestran que el modelo BCTCSP propuesto alcanza un valor mínimo de PLCC de 0,8921 en las seis bases de datos, un valor máximo de 0,9664, y un PLCC ponderado en las seis bases de datos de 0,9174, lo que indica una ventaja integral sobre los 28 modelos IQA existentes. Los resultados teóricos y experimentales indican que BCTCSP es un modelo IQA sin referencia eficaz y con alto rendimiento.

palabra clave

evaluación de calidad de imagen;imagen;percepción visual;entropía de información textural

References

  1. 1.
    ZHAI G T, MIN X K. Perceptual image quality assessment: a survey[J]. Science China Information Sciences, 2020, 63(11): 211301. doi:
  2. 2.
    ZHOU M L, LANG S J, ZHANG T P, et al. Attentional feature fusion for end-to-end blind image quality assessment[J]. IEEE Transactions on Broadcasting, 2023, 69(1): 144-152. doi:
  3. 3.
    LI J X, DUAN F J, FU X, et al. Full-reference image quality assessment based on texture singular value decomposition[J]. Opt. Precision Eng., 2025, 33(1): 107-122. (in Chinese). doi:
  4. 4.
    CHANDLER D M, HEMAMI S S. VSNR: a wavelet-based visual signal-to-noise ratio for natural images[J]. IEEE Transactions on Image Processing, 2007, 16(9): 2284-2298. doi:
  5. 5.
    WANG Z, BOVIK A C, SHEIKH H R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4): 600-612. doi:
  6. 6.
    ZHANG L, ZHANG L, MOU X Q, et al. FSIM: a feature similarity index for image quality assessment[J]. IEEE Transactions on Image Processing, 2011, 20(8): 2378-2386. doi:
  7. 7.
    XUE W F, ZHANG L, MOU X Q, et al. Gradient magnitude similarity deviation: a highly efficient perceptual image quality index[J]. IEEE Transactions on Image Processing, 2014, 23(2): 684-695. doi:
  8. 8.
    ZHANG L, SHEN Y, LI H Y. VSI: a visual saliency-induced index for perceptual image quality assessment[J]. IEEE Transactions on Image Processing, 2014, 23(10): 4270-4281. doi:
  9. 9.
    GAO Y X, MIN X K, CAO Y Q, et al. No-reference image quality assessment: obtain MOS from image quality score distribution[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2025, 35(2): 1840-1854. doi:
  10. 10.
    LIU Y, YIN X H, WANG Y, et al. HVS-based perception-driven No-reference omnidirectional image quality assessment[J]. IEEE Transactions on Instrumentation and Measurement, 2022, 72: 5003111. doi:
  11. 11.
    SHEIKH H R, WANG Z, BOVIK A C. LIVE Image and Video Quality Assessment Database[EB/OL]. (2021-6- 20). .
  12. 12.
    ZHANG L, ZHANG L, BOVIK A C. A feature-enriched completely blind image quality evaluator[J]. IEEE Transactions on Image Processing, 2015, 24(8): 2579-2591. doi:
  13. 13.
    MA K D, LIU W T, ZHANG K, et al. End-to-end blind image quality assessment using deep neural networks[J]. IEEE Transactions on Image Processing, 2018, 27(3): 1202-1213. doi:
  14. 14.
    SHEN W H, ZHOU M L, LUO J, et al. Graph-represented distribution similarity index for full-reference image quality assessment[J]. IEEE Transactions on Image Processing, 2024, 33: 3075-3089. doi:
  15. 15.
    PONOMARENKO N, JIN L, IEREMEIEV O, et al. Tampere Image Database 2013 TID2013, version 1.0[OL]. (2015-03-23). . doi:
  16. 16.
    LARSON E C, CHANDLER D M. The CSIQ Image Database[EB/OL]. (2021-6-20). .
  17. 17.
    YANG J C, BIAN Z L, LIU J C, et al. No-reference quality assessment for screen content images using visual edge model and AdaBoosting neural network[J]. IEEE Transactions on Image Processing, 2021, 30: 6801-6814. doi:
  18. 18.
    YAO J C. Measurements of human vision contrast sensitivity to opposite colors using a cathode ray tube display[J]. Chinese Science Bulletin, 2011, 56(23): 2425-2432. doi:
  19. 19.
    BARTEN P G J. Evaluation of subjective image quality with the square-root integral method[J]. Journal of the Optical Society of America A, 1990, 7(10): 2024-2031. doi:
  20. 20.
    NADENAU M. Integration of Human Color Vision Models into High Quality Image Compression[D]. PhD thesis, École Polytechnique Fédérale de Lausanne, Switzerland, 2000.
  21. 21.
    MADHUSUDANA P C, BIRKBECK N, WANG Y L, et al. Image quality assessment using contrastive learning[J]. IEEE Transactions on Image Processing, 2022, 31: 4149-4161. doi:
  22. 22.
    ZENG H F, HAN C P, LI K, et al. Improved gradient threshold image sharpness evaluation algorithm[J]. Laser & Optoelectronics Progress, 2021, 58(22): 285-293. (in Chinese). doi:
  23. 23.
    JIANG B C, BIAN S L, SHI C Y, et al. Full reference image quality assessment based on color appearance-based phase consistency[J]. Opt. Precision Eng., 2023, 31(10): 1509-1521. (in Chinese). doi:
  24. 24.
    CALLET P L, Autrusseau F. Subjective Quality Assessment IRCCyN/IVC Database[EB/OL]. (2021-6-20). . doi:
  25. 25.
    FANG Y M, ZHU H W, ZENG Y, et al. Perceptual quality assessment of smartphone photography[C]. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). June 13-19, 2020. Seattle, WA, USA. IEEE, 2020.
  26. 26.
    HOSU V, LIN H H, SZIRANYI T, et al. KonIQ-10k: an ecologically valid database for deep learning of blind image quality assessment[J]. IEEE Transactions on Image Processing, 2020, 29: 4041-4056. doi:
  27. 27.
    WU J J, MA J P, LIANG F H, et al. End-to-end blind image quality prediction with cascaded deep neural network[J]. IEEE Transactions on Image Processing, 2020, 29: 7414-7426. doi:
  28. 28.
    SU S L, YAN Q S, ZHU Y, et al. Blindly assess image quality in the wild guided by a self-adaptive hyper network[C]. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). June 13-19, 2020. Seattle, WA, USA. IEEE, 2020.
  29. 29.
    YOU J Y, KORHONEN J. Transformer for image quality assessment[C]. 2021 IEEE International Conference on Image Processing (ICIP).19-22,2021, Anchorage, AK, USA. IEEE, 2021: 1389-1393. doi:
  30. 30.
    YANG Y, DING Y Q, CHENG M, et al. No-reference quality assessment for contrast-distorted images based on gray and color-gray-difference space[J]. ACM Transactions on Multimedia Computing, Communications, and Applications, 2023, 19(2): 1-20. doi:
  31. 31.
    SUN S M, YU T, XU J H, et al. GraphIQA: learning distortion graph representations for blind image quality assessment[J]. IEEE Transactions on Multimedia, 2022, 25: 2912-2925. doi:
  32. 32.
    BAKUROV I, BUZZELLI M, SCHETTINI R, et al. Full-reference image quality expression via genetic programming[J]. IEEE Transactions on Image Processing, 2023, 32: 1458-1473. doi:
  33. 33.
    DING K Y, ZHONG R J, WANG Z H, et al. Adaptive structure and texture similarity metric for image quality assessment and optimization[J]. IEEE Transactions on Multimedia, 2023, 26: 5398-5409. doi:
  34. 34.
    LIAO X R, WEI X K, ZHOU M L, et al. Image quality assessment: measuring perceptual degradation via distribution measures in deep feature spaces[J]. IEEE Transactions on Image Processing, 2024, 33: 4044-4059. doi:
  35. 35.
    WANG Z S, YUAN L, ZHAI G T. Channel attention for No-reference image quality assessment in DCT domain[J]. IEEE Signal Processing Letters, 2024, 31: 1274-1278. doi:
  36. 36.
    CHEN B L, ZHU H W, ZHU L Y, et al. Debiased mapping for full-reference image quality assessment[J]. IEEE Transactions on Multimedia, 2025, 27: 2638-2649. doi:
  37. 37.
    BEZERRA S A C, BEZERRA JÚNIOR S A C, DE S PIO J L, et al. Perceptual error logarithm: an efficient and effective analytical method for full-reference image quality assessment[J]. IEEE Access, 2025, 13: 68587-68606. doi:
  38. 38.
    HU B, CHEN W Z, ZHENG J, et al. No-reference image quality assessment via inter-level adaptive knowledge distillation[J]. IEEE Transactions on Broadcasting, 2025, 71(2): 581-592. doi:
  39. 39.
    MA P C, LIU L X, XIAO C Z, et al. Omnidirectional image quality assessment with mutual distillation[J]. IEEE Transactions on Broadcasting, 2025, 71(1): 264-276. doi:

Leer el texto completo

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website