原文：《Image Quality Assessment Based on Three Features Fusion inThree Fusion Steps》[1]作者：Chenyang Shi，Yandan Lin 簡介：本研究基于三特征三步融合，提出一種新的客觀圖像質量評價（IQA）方法：特征融合相似性指數法（FFS）。使用大規模的單失真數據庫作為基準，將所提出的FFS方法與其他最先進的IQA方法進行了比較，結果表明FFS在預測準確性方面與主觀評分具有更高的一致性，對于四個數據庫，FFS的Pearson線性相關系數可以達到至少0.9116的準確度和至多0.9774的準確度。此外，FFS的平均運行時間為0.0657 s，代表了較高的計算效率。 關鍵詞：image quality assessment;luminance channels fusion;Similarity maps fusion; features fusion編譯：復旦大學林燕丹教授課題組 趙偉指導：林燕丹
1、總體性能對比 為測試所提出的方法在不同數據庫中的能力，FFS與SSIM、FSIMc (改進的FSIM方法)、VSI、IFS、LLM、MDSI、GDRW、EFS以及2019年發表的SSVD、VCGS、SPSIM (YCbCr_MDSI)、GSC等8種典型方法進行了比較。表1-4中用黑體字突出顯示了所有標準中最高的三個值。此外，這些數據庫的SROCC、PLCC和KROCC等結果的加權平均值(W. A.)和直接平均值(D. A.)值也被納入評估整體性能。 表1.不同IQA方法的SROCC值比較表2.不同IQA方法的PLCC值比較表3.不同IQA方法的KROCC值比較表4.不同IQA方法的RMSE值比較 如表1-4所示，可以得出結論，FFS方法對所有選定的數據庫具有一致的性能。FFS在TID2008和LIVE數據庫中始終保持在前三名的位置。對TID2013和CSIQ數據庫，FFS的性能與前三名的結果差距很小。從表1可以看出，FFS的準確率SROCC在所有數據庫中至少可以達到0.8926，最大可以達到0.9768。從表2可以看出，在4個數據庫中，本文方法的精度PLCC值最小可達0.9116，最大可達0.9774。此外，FFS還得到了PLCC和KROCC的加權平均值以及SROCC、PLCC和KROCC的直接平均值的最佳排序。 此外，FFS的性能優于未進行顏色空間變換的SSIM和SSVD方法。在進行顏色空間變換的方法中，如FSIMc、VSI、GDRW、EFS和VCGS，與這些方法相比，FFS的融合梯度圖的方法對所有數據庫都具有顯著的優勢。 2、不同失真類型的性能比較 為了檢驗IQA方法預測圖像質量的能力，需要對不同失真類型進行性能比較。表5總結了不同失真類型的比較結果，可以看出，本文提出的方法獲得了最佳SROCC性能排名（17次），其次是GSC(15次)、EFS(14次)、VCGS(11次)、GDRW(10次)和MDSI(9次)。根據失真類型的不同，本文提出的FFS方法的性能優于其他方法。 表5.每種失真類型的IQA方法的SROCC值比較 3、計算時間 計算時間是評估所有IQA方法的另一個標準，它代表了評價效率。表6列出了TID2013數據庫中每種IQA方法的平均計算時間，可以看出FFS的計算時間低于大多數IQA方法，MDSI和SSIM的計算時間雖然比FFS方法短，但FFS法具有更高的預測精度。FFS可以應用于具有更高計算效率的實時自動化系統。 表6.每種IQA方法的計算時間 文獻來源： [1]Chenyang S ,Yandan L .Image Quality Assessment Based on Three Features Fusion in Three Fusion Steps[J].Symmetry,2022,14(4):773-773.[2]Athar, S.; Wang, Z. A Comprehensive Performance Evaluation of Image Quality Assessment Algorithms. IEEE Access 2019, 7,140030–140070.[3]Lee, D.; Plataniotis, K.N. Towards a Full-Reference Quality Assessment for Color Images Using Directional Statistics. IEEE Trans.Image Process. 2015, 24, 3950–3965.
滬公網安備 31011002002705號