基于视觉显著性和稀疏表示的图像质量评价

So far, kinds of image processing systems have been used in various applications. Image quality assessment (IQA) plays a significant and fundamental role in almost all of these systems. Actually, the ultimate goal of the IQA research is to design some computational models that can automatically measure the image quality in consistency with subjective ratings. Currently, however, the quality scores predicted by the modern IQA indices, especially the no reference IQA indices, cannot highly correlate with subjective evaluations. To this end, we will lay our focus on devising novel high performance IQA indices in this project. Specifically, the newly proposed IQA indices will be based on computational visual saliency models and the sparse representation theory, for which there are several justifications. On one hand, an image's visual saliency map has a close relationship to its perceptual visual quality. On the other hand, the sparse representation theory developed in recent years is an effective tool for image representation and classification and it can be made use of to discriminate high-quality image patches from low-quality ones. Thus, in this project, we will attempt to integrate these two theories together appropriately and to introduce them into the IQA community. And accordingly, based on them, we will propose some novel high performance IQA indices. The anticipated output of this project will benefit greatly the whole image processing community both in theory and in application.

如今，图像处理技术的应用已渗透到国民经济的各个行业中。在几乎所有的图像应用系统中，图像的质量评价都扮演着基石的角色。图像质量评价研究的最终目的是希望提出某些算法，这些算法可以对图像的质量进行自动评价，而且评价的结果能够和人的主观感受高度一致。目前的图像质量评价方法（尤其是无参考图像质量评价方法）对图像质量的评价能力还达不到和人的主观评测高度一致的程度。鉴于此，在本项目中，我们将致力于提出新的高性能的图像质量评价方法。拟提出的新方法将建立在视觉显著性和稀疏表示两个基础理论之上。这是由于：一方面，图像的视觉显著性特征与人对图像的主观感知之间有着密切的联系；另一方面，稀疏表示理论是近年来发展起来的有效的图像表示和分类模型。我们将尝试把这两个理论有机结合，并有效地引入到图像质量评价领域中，来构建全新的高性能的图像质量评价方法。本项目的预期成果将在理论和应用两个方面极大地促进图像处理领域的发展。

伴随着计算机软硬件技术的蓬勃发展，各种图像应用系统已广泛应用于各个领域。在大部分的图像应用系统中，图像质量评价（image quality assessment, IQA）都扮演着重要的角色。因此，构建有效的、自动化的IQA算法就成了一个具有重大意义的研究课题。IQA研究的最终目的是希望提出某些算法，这些算法可以对图像的质量进行自动评价，而且评价的结果要能够和人的主观感知高度一致。..本项目主要围绕如何构建高效的全参考和无参考图像质量评价算法展开研究，在视觉显著性建模、高准确性全参考IQA方法、高准确性无参考IQA方法、稀疏表示与字典学习的理论应用等方面取得了丰硕的成果。一些代表性成果简述如下。结合频域先验特性、空间域先验特性、颜色域先验特性，我们提出了基于图像先验知识的视觉显著性模型SDSP（ICIP'12）；系统研究了视觉显著性和图像质量感知之间的关系，并基于此提出了基于视觉显著性的全参考图像质量评价算法VSI（IEEE TIP'14），改方法目前是全参考IQA领域预测精度最高的方法;基于非监督学习的特征提取框架sparse filtering和随机森林回归模型，提出了基于图像和主观评分训练回归的无参考图像只来那个评价方法QAF（ICME'14, IEEE MM'14）;系统研究了自然场景统计模型特征对于图像质量的刻画能力，并提出了基于自然场景统计模型理论的无参考图像质量评价方法IL-NIQE（IEEE TIP'15），改方法目前是无参考IQA领域预测精度最高的方法；结合视觉显著性计算模型，我们提出了一种针对色调映射图像的质量评价方法（IEEE ICIC'14）;针对三维掌纹分类问题，研究了适合于稀疏分类模型的特征提取方法，并提出了新的三维掌纹分类方法（IEEE TPAMI'15），该方法可以同时达到高分类准确性和低计算复杂度；研究了稀疏表示在三维人脸分类问题中的应用，并提出了基于多特征点描述子和多任务稀疏表示分类的三维人脸分类方法3DMKDSRC（Plos One'14）；研究了稀疏表示理论在三维人耳分类问题中的应用，并提出了基于LC-KSVD学习框架和分块统计特征的三维人耳分类方法（Plos One'14, ICME'15）。..研究成果推动了图像质量评价领域的发展，也拓展了稀疏表示分类理论工具在不同领域的应用，具有较好的科学理论价值和工程应用价值。