این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۸، شماره ۲، صفحات ۱۱۵-۱۳۴
عنوان فارسی ارزیابی کیفیت تصاویر بدون مرجع ناآگاه از خرابی با استفاده از ویژگی‌های آماری
چکیده فارسی مقاله ارزیابی کیفیت تصاویر بدون مرجع ناآگاه از خرابی، یکی از چالش‌های موجود در زمینه پردازش تصاویر دیجیتال است، چون در این زمینه هیچ تصویر مرجع، نوع خرابی، نمرات و امتیازدهی ناظر انسانی برای کمک و یادگیری در ارزیابی موجود نیست؛ در‌حالی‌که در برنامه‌های مختلف مانند تصویربرداری کاربرد دارد. هدف این مقاله استفاده از خواص و ویژگی آماری موجود در تصاویر و مدل‌سازی آن با مدل توزیع q-Gaussian، به‌منظور ارزیابی کیفیت تصویر است. توزیع  q-Gaussianیکی از گزینه‌هایی است که مرزهای تصمیم‌گیری انعطاف‌پذیری با اشکال مختلف گوسی ایجاد می‌کند که قابلیت تعمیم‌پذیری بیشتری در ناهنجاری‌ها به نسبت توزیع‌های دیگر داشته و همچنین برای مدل‌کردن خواص آماری تصویر، عملکرد بهتری در ارزیابی کیفیت بدون مرجع دارد.
کلیدواژه‌های فارسی مقاله ارزیابی کیفیت تصویر، ارزیابی بدون مرجع، ارزیابی ناآگاه از خرابی، توزیع q-Gaussian
عنوان انگلیسی Non-distortion-specific no-reference Image Quality Assessment using Statistical Features
چکیده انگلیسی مقاله Objective Image Quality Assessment (IQA) algorithms are divided into three categories according to the availability of the reference image and the amount of information available in the assessment, namely, algorithms with Full Reference (FR), Reduced Reference (RR), and No Reference (NR). If the original high-quality image exists in the evaluation algorithm at the same time to compare with the test image, and both images are identical in content, the evaluation is called FR assessment. If only a few features extracted from the high-quality image are used to compare with the test image, it is called RR assessment. In NR assessment algorithms, there is no feature or reference image to compare with the test image. Algorithms in NR are divided into two subcategories, Distortion-Specific (DS) and Non-Distortion-Specific (NDS). In first one, algorithms predict the quality of an image by knowing the type of distortion which is effective when distortion information or type is available. However, information about the type of distortion is not available in most applications which limits the use of these algorithms. The NDS algorithms can be applied to different types of distortion and are designed to be all-purpose. The NDS algorithms are divided into two subcategories namely, Opinion Aware (OA) and Opinion Unaware (OU). In the OA model, the images are evaluated and scored by the human factor, and each image with its corresponding human score is mapped by the learning system, while the OU model does not have the score of a human observer and is evaluated completely blind. The proposed algorithm is this paper is for NR model and NDS and opinion unaware. Image quality is well correlated with features of local structure, contrast, and color. By modeling, these features with distributions such as Gaussian or Gaussian families can be used to detect image degradation. The proposed method consists of two stages of training and testing. Five NSS features that are actually extracted from the MSCN coefficient. The q-Gaussian distribution model is used for image distribution. The q-Gaussian distribution is one of the options that create flexible decision boundaries with different Gaussian shapes that are more generalizable in anomalies than other distributions. The learning phase is performed only once to extract the features of images and to be considered as a model in the system to compare with the images that are to be entered as test images. To evaluate the performance, the proposed method is compared with IL-NIQE which is similar to the proposed method in terms of behavioral mechanism and it uses natural scene statistics. Performance metrics such as PLCC, KROCC, RMSE, SROCC and some datasets, LIVE, CSIQ, and TID2013 have been used for evaluation. The proposed method performs better than the compared technique. The proposed method can show better performance due to the adjustable parameter of q.
کلیدواژه‌های انگلیسی مقاله Image quality assessment, No-reference assessment, Non-distortion-specific assessment, q-Gaussian distribution
نویسندگان مقاله مائده دریا نورد | Maedeh Daryanavard
Department of Computer Engineering, Engineering Faculty, Islamic Azad University, Lahijan
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی لاهیجان

اسدالله شاه بهرامی | Asadollah Shahbahrami
Department of Computer Engineering, Engineering Faculty, University of Guilan
گروه مهندسی کامپیوتر، دانشکده فنی دانشگاه گیلان

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-213-5&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش تصویر
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات