基于机器学习的无参考图像质量评价综述

doi:10.3778/j.issn.1002-8331.1807-0169

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (19): 34-42.DOI: 10.3778/j.issn.1002-8331.1807-0169

基于机器学习的无参考图像质量评价综述

杨璐1，2，3，王辉1，2，魏敏3

1.中国科学院光电技术研究所，成都 610209
2.中国科学院大学，北京 100049
3.成都信息工程大学计算机学院，成都 610225

出版日期:2018-10-01 发布日期:2018-10-19

no-reference image quality assessment based on machine learning

YANG Lu1，2，3, WANG Hui1，2, WEI Min3

1.Institute of Optics and Electronics, Chinese Academy of Sciences, Chengdu 610209, China
2.University of Chinese Academy of Sciences, Beijing 100049, China
3.School of Computer Science, Chengdu University of Information Technology, Chengdu 610225, China

Online:2018-10-01 Published:2018-10-19

摘要/Abstract

摘要： 无参考图像质量评价（NRIQA）因其广泛的应用需求一直以来都是计算机视觉及其交叉领域的研究热点。回顾近十几年来基于机器学习的典型NRIQA模型，介绍图像质量评价的常用数据库、算法性能指标、NRIQA主要难点和现有的解决方法；分析了不同模型的思想、实现、特点；最后统计对比多个数据库上的测试结果。总结研究现状、分析发展趋势，为这一领域的研究者提供文献参考。

关键词: 计算机视觉, 无参考图像质量评价, 机器学习

Abstract: No-Reference Image Quality Assessment（NRIQA） is a hot topic in Computer Vision（CV） and its cross field due to its wide range of applications. The paper reviews the typical models of NRIQA based on Machine Learning（ML） in the nearly ten years. Firstly, the commonly used public databases and algorithm performance indicators are introduced. The existing problems and their solutions in NRIQA field are explained. Then, the guiding ideology and characteristics are discussed in each algorithm implementation. Finally, the literature compares test results on the different databases, and analyzes development trends by summarizing the present status to provide a reference for researchers.

Key words: Computer Vision（CV）, No-Reference Image Quality Assessment（NRIQA）, Machine Learning（ML）

杨璐1，2，3，王辉1，2，魏敏3. 基于机器学习的无参考图像质量评价综述[J]. 计算机工程与应用, 2018, 54(19): 34-42.

YANG Lu1，2，3, WANG Hui1，2, WEI Min3. no-reference image quality assessment based on machine learning[J]. Computer Engineering and Applications, 2018, 54(19): 34-42.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[4]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[5]	韦佶宏，郑荣锋，刘嘉勇. 基于混合神经网络的恶意TLS流量识别研究[J]. 计算机工程与应用, 2021, 57(7): 107-114.
[6]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[7]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[8]	肖雨晴，杨慧敏. 目标检测算法在交通场景中应用综述[J]. 计算机工程与应用, 2021, 57(6): 30-41.
[9]	万梦翔，姚寒冰. 面向恶意网页训练数据生成的GAN模型[J]. 计算机工程与应用, 2021, 57(6): 124-130.
[10]	杨晔民，张慧军，张小龙. 随机森林的可解释性可视分析方法研究[J]. 计算机工程与应用, 2021, 57(6): 168-175.
[11]	徐可文，许波，吴英，徐浩然. 机器学习在超声图像中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 11-17.
[12]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[13]	袁铭阳，黄宏博，周长胜. 全监督学习的图像语义分割方法研究进展[J]. 计算机工程与应用, 2021, 57(4): 43-54.
[14]	彭璟，罗浩宇，赵淦森，林成创，易序晟，陈少洁. 深度学习下的医学影像分割算法综述[J]. 计算机工程与应用, 2021, 57(3): 44-57.
[15]	吕品，武秦娟，许嘉. 上市公司文本信息披露智能分析研究综述[J]. 计算机工程与应用, 2021, 57(24): 1-13.

基于机器学习的无参考图像质量评价综述

no-reference image quality assessment based on machine learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics