研究目的
开发一种混合无参考图像质量评估模型（deimeq），该模型结合预训练DNN特征提取、分层子图像和随机森林方法，以解决输入尺寸限制、分块导致的全局连接丢失以及需要大规模训练数据集等问题。
研究成果
deimeq模型通过采用分层子图像和预训练深度神经网络，有效解决了无参考图像质量评估中的关键问题，减少了对大型数据集的需求并避免了纯块处理方法。在跨数据集评估中，该模型表现优于或媲美现有最先进模型，其中Xception是性能最佳的深度神经网络。未来工作应扩展至更高分辨率并增加更多特征以实现更广泛的应用。
研究不足
该模型依赖于未专门针对质量评估设计的预训练深度神经网络，这可能限制了特征的针对性。在测试的7个深度神经网络中，仅有3个表现良好。数据集分辨率相对较低，且可能未涵盖所有失真类型。该方法需要在更高分辨率和更多样化的图像集上进一步验证。
1：实验设计与方法选择：
本研究采用混合方法，使用预训练深度神经网络进行特征提取，通过分层子图像创建避免纯块划分，并利用随机森林模型进行质量预测。特征选择采用ExtraTreesRegressor算法。
2：样本选择与数据来源：
使用Live-2和TID2013图像质量数据集，包含具有多种失真类型和质量标注的图像。图像质量评分统一归一化至[0,100]分制。
3：实验设备与材料清单：
软件框架包括用于深度神经网络的Keras和用于机器学习的scikit-learn。采用的预训练深度神经网络包括Xception、VGG16、VGG19、ResNet50、InceptionV3、InceptionResNetV2和MobileNet。
4：VGGResNetInceptionVInceptionResNetV2和MobileNet。 实验流程与操作步骤：
4. 实验流程与操作步骤：输入图像被划分为分层子图像，缩放至深度神经网络输入尺寸后进行特征提取，对特征进行统计汇总，可选补充brisque和niqe特征，应用特征选择后，通过跨数据集评估训练并验证随机森林模型。
5：数据分析方法：
采用皮尔逊相关系数、肯德尔相关系数和斯皮尔曼相关系数以及均方根误差(RMSE)评估性能。跨数据集验证确保泛化能力。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Keras
Keras Team
Framework for implementing and using deep neural networks in the study.
-
scikit-learn
scikit-learn
Machine learning framework used for random forest models and feature selection.
-
Xception
Pre-trained deep neural network used for feature extraction in image quality assessment.
-
VGG16
Pre-trained deep neural network evaluated for feature extraction.
-
VGG19
Pre-trained deep neural network evaluated for feature extraction.
-
ResNet50
Pre-trained deep neural network evaluated for feature extraction.
-
InceptionV3
Pre-trained deep neural network evaluated for feature extraction.
-
InceptionResNetV2
Pre-trained deep neural network evaluated for feature extraction.
-
MobileNet
Pre-trained deep neural network evaluated for feature extraction.
-
登录查看剩余7件设备及参数对照表
查看全部
