این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۸، شماره ۳، صفحات ۵۷-۶۷
عنوان فارسی یادگیری غیرنظارتی ویژگی برای ارزیابی کیفیت کور تصاویر فراتفکیک‌پذیر
چکیده فارسی مقاله افزایش تفکیک‌پذیری تصاویر، یک مسئله کلاسیک در زمینه پردازش تصویر است که هدف آن ایجاد تصاویر با تفکیک‌پذیری بالا از تصویر با تفکیک‌پذیری پایین است. الگوریتم‌های بسیاری در این زمینه تاکنون ارائه شده‌اند. با این حال، ارزیابی مؤثر کیفیت این نوع تصاویر همچنان بعنوان یک زمینه تحقیقاتی چالش برانگیز باقی مانده است. روش‌های معمول ارزیابی کیفیت تصویر، همخوانی کافی با معیارهای ادراکی ندارند. لذا ارائه روش‌های ارزیابی کیفیت خاصِ تصاویر فراتفکیک‌پذیر، اهمیت بالایی دارد. در این مقاله ما یک روش ارزیابی کیفیت بدون مرجع برای تصاویر فراتفکیک‌پذیر ارائه می‌کنیم که با یادگیری بدون برچسب یک کتاب اتم‌ها روی تصاویر مرجع با تفکیک‌پذیری بالا و بازنمایی بلوک‌های تصاویر فراتفکیک‌پذیر با این کتاب، ویژگی‌های محلی تولید می‌نماید که قادرند تخریب‌های ناشی از افزایش تفکیک‌پذیری را به خوبی توصیف نمایند. این ویژگی‌ها با یک رویکرد مناسب هرمی، تلفیق شده و بردار ویژگی سراسری از تصویر تولید می‌کنند. این بردارها و امتیازات کیفیت چشمی در نهایت، جهت آموزش یک مدل رگرسیون مورد استفاده قرار می‌گیرند. نتایج تجربی نشان می‌دهند که این روش در عین سادگی، سرعت و عدم نیاز به حجم بالای داده آموزشی، کارایی بهتری نسبت به روش‌های موجود دارد.
کلیدواژه‌های فارسی مقاله ارزیابی کیفیت تصاویر فراتفکیک‌پذیر، افزایش تفکیک‌پذیری، ارزیابی کیفیت کور، بازنمایی تُنُک، یادگیری کتاب اتم‌ها، یادگیری غیرنظارتی ویژگی،
عنوان انگلیسی Unsupervised Feature Learning for Blind Quality Assessment of Super-Resolved Images
چکیده انگلیسی مقاله Image super-resolution is a classic image processing issue that aims to create high-resolution images from low-resolution images. Although many algorithms in this field have been proposed so far, effective quality evaluationof such images remains a challenging research area. Conventional image quality assessment measures are not sufficiently consistent with subjective judgments on these images. Therefore, it is very important to provide specific quality assessment methods for image super-resolution. In this paper, we propose a no-reference quality evaluation method for super-resolved images that, by learning a dictionary on high-resolution images and representing super-resolved blocks, produce local features that can describe super-resolution degradations well. These features are pooled togetherby a suitable pyramidal approach and produce a global feature vector of the image. These vectors and subjective quality scores are ultimately used to train a regression model. Experimental results show that this method is not only simple and high speed, but also does not require large volumes of training data and is more efficient than existing methods.
کلیدواژه‌های انگلیسی مقاله ارزیابی کیفیت تصاویر فراتفکیک‌پذیر, افزایش تفکیک‌پذیری, ارزیابی کیفیت کور, بازنمایی تُنُک, یادگیری کتاب اتم‌ها, یادگیری غیرنظارتی ویژگی
نویسندگان مقاله مریم کریمی |
گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه شهرکرد، شهرکرد، ایران

منصور نجاتی |
دانش‌آموخته دکتری برق، دانشگاه صنعتی اصفهان

نشانی اینترنتی https://jmvip.sinaweb.net/article_128577_1d79b4d8b951ef5e1f19b614ab0cd637.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات