बिग डेटा के साथ संवर्धित छवियों का नो-रेफरेंस गुणवत्ता आकलन मॉडल सीखना

इस पत्र में, हम छवि गुणवत्ता आकलन (IQA) और मशीन लर्निंग के माध्यम से संवर्धन की समस्या का अध्ययन करते हैं। यह मुद्दा लंबे समय से गणनात्मक बुद्धिमत्ता और छवि प्रसंस्करण समुदायों में विभिन्न ध्यान आकर्षित कर रहा है, क्योंकि कई व्यावसायिक अनुप्रयोगों, जैसे वस्तु पहचान और मान्यता के लिए, कच्ची छवियों को सामान्यतः दृश्य गुणवत्ता (जैसे दृश्यता और कंट्रास्ट) को बढ़ाने के लिए सही ढंग से संवर्धित करने की आवश्यकता होती है। वास्तव में, उचित संवर्धन इनपुट छवियों की गुणवत्ता को स्पष्ट रूप से सुधार सकता है, यहां तक कि मूल रूप से कैप्चर की गई छवियों की तुलना में भी, जिन्हें आमतौर पर सर्वोत्तम गुणवत्ता के रूप में माना जाता है। इस पत्र में, हम दो सबसे महत्वपूर्ण योगदान प्रस्तुत करते हैं। पहला योगदान एक नया नो-रेफरेंस (NR) IQA मॉडल विकसित करना है। एक छवि दिए जाने पर, हमारा गुणवत्ता माप पहले कंट्रास्ट, शार्पनेस, ब्राइटनेस और अधिक का विश्लेषण करके 17 विशेषताएँ निकालता है, और फिर एक रिग्रेशन मॉड्यूल का उपयोग करके दृश्य गुणवत्ता का एक माप देता है, जिसे बड़े डेटा प्रशिक्षण नमूनों के साथ सीखा गया है जो संबंधित छवि डेटा सेटों के आकार से बहुत बड़े हैं। नौ डेटा सेटों पर प्रयोगों के परिणाम हमारे अंधे मेट्रिक की उत्कृष्टता और दक्षता को सामान्य राज्य-आधारित पूर्ण-रेफरेंस, घटित-रेफरेंस और NA IQA विधियों की तुलना में मान्य करते हैं। दूसरा योगदान यह है कि गुणवत्ता ऑप्टिमाइजेशन के आधार पर एक मजबूत छवि संवर्धन ढांचा स्थापित किया गया है। एक इनपुट छवि के लिए, प्रस्तावित NR-IQA माप के मार्गदर्शन से, हम छवि की ब्राइटनेस और कंट्रास्ट को उचित स्तर तक क्रमिक रूप से सही करने के लिए हिस्टोग्राम संशोधन करते हैं। व्यापक परीक्षण दिखाते हैं कि हमारा ढांचा प्राकृतिक छवियों, कम-कंट्रास्ट छवियों, कम-लाइट छवियों और धुंधले छवियों को अच्छी तरह से सुधार सकता है। स्रोत कोड https://sites.google.com/site/guke198701/publications पर जारी किया जाएगा।