Development of methods for estimating perceived image quality with statistics in the field of wavelet transformation

Στόχος της παρούσας μεταπτυχιακής εργασίας είναι η ανάπτυξη μεθόδων αξιολόγησης της αντιληπτής ποιότητας εικόνας. Πρόκειται για ένα αρκετά δύσκολο πρόβλημα που προσελκύει το ενδιαφέρον πολλών ερευνητών, καθώς η ψηφιακή εικόνα κατακλύζει την καθημερινότητα μας ολοένα και περισσότερο. Γι’ αυτό το λόγο καθίσταται επιτακτική η ανάγκη ύπαρξης μιας μεθόδου, που θα είναι ικανή να εκτιμήσει την ποιότητα της εικόνας με γρήγορο και αξιόπιστο τρόπο, ώστε να αντικαταστήσει την εξίσου αξιόπιστη αλλά αργή μέθοδο αξιολόγησης από τον ίδιο τον άνθρωπο. Η δυσκολία αυτού του προβλήματος έγκειται στην εύρεση εκείνων των χαρακτηριστικών, που είναι ικανά να αντιληφθούν τις αλλαγές που υφίσταται μια εικόνα λόγω κάποιου είδους ψηφιακής επεξεργασίας της. Η διαφοροποίηση των μεθόδων, που αναπτύσσουμε σε σχέση με υπάρχουσες μεθόδους, εντοπίζεται στην στατιστική κατανομή και στα εξαγόμενα χαρακτηριστικά που χρησιμοποιούνται για την κατασκευή τους. Τα δεδομένα που επιλέγουμε σ’ αυτή την εργασία για την εξαγωγή των χαρακτηριστικών είναι οι συντελεστές προσέγγισης και οι συντελεστές οριζόντιων, κάθετων και διαγώνιων λεπτομερειών, που προκύπτουν από την εφαρμογή του μετασχηματισμού wavelet της εικόνας. Λόγω της μορφής τους, επιλέξαμε για την προσαρμογή τους την Student’s t κατανομή σε διάφορες μορφές της, καθώς και μια πιο ειδική περίπτωσή της, την Cauchy κατανομή. Διερευνάται κατά πόσο αποδοτικές είναι αυτές οι κατανομές στη δημιουργία μεθόδων εκτίμησης της ποιότητας της εικόνας, συγκρίνοντας τα αποτελέσματα των μεθόδων μας με άλλες ευρέως γνωστές μεθόδους. Οι μέθοδοι που δημιουργούμε, κατηγοριοποιούνται σε δύο γενικές κατηγορίες: Full-Reference και No-reference αλγόριθμοι. Οι Full-reference αλγόριθμοι θα εξεταστούν σε ένα σύνολο δεδομένων. Η κατασκευή των No-reference αλγορίθμων θα γίνει με χρήση των μηχανών διανυσμάτων υποστήριξης (SVMs) και θα εξεταστούν σε δύο βάσεις δεδομένων. Εκτός από τα χαρακτηριστικά από τον μετασχηματισμό κυματιδίων για τους No-Reference αλγορίθμους χρησιμοποιούμε και χαρακτηριστικά από το μετασχηματισμό Συνημιτόνου (DCT). Τέλος, η προτεινόμενη μέθοδος συγκρίνεται με ένα χωρικό μοντέλο. The aim of this postgraduate thesis is the development of methods for the evaluation of perceived image quality. This is quite a difficult problem that attracts the interest of many researchers, as the digital image overwhelms our everyday life more and more. For this reason, it becomes imperative to have a method that will be able to estimate the quality of the image, in a fast and reliable way, in order to replace the equally reliable but slow method of evaluation by a human itself. The difficulty of this problem lies in finding those features that are capable of perceiving the changes that an image undergoes, due to some kind of digital processing of it. The difference between the methods we develop and the existing methods is found at the statistical distribution and the exported features used for their construction. The data we select in this task for the extraction of features are the approximation coefficients and the coefficients of horizontal, vertical and diagonal details that arising from the application of the wavelet transformation of the image. Because of their form, we chose for their fitting the Student's t distribution in its various forms, as well as a more specific case of it, the Cauchy distribution. We investigate whether these distributions are effective in creating methods for assessing image quality by comparing the results of our methods with other widely known methods. The methods we create are categorized into two general categories: Full Reference and No-reference algorithms. Full-reference algorithms will be examined in a dataset. Our No-reference algorithms will be constructed by using support vector machines (SVMs) and will be examined in two databases. Besides the features from the wavelet transformation for No-Reference algorithms, we also use features from cosine transformation (DCT). Finally, the proposed method is compared with a spatial model. 137 σ.