haku: @keyword kohina / yhteensä: 29
viite: 10 / 29
| Tekijä: | Hiden, Johannes |
| Työn nimi: | Valokuvaa sokeasti arvioivien algoritmien yhdistetty suorituskyky laatuun pohjautuvassa kuvien luokittelussa |
| the Combined performance of blind image quality metrics in quality-based classification of images | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2008 |
| Sivut: | 123 Kieli: fin |
| Koulu/Laitos/Osasto: | Elektroniikan, tietoliikenteen ja automaation tiedekunta |
| Oppiaine: | Viestintätekniikka (AS-75) |
| Valvoja: | Oittinen, Pirkko |
| Ohjaaja: | |
| Digitoitu julkaisu: | https://aaltodoc.aalto.fi/handle/123456789/95863 |
| OEVS: | Digitoitu arkistokappale on julkaistu Aaltodocissa
|
| Sijainti: | P1 Ark S80 | Arkisto |
| Avainsanat: | image quality blind measurement algorithm multidimensional modeling image classification image management sharpness noise kuvanlaatu referenssitön määritys algoritmi moniuloitteinen mallinnus kuvien luokittelu kuvien hallinta terävyys kohina |
| Tiivistelmä (fin): | Digitaalisten valokuvien valtavaksi noussut määrä kasvattaa tarvetta niiden erilaiseen luokitteluun niin yksityisten kuvien hallinnassa kuin ammattikäyttöön tarkoitetuissa kuvahakusovelluksissakin. Tämän työn tavoitteena oli tutkia kuvanlaadun automaattista määrittämistä tällaisen luokittelun yhtenä apukeinona. Kokonaislaadun teknisen, esteettisen ja merkityksellisen ulottuvuuden määrittämiseen esitettiin teoreettinen malli, jossa pyrittiin ottamaan kaikki koettuun kuvanlaatuun vaikuttavat tekijät huomioon aina henkilökohtaisista mieltymyksistä lähtien. Mallin perusideana on, että kuvaan kiinteästi liittyvät ominaisuudet tulisi laskea valmiiksi osaksi tietokantaa, minkä jälkeen attribuuttien mitatut arvot voisi nopeammin sitoa kontekstiin ja käyttäjäkohtaisiin preferensseihin laadun määrittämiseksi. Kokeellisessa osuudessa perehdyttiin erityisesti terävyyden ja kohinan sekä näiden laadullisen yhteisvaikutuksen laskentaan. Sekä testattua kohina-algoritmia että terävyyden mittana käytettyä sumeusalgoritmia kehitettiin eteenpäin. Kohina-algoritmin kohdalla Pearsonin korrelaatiokertoimella mitattua korrelaatiota ensimmäisen testikierroksen testeissä havaittuun kohinaan saatiin kasvatettua koko kuvajoukon osalta keskimääräisestä 34 prosentista 79 prosenttiin sekä jätettäessä terävöitetyt kuvat huomioimatta 79 prosentista noin 89 prosenttiin. Sumeusalgoritmin osalta kehitetyn version korrelaatio nousi alkuperäisen algoritmin 80 prosentista parametreistä riippuen 85-87 prosenttiin ensimmäisen testikierroksen kuvilla, kun taas korrelaatio validointitesteissä määritettyyn subjektiiviseen kokonaislaatuun nousi alkuperäisen menetelmän vajaasta 79 prosentista parametreistä riippuen 82-83 prosenttiin. Kokonaislaadun määrittämiseksi yksittäisiä attribuutteja mittaavien algoritmien pohjalta ehdotettiin kahta erilaista menetelmää: attribuuttien suhteellista painottamista sekä moniulotteista mallinnusta. Painotusmenetelmällä subjektiiviseen kokonaislaatuun suhteutettu korrelaatio nousi validointitesteissä 84 prosenttiin, mikä on hieman korkeampi kuin kummallakaan yksittäistä attribuuttia mittaavista algoritmeista. Tämän lisäksi menetelmän toissijaiseksi suorituskyvyn mittariksi esitetylle vakaudelle saatiin kokonaismenetelmän kohdalla hieman menetelmän tärkeimmällä osalla eli terävyysalgoritmilla saatua korkeampi arvo. Vaikka moniulotteisella mallinnuksella vastaavaksi korrelaatioksi saatiin vain noin 76%, suositellaan tätä menetelmää kuitenkin jatkossa käytettäväksi. Syynä tähän on painotusmenetelmän parametrien optimoimisen hankaluus varsinkin useampia attribuutteja mitatessa sekä kykenemättömyys mallintaa kaikkia yksittäisten attribuuttien keskinäisiä vuorovaikutussuhteita. Moniulotteinen mallinnus tarjoaa periaatteen tasolla automaattisen ratkaisun molempiin, kunhan menetelmän pohjaksi on saatu määritettyä riittävän suuri subjektiiviseen ja objektiiviseen dataan pohjautuva laatuavaruus. |
| ED: | 2008-10-09 |
INSSI tietueen numero: 36398
+ lisää koriin
INSSI