基于深度学习和感知计算的图像质量评价

Objective image quality assessment can be used to dynamically monitor the variation of image quality and adjust the image quality in real time, which has found wide applications such as consumer electronics devices, commercial video surveillance and military remote-sensing imagery, etc. The goal of this project is to design an automatic and accurate objective image quality metric. By mimicing the hierarchical architecture of human brain and the characteristics of human visual system, image quality assessment model based on deep learning is constructed for measuring visual quality of distorted image and the ability to provide information of the image. The main research contents include: 1) Image sparse distributed representation based on deep architecture, including the construction of the deep architecture and the optimal sparse feature extraction; 2) The deep learning model of image quality assessment, including the design of reasonable strategies for deep machine learning and selection of optimal high-dimensional kernel spaces; 3) Image quality metric based on perceptual filtering, including simulation of human visual system and visual perceptual measurement. Combining the deep learning with the perceptual computing, the project lays the foundation of this research topic from a new angles, and based on new conditions and application, which are forward-looking and full of challenges and have extremely important theoretical significance and application value. With the hope to make breakthroughs and innovations not only for the fundamental theory, but also for the engineering applications, this project pushes the image quality assessment advanced.

图像质量客观评价可以用来动态地监测图像质量的变化和实时地调整图像的质量，被广泛应用于个人消费电子、商用视频监控和军用卫星遥感等领域。本课题旨在设计快速、准确的图像质量客观评价方法，通过模拟大脑层次感知机制和人类视觉特性，利用深度学习理论构建最优的图像质量计算模型，以度量图像的失真程度和提供信息的能力。主要研究内容有: 1) 基于深度构架的图像分布式稀疏表示，包括图像特征的深度构架和最优稀疏特征的提取；2) 图像质量的深度学习模型，包括深度机器学习策略的设计和最优高维核空间的选择；3) 基于感知滤波的评价测度，包括视觉特性的模拟和视觉感知测度。本项目结合深度学习和感知计算的基础理论，以新的研究条件为基础，从新的角度出发，以新的应用背景为目标，富有一定的前瞻性和挑战性，具有重要的理论意义和应用价值。本课题预期在基础理论和应用技术上有所突破与创新，为图像质量评价的发展开辟新的空间。

图像质量客观评价可以用来动态地监测图像质量的变化和实时地调整图像的质量，被广泛应用于个人消费电子、商用视频监控和军用卫星遥感等领域。本课题旨在设计快速、准确的图像质量客观评价方法，通过模拟大脑层次感知机制和人类视觉特性，利用深度学习理论构建最优的图像质量计算模型，以度量图像的失真程度和提供信息的能力。主要研究内容有: 1) 基于深度构架的图像分布式稀疏表示，包括图像特征的深度构架和最优稀疏特征的提取；2) 图像质量的深度学习模型，包括深度机器学习策略的设计和最优高维核空间的选择；3) 基于感知滤波的评价测度，包括视觉特性的模拟和视觉感知测度。发表与课题相关并标注本基金资助的学术论文共计25篇，其中期刊论文11篇，国际学术期刊SCI检索8篇，会议论文14篇；国际学术会议8篇。申请国家发明专利6项，授权发明专利2项；基于本课题的研究晋升教授1名，晋升副教授2名，培养博士后1名，博士研究生5名，硕士研究生12名；荣获陕西省青年科技新星1名(2014年)。荣获CCF CCCV最佳论文奖 (2015年)。基于本课题的研究申请国家自然科学基金重点项目一项(No. 61432014)，国家自然科学基金面上项目一项(No.61571343), 国家自然科学基金青年项目一项（No.61501349），陕西省科技统筹创新工程计划项目一项(2015年)。三星SDS合作项目一项(2016年)，深圳华星光电合作项目一项(2017年)。本课题研究作为主要内容荣获教育部自然科学奖二等奖1项（2014年）。荣获陕西省高等学校科学技术一等奖一项(2014年)。荣获国家自然科学二等奖一项(2016年)。本课题组入选2013年教育部长江学者创新团队、2014年科技部重点领域创新团队。本项目结合深度学习和感知计算的基础理论，以新的研究条件为基础，从新的角度出发，以新的应用背景为目标，富有一定的前瞻性和挑战性，具有重要的理论意义和应用价值。本课题在基础理论和应用技术上有所突破与创新，为图像质量评价的发展开辟新的空间。