Processing math: 100%
2019-10-07 13:09:22

오늘은 BNB라는 이름의 NR IQA 모델에 대해 소개시켜드리겠습니다. 이 논문의 original 논문은 2017년에 TCSVT에 게재된 "BNB Method for No-Reference Image Quality Assessment"입니다. 저자들은 플로리다 대학의 Fang 등입니다. 

 

저자들은 왜곡으로 인한 인공산물(artifact)은 크게 블러(blurriness), 노이즈(noiseness), 블락(blockiness)으로 나눌 수 있다고 봤습니다. 그래서 이 셋 각각의 정도를 측정한 것을 종합해서 품질을 평가하는 알고리즘을 개발했습니다. 이 모델의 이름이 BNB인 이유는 예측하셨겠지만, 블러, 노이즈, 블락의 앞 스펠링을 따서 만들었기 때문입니다.

 

먼저 블러, 노이즈, 블락의 정도를 측정하기 위해 이미지 내 인접한 픽셀들의 차이는 평균 0, 분산 σ인 일반화된 라플라스 분포(generalized Laplace distribution)를 따른다는 사실을 활용했습니다.

 

라플라스 분포는 이렇게 뾰족하게 생겼습니다

 

특히 라플라스 분포와 관련해서 중요한 특성을 4가지 발견했습니다. 

 

1) 하나의 이미지가 같은 사이즈로 다운샘플된 이미지들(I0, I1, I2)의 경우, I1I0 데이터셋과 I2I1 데이터셋은 유사한 통계적 특성을 지닌다. 

2) 이웃 픽셀간의 세기차의 분포는 그 이웃들이 멀리 떨어져 있을 수록 점점 더 큰 분산값을 가진 라플라스 분포가 된다. 

3) 이미지를 저주파필터(lowpass filter) 처리한 것과 처리되기 전 이미지의 픽셀값의 차이 역시 라플라스 분포를 따른다.  

4) 고주파필터(highpass filter)에 의해 처리된 이미지의 이웃 픽셀값들의 차이도 라플라스 분포를 따른다.

 

위 네가지 특성들을 말로 표현해보긴 했는데, 저 스스로 부족함을 느낍니다. 더 제대로 이해하시기 위해서는 original 논문을 참고하시기 바랍니다.

 

아무튼 저자들은 이러한 네가지 통계적 특성을 이용해서 블러, 노이즈, 블락에 대한 각각의 점수를 산출해냈습니다. 그 다음에 그 세개의 점수를 하나의 품질 점수로 종합하기 위해 kNN(k-nearest neighbor)을 사용했습니다. 

 

 

bskyvision의 추천글 ☞

[IQA] 이미지품질평가 분야의 셀럽, BRISQUE  

유유상종의 진리를 이용한 분류 모델, kNN(k-Nearest Neighbor)