좋은 데이터베이스는 좋은 알고리즘을 개발하는데 있어 선제조건입니다. 이미지 품질 평가(image quality assessment, IQA) 분야도 마찬가지입니다. 현실을 잘 반영하는 좋은 데이터베이스가 없다면 좋은 알고리즘을 만들기가 사실상 불가능합니다. 오늘은 2D 이미지 품질 평가와 관련된 대표적인 데이터베이스들을 소개하려고 합니다.
LIVE Image Quality Assessment Database
텍사스 대학의 LIVE 연구실에서 만든 2D IQA 데이터베이스입니다. LIVE 데이터베이스는 여기서 다운로드 받을 수 있습니다.
=> http://live.ece.utexas.edu/research/Quality/subjective.htm
Laboratory for Image and Video Engineering - The University of Texas at Austin
Welcome to the LIVE Public-Domain Subjective Image Quality Database LIVE Image Quality Assessment Database Algorithm Comparison NEW! Introduction Quality Assessment research strongly depends upon subjective experiments to provide calibration data as well a
live.ece.utexas.edu
LIVE 데이터베이스는 사실상 2D IQA 분야에서 가장 일반적으로 활용되는 데이터베이스입니다. LIVE 데이터베이스는 29장의 원본 이미지에서 만들어진 779장의 왜곡 이미지와 각 이미지에 해당하는 ground-truth 품질 점수를 제공합니다. ground-truth 품질 점수는 161명의 피실험자가 이미지를 보고 품질 점수를 매긴 것을 평균낸 것(엄밀히 말하면 ㅠ평균보다는 좀 더 복잡한 과정)을 통해 얻은 것입니다.
이미지는 다음과 같은 5개 유형의 왜곡들로 손상되었습니다.
JPEG2000(169장) + JPEG(175장) + white noise(145장) + Gaussian blur(145장) + fast fading Rayleigh channel(145장) = 총 779장의 왜곡 이미지
JPEG2000=> 1:169
JPEG=> 170:344
white noise=> 345:489
Gaussian blur=> 490:634
Fast fading Rayleigh channel=> 635:779
이 데이터베이스와 관련된 original paper는 2006년에 Sheikh 등에 의해 IEEE Transactions on image processing에 게재된 "A Satistical Evaluation of Recent Full Reference Image Quality Assessment Algorithms"입니다.
CSIQ Image Quality Database
시즈오카 대학의 CSIQ 연구실에서 만든 데이터베이스입니다. CSIQ 데이터베이스는 이곳에서 다운로드 받을 수 있습니다.
=> http://vision.eng.shizuoka.ac.jp/mod/page/view.php?id=23
Databases: CSIQ Image Quality Database
Databases The CSIQ image database is a popular database for testing image quality assessment algorithms and other aspects of image quality. The database consists of 30 original images, each distorted using one of six types of distortions, each at four to f
vision.eng.shizuoka.ac.jp
CSIQ 데이터베이스는 30장의 원본 이미지에서 생산된 866장의 왜곡 이미지들과 각 왜곡 이미지에 해당하는 ground-truth 품질 점수를 제공합니다. 35명의 피실험자가 참가했습니다.
이미지는 다음과 같이 6개 유형의 왜곡들로 손상되었습니다.
additive white Gaussian noise(150장) + JPEG(150장) + JPEG2000(150장) + additive pink Gaussian noise(150장) + Gaussian blur(150장) + global contrast decrement(116장) = 총 866장의 왜곡 이미지
additive white Gaussian noise=> 1:150
JPEG=> 151:300
JPEG2000=> 301:450
additive pink Gaussian noise=> 451:600
Gaussian blur=> 601:750
global contrast decrement=> 751:866
Color Image Database TID2013
핀란드의 탐페레 대학의 선임 연구원이자 우크라이나 국립항공대의 교수인 Mykola Ponomarenko가 만든 데이터베이스입니다. TID2013 데이터베이스는 여기서 다운로드 받을 수 있습니다.
=> http://www.ponomarenko.info/tid2013.htm
Nikolay Ponomarenko homepage - TID2013
www.ponomarenko.info
현존하는 2D IQA 데이터베이스 중에 가장 많은 왜곡 이미지와 가장 다양한 왜곡을 다루고 있는 데이터베이스입니다. TID2013 데이터베이스는 25장의 원본이미지로부터 생산된 3000장의 왜곡 이미지와 각 왜곡 이미지에 대한 ground-truth 품질 점수를 포함하고 있습니다. 985명의 피실험자가 참가했습니다. (돈 많이 들었겠네요..^^;)
이미지는 다음과 같은 24개 유형의 왜곡들로 손상되었습니다.
1. Additive Gaussian noise
2. Additive noise in color components is more intensive than additive noise in the luminance component
3. Spatially correlated noise
4. Masked noise
5. High frequency noise
6. Impulse noise
7. Quantization noise
8. Gaussian blur
9. Image denoising
10. JPEG compression
11. JPEG2000 compression
12. JPEG transmission errors
13. JPEG2000 transmission errors
14. Non eccentricity pattern noise
15. Local block-wise distortions of different intensity
16. Mean shift (intensity shift)
17. Contrast change
18. Change of color saturation
19. Multiplicative Gaussian noise
20. Comfort noise
21. Lossy compression of noisy images
22. Image color quantization with dither
23. Chromatic aberrations
24. Sparse sampling and reconstruction
=> 25개 원본 이미지 x 24개 왜곡 유형 x 5 정도 왜곡 수준 = 3000장의 왜곡 이미지
2D IQA 데이터베이스에는 소개한 LIVE, CSIQ, TID2013 말고도 IVC, Toyama, A57, MICT 등도 있습니다. 가장 많이 사용되는 것들만 본 글에서 소개했습니다. 이것으로 글을 마무리하겠습니다. 오늘도 좋은 하루 보내세요.^^
'Research > 컴퓨터비전, 영상처리' 카테고리의 다른 글
| HDR(high dynamic range) 이미지와 톤매핑(tone-mapping) (8) | 2020.02.10 |
|---|---|
| 이미지 리타겟팅(image retargeting)이란? (0) | 2020.01.08 |
| Harris 코너 검출기의 이해 (2) | 2019.12.23 |
| [IQA] 이미지 내 지배적인 구조가 왜곡되면 지각 품질이 나쁘다, DASM (0) | 2019.12.17 |
| [IQA] visual masking 현상을 고려한 IQA 알고리즘, MAD (1) | 2019.12.10 |
| [IQA] 표준편차 풀링을 제안한 GMSD, 빠름 주의 (2) | 2019.12.09 |
| image classification과 fine-grained image classification의 차이 (0) | 2019.11.21 |
| 이미지 캡셔닝(image captioning), 이미지에 자동으로 캡션을 달아주자 (4) | 2019.11.19 |