Real-time assessment of visual quality can be efficiently supported by reduced-refe-rence
paradigms, which require a very limited amount of information on the original signal, easily
embeddable in the signal itself. In this paper, a reduced-reference system for image
quality assessment is proposed, based on a small sized numerical description of images
encoding the luminance distribution and its variations due to visual distortions. The assessment
paradigm is implemented exploiting machine learning tools and articulates in
two phases: first, a Support Vector Machines-based classifier identifies the kind of distortion
affecting the image; then, the actual quality level of the distorted image is computed
by a specifically trained SVM regressor. The general validity of the approach is supported
by experimental validations based on subjective quality data.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00