A new reduced-reference metric for measuring spatial resolution enhanced images
Notice bibliographique
Résumé
Assessment of image quality is critical for many image processing algorithms, such as image acquisition, compression, restoration, enhancement, and reproduction. In general, image quality assessment algorithms are classified into three categories: full-reference (FR), reduced-reference (RR), and no-reference (NR) algorithms. The design of NR metrics is extremely difficult and little progress has been made. FR metrics are easier to design and the majority of image quality assessment algorithms are of this type. A FR metric requires the reference image and the test image to have the same size. This may not the case in real life of image processing. In spatial resolution enhancement of hyperspectral images, such as pan-sharpening, the size of the enhanced images is larger than that of the original image. Thus, the FR metric cannot be used. A common approach in practice is to first down-sample an original image to a low resolution image, then to spatially enhance the down-sampled low resolution image using a subject enhancement technique. In this way, the original image and the enhanced image have the same size and the FR metric can be applied to them. However, this common approach can never directly assess the image quality of the spatially enhanced image that is produced directly from the original image. In this paper, a new RR metric was proposed for measuring the visual fidelity of an image with higher spatial resolution. It does not require the sizes of the reference image and the test image to be the same. The iterative back projection (IBP) technique was chosen to enhance the spatial resolution of an image. Experimental results showed that the proposed RR metrics work well for measuring the visual quality of spatial resolution enhanced hyperspectral images. They are consistent with the corresponding FR metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».