Обычным вариантом оценки качества изображения является ручная разработка хороших экстракторов функций, что требует значительного количества инженерных навыков и опыта в данной области. Ниже мы рассмотрим различные подходы, использующие разработанные вручную функции.
Простые функции изображения
Глобальные особенности впервые исследуются исследователями для моделирования эстетического аспекта изображений. Datta et al сочетают низкоуровневые и высокоуровневые функции, которые обычно используются для получения изображений, и обучают SVM-классификатор для бинарной классификации эстетического качества изображений. Состав изображения с низкой глубиной резкости, одним заметным объектом и правилом трети. Ke et al предлагают глобальное распределение краев, распределение цветов, количество оттенков и индикаторы низкого уровня контрастности и яркости для представления изображения, а затем на основе этих характеристик разрабатывают классификатор Naehıve Bayes.
Еще раньше Tong et al предприняли попытку объединить простые глобальные функции низкого уровня (размытость, контрастность, красочность и яркость) для классификации профессиональных фотографий и обычных снимков. Все эти новаторские работы представляют собой первые попытки компьютерного моделирования глобального эстетического аспекта изображений с использованием элементов ручной работы.
Даже в недавних работах Aydın et al строят эстетические атрибуты изображения посредством четкости, глубины, ясности, тона и красочности. Общий рейтинг эстетики рассчитывается эвристически на основе этих пяти атрибутов. Совершенствуя эти глобальные особенности, в последующих исследованиях учитывается глобальная значимость для оценки распределения эстетического внимания.
Sun et al используют глобальную карту видимости для оценки визуального распределения внимания для описания изображения и обучают регрессора выводить баллы качества изображения, основанные на скорости фокусирования внимания в карте видимости. Вы получаете аналогичные характеристики внимания, основанные на карте глобальной значимости, и включают временную активность для оценки качества видео. Региональные особенности изображения позже доказали свою эффективность в дополнении глобальных особенностей. Luo et al выделяют черты региональной четкости контраста, освещения, простоты, геометрии композиции и цветовой гармонии в зависимости от предметной области изображения.
Wong et al рассчитают экспозицию, резкость и особенности текстуры на основных участках и глобальном изображении, а также черты, изображающие фоновую связь изображения. Nishiyama et al извлекают мешки с цветными рисунками из локальных областей изображения с помощью метода сетчатой выборки. В то время как используют классификатор SVM, Lo et al строят систему статистического моделирования со связанными пространственными отношениями после извлечения признаков цвета и текстуры из изображений, где оценка вероятности используется для прогнозирования эстетического качества. Эти методы фокусируются на моделировании эстетики изображений из локальных областей изображения, которые потенциально наиболее привлекательны для человека.
Особенности композиции изображения
Фотографическая композиция на фотографии обычно имеет отношение к наличие и положение заметного предмета. Правило трех третей, низкая глубина резкости и противоположные цвета являются обычным явлением, техники создания хорошего изображения, в которых наиболее заметные из них объект является выдающимся. Для моделирования такого эстетического аспекта Bhattacharya et al предлагают композиционные особенности, используя относительное положение переднего плана и визуальное восприятие, весовое соотношение для моделирования отношений между передним планом объекты и фоновая сцена, затем вектор поддержки, регрессор обучен.
Wu et al предлагают использовать Габор фильтры ответов для оценки положения основного объекта в изображениях и извлекать низкоуровневые HSV-цветовые функции из глобальных и центральных областей изображения. Эти функции передаются на мягкий SVM-классификатор со сигмовидным размягчением для того, чтобы различать изображения неоднозначного качества. Dhar et al привносят в описательные атрибуты композиции, контента и освещенности неба элементы высокого уровня и сочетают в себе низкоуровневый характер для тренировки SVM классификатора. Lo et al предлагают следующее сочетание компоновки, компоновки кромок, компоновки кромок с цветовой палитрой HSV, количеством HSV и глобальными характеристиками (текстуры, размытость, темный канал, контрастность). SVM-классификатор прошел обучение по каждому из следующих компонентов, и окончательные характеристики модели значительно улучшены за счет объединения всех предложенных функций. Это показывает, что региональные особенности могут эффективно дополнять друг друга, глобальные особенности в моделировании эстетики изображений.
Пространственная структура локальные области изображения смоделированы с помощью граф летов, и они связаны на основе соседства атомных регионов. Глобальное пространственное расположение снимка выглядит следующим образом также встроенные в граф леты с помощью коллектора Грассмана. Значение двух видов дескрипторов граф летов состоит в следующем, динамически корректируется, фиксируя пространственный состав изображение с нескольких визуальных каналов. Окончательная эстетика предсказание изображения генерируется вероятностной моделью используя пост-встроенные граф леты.