JP2005129070A - 画質を評価するシステム及び方法 - Google Patents

Abstract

【課題】 画質を評価するシステム及び方法を提供する。
【解決手段】 画質を評価する方法において、入力画像中のターゲットオブジェクト領域２４を検出するステップと、画質特徴空間中のターゲットオブジェクト領域２４を表す画質特徴ベクトル３６を生成するステップと、画質特徴ベクトル３６を画質の測度１２にマッピングするステップとを含む。
【選択図】 図２

Description

本発明は、画質を評価するシステム及び方法に関する。

画質を評価する方法は、多くの様々な画像処理アプリケーションにおいて使用されている。例えば、画質測定を用いて、カメラ又はビデオ電子会議システムの事前処理及び事後処理構成要素等、画像処理システムの構成要素のアルゴリズム及びパラメータ設定を最適化し、自動的に調整することができる。画質評価方法は、複数の撮像システムの中から特定の撮像作業に最良なものを判定するためにも用いることができる。

用途によっては人による主観的な画質評価方法が用いられるが、こういった方法は、大半の用途には時間がかかりすぎ、また高価すぎるという傾向がある。この理由により、人による主観的な画質の評価を自動的に予測する客観的な画質評価方法が開発された。自動客観的画質評価手法には、ピーク信号対雑音比（ＰＳＮＲ）及び平均二乗誤差（ＭＳＥ）が一般に用いられる。手法によっては、テストビデオシーケンスが同じシーケンスの基準コピーと比較され、テストビデオシーケンスの品質を評価する。このような基準ベースの手法は、多くの場合、人による主観的なビデオ品質の評価を正確かつ確実に予測する。しかし、多くの用途では、画像又はビデオシーケンスの基準コピーは、比較画質評価の実行に容易に利用することができない。例えば、大量の画像データベースの閲覧及び管理，ビデオのキーフレーム選択，並びに自動写真レイアウト設計等の消費者デジタル撮像用途では、基準画像を利用することができない。

本発明は、画質を評価するシステム及び方法を特徴とする。

一態様において、本発明は、画質を評価するシステム及び方法を特徴とする。これらの発明のシステム及び方法によれば、入力画像中においてターゲットオブジェクト領域が検出される。画質特徴空間中のターゲットオブジェクト領域を表す画質特徴ベクトルが生成される。画質特徴ベクトルは、画質の測度にマッピングされる。

さらに別の態様において、本発明は、画質を評価するシステム及び方法を特徴とする。これらの発明のシステム及び方法によれば、複数の入力画像中においてターゲットオブジェクト領域が検出される。画質特徴空間中のターゲットオブジェクト領域を表す画質特徴ベクトルが生成される。画質特徴ベクトルは、入力画像に割り当てられた画質の各測度に相関付けられる。画質特徴ベクトルと割り当てられた画質の測度との間のマッピングが計算される。

本発明の他の特徴及び利点は、図面と特許請求項を含む、以下の説明から明らかになるであろう。

以下の説明では、同様の参照番号を使用して同様の要素を識別する。さらに、図面は、例示的な実施形態の主要な特徴を線図で示すことを意図したものである。図面は、実際の実施形態のあらゆる特徴を示すことも、また図示されている要素の相対的な寸法を示すことも意図されておらず、一定の比率で拡大縮小して描かれていない。

一般に、本明細書に記載する画質評価実施形態は、通常限られた処理資源及びメモリ資源を有する埋め込み環境を含め、このような機能が望まれる任意のシステム又は方法に組み込むことができる。こういったシステム及び方法は、画像内で検出される１つ又は複数のターゲットオブジェクト領域に基づいて画質を評価する。こういった領域は、人による主観的な画質の評価（アセスメント）に特に関連するものとして通常選択されるオブジェクトを包含する。例えば、いくつかの実施態様によっては、ターゲットオブジェクト領域は、人の顔に対応し、人の顔の外観は、通常、人の主観的な画質の評価を左右する。さらに、このようなターゲットオブジェクトは、また、客観的画質評価に使用することができる測定（例えば、高周波スペクトル画像成分）と異なる客観的な測定（例えば、低周波スペクトル画像成分）に基づいて検出することもできる。このようにして、ターゲットオブジェクト領域検出プロセスは、実質的に画像評価プロセスから切り離すことができ、画質評価結果の正確性が向上する。

図１は、入力画像１４の品質の定量的評価（測度）１２を生成するように構成された画質評価システム１０の一実施形態を示す。この画質評価システム１０は、ターゲットオブジェクト領域検出モジュール１６，特徴抽出モジュール１８，及び画質評価モジュール２０を備える。一般に、ターゲットオブジェクト領域検出モジュール１６，特徴抽出モジュール１８，及び画質評価モジュール２０は、任意特定のハードウェア又はソフトウェア構成に限定されず、デジタル電子回路又はコンピュータハードウェア，ファームウェア，デバイスドライバ，又はソフトウェアを含む任意の計算環境又は処理環境において実施することができる。例えば、実施態様によっては、こういったモジュール１６〜２０は、デジタルカメラ，プリンタ，及びポータブル電子デバイス（例えば、携帯電話及び個人情報端末）を含む多種多様な電子デバイスのいずれのハードウェアにも埋め込むことができる。

入力画像１４は、ロゴ（例えば、企業のロゴ），グラフィックス，写真，テキスト，画像，又は視覚的に有意な任意のパターンを含む任意の種類の画像コンテンツを含むことができる。画像コンテンツは、入力画像１４の境界領域，前景，又は背景に現れることができる。画像コンテンツは、また、２進画像（例えば、白黒のドットパターン），マルチレベル画像（例えば、グレーレベル画像），又はマルチレベルカラー画像の形であってもよい。入力画像１４は、デジタル静止画像カメラ，デジタルビデオカメラ，ビットマップグラフィックスエンジン，ベクトルグラフィックスエンジン，及び従来のデスクトップ光学スキャナ（例えば、米国カリフォルニア州パロアルトに所在のHewlett-Packard Companyから入手可能なＳｃａｎＪｅｔ（登録商標）スキャナ），ポータブルスキャナ（例えば、米国カリフォルニア州パロアルトに所在のHewlett-Packard Companyから入手可能なＣａｐＳｈａｒｅ（登録商標）ポータブルスキャナ），又は従来のファクシミリ機等のスキャナを含め、任意のデジタル画像形成プロセス又は装置により生成することができる。

図１，図２，及び図３を参照すると、いくつかの実施態様では、画質評価システム１０は、以下のように入力画像１４の品質の定量的評価１２を生成する。

ターゲットオブジェクト領域検出モジュール１６は、入力画像１４に現れているターゲットオブジェクトを包含する入力画像１４の領域（ターゲット画像領域）を自動的に検出する（図２のステップ２２参照）。いくつかの実施態様では、入力画像１４におけるターゲットオブジェクトの外観は、人による主観的な入力画像の全体的な品質の評価を左右する確率が高い。例えば、ターゲットオブジェクトは、入力画像１４の主要な主題に対応してよい。消費者撮像用途環境では、人々が、通常、画像の主要な主題である。従って、このような用途環境では、人物の少なくとも１つの検出可能な態様をターゲットオブジェクトとして選択することができる。この用途環境に対する例示的な一実施態様では、ターゲットオブジェクトは、人の顔である。他の用途環境では、異なるターゲットオブジェクト、ひいては異なる、対応する検出アルゴリズムが使用され得る。例えば、植物用途環境では、ターゲットオブジェクトは、花又は葉等、植物の１つ又は複数の特徴に対応し得る。建築用途環境では、ターゲットオブジェクトは、建物の１つ又は複数の特徴に対応し得る。ターゲットオブジェクト領域検出モジュール１６は、１つ又は複数の各用途環境に特に合わせることができる。

図３を参照すると、消費者撮像用途環境での使用に適した例示的な一実施態様では、ターゲットオブジェクト領域検出モジュール１６は、入力画像１４において、人の顔の少なくとも一部に対応するターゲットオブジェクト領域２４を自動的に検出する。一般に、ターゲットオブジェクト領域検出モジュール１６は、特徴ベースの顔検出方法及びニューラルネットワークベースの顔検出方法を含め、多種多様な異なる顔検出方法のいずれを実施してもよい。例示的な特徴ベースの顔検出手法については、Viola及びJones著「Robust Real-Time Object Detection」 Second International Workshop of Statistical and Computation theories of Vision-Modeling, Learning, Computing, and Sampling, Vancouver, Canada (July 13, 2001）に述べられている。例示的なニューラルネットワークベースの顔検出方法については、Rowley等著「Neural Network-Based Face Detection」IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 20, No. 1 (January 1998）に述べられている。

図４Ａを参照すると、これら実施態様のいくつかでは、ターゲットオブジェクト領域検出分類器２７が、固定サイズを有する画像テンプレートに関してトレーニングされる。例えば、例示的な一実施態様では、テンプレートサイズは、（幅１８ピクセル）×（高さ１８ピクセル）の正方形である。図４Ａは、通常、予め規定された画像テンプレートよりも大きい画像領域Ｉがターゲットオブジェクト領域に対応するか否かを判定する例示的なプロセスを示す。このプロセスでは、画像領域Ｉは、テンプレートサイズに縮小される。画像領域Ｉは、標準画像サブサンプリングプロセスに従って縮小することができる。縮小された画像領域は、正規化（例えば、ヒストグラム正規化）され、画像テンプレートに対応する画像領域Ｉ’が生成される。画像領域Ｉ’は、予めトレーニングされている分類器に送られ、この分類器は、画像領域Ｉ’をターゲットオブジェクト領域或いはフォールスアラーム（false alarm）として分類する。いくつかの実施態様では、最終的な、縮小されて正規化された画像領域Ｉ’のみがオブジェクト検出結果を左右する。さらに、ダウンサンプリングプロセスにより、元の画像領域ＩからＩ’へのマッピングは一対一ではない。従って、Ｉの信号特徴の全てがＩからＩ’へのマッピングにおいて保持されるわけではなく、元の画像領域Ｉの信号特徴の一部のみが、領域をターゲット領域又はフォールスアラームとして分類する際に使用される。

図４Ｂにおいて線図で示すように、いくつかの実施形態では、オブジェクト検出に使用された画像領域Ｉの信号特徴（特徴セット１）は、画質の評価に使用される画像領域Ｉの特徴（特徴セット２）から実質的に切り離される（例えば、直交する）。図４Ａの実施形態では、縮小プロセスがローパスフィルタに対応する。従って、オブジェクト検出に使用される特徴（特徴セット１）は、主に、入力画像領域Ｉの低周波スペクトル成分を含む。この理由により、いくつかの実施形態では、画像領域Ｉの高周波成分が、品質評価の主要特徴として使用される。

再び図１及び図２を参照すると、いくつかの実施態様では、ターゲットオブジェクト領域検出モジュール１６は、検出されたターゲットオブジェクト領域２４を、サブサンプリングされた画像２６の解像度から入力画像１４の元の解像度にアップ・サンプリングする。図示の実施形態では、ターゲットオブジェクト領域検出モジュール１６の出力は、入力画像１４におけるターゲットオブジェクト領域２４の位置である。

特徴抽出モジュール１８は、予め規定されている画質特徴空間においてターゲットオブジェクト領域を表す画質特徴ベクトルを生成する（図２のステップ２８参照）。図５は、入力画像データ３０が、特徴定義セット３２に従って特徴空間内に射影される一実施形態を示す。入力画像データ３０は、入力画像ピクセルの色値，入力画像１４におけるターゲットオブジェクト領域２４の位置３４，及び特徴の重みの計算に必要な入力画像１４から導出される他の情報を含め、入力画像１４に関するいずれの情報も含む。各特徴は、特徴セット３２が広がる特徴空間中のターゲット領域２４の表現に対する特徴の寄与に対応するターゲットオブジェクト領域２４の各重み（ｗ_i、但しｉは０〜Ｎの範囲の整数値を有する）の計算方法又は測定方法を記述した規則により定義される。ターゲットオブジェクト領域２４に計算された重みのセットが、特徴ベクトル（画質特徴ベクトル）３６を構成する。

図６は、特徴抽出モジュール１８の一実施態様においてターゲットオブジェクト領域２４の特徴ベクトル３６を生成する方法の一実施形態における情報フローの図を示す。この実施形態では、特徴ベクトル３６の重みのいくつかは、ターゲットオブジェクト領域２４のスペクトル解析に基づいて計算される。特に、図示の実施形態では、特徴ベクトルは、ターゲットオブジェクト領域を、輝度特徴定義４０，少なくとも１つのスペクトル特徴定義４２のセット，及び１つ又は複数の雑音特徴定義４４のセットを含む特徴定義セット３２に射影することによって計算される。

顔検出ベースの画質評価システム１０の例示的な一実施態様では、１０次元特徴ベクトルが、検出された各ターゲット顔領域について計算される。特徴ベクトルは、１つの輝度（ＤＣ）成分，７つのスペクトル成分，及び２つの雑音成分を含む。

いくつかの実施形態では、ＤＣ成分（ｗ₀）及びスペクトル成分（ｗ₁，ｗ₂，……，ｗ₇）は、検出された顔領域の周波数領域変換から得られる。周波数領域変換は、ウェーブレット分解変換及び離散コサイン変換を含め、多種多様な異なる周波数領域変換のいずれにも対応することができる。例示的な一実施態様では、ＤＣ成分及びスペクトル成分は、検出された顔領域のウェーブレット分解に基づいて計算される。ウェーブレット分解は、検出された顔領域に直接実行してもよく、また検出された顔領域のグレースケール表現又は検出された顔領域の特定の色平面（例えば、検出された顔領域のＣＩＥ Ｌａｂ色空間表現におけるＬ平面）等、検出された顔領域から導出された画像平面に対して実行してもよい。２レベルのデシメートされた５／３ウェーブレット分解を用いて、検出された顔領域を７つのサブバンドに分解する（例えば、M. D. Adams及びF. Kossentini著「Reversible Integer-to-integer wavelet transforms for image compression: performance evaluation and analysis」IEEE Trans. on Image Processing, vol. 9, no. 6, 2000参照）。特徴ベクトル３６の各スペクトル成分は、ウェーブレット分解の各サブバンドのパワーの推定値に対応する。例えば、一実施態様では、所与のサブバンドのパワーは、所与のサブバンドの二乗係数の和に対応することができる。

雑音成分は、画像雑音のいずれの測度に基づいても計算することができる。例えば、特徴ベクトル３６の雑音成分は、検出された顔領域から直接推定してもよく、また検出された顔領域の高周波特徴の空間分布の解析に基づいて推定してもよい。

１つの例示的な雑音成分は、検出された顔領域の上の複数の位置に配置される窓に基づいて、検出された顔領域から直接推定される。例示的な一実施態様では、検出された顔領域は（高さｄピクセル）×（幅ｄピクセル）の正方形領域であり、窓は、（高さｓピクセル）×（幅ｓピクセル）の正方形領域である。但し、ｓ＝ｄ／５である。各位置において、グレースケール標準偏差が計算される。計算された標準偏差が最小のものは、「ｍｉｎＤｅｖ」と示される。ｍｉｎＤｅｖに対応する位置は、ガウスローパスフィルタによりフィルタリングされ、フィルタリングされた画像領域のグレースケール標準偏差が計算され、「ｌｏｗＤｅｖ」と示される。特徴ベクトル３６の雑音成分（ｗ₈）は、下記の式（１）により計算される。

上記の式（１）中、ｍは、特異点を回避するために用いられる小さな定数である。

別の例示的な雑音成分は、検出された顔領域の高周波特徴の空間分布の解析に基づいて計算される。例示的な一実施態様では、雑音成分は、上記ウェーブレット分解の高周波成分の空間一様性の推定値である。この雑音測度は高忠実度画像と雑音の多い画像を区別する。これは、両方の種類の画像も実質的に高周波信号パワーを有するが、高周波特徴の空間分布は異なるためである。例えば、雑音の多い画像の高周波特徴は一様に分布する傾向がある一方で、高忠実度顔領域の高周波特徴は、目及び口等、顔の特徴の位置に集中する傾向がある。一実施態様では、空間一様性は、各高周波サブバンド信号をしきい値処理して二値画像を生成することによって測定される。窓（例えば、ｓ×ｓ正方形窓）が、検出された顔領域の各ピクセル位置（ｉ，ｊ）に配置される。標準偏差（Ｄｅｖ（ｉ，ｊ，ｓ））が各窓位置ｓにおいて計算される。空間分布雑音成分（ｗ₉）は、下記の式（２）により計算される。

ここで、Ｉ，Ｊ，及びＳは、ｉ，ｊ，及びｓの各範囲である。

計算された特徴の重み（ｗ₀，ｗ₁，……，ｗ_N）は、組み合わせられて、計算特徴ベクトル３６を形成する（図６のステップ４６参照）。

再び図１及び図２を参照すると、特徴ベクトル３６は、画質評価モジュール２０に入力され、画質評価モジュール２０は、画質特徴ベクトルを画質の定量的測度にマッピングする（図２のステップ５０参照）。いくつかの実施形態では、画質評価モジュール２０は、図７及び図８に関連して以下において詳細に説明するように、計算された特徴ベクトル３６と、人間である専門家（又は管理者）によりトレーニング画像セットに割り当てられた定量的評価との間の関数的関係を捕捉する、機械学習ベースの分類エンジンである。直接関数近似（又は補間）方法及び統計学的分布推定方法を含め、多種多様な異なる機械学習方法のいずれも、画質評価エンジン２０の生成に用いることができる。

例示的な直接関数近似ベースの一手法では、画質評価モジュール２０は、動径基底関数（ＲＢＦ）ベースの機械学習方法を実施する。この実施態様では、関数Ｆは、オブジェクト領域の特徴ベクトルＶ＝｛ｗ₀，ｗ₁，……，ｗ₉｝を品質評価値ｇに、
ｇ＝Ｆ（Ｖ） …… （３）
としてマッピングするように定義される。このＲＢＦ実施形態では、動径基底関数ネットワークがモデリングされて、標準的な方法で未知のマッピング関数Ｆを近似する（例えば、参照により本明細書に援用されるI. Nabney著「Netlab: Algorithms for Pattern Recognition」Springer Verlag; 1st edition (November 28, 2001）参照）。

例示的な統計学的分布推定の一方法では、画質評価方法２０は、ガウスベースの機械学習方法を混合したものを実施する。この実施態様では、特徴ベクトルは、先のマッピング関数Ｆの入力及び出力の組み合わせとして定義される。
Ｖ’＝｛ｇ，ｗ₀，ｗ₁，……，ｗ₉｝ …… （４）

特徴ベクトルＶ’の分布は、ガウスモデルの標準混合を使用してモデリングされる（例えば、I. Nabney著「Netlab: Algorithms for Pattern Recognition」Springer Verlag; 1st edition (November 28, 2001）参照）。例えば、いくつかの実施態様では、特徴ベクトルＶ’の分布は関数Ｇによりモデリングされ、品質評価値ｇ₀は以下のように計算される。

式（５）に表した式では、ｇは、５つの整数値の中の１つであると想定される。一般に、変数ｇに割り当てることができる値の数は、可能な画像評価値の数に対応する。

図７及び図８を参照すると、いくつかの実施態様では、画質評価モジュール２０は、以下のようにトレーニングされる。トレーニング画像６０が、まず、ターゲットオブジェクト領域検出モジュール１６により処理されて、検出ターゲットオブジェクト領域６２のセットが生成される（ステップ６４参照）。各ターゲットオブジェクト領域６２には、人である専門家（又は管理者）により、検出ターゲットオブジェクト領域の品質の定量的評価６６が手動でラベル付けられる（ステップ６８）。例示的な一実施形態では、各ターゲットオブジェクト領域には、１〜５の範囲の値を有し、高い品質スコアほど高画質に対応する品質スコアが割り当てられる。特徴ベクトル３６は、各検出ターゲットオブジェクト領域について計算される（ステップ７０）。結果として得られるトレーニングデータ３６，６６（図７参照）が機械学習モデルに送られて画質評価モジュール２０をトレーニングし、画質評価モジュール２０は、画質特徴ベクトル３６に画質のそれぞれの測度６６を相関付ける（ステップ７２参照）。トレーニング中、画質評価モジュール２０は、画質特徴ベクトルと画質測度６６の間のマッピング７４を計算する（ステップ７６参照）。このマッピング７４は、図５の実施形態において画質を自動的に評価する際に用いられる。

他の実施形態も特許請求の範囲内にある。

本明細書に記載のシステム及び方法は、任意特定のハードウェア又はソフトウェア構成に限定されず、デジタル電子回路、又はコンピュータハードウェア，ファームウェア，若しくはソフトウェアを含め、いずれの計算環境又は処理環境でも実施することができる。システムは、部分的に、コンピュータプロセッサにより実行される、機械可読記憶装置に有形に具現されるコンピュータプロセス製品で実施することができる。いくつかの実施形態では、これらシステムは、好ましくは、高水準手続き言語又はオブジェクト指向処理言語で実施されるが、アルゴリズムは、所望であればアセンブリ言語又は機械語で実施してもよい。いずれの場合でも、処理言語はコンパイル言語又はインタプリタ言語であり得る。本明細書に記載の方法は、例えば、入力データに対して動作し、出力を生成することにより、これら方法を実行する命令を実行するようにプロセスモジュールに編成されるコンピュータプロセッサにより実行することができる。適したプロセッサとしては、例えば、汎用マイクロプロセッサ及び専用マイクロプロセッサが両方とも挙げられる。一般に、プロセッサは、命令及びデータを読み取り専用メモリ及び／又はランダムアクセスメモリから受け取る。コンピュータプロセス命令を有形に具現するのに適した記憶装置としては、例えば、ＥＰＲＯＭ，ＥＥＰＲＯＭ，及びフラッシュメモリデバイス等の半導体メモリデバイス；内部ハードディスク及び取り外し可能ディスク等の磁気ディスク；磁気光学ディスク；及びＣＤ−ＲＯＭを含むすべての形の不揮発性メモリが挙げられる。上記技術のいずれも、特別に設計されたＡＳＩＣ（特定用途向け集積回路）により補足しても、またＡＳＩＣに組み込んでもよい。

以上を要約すると、次の通りである。すなわち、ここでは、画質を評価するためのシステム及び方法が記載されている。画質を評価するための１つの構成においては、ターゲットオブジェクト領域２４が入力画像１４において検出される。画質特徴空間中のターゲットオブジェクト領域２４を表す画質特徴ベクトル３６が生成される。この画質特徴ベクトル３６は、画質の測度１２にマッピングされる。画質評価エンジンを生成するための１つの構成では、ターゲットオブジェクト領域６２が複数の入力画像６０において検出される。画質特徴空間中のターゲットオブジェクト領域６２を表す画質特徴ベクトル３６が生成される。画質特徴ベクトル３６は、入力画像６０に割り当てられた画質のそれぞれの測度６６に相関付けられる。画質特徴ベクトル３６と割り当てられた画質の測度６６との間のマッピング７４が計算される。

画質評価システムの一実施形態を示すブロック図である。 画質を評価する方法の一実施形態を示すフローチャートである。 入力画像及び入力画像をサブサンプリングしたものを示す図である。 画像領域を分類する方法の一実施形態における情報フローを示すフローチャートである。 画質を評価する方法の一実施形態における情報フローを示すフローチャートである。 図１に示す特徴抽出モジュールの一実施態様を示す図である。 画質特徴空間中のターゲットオブジェクト領域を表す特徴ベクトルを生成する方法の一実施形態における情報フローを示す図である。 画質評価エンジンを生成するシステムの一実施形態を示すブロック図である。 画質評価エンジンを生成する方法の一実施形態を示すフローチャートである。

符号の説明

１０ 画質評価システム
１２ 定量的評価（測度）
１４ 入力画像
１６ ターゲットオブジェクト領域検出モジュール
１８ 特徴抽出モジュール
２０ 画質評価モジュール
２４，６２ ターゲットオブジェクト領域
２６ 画像
３６ 画質特徴ベクトル
６６ 測度

Claims (10)

1. 画質を評価する方法であって、
   入力画像中のターゲットオブジェクト領域を検出するステップと、
   画質特徴空間中の前記ターゲットオブジェクト領域を表す画質特徴ベクトルを生成するステップと、
   前記画質特徴ベクトルを画質の測度にマッピングするステップと、
   を含むことを特徴とする方法。
2. 前記ターゲットオブジェクト領域は、人物の顔に対応することを特徴とする請求項１に記載の方法。
3. 前記ターゲットオブジェクト領域は、前記入力画像をサブサンプリングしたものに基づいて検出され、前記画質特徴ベクトルは、前記ターゲットオブジェクト領域の前記入力画像の解像度のものに基づいて生成されることを特徴とする請求項１に記載の方法。
4. 前記ターゲットオブジェクト領域は、前記入力画像の第１の特徴セットに基づいて検出され、前記画質特徴ベクトルは、前記第１の特徴セットと異なる前記入力画像の第２の特徴セットに基づいて生成されることを特徴とする請求項１に記載の方法。
5. 前記画質特徴空間には、前記ターゲットオブジェクト領域に固有の各輝度を記述する少なくとも１つの輝度特徴、並びに、前記ターゲットオブジェクト領域に固有の各空間周波数を記述する少なくとも１つのスペクトル特徴を含む複数の特徴が広がることを特徴とする請求項１に記載の方法。
6. 前記画質特徴ベクトルを生成するステップは、前記ターゲットオブジェクト領域を複数のウェーブレット変換サブバンドに分解するステップを含むことを特徴とする請求項５に記載の方法。
7. 各スペクトル特徴は、各ウェーブレット変換サブバンドにおけるエネルギーを記述することを特徴とする請求項６に記載の方法。
8. 前記画質特徴空間には、前記ターゲットオブジェクト領域に固有の各雑音を記述する少なくとも１つの雑音特徴を含む複数の特徴が広がることを特徴とする請求項１に記載の方法。
9. 画質を評価するシステムであって、
   入力画像中のターゲットオブジェクト領域を検出するように動作可能なターゲットオブジェクト領域検出モジュールと、
   画質特徴空間中の前記ターゲットオブジェクト領域を表す画質特徴ベクトルを生成するように動作可能な特徴抽出モジュールと、
   前記画質特徴ベクトルを画質の測度にマッピングするように動作可能な画質評価モジュールと、
   を備えることを特徴とするシステム。
10. 画質評価エンジンを生成する方法であって、
    複数の入力画像中のターゲットオブジェクト領域を検出するステップと、
    画質特徴空間中の前記ターゲットオブジェクト領域を表す画質特徴ベクトルを生成するステップと、
    前記画質特徴ベクトルを、前記入力画像に割り当てられた画質の各測度に相関付けるステップと、
    画質特徴ベクトルと割り当てられた画質の測度との間のマッピングを計算するステップと、
    を含むことを特徴とする方法。
    

Images