How humans perceive image quality in general (e.g. aesthetics, resolution, lighting) and what constitutes to an image of good quality and aesthetics, is an interesting topic for neural networks to tackle. Lately several different aspects have been investigated in theory to try and build models to accurately predict the quality of an image. The problem is investigated in this thesis by performing an experiment and testing a method that computes the aesthetic value of an image and ranks a number of images according to their aesthetic value. The rankings are then compared to human rankings of the same images to determine if there is a correlation between the two. From the results the null hypothesis (that the correlation is just a coincidence) cannot be rejected but in 92% of the cases there were at least some agreement (same image, same position) between the algorithm and the human ranking. There are multiple similarities between the human rankings and the algorithm rankings which reveals a good potential to further investigate the problem in future. / Hur bildkvalité generellt sett uppfattas av människor (så som estetik, upplösning, ljussättning) och vad som gör att en bild kan klassificeras som en bild av hög kvalité är ett intressant ämnesområde för neurala nätverk. Den senaste forskningen visar att det finns flera metoder och aspekter som påverkar hur kvalitativ en bild är i teorin. Problemet undersöks i denna rapport med ett experiment och metoden som testas är en metod som kan sätta ett estetiskt värde på en bild. Tillsammans med flera olika bilder kunde en rangordning skapas. Denna rangordning jämfördes sedan med en rangordning skapad av människor. Från resultaten så kan inte nollhypotesen förkastas (att korrelationen är ett sammanträffande) men att i 92% av fallen så finns det åtminstånde en likhet mellan algoritmens rangordning och en människas rangordning. Det finns flera likheter mellan de mänskliga rangordningarna och algoritmens rangordning vilket visar en god potential för forsatt undersökning i framtiden.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-240122 |
Date | January 2018 |
Creators | Olsson, Daniel |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2018:754 |
Page generated in 0.0016 seconds