Many state-of-the-art perceptual image quality assessment (IQA) algorithms share a common two-stage structure: local quality/distortion measurement followed by pooling. While significant progress has been made in measuring local image quality/distortion, the pooling stage is often done in ad-hoc ways, lacking theoretical principles and reliable computational models. This paper aims to test the hypothesis that when viewing natural images, the optimal perceptual weights for pooling should be proportional to local information content, which can be estimated in units of bit using advanced statistical models of natural images. Our extensive studies based upon six publicly-available subject-rated image databases concluded with three useful findings. First, information content weighting leads to consistent improvement in the performance of IQA algorithms. Second, surprisingly, with information content weighting, even the widely criticized peak signal-to-noise-ratio can be converted to a competitive perceptual quality measure when compared with state-of-the-art algorithms. Third, the best overall performance is achieved by combining information content weighting with multiscale structural similarity measures.

Reduced-reference image quality assessment (RRIQA) methods estimate image quality degradations with partial information about the ldquoperfect-qualityrdquo reference image. In this paper, we propose an RRIQA algorithm based on a divisive normalization image representation. Divisive normalization has been recognized as a successful approach to model the perceptual sensitivity of biological vision. It also provides a useful image representation that significantly improves statistical independence for natural images. By using a Gaussian scale mixture statistical model of image wavelet coefficients, we compute a divisive normalization transformation (DNT) for images and evaluate the quality of a distorted image by comparing a set of reduced-reference statistical features extracted from DNT-domain representations of the reference and distorted images, respectively. This leads to a generic or general-purpose RRIQA method, in which no assumption is made about the types of distortions occurring in the image being evaluated. The proposed algorithm is cross-validated using two publicly-accessible subject-rated image databases (the UT-Austin LIVE database and the Cornell-VCL A57 database) and demonstrates good performance across a wide range of image distortions.

As there has been an explosive increase in wireless data traffic, mmw communication has become one of the most attractive techniques in the 5G mobile communications systems. Although mmw communication systems have been successfully applied to indoor scenarios, various external factors in an outdoor environment limit the applications of mobile communication systems working at the mmw bands. In this article, we discuss the issues involved in the design of antenna array architecture for future 5G mmw systems, in which the antenna elements can be deployed in the shapes of a cross, circle, or hexagon, in addition to the conventional rectangle. The simulation results indicate that while there always exists a non-trivial gain fluctuation in other regular antenna arrays, the circular antenna array has a flat gain in the main lobe of the radiation pattern with varying angles. This makes the circular antenna array more robust to angle variations that frequently occur due to antenna vibration in an outdoor environment. In addition, in order to guarantee effective coverage of mmw communication systems, possible solutions such as distributed antenna systems and cooperative multi-hop relaying are discussed, together with the design of mmw antenna arrays. Furthermore, other challenges for the implementation of mmw cellular networks, for example, blockage, communication security, hardware development, and so on, are discussed, as are potential solutions.

Background/Objectives: Magnetic Resonance Imaging (MRI) plays a vital role in brain tumor diagnosis by providing clear visualization of soft tissues without the use of ionizing radiation. Given the increasing incidence of brain tumors, there is an urgent need for reliable diagnostic tools, as misdiagnoses can lead to harmful treatment decisions and poor outcomes. While machine learning has significantly advanced medical diagnostics, achieving both high accuracy and computational efficiency remains a critical challenge. Methods: This study proposes a hybrid model that integrates MobileNetV2 for feature extraction with a Support Vector Machine (SVM) classifier for the classification of brain tumors. The model was trained and validated using the Kaggle MRI brain tumor dataset, which includes 7023 images categorized into four types: glioma, meningioma, pituitary tumor, and no tumor. MobileNetV2’s efficient architecture was leveraged for feature extraction, and SVM was used to enhance classification accuracy. Results: The proposed hybrid model showed excellent results, achieving Area Under the Curve (AUC) scores of 0.99 for glioma, 0.97 for meningioma, and 1.0 for both pituitary tumors and the no tumor class. These findings highlight that the MobileNetV2-SVM hybrid not only improves classification accuracy but also reduces computational overhead, making it suitable for broader clinical use. Conclusions: The MobileNetV2-SVM hybrid model demonstrates substantial potential for enhancing brain tumor diagnostics by offering a balance of precision and computational efficiency. Its ability to maintain high accuracy while operating efficiently could lead to better outcomes in medical practice, particularly in resource limited settings.

In order to achieve high-reliability transmission and high-fidelity reception of important semantics over long-distance or unfavorable channel conditions, a Reconfigurable Intelligent Surface (RIS)-assisted semantic communication system (RISSCS) is proposed in this letter. To enhance the performance of RIS-SCS, an optimization problem on maximizing the semantic fidelity is formulated. This requires a cross-layer design of the beamforming in the physical layer and the network training in the semantic layer, which is intractable due to the different mechanisms and mutually coupled variables. To provide insights, an efficient hierarchical optimization framework is proposed, in which the active pre-coding beamforming vector at the source and the passive phase shifts at the RIS are first jointly optimized to form favorable channels, based on which the corresponding semantic neural networks are trained in an end-to-end manner. Simulation results verify the performance gains achieved by the proposed RIS-SCS. Specifically, under unfavorable channel conditions with severe path-loss attenuations or in power constrained regime, the proposed RIS-SCS demonstrates superior performance and robustness compared to the case without RIS.