基于機(jī)器學(xué)習(xí)的無(wú)參考圖像質(zhì)量評(píng)價(jià)指標(biāo)體系改進(jìn)

樊曉婷 畢艷輝

摘 要：為解決BRISQUE算法中單純提取灰度空間指標(biāo)特征的問(wèn)題，進(jìn)一步提升算法預(yù)測(cè)的準(zhǔn)確性，文章在BRISQUE算法的基礎(chǔ)上改進(jìn)了無(wú)參考圖像質(zhì)量評(píng)價(jià)指標(biāo)體系，提出了一種基于灰度空間和色彩空間的改進(jìn)算法。同時(shí)，為了減少單一數(shù)據(jù)庫(kù)造成的模型過(guò)擬合現(xiàn)象，提升算法的魯棒性，該算法分別在LIVE和CSIQ數(shù)據(jù)庫(kù)上分析了算法計(jì)算結(jié)果與DMOS值的相關(guān)性。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的BRISQUE算法評(píng)價(jià)結(jié)果與人類主觀評(píng)價(jià)具有高度的一致性，較BRISQUE算法在一致性方面有一定程度的提升。

關(guān)鍵詞：無(wú)參考圖像質(zhì)量評(píng)價(jià)；BRISQUE算法；機(jī)器學(xué)習(xí)；圖像失真

圖像作為人類視覺(jué)和機(jī)器模式識(shí)別的重要信息來(lái)源，蘊(yùn)含了大量有價(jià)值的信息，一張圖像質(zhì)量的好壞直接影響獲取信息的準(zhǔn)確性和完整性。在圖像的獲取、存儲(chǔ)、傳輸、顯示等過(guò)程中不可避免地會(huì)引入一些干擾因素，如噪聲、模糊等，最終造成圖像質(zhì)量的下降。

BRISQUE算法是Anish Mittal，Alan Conrad Bovik等[1-2]于2012年提出的基于機(jī)器學(xué)習(xí)的無(wú)參考圖像質(zhì)量評(píng)價(jià)算法，該算法基于圖像灰度空間提取與圖像質(zhì)量相關(guān)的指標(biāo)，構(gòu)建無(wú)參考圖像質(zhì)量評(píng)價(jià)模型，但該算法未考慮色彩對(duì)圖像質(zhì)量的影響。本文基于BRISQUE算法改進(jìn)原有的無(wú)參考圖像質(zhì)量評(píng)價(jià)指標(biāo)體系，在色彩空間上提取多個(gè)相關(guān)指標(biāo)，并在不同圖像數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)測(cè)試。實(shí)驗(yàn)結(jié)果表明：改進(jìn)的BRISQUE算法評(píng)價(jià)結(jié)果與人類主觀評(píng)價(jià)具有高度的一致性，較BRISQUE算法在一致性方面有一定程度的提升。

1 BRISQUE算法簡(jiǎn)介

BRISQUE算法的基本步驟為：

（1）對(duì)圖像作局部灰度標(biāo)準(zhǔn)化處理，獲取圖像標(biāo)準(zhǔn)化灰度值（Mean Subtracted Contrast Normalized，MSCN）。

（2）廣義高斯函數(shù)（Generalized Gaussian Distribution，GGD）擬合MSCN值，獲取形狀參數(shù)α和方差σ2兩個(gè)指標(biāo)特征。

（3）非對(duì)稱廣義高斯函數(shù)（Asymmetric Generalized Gaussian Distribution，AGGD）分別擬合4個(gè)方向上的相鄰像素MSCN值，每個(gè)方向上獲取4個(gè)參數(shù)，共計(jì)16個(gè)指標(biāo)特征。

（4）在采樣因子為2的下采樣的尺度上按（1）、（2）、（3）步驟提取18個(gè)指標(biāo)作為獲取失真的第3組特征。

（5）基于在兩個(gè)尺度上提取的36個(gè)特征指標(biāo)，利用支持向量回歸（Support Vector Regression，SVR）模型學(xué)習(xí)出圖像質(zhì)量評(píng)價(jià)函數(shù)。

BRISQUE創(chuàng)新性地將機(jī)器學(xué)習(xí)算法應(yīng)用于無(wú)參考圖像質(zhì)量評(píng)價(jià)中，較傳統(tǒng)的客觀評(píng)價(jià)指標(biāo)相比具有明顯優(yōu)勢(shì)。但其僅僅考慮圖像失真在灰度方面引起的指標(biāo)的變化。本文在基于BRISQUE算法的基礎(chǔ)上引入色彩空間指標(biāo)，并在不同數(shù)據(jù)集上進(jìn)行模型的訓(xùn)練。

本文所采用的圖像數(shù)據(jù)庫(kù)為L(zhǎng)IVE和CSIQ，其中LIVE數(shù)據(jù)庫(kù)主觀分?jǐn)?shù)是DMOS（0-100）。CSIQ數(shù)據(jù)庫(kù)的主觀分?jǐn)?shù)為DMOS值（0-1），為保證兩個(gè)數(shù)據(jù)庫(kù)主觀分?jǐn)?shù)范圍的一致性，將CSIQ數(shù)據(jù)庫(kù)的DMOS值范圍擴(kuò)大100倍。

2 基于BRISQUE算法的指標(biāo)體系改進(jìn)

2.1 色彩空間特征提取

CIELAB顏色空間是由國(guó)際照明委員會(huì)（Commission Internationale de LEclairage，CIE）制定的一種色彩模式。自然界中任何一點(diǎn)色彩都可以在 CIELAB空間中表達(dá)出來(lái)[3]。

CIELAB色彩空間中的3個(gè)坐標(biāo)軸分別為：L*表示色彩空間中灰度的位置，a*表示色彩空間中相對(duì)于紅色/綠色的位置，b*表示色彩空間相對(duì)于黃色和綠色的位置。其中，圖像（i，j）處的色度的定義如下[4]：

（1）

在提取特征前先對(duì)圖像色度做局部標(biāo)準(zhǔn)化處理，起到去相關(guān)的作用。

（2）

其中：，，M和N分別為圖像的高度和寬度，參數(shù)C=1來(lái)增強(qiáng)式子的穩(wěn)定性。和分別為局部均值和標(biāo)準(zhǔn)差。

我們稱為標(biāo)準(zhǔn)化色度系數(shù)。參考圖像標(biāo)準(zhǔn)化后的色度值近似服從標(biāo)準(zhǔn)高斯分布，同時(shí)，相鄰像素的色度值具有很強(qiáng)的相關(guān)性，標(biāo)準(zhǔn)化后的色度值大大減小了這種相關(guān)性。

根據(jù)實(shí)驗(yàn)研究發(fā)現(xiàn)，參考圖像的標(biāo)準(zhǔn)化色度系數(shù)值近似服從標(biāo)準(zhǔn)高斯分布，而失真圖像的標(biāo)準(zhǔn)化色度系數(shù)值則呈現(xiàn)不同的分布，GGD可以有效獲取失真圖像更多的統(tǒng)計(jì)數(shù)據(jù)特征。期望為0的廣義高斯分布函數(shù)為：

（3）

我們用GGD擬合標(biāo)準(zhǔn)化色度系數(shù)值，并估計(jì)兩個(gè)參數(shù)。

由于原始圖像的標(biāo)準(zhǔn)化色度系數(shù)值分布更均勻，因此，相鄰像素的會(huì)呈現(xiàn)有規(guī)律的特征，構(gòu)建4個(gè)方向成對(duì)的相鄰像素的標(biāo)準(zhǔn)化色度系數(shù)值模型[5-7]：

（1）水平方向

（4）

（2）豎直方向

（5）

（3）主對(duì)角線方向

（6）

（4）副對(duì)角線方向

（7）

我們采取更一般的AGGD模型提取相鄰像素的特征，眾數(shù)為0的AGGD分布函數(shù)為：

（8）

其中：v為形狀參數(shù)，為范圍參數(shù)，提取AGGD最佳擬合參數(shù)，其中為：

（9）

對(duì)于每個(gè)像素點(diǎn)的4個(gè)方向上有16個(gè)特征參數(shù)?？紤]到圖像通常具有多尺度性，同時(shí)，通過(guò)將多尺度信息融入圖像質(zhì)量評(píng)價(jià)，因此，在兩個(gè)尺度上（原圖像尺度和采樣因子為2的下采樣的尺度）提取將征，共計(jì)提取特征數(shù)目為36（18×2）。

2.2 SVR機(jī)器學(xué)習(xí)模型建立

無(wú)參考圖像質(zhì)量評(píng)價(jià)NR IQA可以看作是一個(gè)回歸問(wèn)題。基于提取的特征通過(guò)一個(gè)回歸函數(shù)來(lái)學(xué)習(xí)出圖像質(zhì)量評(píng)價(jià)函數(shù)，可表示為[8]：

（10）

其中：x為提取的特征向量，f（·）為回歸函數(shù)，Q為最后的圖像質(zhì)量。

通過(guò)SVR的方法進(jìn)行訓(xùn)練模型。70%的圖片作為訓(xùn)練集，30%的圖片作為測(cè)試集。經(jīng)過(guò)1 000次隨機(jī)模擬實(shí)驗(yàn)，BRISQUE算法和改進(jìn)的BRISQUE算法的訓(xùn)練集和測(cè)試集輸出的結(jié)果與主觀評(píng)測(cè)結(jié)果的線性相關(guān)系數(shù)和斯皮爾曼相關(guān)系數(shù)如表1—2所示。

相關(guān)系數(shù)越接近于1說(shuō)明該算法預(yù)測(cè)值與主觀評(píng)測(cè)的DMOS值相關(guān)性越高。

3 結(jié)語(yǔ)

無(wú)參考圖像質(zhì)量評(píng)價(jià)方法不需要參考圖像的任何信息，僅根據(jù)失真圖像本身來(lái)進(jìn)行質(zhì)量評(píng)價(jià)。本文在BRISQUE算法的基礎(chǔ)上，在CIELAB色彩空間上提取特征指標(biāo)并構(gòu)建了無(wú)參考圖像質(zhì)量評(píng)價(jià)模型。在LIVE和CSIQ圖像質(zhì)量評(píng)價(jià)數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果表明，本文的評(píng)價(jià)結(jié)果與人類主觀質(zhì)量評(píng)價(jià)高度一致，較BRISQUE算法有很大程度的提升。

[參考文獻(xiàn)]

[1]MOORTHY A K，BOVIK A C.A two-step framework for constructing blind image quality indices[J].IEEE Signal Processing Letters，2010（5）：513-516.

[2]SAAD M A，BOVIK A C，CHARRIER C.DCT statistics model-based blind image quality assessment[C].Atlanta：IEEE International Conference on Image Processing，2011：3093-3096.

[3]范賜恩，冉杰文，顏佳，等.顏色空間統(tǒng)計(jì)聯(lián)合紋理特征的無(wú)參考圖像質(zhì)量評(píng)價(jià)[J].光學(xué)精密工程，2018（4）：916-926.

[4]江程.基于結(jié)構(gòu)相似度的圖像客觀質(zhì)量評(píng)價(jià)方法研究[D].湘潭：湘潭大學(xué)，2012.

[5]MITTAL A，MOORTHY A K，BOVIK A C.No-reference image quality assessment in the spatial domain[J].IEEE Transactions on Image Processing，2012（12）：4695-4708.

[6]MOORTHY A K，BOVIK A C.Blind image quality assessment： from natural scene statistics to perceptual quality[J].IEEE Transactions on Image Processing，2012（12）：3350-3364.

[7]MITTAL A，SOUNDARARAJAN R，BOVIK A C.Making a “completely blind” image quality analyzer[J].IEEE Signal Processing Letters，2013（3）：209-212.

[8]王志明.無(wú)參考圖像質(zhì)量評(píng)價(jià)綜述[J].自動(dòng)化學(xué)報(bào)，2015（6）：1062-1079.