，j = 1···Ν ;邊緣概率分布的計算 如下：
[0038] (H)
[0039] 12 )
[0040] 2-2)條件概率分布計算：
[0041] 對于焉和1的條件概率分布，在二維條件概率下對其中一個變量求期望，結(jié)果如 下：
[0042] (復(fù)).
[0043] (1.4..):
[0044] 條件概率分布能夠等效于對疼和之間的獨立性進(jìn)行描述，定義獨立性指標(biāo)D如 下：
[0045]
(15:)
[0046] 則條件概率的計算式（13)和（14)用式（16)和（17)等效；
[0047] 16)
[0048] (17)〇:
[0049] 所述步驟3)中，盲圖像質(zhì)量評價模型訓(xùn)練的具體方法如下：
[0050] 對于訓(xùn)練圖像庫中的所有圖像提取步驟2)中的兩種統(tǒng)計特征；利用支持向量機(jī) 的方法在所有圖像特征以及所有圖像主觀分之間建立一個回歸模型；在支持向量機(jī)訓(xùn)練模 型的過程中，采用徑向基函數(shù)作為核函數(shù)，其中兩個參數(shù)Cost和γ通過網(wǎng)格搜索法確定；
[0051] 訓(xùn)練三種不同的盲圖像質(zhì)量評價模型：
[0052] 模型1 :只采用邊緣概率分布特征作為支持向量機(jī)的輸入進(jìn)行訓(xùn)練模型；
[0053] 模型2 :只采用條件概率分布特征作為支持向量機(jī)的輸入進(jìn)行訓(xùn)練模型；
[0054] 模型3 :同時采用邊緣概率分布特征和條件概率根部特征作為支持向量機(jī)的輸入 進(jìn)行訓(xùn)練模型。
[0055] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：
[0056] 本發(fā)明設(shè)計了一個新穎的圖像感知特征提取方法。該特征從人類視覺的處理機(jī)制 出發(fā)，首先提取圖像的梯度模值和LOG信號，通過對這兩種信號進(jìn)行聯(lián)合自適應(yīng)歸一化消 除高階冗余性；在此基礎(chǔ)上分別計算二者的邊緣分布概率直方圖和條件分布概率直方圖作 為圖像感知特征。這種特征計算簡單，符合人類視覺早期處理過程，并且具有更好的區(qū)分自 然圖像與非自然圖像的能力。通過支持向量機(jī)技術(shù)利用圖像質(zhì)量評價數(shù)據(jù)庫中的圖像主觀 評分?jǐn)?shù)據(jù)進(jìn)行盲圖像質(zhì)量評價模型的訓(xùn)練。得到的模型在盲圖像質(zhì)量評價任務(wù)中取得了目 前最好的效果。 【【附圖說明】】
[0057] 圖1為本發(fā)明所提出盲圖像質(zhì)量評價算法流程圖；
[0058] 圖2為梯度濾波模板和LOG濾波模板示意圖；從左至右依次是：水平方向梯度算 子，豎直方向梯度算子，LOG算子。
[0059] 圖3為自然圖像中三個邊緣結(jié)構(gòu)在聯(lián)合自適應(yīng)歸一化前后梯度模值和LOG信號剖 線的變化圖；其中，（a)為一副自然圖像以及其中三個放大的邊緣結(jié)構(gòu)；(b)為三個邊緣結(jié) 構(gòu)的梯度模值剖線圖；（c)為自適應(yīng)歸一化后三個邊緣結(jié)構(gòu)的梯度模值剖線圖；(d)為三個 邊緣結(jié)構(gòu)的LOG信號剖線圖；（e)為自適應(yīng)歸一化后三個邊緣結(jié)構(gòu)的LOG信號剖線圖。
[0060] 圖4為兩幅自然圖像以及一副非自然圖像在歸一化前后梯度模值和LOG信號邊緣 分布的變化圖。每一行從左至右依次是：原始圖像，局部放大區(qū)域的梯度模值和LOG信號 圖，原始圖像梯度和LOG信號的邊緣概率分布直方圖，局部放大區(qū)域在歸一化后的梯度模 值和LOG信號圖，歸一化后圖像梯度和LOG信號的邊緣概率分布直方圖。其中，（a)為圖像 "建筑物"；(b)為圖像"帽子"；（c)為圖像"棋盤格"。
[0061] 圖5為圖4中三幅圖像在歸一化后梯度模值與LOG信號的條件概率直方圖分布比 較圖。其中，（a)為圖像"建筑物"；(b)為圖像"帽子"；(c)為圖像"棋盤格"。
[0062] 圖6為盲圖像質(zhì)量評價模型在三個數(shù)據(jù)庫上的評價性能SRC隨支持向量機(jī)的參數(shù) 選擇變化的等高線圖。其中，（a)為LIVE數(shù)據(jù)庫；(b)為CSIQ數(shù)據(jù)庫；（c)為TID2008數(shù)據(jù) 庫。 【【具體實施方式】】
[0063] 下面結(jié)合附圖對本發(fā)明做進(jìn)一步詳細(xì)描述：
[0064] 參見圖1至圖6,本發(fā)明所提出的算法為利用圖像中的彩色信息，因為以下內(nèi)容中 所涉及到的圖像均指彩色圖像轉(zhuǎn)換到Y(jié)UV空間后的亮度分量。本發(fā)明具體包括以下步驟：
[0065] (1)梯度模值與LOG信號的提取及聯(lián)合歸一化
[0066] 在盲圖像質(zhì)量評價算法中，質(zhì)量特征的提取起著至關(guān)重要的作用。所提取特征能 夠反映圖像退化程度的能力直接影響到最終預(yù)測模型的訓(xùn)練。由于梯度模值已經(jīng)在圖像質(zhì) 量評價中展現(xiàn)出了非常有效的評價性能，因此本發(fā)明從這兩種圖像初級特征出發(fā)，提取有 效的圖像質(zhì)量特征。
[0067] 首先，提取測試圖像的梯度模值和LOG信號。用I表示測試圖像，則梯度模值可以 通過式（1)計算得到：
[0068]
C1 )
[0069] 其中hd，cU {x，y}為高斯梯度濾波模板，分別計算沿X方向和y方向的梯度，《)是 卷積算子，g(x，y I 〇 )為標(biāo)準(zhǔn)差為〇 1的高斯函數(shù)。
[0070] CN 105160667 A I兄明書 6/11 頁
[0071]
[0072] LOG信號可以通過式⑷計算得到：
[0073]
[0074]
[0075] 其中Iiuk為LOG濾波模板。
[0076] 這三個濾波模板如圖2所示。
[0077] 然后，對提取的梯度模值和LOG信號進(jìn)行聯(lián)合自適應(yīng)歸一化處理。梯度模值和LOG 信號作為一種圖像的局部對比度特征，雖然已經(jīng)去除了圖像中的大部分相關(guān)性，然而仍有 很多殘留的高階冗余信息。人類視覺系統(tǒng)中由掩蓋效應(yīng)導(dǎo)致的對比度增益控制可以很好的 去除視覺信號中的冗余性。這種特性在圖像處理中經(jīng)常采用圖像小波分解后對各個通道系 數(shù)的區(qū)分歸一化變換進(jìn)行模擬。對于子帶內(nèi)每一點的系數(shù)的能量，用其在頻率、方向和空間 的鄰域系數(shù)的能量均值加權(quán)平均結(jié)果進(jìn)行歸一化處理。
[0078] 對于梯度模值和LOG信號，本發(fā)明提出了一種聯(lián)合自適應(yīng)歸一化方法。該方法類 似于區(qū)分歸一化變換的方法。具體的，對于測試圖像I中每一點的梯度模值和LOG信號G 1 和L1，采用如下的歸一化因子進(jìn)行歸一化處理：
[0079]
[0080]
[0081] 該歸一化因子可以看做是將圖像分解在兩個通道：梯度模值和LOG信號。F表示 對應(yīng)位置處這兩個信號的模值，N 1表示由鄰域內(nèi)的兩個信號的能量加權(quán)平均得到的歸一化 因子，i和j表示當(dāng)前點的位置，1和k表示當(dāng)前點的鄰域中點的相對位置，ω為加權(quán)平均 時使用的模板，一般采用高斯窗口進(jìn)行，其尺度因子記為σ 3?；谶@種梯度模值和LOG信 號的聯(lián)合歸一化因子，新的梯度模值和LOG信號可以通過下面的計算得到：
[0082]
[0083]
[0084] 其中ε為防止分母為零的常數(shù)。圖3顯示了這種聯(lián)合自適應(yīng)歸一化前后，一副自 然圖像中三處穿過邊緣的梯度模值和LOG信號的剖線圖變化?？梢钥闯鰣D像中三個不同對 比度的區(qū)域，在進(jìn)行聯(lián)合自適應(yīng)歸一化后，這三處梯度模值和LOG的剖線圖變得更加一致， 從而說明存在于圖像中的高階冗余性被進(jìn)一步去除。
[0085] (2)梯度模值與LOG信號的統(tǒng)計特征表達(dá)
[0086] 為了提取有效的圖像感知特征，在（1)中得到的梯度模值和LOG信號基礎(chǔ)上進(jìn)行 邊緣概率直方圖和條件概率直方圖的提取。分別對梯度模值和LOG信號進(jìn)行量化后，首先 計算二者的聯(lián)合概率直方圖：
[0087]
[0088] 其中^和I i為梯度模值和LOG的量化等級。邊緣概率分布的計算如下：
[0089]
[0090]
[0091]由于圖像的結(jié)構(gòu)是由梯度模值與LOG信號共同作用決定的，這二者之間存在相互 作用。為了有效的描述這種相互作用，我們提出了一種新的條件概率計算：在傳統(tǒng)的二維條 件概率下對其中一個變量求期望，結(jié)果如式。
[0092]
[0093]
[0094] 這種條件概率也可以等效于對梯度模值和LOG信號之間的獨立性進(jìn)行描述。定義 獨立性指標(biāo)D如下：
[0095]
[0096] 則條件概率的計算式（13)和（14)可以用式（16)和（17)等效。
[0097]
[0098]
[0099] 圖4顯示了在兩幅不同內(nèi)容的自然圖像和一副非自然圖形在非線性歸一化前后 梯度模值信號和LOG信號的邊緣概率分布圖。圖5給出了對應(yīng)圖像在歸一化后的條件概率 直方圖?？梢匀菀椎贸?，在歸一化之后，邊緣概率分布和條件概率分布在自然圖像中表現(xiàn)的 更加一致，而且更加容易區(qū)分出自然圖像與非自然圖像，從而進(jìn)一步說明所提出特征對圖 像中結(jié)構(gòu)失真表達(dá)的有效性。
[0100] (3)盲圖像質(zhì)量評價模型的訓(xùn)練
[0101] 對于訓(xùn)練圖像庫中的所有圖像根據(jù)前述步驟計算其邊緣概率分布和條件概率分 布。利用支持向量機(jī)的方法在所有圖像特征以及所有圖像主觀分之間建立一個回歸模型。 用IXx 1, Y1)，…，（xk，yk)}表示所有圖像的特征和主觀分集合，支持向量機(jī)采用模型f (X)= 〈a, x>+b對圖像質(zhì)量進(jìn)行預(yù)測。其中〈·，·>表示向量內(nèi)積計算，a為權(quán)重向量，b是偏移
[0102] 常數(shù)。在引入松弛變量后IjP ι?，支持向量機(jī)的目標(biāo)函數(shù)可以表示為：
[0103]
[0104] 其中C為用來平衡權(quán)重與松弛變量的參數(shù)。在具體計算中，采用基于核函數(shù)的支 持向量機(jī)，其中核函數(shù)選用徑向基函數(shù)k(Xi, X) = exp(-y (Ixi-X!)2)。參數(shù)γ與C通過交 叉驗證的方法確定。為了驗證不同特征對圖像