質(zhì)量評價的性能，我們訓(xùn)練的三個模型：模型 1只采用邊緣概率分布特征作為支持向量機的輸入特征訓(xùn)練模型；模型2只采用條件概率 分布特征作為支持向量機的輸入特征訓(xùn)練模型；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的輸入特征訓(xùn)練模型。
[0105] 為了結(jié)合具體實驗結(jié)果說明發(fā)明所提出的全參考圖像質(zhì)量評價方法的有效性。 實驗過程采用目前已經(jīng)公開的三個圖像質(zhì)量數(shù)據(jù)庫：分別是LIVE數(shù)據(jù)庫，CSIQ數(shù)據(jù)庫和 TID2008數(shù)據(jù)庫。這些數(shù)據(jù)庫中的每一副圖像經(jīng)過不同程度的退化處理，并且具有由多個 測試者進行主觀實驗生成的描述圖像主觀質(zhì)量或者退化程度的分數(shù)（M0S分表示圖像主觀 質(zhì)量，DMOS分表示圖像主觀失真程度）。其中LIVE數(shù)據(jù)庫有五種失真類型，CSIQ數(shù)據(jù)庫有 6中失真類型，TID2008數(shù)據(jù)庫有17中失真類型。在實驗過程中，對CSIQ和TID2008數(shù)據(jù) 庫，只采用其中與LIVE數(shù)據(jù)庫重合的四種失真類型：JPEG壓縮，JPEG2000壓縮，加性高斯 噪聲（WN)，高斯模糊（GB);在LIVE數(shù)據(jù)庫中還包括瑞麗信號快速衰落失真（FF)類型。
[0106] 對圖像質(zhì)量算法的評價通過計算這些模型預(yù)測結(jié)果與數(shù)據(jù)庫中的主觀質(zhì)量評分 之間的相關(guān)性或者誤差來進行性能評價。相關(guān)性越高或者預(yù)測誤差越小，表明算法性能越 好。通常采用三種指標進行：線性相關(guān)系數(shù)（Pearson Correlation Coefficient，PCC)，秩 相關(guān)系數(shù)（Spearman Rank Order Correlation Coefficient，SRC)和預(yù)測結(jié)果的均方根誤 差RMSE(Root Mean Squared Error)，以向量x和y分別表示模型預(yù)測結(jié)果和數(shù)據(jù)庫中的主 觀評分，其計算方式分別為：
[0110] X，J分別為X和y的平均值，d為X和y排序后對應(yīng)位置出的等級間差異，N為向量長度。根據(jù)（VQEG,"Final report from the Video Quality Experts Group on the validation of objective models of video quality assessment - Phase II,''August 2003, available at http://www.vqeg.org/)建議，在計算 PCC 和 RMSE 之前對質(zhì)量評價模
[0107]
[0108]
[0109] 型結(jié)果Q與主觀分之間做一次非線性函數(shù)映射。
[0111]
[0112] 其中為該映射函數(shù)的參數(shù)，可以通過優(yōu)化過程求解。
[0113] 在實驗過程中，對每個數(shù)據(jù)庫采按照對應(yīng)的原始圖像將所有圖像分為80%的訓(xùn) 練集和20%的測試集。其中訓(xùn)練集用來通過支持向量機訓(xùn)練盲圖像質(zhì)量評價模型，測試集 用來測試該模型的性能。重復(fù)進行這種訓(xùn)練-測試過程1000次，取其各個評價指標的中值 作為最終該模型的性能指標。
[0114] 為了與其他方法進行比較，實驗中采用以下盲圖像質(zhì)量評價方法進行對比：BIQA， DIIVINE，BLIINDS2，C0RNIA以及BRISQUE，并且采用全參考圖像質(zhì)量評價方法SS頂和FS頂 的結(jié)果作為對比。
[0115] 對于所提出的盲圖像質(zhì)量評價模型，其中梯度模值和LOG信號中的尺度因子〇1 和〇2取0.5,而聯(lián)合自適應(yīng)歸一化中歸一化因子F計算中采用的高斯窗口尺度因子σ 3取 1.0。在實際應(yīng)用中，〇1、〇2和〇 3的取值并不僅限于此。在計算梯度模值和LOG信號聯(lián) 合概率時，對二者的量化等級M和N都取10。在訓(xùn)練支持向量機模型值參數(shù)C和γ通過交 叉驗證和網(wǎng)格搜索尋找最佳參數(shù)。圖6給出了模型3在三個數(shù)據(jù)庫上的評價性能SRC隨支 持向量機的參數(shù)選擇變化的等高線圖。可以看出，三個數(shù)據(jù)存在一個公共的的最佳參數(shù)帶 狀區(qū)域。不失一般性，我們設(shè)置（C，γ)在三個數(shù)據(jù)上分別為：LIVE數(shù)據(jù)庫（16384, 2)，CSIQ 數(shù)據(jù)庫（16384, 2)和TID2008數(shù)據(jù)庫（128, 16)，但不僅限于該取值方式。
[0116] 表1給出了三個模型在三個數(shù)據(jù)庫上的整體評價性能以及與其他方法的比較。表 格中各個數(shù)據(jù)庫上的前三名結(jié)果用黑體突出顯示?？梢钥吹皆谌齻€數(shù)據(jù)庫庫上，模型3的 三個性能指標始終處在第一名。各個數(shù)據(jù)庫的平均結(jié)果顯示，模型2的性能位于第二名。表 2中的數(shù)據(jù)顯示盲圖相質(zhì)量評價方法對于各個失真類型圖像的預(yù)測性能。從進入前三名的 次數(shù)可知，模型3在各種失真情況下都具有非常穩(wěn)定的性能，模型2排在所比較算法中的第 三位。由于盲圖像質(zhì)量評價方法需要有訓(xùn)練集的訓(xùn)練過程，為了測試各種方法對訓(xùn)練數(shù)據(jù) 庫的依賴性，表3顯示了在三個數(shù)據(jù)庫兩兩交叉驗證的6組實驗結(jié)果?？梢钥闯瞿Ｐ?在 其中的四組具有最好的穩(wěn)定性。表4給出了不同方法的運行速度比較?？梢詮闹锌闯觯?型3不但具有最后的預(yù)測性能，也具有非常高的運行效率。
[0117] 表1 :在三個數(shù)據(jù)庫上所述方法的評價性能以及與其他方法的比較
[0118] CN 105160667 A IX m "ti 10/11 頁
[0119] 表2 :在單獨失真類型圖像上所述方法的評價性能以及與其他方法的比較。
[0121] 表3 :盲圖像質(zhì)量評價方法在三個數(shù)據(jù)庫上跨庫訓(xùn)練結(jié)果比較。
[0124] 表4 :盲圖像質(zhì)量評價方法的運行速度比較。
[0126] 以上內(nèi)容僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護范圍，凡是按 照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動，均落入本發(fā)明權(quán)利要求書 的保護范圍之內(nèi)。
【主權(quán)項】
1. 聯(lián)合梯度和拉普拉斯-高斯信號的盲圖像質(zhì)量評價方法，其特征在于，包括以下步 驟： 1) 梯度模值與LOG信號的提取及聯(lián)合歸一化對測試圖像進行處理；其中，I表示測試圖 像； 2) 梯度模值與LOG信號的統(tǒng)計特征表達； 3) 盲圖像質(zhì)量評價模型的訓(xùn)練。2. 根據(jù)權(quán)利要求1所述的聯(lián)合梯度和拉普拉斯-高斯信號的盲圖像質(zhì)量評價方法，其 特征在于，所述步驟1)中，對測試圖像進行處理的方法如下： 1-1)梯度模值計算： 采用高斯梯度算子計算圖像梯度，高斯梯度算子如式（1)所示：其中hd, dE {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，g(x, y| σ D 為標準差為σ :的高斯函數(shù)；測試圖像I的梯度模值計算如下：其中》是卷積算子； 1_2) LOG彳目號計算： 采用的LOG濾波算子式（4)所示：其中X，y空間位置，σ 2表示LOG濾波算子的尺度參數(shù)；對于測試圖像I來說，LOG濾波 結(jié)果L1可以表示為：1-3)聯(lián)合自適應(yīng)歸一化： 自適應(yīng)歸一化因子的計算采用梯度模值和LOG信號能量之和的加權(quán)平均值的平方根， 計算如下：F表示對應(yīng)位置處這兩個信號的模值，隊表示由鄰域內(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表示當前點的位置，1和k表示當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行，其尺度因子記做σ3;歸一化后的梯度 模值和LOG信號可以分別通過式（8)和（9)得到：其中，ε是防止分母為零的正常數(shù)。3. 根據(jù)權(quán)利要求2所述的聯(lián)合梯度和拉普拉斯-高斯信號的盲圖像質(zhì)量評價方法，其 特征在于，所述步驟2)中，梯度模值與LOG信號的統(tǒng)計特征表達，具體包括以下步驟： 2-1)邊緣概率分布計算： 對步驟1-3)中的疼和石，計算二者的聯(lián)合概率直方圖：其中，gjp I 為每和的量化等級，i = 1···Μ，j = 1···Ν ;邊緣概率分布的計算如下：2-2)條件概率分布計算： 對于馬和4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：條件概率分布能夠等效于對_和之間的獨立性進行描述，定義獨立性指標D如下：則條件概率的計算式（13)和（14)用式（16)和（17)等效；4. 根據(jù)權(quán)利要求1所述的聯(lián)合梯度和拉普拉斯-高斯信號的盲圖像質(zhì)量評價方法，其 特征在于，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： 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； 訓(xùn)練三種不同的盲圖像質(zhì)量評價模型： 模型1 :只采用邊緣概率分布特征作為支持向量機的輸入進行訓(xùn)練模型； 模型2 :只采用條件概率分布特征作為支持向量機的輸入進行訓(xùn)練模型； 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的輸入進行 訓(xùn)練模型。
【專利摘要】本發(fā)明公開了一種聯(lián)合梯度和拉普拉斯-高斯信號的盲圖像質(zhì)量評價方法，該方法首先通過對圖像的梯度模值和LOG信號進行提取，通過一種聯(lián)合自適應(yīng)歸一化過程對這兩種信號進行歸一化處理?；谶@兩種特征表示，提出了三種可以對退化圖像質(zhì)量進行預(yù)測的盲圖像質(zhì)量評價方法。這三種方法都通過支持向量機回歸的方法在公開的圖像主觀質(zhì)量評價數(shù)據(jù)庫上進行模型訓(xùn)練。通過大量實驗結(jié)果證明，本發(fā)明提出的這三種算法在盲圖像質(zhì)量評價上均有很好的預(yù)測性能，并且其中的模型3方法與其他已有的算法相比較，具有最好的質(zhì)量評價性能，最好的數(shù)據(jù)庫穩(wěn)定性。另外，這三種算法也具有高效的運行效率。
【IPC分類】G06T7/00
【公開號】CN105160667
【申請?zhí)枴緾N201510530663
【發(fā)明人】牟軒沁, 薛武峰
【申請人】西安交通大學(xué)
【公開日】2015年12月16日
【申請日】2015年8月26日