沈丽丽等：联合多种边缘检测算子的无参考质量评价算法 ·1003· 算法 OG IQA NR GLBP BRISQUE CORNIA NFERM 本文 OG IOA 0 -1 1 -1 -1 -1 NR GLBP 0 -1 -1 -1 -1 BRISQUE 1 0 -1 -1 -1 CORNIA 1 1 0 0 -1 NFERM 1 1 0 0 本文 1 1 y 0 图5IVE数据库上不同算法PLCC的t假设检验结果 Fig.5 Results of one sided t-test conducted using the PLCC values of competing algorithms 献[9]中提出的R0的标准差特征，另一部分是本文 20%的样本进行训练的情况下，本文算法的SROCC 提出的相对嫡特征，为了证明本文特征的有效性，分 和PLCC中值仍然能达到0.91以上，证明了本文算 别使用这两部分的特征在VE数据库上进行训练 法是高度鲁棒的 和测试，得到的结果如表3所示 为了验证本文算法的通用型，进行数据库独立 表3两部分特征在IVE数据库上1000次选代实验的SROCC和 性实验，使用同一个数据库的所有失真图像进行训 PLCC的中值 练，然后用训练好的模型评价另一个数据库图像的 Table 3 Performance (SROCC and PLCC)of two parts of features test 质量，并计算出相应的SROCC中值，表5是实验结 on LIVE database 果.由于Adaboost网络的随机性，本文算法取1000 特征 维数 SROCC中值 PLCC中值 次迭代的SROCC中值作为最终结果 RO的标准差 2 0.895 0.901 表4LIVE数据库上不同训练测试比例下1000次迭代实验SROCC 条件熵特征 8 0.945 0.949 和PLCC的中值 Table 4 Performance (SROCC and PLCC)in 1000 iteration tests under 由表3可以看出，仅使用条件嫡特征在VE different rations of train and test on LIVE database 数据库上10O0次实验的SROCC和PLCC中值分别 训练-测试比例 SROCC中值 PLCC中值 可以达到0.945和0.949，证明了本文提出的特征 60%~40% 0.946 0.950 在预测中起主要作用.为了验证算法的鲁棒性，使 50%~50% 0.942 0.945 用不同的训练比例在LVE数据库上进行实验，表4 40%~60% 0.937 0.940 是实验结果.可以看到，随着训练数据的减少，算法 20%~80% 0.914 0.918 的性能出现下降，但下降的程度不明显.在仅使用 表5数据库独立性实验的SROCC结果 Table 5 SROCC comparison of cross-database validation 训练所采用 测试所采用 不同算法的SROCC中值结果 的数据库 的数据库 BRISQUE CORNIA OG_IQA NR_GLBP NFERM 本文 LIVE TID2008 0.878 0.879 0.869 0.910 0.904 0.908 TD2008 LIVE 0.861 0.859 0.857 0.899 0.838 0.902 由表5可以看出，本文算法在进行跨数据库的 表6不同算法在LVE数据库上处理一张图片的平均用时 训练-测试中仍然与主观分数保持较高的一致性， Table 6 Computational complexity and average run time on LIVE data 虽然在LVE上训练，TD2008上测试的实验中略低 base 于NR_GLBP算法，但总体上可以认为该算法有较 算法 平均运行时间/s 好的通用型. DIIVINE 18.2470 BLIINDS-II 83.2120 3.4复杂度分析 BRISQUE 0.0921 为了比较算法复杂程度，表6中记录了不同算 CORNIA 2.6030 法在LIVE数据库上处理每张图片的平均耗时.P℃ OG_IQA 0.0711 机的硬件为CPU:Inter Core i5-4460,3.20GHz,内 NR GLBP 1.5540 存：8GRAM,操作系统：Windows1064位，软件平 NFERM 63.4460 台：Matlab2014a. 本文 0.1100沈丽丽等: 联合多种边缘检测算子的无参考质量评价算法 图 5 LIVE 数据库上不同算法 PLCC 的 t 假设检验结果 Fig. 5 Results of one sided t鄄test conducted using the PLCC values of competing algorithms 献[9]中提出的 RO 的标准差特征,另一部分是本文 提出的相对熵特征,为了证明本文特征的有效性,分 别使用这两部分的特征在 LIVE 数据库上进行训练 和测试,得到的结果如表 3 所示. 表 3 两部分特征在 LIVE 数据库上 1000 次迭代实验的 SROCC 和 PLCC 的中值 Table 3 Performance (SROCC and PLCC) of two parts of features test on LIVE database 特征 维数 SROCC 中值 PLCC 中值 RO 的标准差 2 0郾 895 0郾 901 条件熵特征 8 0郾 945 0郾 949 由表 3 可以看出,仅使用条件熵特征在 LIVE 数据库上 1000 次实验的 SROCC 和 PLCC 中值分别 可以达到 0郾 945 和 0郾 949,证明了本文提出的特征 在预测中起主要作用. 为了验证算法的鲁棒性,使 用不同的训练比例在 LIVE 数据库上进行实验,表 4 是实验结果. 可以看到,随着训练数据的减少,算法 的性能出现下降,但下降的程度不明显. 在仅使用 20% 的样本进行训练的情况下,本文算法的 SROCC 和 PLCC 中值仍然能达到 0郾 91 以上,证明了本文算 法是高度鲁棒的. 为了验证本文算法的通用型,进行数据库独立 性实验,使用同一个数据库的所有失真图像进行训 练,然后用训练好的模型评价另一个数据库图像的 质量,并计算出相应的 SROCC 中值,表 5 是实验结 果. 由于 Adaboost 网络的随机性,本文算法取 1000 次迭代的 SROCC 中值作为最终结果. 表 4 LIVE 数据库上不同训练测试比例下 1000 次迭代实验 SROCC 和 PLCC 的中值 Table 4 Performance (SROCC and PLCC) in 1000 iteration tests under different rations of train and test on LIVE database 训练鄄鄄测试比例 SROCC 中值 PLCC 中值 60% ~ 40% 0郾 946 0郾 950 50% ~ 50% 0郾 942 0郾 945 40% ~ 60% 0郾 937 0郾 940 20% ~ 80% 0郾 914 0郾 918 表 5 数据库独立性实验的 SROCC 结果 Table 5 SROCC comparison of cross鄄database validation 训练所采用 的数据库 测试所采用 的数据库 不同算法的 SROCC 中值结果 BRISQUE CORNIA OG_IQA NR_GLBP NFERM 本文 LIVE TID2008 0郾 878 0郾 879 0郾 869 0郾 910 0郾 904 0郾 908 TID2008 LIVE 0郾 861 0郾 859 0郾 857 0郾 899 0郾 838 0郾 902 由表 5 可以看出,本文算法在进行跨数据库的 训练鄄鄄测试中仍然与主观分数保持较高的一致性, 虽然在 LIVE 上训练,TID2008 上测试的实验中略低 于 NR_GLBP 算法,但总体上可以认为该算法有较 好的通用型. 3郾 4 复杂度分析 为了比较算法复杂程度,表 6 中记录了不同算 法在 LIVE 数据库上处理每张图片的平均耗时. PC 机的硬件为 CPU: Inter Core i5鄄鄄4460, 3郾 20 GHz, 内 存: 8G RAM,操作系统: Windows 10 64 位,软件平 台: Matlab 2014a. 表 6 不同算法在 LIVE 数据库上处理一张图片的平均用时 Table 6 Computational complexity and average run time on LIVE data鄄 base 算法 平均运行时间/ s DIIVINE 18郾 2470 BLIINDS鄄II 83郾 2120 BRISQUE 0郾 0921 CORNIA 2郾 6030 OG_IQA 0郾 0711 NR_GLBP 1郾 5540 NFERM 63郾 4460 本文 0郾 1100 ·1003·