沈丽丽等：联合多种边缘检测算子的无参考质量评价算法 ·1001· 3.5m (a) 1.5r op 2.5 0 0 o0o 1.0 0 2.0 电 15 品 0o0 0.5 0 0 08 q. 0 0.5 20 40 -0.5 60 80 100 40 60 80 100 MOS DMO 0.8 3.0 (c) d 品。 0.7 2.5 0.6 99 0 88 2.0 c8 0.5 80 0.4 85 1.5 08 0.3 1.0 0,2 010 20 40 60 80 100 0.5 20 40 60 80 100 DMOS DMOS 3.5 3.0 2.5 0 8e8 0 2. 00 1.5 80 1.00 89 0.5 20 40 60 80 100 DMOS 图3各种失真类型下，H(GMIL)与H(RMIL)的差值与DMOS的散点图.(a)JPEG20O0:(b)PEG:(c)白噪声：(d)高斯模糊：(e)快 速衰落 Fig.3 Scatter plot between H(GMIL)-H(RMIL)and DMOS on LIVE database on individual distortion types (a)JPEG2000;(b)JPEG;(c) white noise;(d)Gaussian blur;(e)fast fading Rayleigh BP神经网络 设Y是网络输出的最终预测值，则联合函 输人 数为： 输人层( i= a,×Ye (14) No 10 M分类器 剧分要器 隐成层 3 实验结果 粥分类器 3.1算法性能 输出层 本文选择LIVE1)数据库和TD2008[18]数据库 进行训练与测试.LVE数据库由29张参考图像生 联合函数 输出 成5种不同类型的失真，包括JPEG、JPEG2000、高斯 图4 Adaboost神经网络的框图 模糊(Gaussian blur,GB)、白噪声(white noise, Fig.4 Structure of the AdaBoost BP neural network WN)和快速衰落(fast fading,FF),总共包含779张 1 (13) 失真图像.TD2008数据库将24张真实图像和一张 0:= e-bIE+e 电脑合成图像作为参考图像，生成17种失真类型，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 3 各种失真类型下,H(GM| L)与 H(RM| L)的差值与 DMOS 的散点图. (a) JPEG2000; (b) JPEG; (c) 白噪声; (d) 高斯模糊; (e) 快 速衰落 Fig. 3 Scatter plot between H(GM| L)鄄鄄H(RM| L) and DMOS on LIVE database on individual distortion types : (a) JPEG2000; (b) JPEG; (c) white noise; (d) Gaussian blur; (e) fast fading Rayleigh 图 4 Adaboost 神经网络的框图 Fig. 4 Structure of the AdaBoost BP neural network 琢i = 1 e - b | Ei | + c (13) 设 ^Y 是 网 络 输 出 的 最 终 预 测 值, 则 联 合 函 数为: ^Y = 移i 琢i 伊 Y i pre (14) 3 实验结果 3郾 1 算法性能 本文选择 LIVE [17]数据库和 TID2008 [18] 数据库 进行训练与测试. LIVE 数据库由 29 张参考图像生 成 5 种不同类型的失真,包括 JPEG、JPEG2000、高斯 模糊 ( Gaussian blur, GB )、 白 噪 声 ( white noise, WN)和快速衰落(fast fading, FF), 总共包含 779 张 失真图像. TID2008 数据库将 24 张真实图像和一张 电脑合成图像作为参考图像,生成 17 种失真类型, ·1001·