沈丽丽等：联合多种边缘检测算子的无参考质量评价算法 .997· was performed on two public databases,LIVE and TID2008,and the results show that the score predicted by this new method has a good correlation with the subjective quality score.Moreover,this method can reflect perceptual quality properly using only ten-dimen- sional feature vectors,and the performance of correlation coefficient can exceed some state-of-the-art no-reference image quality assess- ment algorithms. KEY WORDS no-reference image quality assessment;gradient;Laplacian of Gaussian;conditional entropy;AdaBoost network 随着数字成像技术和互联网的飞速发展，图像 图像的整体影响，而很少考虑局部的结构性损失，并 在人们日常生活中使用的越来越频繁).然而图像 且这类方法只适用于自然图像的质量评价，对于非 在采集、压缩、传输、储存等过程中总会不可避免的 自然图像的预测结果并不理想 产生失真，导致最终得到图像存在一定的降质，不能 人类视觉系统对图像的边缘结构比较敏 满足人们的需要.设计一个有效的图像质量评价方 感[9-0]，因此有许多评价算法利用边缘和结构信息 法(image quality assessment,.IQA)在图像压缩f2)】、图 来进行质量预测.如Marziliano等I-2]使用Sobel 像去模糊3)]、图像增强[]等方面都有重要的作用. 算子检测竖直方向的边缘，通过搜索灰度值的局部 图像质量评价方法可以分为主观评价和客观评价两 极值点得到边缘宽度，将所有边缘像素的平均边缘 类.前者是由若干观察者对图片的质量进行评分， 宽度作为图像模糊程度的估计.Li山等]认为原始 然后通过统计方法得到平均分值，称为平均主观得 的梯度算法不能很好的反映图像的局部结构性信 分(mean opinion score,MOS)或平均主观得分差异 息，他们将每个像素点的梯度值与其邻域梯度均值 (different mean opinion score,DMOS).后者使用一 进行比较，提出了一种改进的相对梯度特征，并将相 系列的算法代替人类视觉系统对图像质量进行预 对梯度的方差作为特征预测图像质量.Zhang 测.一般来说，主观评价的方法更加可靠，但这种方 等4)，i等[和Yue等6分别利用局部二值模式 法费时费力，稳定性较差，因此客观的质量评价方法 (local binary pattern,LBP)的改进方法提取特征来 成为研究重点.根据是否需要原始参考图像，客观 构建预测模型.目前，基于边缘信息的算法已经取 评价方法可以分为三类：全参考质量评价算法(l 得了很好的效果，这些方法大多使用单一的边缘检 reference,FR)、半参考质量评价算法(reduced refer- 测算法，具有一定的针对性，但很难反映出图像全部 ence,RR)以及无参考质量评价算法(no reference, 的纹理细节. NR).由于实际应用中往往无法获得原始参考图 本文提出了一种联合多种边缘检测算子的无参 像，所以研究无参考图像质量评价算法更加具有现 考质量评价算法，利用失真条件下一阶边缘信息和 实意义.目前主流的无参考质量评价算法分为两大 二阶边缘信息之间的相似性进行质量预测.该方法 类：基于自然场景统计(natural scene statistics,NSS) 首先提取图像的梯度，相对梯度以及L0G特征，然 的方法和基于边缘和结构性信息的方法. 后计算梯度和LOG之间的条件熵以及相对梯度和 自然图像具有相似的统计特性，而失真会造成 LOG之间的条件嫡，最后使用自适应增强(Ada- 这种统计特性的改变[)，通过计算失真图像和参考 Boost)1]神经网络进行回归预测.在LIVE7]数据 图像统计特性的差异可以进行图像质量的预测. 库和TD2008[1]数据库上进行实验，结果表明本文 Saad等提出了BLIINDS-IⅡ6算法，先使用离散余弦 提出的算法与主观DMOS值有着很高的一致性，并 变换(discrete cosine transform,DCT)将失真图像变 且性能优于主流的无参考质量评价算法. 换到频域，然后再使用广义高斯分布拟合DCT系数 1梯度特征与LOG特征 的直方图，将拟合的参数进行训练.Anush和Bovik 提出DIIVINE)算法，先将失真图像进行一种基于 1.1梯度与相对梯度 小波的多方向可控金字塔分解，然后使用广义高斯 梯度能够很好的反映出图像中微小的细节反差 分布拟合分解得到的子带系数直方图，将拟合参数 和纹理结构，所以广泛用于图像质量评价算法中，梯 作为特征进行训练.Mittal等提出了空域上的质量 度的幅值GM和方向G0可以由公式(1)~(2)计 评价算法BRISQUE8),该方法使用灰度图像的归 算.其中图像水平方向的一阶导数为1=I⑧h,竖 一化亮度系数来拟合广义高斯分布，具有极低的计 直方向的一阶导数为I=I⑧h,I代表原始图像，⑧ 算复杂性.一般来说，基于自然场景统计(NSS)的 代表卷积运算，而h,和h,分别是水平方向和垂直 方法有一定的局限性，这类方法大都只关注失真对 方向的滤波模板.沈丽丽等: 联合多种边缘检测算子的无参考质量评价算法 was performed on two public databases, LIVE and TID2008, and the results show that the score predicted by this new method has a good correlation with the subjective quality score. Moreover, this method can reflect perceptual quality properly using only ten鄄dimen鄄 sional feature vectors, and the performance of correlation coefficient can exceed some state鄄of鄄the鄄art no鄄reference image quality assess鄄 ment algorithms. KEY WORDS no鄄reference image quality assessment; gradient; Laplacian of Gaussian; conditional entropy; AdaBoost network 随着数字成像技术和互联网的飞速发展,图像 在人们日常生活中使用的越来越频繁[1] . 然而图像 在采集、压缩、传输、储存等过程中总会不可避免的 产生失真,导致最终得到图像存在一定的降质,不能 满足人们的需要. 设计一个有效的图像质量评价方 法(image quality assessment, IQA)在图像压缩[2] 、图 像去模糊[3] 、图像增强[4] 等方面都有重要的作用. 图像质量评价方法可以分为主观评价和客观评价两 类. 前者是由若干观察者对图片的质量进行评分, 然后通过统计方法得到平均分值, 称为平均主观得 分 (mean opinion score,MOS)或平均主观得分差异 (different mean opinion score,DMOS). 后者使用一 系列的算法代替人类视觉系统对图像质量进行预 测. 一般来说,主观评价的方法更加可靠,但这种方 法费时费力,稳定性较差,因此客观的质量评价方法 成为研究重点. 根据是否需要原始参考图像,客观 评价方法可以分为三类:全参考质量评价算法( full reference, FR)、半参考质量评价算法(reduced refer鄄 ence, RR)以及无参考质量评价算法( no reference, NR). 由于实际应用中往往无法获得原始参考图 像,所以研究无参考图像质量评价算法更加具有现 实意义. 目前主流的无参考质量评价算法分为两大 类:基于自然场景统计(natural scene statistics, NSS) 的方法和基于边缘和结构性信息的方法. 自然图像具有相似的统计特性,而失真会造成 这种统计特性的改变[5] ,通过计算失真图像和参考 图像统计特性的差异可以进行图像质量的预测. Saad 等提出了 BLIINDS鄄II [6] 算法,先使用离散余弦 变换(discrete cosine transform, DCT)将失真图像变 换到频域,然后再使用广义高斯分布拟合 DCT 系数 的直方图,将拟合的参数进行训练. Anush 和 Bovik 提出 DIIVINE [7]算法,先将失真图像进行一种基于 小波的多方向可控金字塔分解,然后使用广义高斯 分布拟合分解得到的子带系数直方图,将拟合参数 作为特征进行训练. Mittal 等提出了空域上的质量 评价算法 BRISQUE [8] , 该方法使用灰度图像的归 一化亮度系数来拟合广义高斯分布,具有极低的计 算复杂性. 一般来说,基于自然场景统计(NSS) 的 方法有一定的局限性,这类方法大都只关注失真对 图像的整体影响,而很少考虑局部的结构性损失,并 且这类方法只适用于自然图像的质量评价,对于非 自然图像的预测结果并不理想. 人类 视 觉 系 统 对 图 像 的 边 缘 结 构 比 较 敏 感[9鄄鄄10] ,因此有许多评价算法利用边缘和结构信息 来进行质量预测. 如 Marziliano 等[11鄄鄄12] 使用 Sobel 算子检测竖直方向的边缘,通过搜索灰度值的局部 极值点得到边缘宽度,将所有边缘像素的平均边缘 宽度作为图像模糊程度的估计. Liu 等[13] 认为原始 的梯度算法不能很好的反映图像的局部结构性信 息,他们将每个像素点的梯度值与其邻域梯度均值 进行比较,提出了一种改进的相对梯度特征,并将相 对梯 度 的 方 差 作 为 特 征 预 测 图 像 质 量. Zhang 等[14] ,Li 等[15]和 Yue 等[16] 分别利用局部二值模式 (local binary pattern, LBP)的改进方法提取特征来 构建预测模型. 目前,基于边缘信息的算法已经取 得了很好的效果,这些方法大多使用单一的边缘检 测算法,具有一定的针对性,但很难反映出图像全部 的纹理细节. 本文提出了一种联合多种边缘检测算子的无参 考质量评价算法,利用失真条件下一阶边缘信息和 二阶边缘信息之间的相似性进行质量预测. 该方法 首先提取图像的梯度,相对梯度以及 LOG 特征,然 后计算梯度和 LOG 之间的条件熵以及相对梯度和 LOG 之间的条件熵,最后使用自适应增强 ( Ada鄄 Boost) [13]神经网络进行回归预测. 在 LIVE [17] 数据 库和 TID2008 [18]数据库上进行实验,结果表明本文 提出的算法与主观 DMOS 值有着很高的一致性,并 且性能优于主流的无参考质量评价算法. 1 梯度特征与 LOG 特征 1郾 1 梯度与相对梯度 梯度能够很好的反映出图像中微小的细节反差 和纹理结构,所以广泛用于图像质量评价算法中,梯 度的幅值 GM 和方向 GO 可以由公式(1) ~ (2) 计 算. 其中图像水平方向的一阶导数为 Ix = I茚hx,竖 直方向的一阶导数为 Iy = I茚hy,I 代表原始图像,茚 代表卷积运算,而 hx 和 hy 分别是水平方向和垂直 方向的滤波模板. ·997·