·990· 智能系统学报 第13卷 征被用来衡量它们的质量，比如空间域的边缘宽 1)显著性地图 度四以及在某些转换域的峭度。然而当退化种 图像的亮度变化传达着图像自身许多有用的 类未知时，上述论文中所提的特定特征将无法使用。 信息。带通图像响应，尤其是高斯滤波器响应， 可以用作描绘多种图像的语义结构，比如直线 训练 图像 边缘、角点以及斑点等，这些都与人类主观认知 特征 局部质 池化映 图像 提取 量计算 射策略 质量 密切相关。有了这个发现，我们开发了一种语义 测试 显著性准则来感知图像中的目标： 图像 S(x,y)=-Iaobe(x,y)ll (1) 图1典型全参考图像质量评价过程流程图 式中：Iu是图像特征向量的均值，Iwc(x,y)是原始 Fig.1 The flowchart of typical FR_IQA process 图像对应的高斯模糊图像像素值（使用一个 还有一些其他方法没有使用人工手工选取的 5×5可分离的二项式内核)，是L2范数。 局部描绘算子，而是基于特征学习。监督式滤波 2)梯度幅值图 器学习已被Jain和Karu在文献[3]中采用作为纹 梯度算子通常使用卷积模板来表达，本文实 理分类，其中特征提取和分类任务被神经网络执 现中，梯度幅值的定义为 行。文献[4]采用了无监督特征学习，其中局部算 子被编代码然后用一种无监督的方式来学习。为 G=G:+G (2) 了学习一个更加简洁紧凑的和有区分性的字典， 式中G和G,分别是图像相应像素位置的水平梯度 学习类的方法优化包括采用一个优化过的具有重 和垂直梯度。自然界梯度统计分布在图像分析中 建性和区分性的标准5。 扮演着关键角色，梯度相似性可被用作建立图像 语义结构的基本要素，这些语义结构与人类可感 2本文方法 知的自然图像质量密切相关。 相较这些传统方法，一个具有区分性的特征 2.1.2全局统计特性 集和灵活的学习策略可以提高表现。为了在图像 为了克服传统像素级评价方法的不足，我们 质量预测阶段改善联合统计特征和学习策略，介 更加关注局部特征细节和全局统计特征之间的平衡。 绍了两种不同的特征提取成分：1)一个局部特征 统计作为一种全局描述算子，是对所提取局 提取器：2)一个汇总了局部特征分布的全局特征 部特征分布的概述。特别指出的是，我们使用了 提取器。 一种BRISQUE参数模型，模型对像素值进行了 为了不失一般性，采用了一个基于字典类译 GGD归一化，其中形状和尺度参数都被用作特 码本的方法来规避标准信息的优势。传统的字典 征。虽然滤波响应的峭度和峰度值可能不能正确 学习方法聚焦于信号的重构，同时需要字典中的 描述分布的形状，但对于质量高低不等的图像， 学习原子，应该能很好地代表图像块，本文所提 它们是相对好的指示器，如图2所示。 方法则没有这个限制。事实上，后续显示用于图 600 像质量分类的字典将有很大不同。 dmos-0 dm0s=30.475 2.1图像特征提取 500 dm0s=55.8753 特征提取的第1步是从增强的图像块中捕捉 400 合适的特征。在这个部分中，讨论怎么使用一系 300 列线性滤波器来获取局部特征。受人类视觉系统 200 发现和感知物体的启发，尝试设计出一个自然 的、面向对象的检测器，在不同种类间具有一般 100 性。首先，整幅图像被分割成互相重叠的图像 0 2 块，然后从这些区域中提取两种类型的特征：一 像素分布 类是局部特征，另一类则是统计整幅图像局部特 图2 滤波响应后不同等级模糊失真示例（高DMOS值 征分布情况的全局特征。 表示低质量无量纲) 2.1.1局部特征 Fig.2 Examples of filter responses for different levels of 为了方便，将原始图像块归一化成一系列局 blur distortion(high DMOS indicates low quality) 部描述算子。本节将提取以下算子来代表整幅图 此外峭度值S和峰度值K的计算非常方便，定 像的局部特征。 义为征被用来衡量它们的质量，比如空间域的边缘宽 度 [1]以及在某些转换域的峭度[2]。然而当退化种 类未知时，上述论文中所提的特定特征将无法使用。 特征 提取 局部质 量计算 训练 图像 测试 图像 图像 质量 池化映 射策略 图 1 典型全参考图像质量评价过程流程图 Fig. 1 The flowchart of typical FR_IQA process 还有一些其他方法没有使用人工手工选取的 局部描绘算子，而是基于特征学习。监督式滤波 器学习已被 Jain 和 Karu 在文献[3]中采用作为纹 理分类，其中特征提取和分类任务被神经网络执 行。文献[4]采用了无监督特征学习，其中局部算 子被编代码然后用一种无监督的方式来学习。为 了学习一个更加简洁紧凑的和有区分性的字典， 学习类的方法优化包括采用一个优化过的具有重 建性和区分性的标准[5-6]。 2 本文方法 相较这些传统方法，一个具有区分性的特征 集和灵活的学习策略可以提高表现。为了在图像 质量预测阶段改善联合统计特征和学习策略，介 绍了两种不同的特征提取成分：1) 一个局部特征 提取器；2) 一个汇总了局部特征分布的全局特征 提取器。 为了不失一般性，采用了一个基于字典类译 码本的方法来规避标准信息的优势。传统的字典 学习方法聚焦于信号的重构，同时需要字典中的 学习原子，应该能很好地代表图像块，本文所提 方法则没有这个限制。事实上，后续显示用于图 像质量分类的字典将有很大不同。 2.1 图像特征提取 特征提取的第 1 步是从增强的图像块中捕捉 合适的特征。在这个部分中，讨论怎么使用一系 列线性滤波器来获取局部特征。受人类视觉系统 发现和感知物体的启发，尝试设计出一个自然 的、面向对象的检测器，在不同种类间具有一般 性。首先，整幅图像被分割成互相重叠的图像 块，然后从这些区域中提取两种类型的特征：一 类是局部特征，另一类则是统计整幅图像局部特 征分布情况的全局特征。 2.1.1 局部特征 为了方便，将原始图像块归一化成一系列局 部描述算子。本节将提取以下算子来代表整幅图 像的局部特征。 1) 显著性地图 图像的亮度变化传达着图像自身许多有用的 信息。带通图像响应，尤其是高斯滤波器响应， 可以用作描绘多种图像的语义结构，比如直线、 边缘、角点以及斑点等，这些都与人类主观认知 密切相关。有了这个发现，我们开发了一种语义 显著性准则来感知图像中的目标[7] ： S(x, y) = ||Iµ − Iωhc(x, y)|| (1) 式中： Iµ是图像特征向量的均值， Iωhc(x, y) 是原始 图像对应的高斯模糊图像像素 值 (使用一 个 5×5 可分离的二项式内核)，||·||是 L2 范数。 2) 梯度幅值图 梯度算子通常使用卷积模板来表达，本文实 现中，梯度幅值的定义为 G = √ G2 x +G2 y (2) 式中 Gx和 Gy分别是图像相应像素位置的水平梯度 和垂直梯度。自然界梯度统计分布在图像分析中 扮演着关键角色，梯度相似性可被用作建立图像 语义结构的基本要素，这些语义结构与人类可感 知的自然图像质量密切相关。 2.1.2 全局统计特性 为了克服传统像素级评价方法的不足，我们 更加关注局部特征细节和全局统计特征之间的平衡。 统计作为一种全局描述算子，是对所提取局 部特征分布的概述。特别指出的是，我们使用了 一种 BRISQUE[8]参数模型，模型对像素值进行了 GGD 归一化，其中形状和尺度参数都被用作特 征。虽然滤波响应的峭度和峰度值可能不能正确 描述分布的形状，但对于质量高低不等的图像， 它们是相对好的指示器，如图 2 所示。 600 500 400 300 模糊失真指数 200 100 0 −3 −2 −1 0 像素分布 1 2 3 dmos=0 dmos=30.475 dmos=55.8753 图 2 滤波响应后不同等级模糊失真示例 (高 DMOS 值 表示低质量无量纲) Fig. 2 Examples of filter responses for different levels of blur distortion (high DMOS indicates low quality) 此外峭度值 S 和峰度值 K 的计算非常方便，定 义为 ·990· 智 能 系 统 学 报 第 13 卷