第6期 王伟，等：一种特征字典映射的图像盲评价方法研究 ·991· K-nmi (x-/SD4-3 2)聚类 通过块质量归一化策略，将相似度得分按分 (3) 1 值分成多个组，再把那些降质块按各自的局部构 造分为不同类。 式中：x和SD分别代表着整幅图像像素灰度值的 归一化后的块得分ω，是个介于0~1之间的正 均值和方差，n为像素数目。 值，首先统一将，量化成L个等级，然后将具有相 2.2图像分类打分 近质量等级的图像块归合成同一组，记作Q。因 本节讨论这些局部特征和全局描述算子是如 此有： 何通过来学习准则预测不同图像的质量，轻松解 =1/L1=1,2,…L 决图像质量盲评价的病态任务问题。 {dlq-1<w:<q,1=2,3.…,L (7) Q= 2.2.1学习阶段 {d4lw:<q,1=1 为了方便训练一个值得可信的图像质量盲评 对于每组Q,应用聚类过程来获得质量。为 价模型通常需要一个很大的人类打分训练集，通 了提高聚类准确度，每个质量层应该基于相同的 过主观测试获得这样一个模型的代价显得昂贵耗 结构特征。在预处理阶段，使用高斯高通滤波器 时。因此在训练阶段开发一个不需要如此大数据 来提取块特征，藉此提高图像的细节结构。具体 量的人类主观打分的图像质量盲评价模型变得迫 实现中，使用的是高斯金字塔的方案在不同尺度 不及待。本节求助于聚类学习和池化映射策略。 提取图像细节特征，并形成一个特征向量。QAC 1)池化策略 通过对滤波特征应用K均值聚类算法，得到Q组 如果手里没有任何人类主观质量打分，我们 类心mk: 瞄准学习图像质量盲评价的中心集。为了方便起 min∑k∑kef-maf (8) 见，退化图像和原始图像都被分割成重叠块。 式中：Qk是Q组中第k个类。值得注意的是，也 所提方法的关键问题是怎样分配感知质量。 可以使用其他相似度准则。然而考虑到计算复杂 本文我们求助于特征相似性指数(FSM)来计算 度，为了方便使用欧式距离，为了有效求解上述 参考图像和变形图像之间的相似度。通过这种方 最小化问题，应用了谱聚类的方法。 式，可以去除对人类主观打分的依赖。退化图像 2.2.2测试阶段 的FSIM得分定义如下： 有了这些学习得到的不同质量层的中心集， S:=S(r,d)= 可以通过把这些退化图像特征映射到相应的质量 2P(r)P(d)+a 2G(r)G(d)+B (4) 一X P(r +P(d)2+aG(r)2+G(d)2+B 得分池，轻易地推断出感知质量，如图3所示。 式中：d,和r:代表退化图像和参考图像，P()和 通过应用滤波算法，可以获得新的增强图像 G)分别代表着在中心点的相位一致性和梯度 及其相应的质量等级。 幅值。为了避免0除计算，α和B是正值常量。 块分制 相似度得分s,在某种意义上反映了退化图像 d,的质量。为了使得这些相似度得分的均值接近 特征提取 真实人类主观打分质量，我们将s归一化，提出一 7 种百分数的池化策略来完成归一化过程。 类分配 假设全部图像块的集合为2，中，表示其中质 量最低的20%局部块集合。归一化因子的计 块质量预估 算为 图像质量预测 (5) 图3图像质量估计流程图 式中：c=20,每个退化质量块的最终得分归一 Fig.3 The process of image quality prediction 化为 通过式(9)所示的均值策略来推断新测试图 wi=S;/W (6) 像最终的质量得分。 因此整幅图像的质量可表达为平均质量，这 (A)= (9) 就与百分池化结果保持一致了。 i=K = 1 n−1 ∑n i=1 (xi − x) 4 /SD4 −3 S = 1 n−1 ∑n i=1 (xi − x) 3 /SD3 (3) 式中： x和 SD 分别代表着整幅图像像素灰度值的 均值和方差，n 为像素数目。 2.2 图像分类打分 本节讨论这些局部特征和全局描述算子是如 何通过来学习准则预测不同图像的质量，轻松解 决图像质量盲评价的病态任务问题。 2.2.1 学习阶段 为了方便训练一个值得可信的图像质量盲评 价模型通常需要一个很大的人类打分训练集，通 过主观测试获得这样一个模型的代价显得昂贵耗 时。因此在训练阶段开发一个不需要如此大数据 量的人类主观打分的图像质量盲评价模型变得迫 不及待。本节求助于聚类学习和池化映射策略。 1) 池化策略 如果手里没有任何人类主观质量打分，我们 瞄准学习图像质量盲评价的中心集。为了方便起 见，退化图像和原始图像都被分割成重叠块。 所提方法的关键问题是怎样分配感知质量。 本文我们求助于特征相似性指数[9] (FSIM) 来计算 参考图像和变形图像之间的相似度。通过这种方 式，可以去除对人类主观打分的依赖。退化图像 的 FSIM 得分定义如下： si = S (ri ,di) = 2P(ri)P(di)+α P(ri) 2 + P(di) 2 +α × 2G(ri)G(di)+β G(ri) 2 +G(di) 2 +β (4) di ri P(ri) G(ri) ri α β 式中： 和 代表退化图像和参考图像， 和 分别代表着在中心点 的相位一致性和梯度 幅值。为了避免 0 除计算， 和 是正值常量。 si di si 相似度得分 在某种意义上反映了退化图像 的质量。为了使得这些相似度得分的均值接近 真实人类主观打分质量，我们将 归一化，提出一 种百分数的池化策略来完成归一化过程。 假设全部图像块的集合为 Ω，Φp表示其中质 量最低的 20% 局部块集合。归一化因子的计 算为 W = ∑ i∈Φ si c ∑ i∈ΦP si (5) 式中： c = 20 ，每个退化质量块的最终得分归一 化为 ωi = si/W (6) 因此整幅图像的质量可表达为平均质量，这 就与百分池化结果保持一致了。 2) 聚类 通过块质量归一化策略，将相似度得分按分 值分成多个组，再把那些降质块按各自的局部构 造分为不同类。 ωi ωi Ql 归一化后的块得分 是个介于 0~1 之间的正 值，首先统一将 量化成 L 个等级，然后将具有相 近质量等级的图像块归合成同一组，记作 。因 此有： ql = 1/L,l = 1,2,···L Ql =    {di |ql−1 < ωi < ql , l = 2,3,··· ,L {di |ωi < ql , l = 1 (7) Ql fi Ql ml,k 对于每组 ，应用聚类过程来获得质量。为 了提高聚类准确度，每个质量层应该基于相同的 结构特征。在预处理阶段，使用高斯高通滤波器 来提取块特征，藉此提高图像的细节结构。具体 实现中，使用的是高斯金字塔的方案在不同尺度 提取图像细节特征，并形成一个特征向量。QAC 通过对滤波特征 应用 K 均值聚类算法，得到 组 类心 ： min ml,k ∑K k=1 ∑ d∈Ql,k || fi −ml,k ||2 (8) 式中： Ql,k是 Ql组中第 k 个类。值得注意的是，也 可以使用其他相似度准则。然而考虑到计算复杂 度，为了方便使用欧式距离，为了有效求解上述 最小化问题，应用了谱聚类[10]的方法。 2.2.2 测试阶段 有了这些学习得到的不同质量层的中心集， 可以通过把这些退化图像特征映射到相应的质量 得分池，轻易地推断出感知质量，如图 3 所示。 通过应用滤波算法，可以获得新的增强图像 及其相应的质量等级。 类分配 特征提取 块质量预估 图像质量预测 块分割 图 3 图像质量估计流程图 Fig. 3 The process of image quality prediction 通过式 (9) 所示的均值策略来推断新测试图 像最终的质量得分。 Q(A) = 1 n ∑n i=1 qi (9) 第 6 期 王伟，等：一种特征字典映射的图像盲评价方法研究 ·991·