·992· 智能系统学报 第13卷 式中：n是所有图像块的数量，q:是每个图像块的 质量，Q4)是待估图像A的最终质量得分。 4 LCC= (10) 3实验 3.1实验设置 在通用基准数据集LIVE数据库上评估了我 式中d,=y,-p是二者之间的差距。 们所提算法。LIVE数据库包含了29幅参考图像 作为对比，选择集中具有代表性的NR-IQA 及其对应的779幅5种不同类型的退化图像。为 方法来评价LIVE数据库中特定退化类型和非特 了代表性和简洁性考虑，仅仅选择其中两个典型 定退化类型的实验。对于前者，随机选择特定类 型的退化图像来训练和测试，对于后者所有退化 的退化类型：白噪声(WN)、高斯模糊(BLUR)。对 于每个退化图像，都有一个主观感知得分DMOS 类型的图像将放在一起训练和测试。 前人几种表现良好的无参考图像质量评价和 值，分值范围从0~100不等。较低的DMOS得 分代表着较好的视觉质量。实验中，随机选取 全参考图像质量评价方法用来作为对比：如表I 所列，BRISQUEIS、CORNIA和CNN都是从原 80%的参考图像及其退化图像作为训练集样本， 文中提取的方法。除了CNN,所有这些方法在作 剩余20%用作测试集。 对比时，取LIVE数据库中的80%做训练，剩余 3.2质量预测 20%做测试。对于CNN取60%做训练，20%做 为了验证本文所提方法的有效性，选择LVE 更新，剩余的20%做测试。 数据库中一个数据集来分别预测它们的质量得 分，如图4所示。 表1LIVE数据库上的LCC Table 1 LCC on LIVE LCC WN BLUR FF ALL PSNR 0.926 0.779 0.870 0.856 PSIM 0.976 0.978 0.912 0.960 (a)17:0.3855 b)141:0.5873 SSIM 0.982 0.893 0.939 0.906 BRISQUE 0.985 0.951 0.903 0.942 CORNIA 0.987 0.968 0.917 0.935 CNN 0.984 0.953 0.933 0.953 (c)29:0.6358 (d34:0.6664 OURS 0.987 0.968 0.944 0.957 4结束语 (e)9:0.7227 (f)161:0.7661 本文提出了一个简单有效的框架来自动评估 图4LVE数据库中同一幅基准图像不同退化程度后的 图像质量。全文的创新性在于集成使用了局部特 图像质量预测 征和全局统计特性描绘图像。本文的贡献是两方 Fig.4 Quality prediction of different degraded degree im- 面的：首先，本文用到了一个包括局部特征和全 age from LIVE database using proposed method 局统计特性有区分性的特征集来表征图像块；其 从结果可以看出，使用本文算法预测出的分 次，研究了怎样在无标记的数据集上构建字典， 数和人类视觉系统的结果完全一致。 使用了一个跟退化类型无关的池化策略来加速学 3.3对比评估 习过程。 用植入线性关联系数(LCC)准则来评估本文 相比前人的方法，本文所提算法有了很大的 所提算法的表现。LCC通过衡量真实分数和预 提高，实验表明本文算法能有效处理某种程度上 测分数之间的线性关系来预测分数。假如有n幅 不可预见退化类型的图像。未来将考虑将目标检 退化图像，每幅图像有一个人类感知分数等级和 测融合到我们的框架中去，以此代替对所有检测 一个预测的分数等级。LCC的计算为 区域质量的均值化处理。qi Q(A) 式中：n 是所有图像块的数量， 是每个图像块的 质量， 是待估图像 A 的最终质量得分。 3 实验 3.1 实验设置 在通用基准数据集 LIVE 数据库上评估了我 们所提算法。LIVE 数据库包含了 29 幅参考图像 及其对应的 779 幅 5 种不同类型的退化图像。为 了代表性和简洁性考虑，仅仅选择其中两个典型 的退化类型：白噪声 (WN)、高斯模糊 (BLUR)。对 于每个退化图像，都有一个主观感知得分 DMOS 值，分值范围从 0～100 不等。较低的 DMOS 得 分代表着较好的视觉质量。实验中，随机选取 80% 的参考图像及其退化图像作为训练集样本， 剩余 20% 用作测试集。 3.2 质量预测 为了验证本文所提方法的有效性，选择 LIVE 数据库中一个数据集来分别预测它们的质量得 分，如图 4 所示。 (a) 17:0.385 5 (b) 141:0.587 3 (c) 29:0.635 8 (d) 34:0.666 4 (e) 9:0.722 7 (f) 161:0.766 1 图 4 LIVE 数据库中同一幅基准图像不同退化程度后的 图像质量预测 Fig. 4 Quality prediction of different degraded degree im￾age from LIVE database using proposed method 从结果可以看出，使用本文算法预测出的分 数和人类视觉系统的结果完全一致。 3.3 对比评估 用植入线性关联系数 (LCC) 准则来评估本文 所提算法的表现。LCC 通过衡量真实分数和预 测分数之间的线性关系来预测分数。假如有 n 幅 退化图像，每幅图像有一个人类感知分数等级和 一个预测的分数等级。LCC 的计算为 LCC = ∑n i=1 di √∑n i=1 d 2 i (10) 式中 di = vi − pi是二者之间的差距。 作为对比，选择集中具有代表性的 NR-IQA 方法来评价 LIVE 数据库中特定退化类型和非特 定退化类型的实验。对于前者，随机选择特定类 型的退化图像来训练和测试，对于后者所有退化 类型的图像将放在一起训练和测试。 前人几种表现良好的无参考图像质量评价和 全参考图像质量评价方法用来作为对比：如表 I 所列，BRISQUE[8] 、CORNIA[4]和 CNN[11]都是从原 文中提取的方法。除了 CNN，所有这些方法在作 对比时，取 LIVE 数据库中的 80% 做训练，剩余 20% 做测试。对于 CNN 取 60% 做训练，20% 做 更新，剩余的 20% 做测试。 表 1 LIVE 数据库上的 LCC Table 1 LCC on LIVE LCC WN BLUR FF ALL PSNR 0.926 0.779 0.870 0.856 PSIM 0.976 0.978 0.912 0.960 SSIM 0.982 0.893 0.939 0.906 BRISQUE 0.985 0.951 0.903 0.942 CORNIA 0.987 0.968 0.917 0.935 CNN 0.984 0.953 0.933 0.953 OURS 0.987 0.968 0.944 0.957 4 结束语 本文提出了一个简单有效的框架来自动评估 图像质量。全文的创新性在于集成使用了局部特 征和全局统计特性描绘图像。本文的贡献是两方 面的：首先，本文用到了一个包括局部特征和全 局统计特性有区分性的特征集来表征图像块；其 次，研究了怎样在无标记的数据集上构建字典， 使用了一个跟退化类型无关的池化策略来加速学 习过程。 相比前人的方法，本文所提算法有了很大的 提高，实验表明本文算法能有效处理某种程度上 不可预见退化类型的图像。未来将考虑将目标检 测融合到我们的框架中去，以此代替对所有检测 区域质量的均值化处理。 ·992· 智 能 系 统 学 报 第 13 卷