沈丽丽等：联合多种边缘检测算子的无参考质量评价算法 999· 0.08 0.16 (b) 0.07 一失直图像GM 0.14 一失真图像GM 一失真图像IOG 一失真图像ILOG 0.06 --参考图像GM 0.12 一-参考图像GM 一一参考图像LOG 0.05 0.10 --参考图像L0G 釜0a 0.03 0.06 0.02 0.04 0.01 0.02 15 20 25 10 15 20 25 30 框度 幅度 045 0.07 0.40 失真图像GM c 失真图像GM d 一失其图像I0C 0.06 一失真图像L0G 0.35 -一参考图像GM 0.30 -一参考图像I0G 0.05 一一参考图像GM 一-参考图像LOG 0.15 0.02 0.10 0.05 0.01 10 15 20 25 20 40 60 80 100 幅度 幅度 0.07 0.07 失真图像GM 0.06 失真图像IOC 0.06 一失真图像GM 失真图像IOG 00 一一参考图像GM 0.05 一一参考图像GM 一一参考图像L0G 一一参考图像L0G 0.04 0.03 0.02 0.02 0.01 0.01 20 40 60 80 100 20 40 60 80 100 幅度 幅度 图1LVE数据库一张原始图像及其失真图像的GM和LOG幅值概率分布，其中(a~c)为高斯模糊失真，(d~f)为白噪声失真.失真程度 依次增加，DM0S值分别为(a)20.38;(b)46.67:(c)72.87:(d)22.15:(e)39.11:()47.45 Fig.1 Probability distribution of GM and LOG for reference and distorted image in LIVE,(a-e)are Gaussian blur,(d-f)are white noise.The de- gree of distortion respective increases and the DMOS of every map is:(a)20.38;(b)46.67;(c)72.87;(d)22.15;(e)39.11;(f)47.45 出散点图，结果显示在图3中 本文的特征提取分为两部分：一部分提取RO 如图3所示，对于JPEG类型的失真，在DMOS 的标准差，另一部分提取GM、RM和LOG之间相互 值小于50时，散点图能呈现出线性关系，而在 的条件熵作为特征，即H(GMIL)、H(LIGM)、 DMOS大于50时，H(GMIL)和H(RMIL)的差值急 H(GMIL)-H(RMIL)和H(LIGM)-H(LIRM),两 速下降，最后趋近于0.造成这样的原因是：JPEG失 部分共5维特征.人类视觉系统对图像的感知是多 真产生的块效应的作用范围大于提取RM时的均值 尺度的，因此在评价模型中引入多尺度信息往往能 滤波范围，随着失真程度的加深，JPEG产生的“块” 够改善算法的性能[8,2].为了从多尺度的层面来更 的大小远大于3×3个像素点，这种情况下GM和 好地描述图像，本文采用下采样的方法再提取另外 M的差异变得很小，因此会出现上述情况.而对于 5维特征，总共10维特征 其他四种失真，H(GMIL)和H(RMIL)的差值与 2 AdaBoost神经网络 DMOS值均能呈现近似线性的关系，并且对于模糊 类失真，图像质量越差，GM和RM的差别越大，对 本文采用自适应增强神经网络(AdaBoost neu- 于噪声类的失真，图像质量越差，GM和RM的差别 ral network)进行回归.Adaboost算法是一种迭代算 越小. 法，其核心思想是将许多弱分类器联合在一起，构成沈丽丽等: 联合多种边缘检测算子的无参考质量评价算法 图 1 LIVE 数据库一张原始图像及其失真图像的 GM 和 LOG 幅值概率分布,其中(a ~ c)为高斯模糊失真,(d ~ f)为白噪声失真. 失真程度 依次增加,DMOS 值分别为 (a) 20郾 38; (b) 46郾 67; (c) 72郾 87; (d) 22郾 15; (e) 39郾 11; (f) 47郾 45 Fig. 1 Probability distribution of GM and LOG for reference and distorted image in LIVE, (a鄄鄄c) are Gaussian blur, (d鄄鄄f) are white noise. The de鄄 gree of distortion respective increases and the DMOS of every map is: (a) 20郾 38; (b) 46郾 67; (c) 72郾 87; (d) 22郾 15; (e) 39郾 11; (f) 47郾 45 出散点图,结果显示在图 3 中. 如图 3 所示,对于 JPEG 类型的失真,在 DMOS 值小于 50 时, 散点图能呈现出线性关系, 而在 DMOS 大于 50 时,H(GM| L)和 H(RM | L)的差值急 速下降,最后趋近于 0. 造成这样的原因是:JPEG 失 真产生的块效应的作用范围大于提取 RM 时的均值 滤波范围,随着失真程度的加深,JPEG 产生的“块冶 的大小远大于 3 伊 3 个像素点,这种情况下 GM 和 RM 的差异变得很小,因此会出现上述情况. 而对于 其他四种失真, H(GM | L) 和 H(RM | L) 的差值与 DMOS 值均能呈现近似线性的关系,并且对于模糊 类失真,图像质量越差,GM 和 RM 的差别越大,对 于噪声类的失真,图像质量越差,GM 和 RM 的差别 越小. 本文的特征提取分为两部分:一部分提取 RO 的标准差, 另一部分提取 GM、RM 和 LOG 之间相互 的条件熵作为特征, 即 H ( GM | L)、 H ( L | GM)、 H(GM| L) - H(RM| L)和 H(L |GM) - H(L |RM),两 部分共 5 维特征. 人类视觉系统对图像的感知是多 尺度的,因此在评价模型中引入多尺度信息往往能 够改善算法的性能[8,20] . 为了从多尺度的层面来更 好地描述图像,本文采用下采样的方法再提取另外 5 维特征,总共 10 维特征. 2 AdaBoost 神经网络 本文采用自适应增强神经网络(AdaBoost neu鄄 ral network)进行回归. Adaboost 算法是一种迭代算 法,其核心思想是将许多弱分类器联合在一起,构成 ·999·