·1000. 工程科学学报，第40卷，第8期 (a) 6 8 4 0 00 8电 0 0 89o 0 2 o oo .o.. 0 85 000 0 98 40 60 100 20 40 60 80 100 DMOS DMOS 0 d 6 4 品88 5 98 o8 30 4 ● 8 00 88 20 40 0 80 100 20 40 60 80 100 DMOS DMOS (e) 00 0 3 89风 0 0 eo 0 ax 905 8 20 40 60 80100 DMOS 图2LIVE图像库中，不同失真类型下，所有失真图像的H(GMIL)与其对应的DMOS值的散点图.(a)JPEG2000:(b)PEG:(c)白噪 声：(d)高斯模糊：(e)快速衰落 Fig.2 Scatter plot between (GMIL)and DMOS on LIVE database with different types of distortion:(a)JPEG2000;(b)JPEG;(c)white noise;(d)Gaussian blur;(e)fast fading Rayleigh 一个强分类器.图4展示的是本文使用的Adaboost (1/K i=1 网络的基本框图.其中∫。是BP神经网络的输入， D-1×(1+Ef证-os) i=2,3.…,10 在本文中输入向量的长度n为10. (10) 该回归方法使用I0个BP(back-propagation)神 1, x>0.1 经网络作为弱分类器，每个BP神经网络有两个隐 f(x)= (11) 0. x≤0.1 藏层，每个隐含层和输入层具有相同的节点数，第一 其中，f(x)是阈值函数，K是样本总个数，B是阈值， 个隐藏层使用sigmoid函数作为激活函数，第二个隐 在本文中设置为0.1.将每个弱分类器的样本误差 藏层使用径向基函数作为激活函数.将每个BP神 进行累加得到累积误差E,: 经网络的输出通过联合函数进行加权，得到最终的 预测评分.设是第i个BP神经网络对第j个图 E,=∑DxfY-s) (12) i=1- 像质量的预测值，Yos是第j个图像的真实图像质 使用sigmoid函数得到第i个弱分类器的权值a:,其 量.第i个BP神经网络对第j个样本的误差分布 中b和c是sigmoid函数的参数，本文中b设置为1， D:,可由以下公式求出： c设置为为0.5.工程科学学报,第 40 卷,第 8 期 图 2 LIVE 图像库中,不同失真类型下,所有失真图像的 H(GM | L)与其对应的 DMOS 值的散点图. ( a) JPEG2000; ( b) JPEG; ( c) 白噪 声; (d) 高斯模糊; (e) 快速衰落 Fig. 2 Scatter plot between H(GM| L) and DMOS on LIVE database with different types of distortion: ( a) JPEG2000; ( b) JPEG; ( c) white noise; (d) Gaussian blur; (e) fast fading Rayleigh 一个强分类器. 图 4 展示的是本文使用的 Adaboost 网络的基本框图. 其中 fn 是 BP 神经网络的输入, 在本文中输入向量的长度 n 为 10. 该回归方法使用 10 个 BP(back鄄propagation)神 经网络作为弱分类器,每个 BP 神经网络有两个隐 藏层,每个隐含层和输入层具有相同的节点数,第一 个隐藏层使用 sigmoid 函数作为激活函数,第二个隐 藏层使用径向基函数作为激活函数. 将每个 BP 神 经网络的输出通过联合函数进行加权,得到最终的 预测评分. 设 Y i,j pre是第 i 个 BP 神经网络对第 j 个图 像质量的预测值,Y j MOS是第 j 个图像的真实图像质 量. 第 i 个 BP 神经网络对第 j 个样本的误差分布 Di,j可由以下公式求出: Di,j = 1/ K i =1 Di,j -1 伊 (1 + 着·f(Y i,j pre - Y j { MOS )) i =2,3,…,10 (10) f(x) = 1, x > 0郾 1 {0, x臆0郾 1 (11) 其中,f(x)是阈值函数,K 是样本总个数,着 是阈值, 在本文中设置为 0郾 1. 将每个弱分类器的样本误差 进行累加得到累积误差 Ei: Ei = j 移= 1…K Di,j 伊 f(Y i,j pre - Y j MOS ) (12) 使用 sigmoid 函数得到第 i 个弱分类器的权值 琢i,其 中 b 和 c 是 sigmoid 函数的参数,本文中 b 设置为 1, c 设置为为 0郾 5. ·1000·