基于機器學習的無參考圖像質(zhì)量評價指標體系改進

樊曉婷 畢艷輝

摘 要：為解決BRISQUE算法中單純提取灰度空間指標特征的問題，進一步提升算法預測的準確性，文章在BRISQUE算法的基礎上改進了無參考圖像質(zhì)量評價指標體系，提出了一種基于灰度空間和色彩空間的改進算法。同時，為了減少單一數(shù)據(jù)庫造成的模型過擬合現(xiàn)象，提升算法的魯棒性，該算法分別在LIVE和CSIQ數(shù)據(jù)庫上分析了算法計算結(jié)果與DMOS值的相關性。實驗結(jié)果表明，改進的BRISQUE算法評價結(jié)果與人類主觀評價具有高度的一致性，較BRISQUE算法在一致性方面有一定程度的提升。

關鍵詞：無參考圖像質(zhì)量評價；BRISQUE算法；機器學習；圖像失真

圖像作為人類視覺和機器模式識別的重要信息來源，蘊含了大量有價值的信息，一張圖像質(zhì)量的好壞直接影響獲取信息的準確性和完整性。在圖像的獲取、存儲、傳輸、顯示等過程中不可避免地會引入一些干擾因素，如噪聲、模糊等，最終造成圖像質(zhì)量的下降。

BRISQUE算法是Anish Mittal，Alan Conrad Bovik等[1-2]于2012年提出的基于機器學習的無參考圖像質(zhì)量評價算法，該算法基于圖像灰度空間提取與圖像質(zhì)量相關的指標，構(gòu)建無參考圖像質(zhì)量評價模型，但該算法未考慮色彩對圖像質(zhì)量的影響。本文基于BRISQUE算法改進原有的無參考圖像質(zhì)量評價指標體系，在色彩空間上提取多個相關指標，并在不同圖像數(shù)據(jù)庫上進行實驗測試。實驗結(jié)果表明：改進的BRISQUE算法評價結(jié)果與人類主觀評價具有高度的一致性，較BRISQUE算法在一致性方面有一定程度的提升。

1 BRISQUE算法簡介

BRISQUE算法的基本步驟為：

（1）對圖像作局部灰度標準化處理，獲取圖像標準化灰度值（Mean Subtracted Contrast Normalized，MSCN）。

（2）廣義高斯函數(shù)（Generalized Gaussian Distribution，GGD）擬合MSCN值，獲取形狀參數(shù)α和方差σ2兩個指標特征。

（3）非對稱廣義高斯函數(shù)（Asymmetric Generalized Gaussian Distribution，AGGD）分別擬合4個方向上的相鄰像素MSCN值，每個方向上獲取4個參數(shù)，共計16個指標特征。

（4）在采樣因子為2的下采樣的尺度上按（1）、（2）、（3）步驟提取18個指標作為獲取失真的第3組特征。

（5）基于在兩個尺度上提取的36個特征指標，利用支持向量回歸（Support Vector Regression，SVR）模型學習出圖像質(zhì)量評價函數(shù)。

BRISQUE創(chuàng)新性地將機器學習算法應用于無參考圖像質(zhì)量評價中，較傳統(tǒng)的客觀評價指標相比具有明顯優(yōu)勢。但其僅僅考慮圖像失真在灰度方面引起的指標的變化。本文在基于BRISQUE算法的基礎上引入色彩空間指標，并在不同數(shù)據(jù)集上進行模型的訓練。

本文所采用的圖像數(shù)據(jù)庫為LIVE和CSIQ，其中LIVE數(shù)據(jù)庫主觀分數(shù)是DMOS（0-100）。CSIQ數(shù)據(jù)庫的主觀分數(shù)為DMOS值（0-1），為保證兩個數(shù)據(jù)庫主觀分數(shù)范圍的一致性，將CSIQ數(shù)據(jù)庫的DMOS值范圍擴大100倍。

2 基于BRISQUE算法的指標體系改進

2.1 色彩空間特征提取

CIELAB顏色空間是由國際照明委員會（Commission Internationale de LEclairage，CIE）制定的一種色彩模式。自然界中任何一點色彩都可以在 CIELAB空間中表達出來[3]。

CIELAB色彩空間中的3個坐標軸分別為：L*表示色彩空間中灰度的位置，a*表示色彩空間中相對于紅色/綠色的位置，b*表示色彩空間相對于黃色和綠色的位置。其中，圖像（i，j）處的色度的定義如下[4]：

（1）

在提取特征前先對圖像色度做局部標準化處理，起到去相關的作用。

（2）

其中：，，M和N分別為圖像的高度和寬度，參數(shù)C=1來增強式子的穩(wěn)定性。和分別為局部均值和標準差。

我們稱為標準化色度系數(shù)。參考圖像標準化后的色度值近似服從標準高斯分布，同時，相鄰像素的色度值具有很強的相關性，標準化后的色度值大大減小了這種相關性。

根據(jù)實驗研究發(fā)現(xiàn)，參考圖像的標準化色度系數(shù)值近似服從標準高斯分布，而失真圖像的標準化色度系數(shù)值則呈現(xiàn)不同的分布，GGD可以有效獲取失真圖像更多的統(tǒng)計數(shù)據(jù)特征。期望為0的廣義高斯分布函數(shù)為：

（3）

我們用GGD擬合標準化色度系數(shù)值，并估計兩個參數(shù)。

由于原始圖像的標準化色度系數(shù)值分布更均勻，因此，相鄰像素的會呈現(xiàn)有規(guī)律的特征，構(gòu)建4個方向成對的相鄰像素的標準化色度系數(shù)值模型[5-7]：

（1）水平方向

（4）

（2）豎直方向

（5）

（3）主對角線方向

（6）

（4）副對角線方向

（7）

我們采取更一般的AGGD模型提取相鄰像素的特征，眾數(shù)為0的AGGD分布函數(shù)為：

（8）

其中：v為形狀參數(shù)，為范圍參數(shù)，提取AGGD最佳擬合參數(shù)，其中為：

（9）

對于每個像素點的4個方向上有16個特征參數(shù)。考慮到圖像通常具有多尺度性，同時，通過將多尺度信息融入圖像質(zhì)量評價，因此，在兩個尺度上（原圖像尺度和采樣因子為2的下采樣的尺度）提取將征，共計提取特征數(shù)目為36（18×2）。

2.2 SVR機器學習模型建立

無參考圖像質(zhì)量評價NR IQA可以看作是一個回歸問題。基于提取的特征通過一個回歸函數(shù)來學習出圖像質(zhì)量評價函數(shù)，可表示為[8]：

（10）

其中：x為提取的特征向量，f（·）為回歸函數(shù)，Q為最后的圖像質(zhì)量。

通過SVR的方法進行訓練模型。70%的圖片作為訓練集，30%的圖片作為測試集。經(jīng)過1 000次隨機模擬實驗，BRISQUE算法和改進的BRISQUE算法的訓練集和測試集輸出的結(jié)果與主觀評測結(jié)果的線性相關系數(shù)和斯皮爾曼相關系數(shù)如表1—2所示。

相關系數(shù)越接近于1說明該算法預測值與主觀評測的DMOS值相關性越高。

3 結(jié)語

無參考圖像質(zhì)量評價方法不需要參考圖像的任何信息，僅根據(jù)失真圖像本身來進行質(zhì)量評價。本文在BRISQUE算法的基礎上，在CIELAB色彩空間上提取特征指標并構(gòu)建了無參考圖像質(zhì)量評價模型。在LIVE和CSIQ圖像質(zhì)量評價數(shù)據(jù)庫上的實驗結(jié)果表明，本文的評價結(jié)果與人類主觀質(zhì)量評價高度一致，較BRISQUE算法有很大程度的提升。

[參考文獻]

[1]MOORTHY A K，BOVIK A C.A two-step framework for constructing blind image quality indices[J].IEEE Signal Processing Letters，2010（5）：513-516.

[2]SAAD M A，BOVIK A C，CHARRIER C.DCT statistics model-based blind image quality assessment[C].Atlanta：IEEE International Conference on Image Processing，2011：3093-3096.

[3]范賜恩，冉杰文，顏佳，等.顏色空間統(tǒng)計聯(lián)合紋理特征的無參考圖像質(zhì)量評價[J].光學精密工程，2018（4）：916-926.

[4]江程.基于結(jié)構(gòu)相似度的圖像客觀質(zhì)量評價方法研究[D].湘潭：湘潭大學，2012.

[5]MITTAL A，MOORTHY A K，BOVIK A C.No-reference image quality assessment in the spatial domain[J].IEEE Transactions on Image Processing，2012（12）：4695-4708.

[6]MOORTHY A K，BOVIK A C.Blind image quality assessment： from natural scene statistics to perceptual quality[J].IEEE Transactions on Image Processing，2012（12）：3350-3364.

[7]MITTAL A，SOUNDARARAJAN R，BOVIK A C.Making a “completely blind” image quality analyzer[J].IEEE Signal Processing Letters，2013（3）：209-212.

[8]王志明.無參考圖像質(zhì)量評價綜述[J].自動化學報，2015（6）：1062-1079.