文档介绍：基于机器学习的无参考图像质量评价指标体系改进
 
 
樊晓婷 毕艳辉
摘 要：为解决BRISQUE算法中单纯提取灰度空间指标特征的问题，进一步提升算法预测的准确性，文章在BRISQUE算法的基础上改进了无参考图像质量评价指标2的下采样的尺度上按（1）、（2）、（3）步骤提取18个指标作为获取失真的第3组特征。
（5）基于在两个尺度上提取的36个特征指标，利用支持向量回归（Support Vector Regression，SVR）模型学习出图像质量评价函数。
BRISQUE创新性地将机器学习算法应用于无参考图像质量评价中，较传统的客观评价指标相比具有明显优势。但其仅仅考虑图像失真在灰度方面引起的指标的变化。本文在基于BRISQUE算法的基础上引入色彩空间指标，并在不同数据集上进行模型的训练。
本文所采用的图像数据库为LIVE和CSIQ，其中LIVE数据库主观分数是DMOS（0-100）。CSIQ数据库的主观分数为DMOS值（0-1），为保证两个数据库主观分数范围的一致性，将CSIQ数据库的DMOS值范围扩大100倍。
2 基于BRISQUE算法的指标体系改进
色彩空间特征提取
CIELAB颜色空间是由国际照明委员会（Commission Internationale de LEclairage，CIE）制定的一种色彩模式。自然界中任何一点色彩都可以在 CIELAB空间中表达出来[3]。
CIELAB色彩空间中的3个坐标轴分别为：L*表示色彩空间中灰度的位置，a*表示色彩空间中相对于红色/绿色的位置，b*表示色彩空间相对于黄色和绿色的位置。其中，图像（i，j）处的色度的定义如下[4]：
（1）
在提取特征前先对图像色度做局部标准化处理，起到去相关的作用。
（2）
其中：，，M和N分别为图像的高度和宽度，参数C=1来增强式子的稳定性。和分别为局部均值和标准差。
我们称为标准化色度系数。参考图像标准化后的色度值近似服从标准高斯分布，同时，相邻像素的色度值具有很强的相关性，标准化后的色度值大大减小了这种相关性。
根据实验研究发现，参考图像的标准化色度系数值近似服从标准高斯分布，而失真图像的标准化色度系数值则呈现不同的分布，GGD可以有效获取失真图像更多的统计数据特征。期望为0的广义高斯分布函数为：
（3）
我们用GGD拟合标准化色度系数值，并估计两个参数。
由于原始图像的标准化色度系数值分布更均匀，因此，相邻像素的会呈现有规律的特征，构建4个方向成对的相邻像素的标准化色度系数值模型[5-7]：
（1）水平方向
（4）
（2）竖直方向
（5）
（3）主对角线方向
（6）
（4）副对角线方向
（7）
我们采取更一般的AGGD模型提取相邻像素的特征，众数为0的AGGD分布函数为：
（8）
其中：v为形状参数，为范围参数，提取AGGD最佳拟合参数，其中为：
（9）
对于每个像素点的4个方向上有16个特征参数。考虑到图像通常具有多尺度性，同时，通过将多尺度信息融入图像质量评价，因此，在两个尺度上（原图像尺度和采样因子为2的下采样的尺度）提取将征，共计提取特征数目为36（18×2）。
SVR机器学习模型建立
无参考图像质量评价NR IQA可以看作是一个回归问题。基于提取的特征通