文档介绍：基于加权模型的无参考图像质量评价方法
作者:
摘 要: 针对无参考的图像质量评价,提出一种基于SSEQ算法、BRISQUE算法和BP神经网络的质量评价模型,其n Aware)和OF?BIQA(Opinion Free)[3]。对于图像中存在的多种失真,BIQI(Blind Image Quality Indices)算法[4]基于五种失真类型的预设,将图像的失真类型概率和其对应的失真水平进行加权求和得出质量分数。文献[5]提出的ERISQUE使用局部标准化亮度系数得出图像失真程度。SSEQ算法[6]使用空间熵值和频谱熵值作为图像质量指标并使用支持向量机判断失真类型并进行评价。OA?BIQA中,文献[7]基于卷积神经网络提出IQA?CNN,使用特征提取和回归建立学习模型,对于模糊、压缩和噪声失真图像的质量评价有很好的效果。文献[8]提出的DeepBIQ中引入迁移学习、扩展深度学习中的网络深度。OF?BIQA模型不需要使用人工评价样本,可用性更强。文献[9]提出的BIECON中训练过程包括回归到客观误差图和主观评分两个部分,有效避免实验样本受限问题。本文使用SSEQ,BQRISQUE和BP神经网络进行融合,提出一种无参考质量评价模型。 1 基础理论
BRISQUE算法
BRISQUE(Blind Referenceless Image Spatial Quality Evaluator)是一种无参考的空间域图像质量评估算法。算法原理为从图像中提取局部规范化系数(MSCN),并将其拟合成广义高斯分布(GGD)和非对称性广义高斯分布(AGGD),并利用多尺度图像提取36个特征,使用支持向量机LibSVM得出客观质量分数。BRISQUE算法的流程图如图1所示。
MSCN系数具有由于失真的存在而改变的特征,一定程度上反映了图像的自然统计特征,并且量化这些变化可以预测影响图像的失真类型及其感知质量。由于人类视觉系统观察图像是多尺度的,各种图像退化也作用于图像的多个尺度。所以在不同的尺度图像上进行质量评价,更符合人类感知的特性。
SSEQ算法
SSEQ(Spatial?Spectral Entropy Quality)称为基于空间?谱熵的质量指数,获取图像的空间熵值和频谱熵值作为图像的特征值,熵值大小可反映不同种类失真,使用支持向量机LibSVM得出客观质量分数。SSEQ算法的流程图如图2所示。
由于空间熵值和频谱熵值都是基于多个像素点计算出来的,所以为了使读取的值分布均匀,本文采用块处理,将预处理后的灰度图像分成8×8的块,并以此作为特征值提取最小信息单位。图像的信息可使用[14],[18],[116]的采样率,分为高、中、低3个频率段,特征值为每个频率段的均值和偏度值。
BP神经网络
BP神经网络是一种多层前馈神经网络,拓扑结构分为输入层、隐含层和输出层三个部分,具有信号前向传播、误差后向传播的特点。BP神经网络信号的前向传播是指信号从输入层经过隐含层,再到输出层;误差的反向传播是从输出层到隐含层,再到输入层。
使用该模型的BP神经网络对样本进行训练,网络的形成过程中为使误差平方和最小,使用误差的反向传播不断调整网络的权值和阈值,从而使输出值接近期望值。其结构图如图3所示。
2 模型建立
本文中模型使用的算法有BRISQUE算法、SSEQ算法、BP神经网络和加权融合算法。首先通过BRISQUE算法得出36个特征值,SSEQ算法得出12个特征值。然后利用BP神经网络将特征值和DOMS值进行训练测试,其中50%作为训练集,50%作为测试集。最后将测试集得出的客观质量评分进行加权融合,得到最终的客观质量评分,其中,加权融合的权值为相关性检测中相关性最大时对应的权值。具体流程如图4所示。
3 实验结果及分析
实验样本描述
图像来源于美国德克萨斯大学奥斯汀分校的电气与计算机工程系和心理学系联合建立的LIVE(Laboratory for Image & Video Engineering)图像质量评价数据库的Release2版本,由29幅参考图像和5种失真类型共982幅图像组成,其中包含不同程度高斯白噪声(WN)失真图像174幅、不同程度高斯模糊(GBlur)失真图像174幅、jpeg压缩(JPEG)失真图像233幅、jp2k压缩(JP2K)失真图像227幅和快速瑞利衰减(FF)失真图像174幅。采用161人作为观察人员,通过统计约25 000个数据,获得了不同失真图像的主观相对质量分数(DMOS)。DM