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体系，提出了一种基于灰度空间和色彩空间的改进算法。同时，为了减少单一数据库造成的模型过拟合现象，提升算法的鲁棒性，该算法分别在LIVE和CSIQ数据库上分析了算法计算结果与DMOS值的相关性。实验结果表明，改进的BRISQUE算法评价结果与人类主观评价具有高度的一致性，较BRISQUE算法在一致性方面有一定程度的提升。

关键词：无参考图像质量评价；BRISQUE算法；机器学习；图像失真

图像作为人类视觉和机器模式识别的重要信息来源，蕴含了大量有价值的信息，一张图像质量的好坏直接影响获取信息的准确性和完整性。在图像的获取、存储、传输、显示等过程中不可避免地会引入一些干扰因素，如噪声、模糊等，最终造成图像质量的下降。

BRISQUE算法是Anish Mittal，Alan Conrad Bovik等[1-2]于2012年提出的基于机器学习的无参考图像质量评价算法，该算法基于图像灰度空间提取与图像质量相关的指标，构建无参考图像质量评价模型，但该算法未考虑色彩对图像质量的影响。本文基于BRISQUE算法改进原有的无参考图像质量评价指标体系，在色彩空间上提取多个相关指标，并在不同图像数据库上进行实验测试。实验结果表明：改进的BRISQUE算法评价结果与人类主观评价具有高度的一致性，较BRISQUE算法在一致性方面有一定程度的提升。

1 BRISQUE算法簡介

BRISQUE算法的基本步骤为：

（1）对图像作局部灰度标准化处理，获取图像标准化灰度值（Mean Subtracted Contrast Normalized，MSCN）。

（2）广义高斯函数（Generalized Gaussian Distribution，GGD）拟合MSCN值，获取形状参数α和方差σ2两个指标特征。

（3）非对称广义高斯函数（Asymmetric Generalized Gaussian Distribution，AGGD）分别拟合4个方向上的相邻像素MSCN值，每个方向上获取4个参数，共计16个指标特征。

（4）在采样因子为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

2.1 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）。

2.2 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。基于提取的特征通过一个回归函数来学习出图像质量评价函数，可表示为[8]：

（10）

其中：x为提取的特征向量，f（·）为回归函数，Q为最后的图像质量。

通过SVR的方法进行训练模型。70%的图片作为训练集，30%的图片作为测试集。经过1 000次随机模拟实验，BRISQUE算法和改进的BRISQUE算法的训练集和测试集输出的结果与主观评测结果的线性相关系数和斯皮尔曼相关系数如表1—2所示。

相关系数越接近于1说明该算法预测值与主观评测的DMOS值相关性越高。

3 结语

无参考图像质量评价方法不需要参考图像的任何信息，仅根据失真图像本身来进行质量评价。本文在BRISQUE算法的基础上，在CIELAB色彩空间上提取特征指标并构建了无参考图像质量评价模型。在LIVE和CSIQ图像质量评价数据库上的实验结果表明，本文的评價结果与人类主观质量评价高度一致，较BRISQUE算法有很大程度的提升。

[参考文献]

[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]范赐恩，冉杰文，颜佳，等.颜色空间统计联合纹理特征的无参考图像质量评价[J].光学精密工程，2018（4）：916-926.

[4]江程.基于结构相似度的图像客观质量评价方法研究[D].湘潭：湘潭大学，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.无参考图像质量评价综述[J].自动化学报，2015（6）：1062-1079.