張一鳴，楊曦晨

(南京師范大學(xué) 計算機與電子信息/人工智能學(xué)院，江蘇 南京 210046)

1 概 述

監(jiān)控技術(shù)是通過攝像頭對監(jiān)控場景中的人或物實時獲取信息的一種技術(shù)，被廣泛應(yīng)用于日常生活和特殊工程領(lǐng)域[1]。當前許多城市受霧霾天氣影響，導(dǎo)致監(jiān)控攝像頭獲取的圖像受霧化影響[2]。霧化圖像中主要存在模糊、對比度失真以及色彩失真等圖像失真類型。相關(guān)失真影響圖像中有效信息的獲取，降低了監(jiān)控圖像的應(yīng)用價值，限制監(jiān)控系統(tǒng)的實際應(yīng)用性能[3]。因此，研究有效的霧化圖像質(zhì)量評價方法，對所采集監(jiān)控圖像質(zhì)量進行有效監(jiān)測，能夠有利于衡量監(jiān)控圖像的應(yīng)用價值以及監(jiān)控系統(tǒng)的運行狀態(tài)，具有較高的實用價值。

圖像質(zhì)量評價方法通?？梢苑譃橹饔^圖像質(zhì)量評價方法和客觀圖像質(zhì)量評價方法[4]。主觀圖像質(zhì)量評價方法通過人眼視覺觀察給出圖像質(zhì)量評分。該類方法的評價結(jié)果符合人眼視覺感知結(jié)果，但存在不穩(wěn)定、耗時、代價高以及操作復(fù)雜等問題[5]，因此，主觀圖像質(zhì)量評價方法僅能適用于待評價圖像數(shù)量有限的評價任務(wù)。實際應(yīng)用中監(jiān)控系統(tǒng)往往需要處理海量圖像數(shù)據(jù)，主觀圖像質(zhì)量評價方法難以滿足應(yīng)用需求[6]。針對監(jiān)控圖像的處理需求，基于計算機設(shè)備自動給出圖像質(zhì)量評價結(jié)果的客觀圖像質(zhì)量評價結(jié)果更為適用。

依據(jù)圖像質(zhì)量評價時所需信息量的多少，客觀圖像質(zhì)量評價方法被分為全參考圖像質(zhì)量評價(full reference-image quality assessment，F(xiàn)R-IQA)方法、半?yún)⒖紙D像質(zhì)量評價(reduced reference-image quality assessment，RR-IQA)方法和無參考圖像質(zhì)量評價(no reference-image quality assessment，NR-IQA)方法[7]。無參考圖像質(zhì)量評價方法無需任何原始參考圖像信息，僅利用圖像自身的特征進行質(zhì)量評估[8]。Mittal等人提出的無參考圖像空域質(zhì)量評價方法(blind/referenceless image spatial quality evaluator，BRISQUE)[9]通過對局部歸一化后的統(tǒng)計特性來描述圖像質(zhì)量。在BRISQUE的基礎(chǔ)上Mittal等人隨后又提出了自然圖像質(zhì)量評價方法(natural image quality evaluator，NIQE)[10]，無需利用圖像的主觀質(zhì)量評價分數(shù)，僅通過待評價圖像特征模型參數(shù)與預(yù)先建立的模型參數(shù)之間的距離來確定圖像質(zhì)量。Moorthy等人提出的基于失真辨識的圖像真實性和完整性評價方法(distortion identification-based image verity and integrity evaluation，DIIVINE)[11]通過失真所導(dǎo)致自然場景圖像自然統(tǒng)計特性的改變來評價圖像質(zhì)量。無參考質(zhì)量評價方法由于沒有參考信息，對于圖像質(zhì)量評價的準確性弱于半?yún)⒖紙D像質(zhì)量評價方法和全參考圖像質(zhì)量評價方法。半?yún)⒖紙D像質(zhì)量評價方法通過比較失真圖像和原始圖像中所提取特征的差異來衡量圖像質(zhì)量[12]，該類方法對特征性能要求較高。Hu等人提出基于小波域的單幅圖像超分辨率圖像質(zhì)量評價方法[13]，利用低分辨率圖像和高分辨率圖像擬合參數(shù)之間的距離作為高分辨率圖像的質(zhì)量度量。Gunawna等人提出基于空間特征的高動態(tài)范圍圖像質(zhì)量評價[14]，采用空間信息衍生特征來開發(fā)可用于高動態(tài)范圍圖像質(zhì)量評價的模型。Soundararajan等人提出簡化參考熵差分法(reduced-reference entropic differencing，RRED)[15]，通過測量參考圖像和畸變圖像的小波系數(shù)熵之間差異來評估圖像質(zhì)量。全參考圖像質(zhì)量評價方法在評價圖像質(zhì)量時要借助全部參考信息來對比原始圖像和失真圖像之間的差異，相比于無參考圖像質(zhì)量評價方法和半?yún)⒖紙D像質(zhì)量評價方法更加準確。最簡單的全參考評價方法為均方誤差(mean squared error，MSE)和峰值信噪比(peak signal noise ratio，PSNR)[16]，它們直接對參考圖像和失真圖像的像素灰度值進行計算，計算簡單，意義明確，但是不能很好地與人的主觀感受保持一致[17]?？紤]到人眼對于圖像結(jié)構(gòu)信息的敏感性，Wang等人提出了結(jié)構(gòu)相似性(structural similarity index，SSIM)[18]，將失真圖像和參考圖像的亮度、對比度和結(jié)構(gòu)信息進行比較來衡量圖像質(zhì)量。Sheikh等人從信息論角度提出的視覺信息保真度(visual information fidelity，VIF)[19]將質(zhì)量評價過程建模為信息提取的過程。此外，研究人員基于圖像特征的結(jié)構(gòu)相似度還提出了特征相似性(feature similarity index，F(xiàn)SIM)[20]、梯度幅度相似性偏差(gradient magnitude similarity deviation，GMSD)[21]和深度學(xué)習(xí)感知圖塊相似度(learned perceptual image patch similarity，LPIPS)[22]等一系列全參考方法。近年來基于多種領(lǐng)域圖像研究的全參考圖像質(zhì)量評價方法也層出不窮，例如彩色3D點云的全參考圖像質(zhì)量評價方法(a full-reference quality metric for colored 3D point clouds，PCQM)[23]、基于對稱性和深度特征的光場圖像質(zhì)量評價模型[24]和基于Gabor小波的屏幕內(nèi)容圖像質(zhì)量評價方法[25]。監(jiān)控圖像評價有條件提供相同目標的原始參考圖像，能夠滿足全參考圖像質(zhì)量評價方法對信息量的需求，因此研究全參考的監(jiān)控圖像質(zhì)量評價方法有較高的實際應(yīng)用價值。目前大部分圖像質(zhì)量評價方法都是基于一些經(jīng)典數(shù)據(jù)庫中的失真類型，例如基于JPEG壓縮失真[26]和模糊失真[27]的圖像質(zhì)量評價方法。霧化失真與傳統(tǒng)失真類型有所區(qū)別，因此傳統(tǒng)的全參考圖像質(zhì)量評價方法并不適用。該文提出一種針對霧化圖像的全參考圖像質(zhì)量評價方法，并且該方法對其他失真類型也同樣適用。

質(zhì)量相關(guān)的特征對圖像質(zhì)量評價方法的性能有較大影響。研究人員在基于特征融合的無參考屏幕圖像質(zhì)量評價[28]、失焦模糊圖像質(zhì)量評價[29]和數(shù)字圖像顏色損傷指數(shù)(a novel color damage index，CDI)[30]等方法中采用了梯度方向直方圖(histogram of oriented gradient，HOG)、梯度強度直方圖和亮度直方圖等特征。相關(guān)論文的實驗結(jié)果證明HOG特征能夠準確評價JPEG壓縮失真和模糊失真的圖像，梯度強度和亮度特征能夠準確描述對比度失真和噪聲失真對圖像質(zhì)量的影響。HOG特征能準確地提取物體輪廓信息，保證基本場景特征能夠被識別[31]。但HOG對光線和亮度的變化所導(dǎo)致的失真不敏感，采用梯度強度特征和亮度特征能夠提升對比度失真和噪聲失真圖像質(zhì)量評價的準確性。圖像的局部梯度強度標準差和局部亮度標準差能有效表示局部結(jié)構(gòu)信息變化。綜上所述，融合HOG特征、梯度強度特征、亮度特征、局部梯度標準差以及局部亮度標準差這幾種圖像特征提出適用于霧化圖像的質(zhì)量評價方法，準確描述實際應(yīng)用場景中監(jiān)控圖像質(zhì)量的變化具有理論可行性。

該文提出一種基于特征融合的霧化圖像質(zhì)量評價方法(image quality assessment based on multi-feature difference，MFD)。MFD方法分別提取HOG、梯度強度直方圖、亮度直方圖、梯度強度標準差和亮度標準差這五種特征。所提取特征能夠分別描述圖像局部結(jié)構(gòu)、局部對比度和局部亮度，因此融合這五種特征能夠有效描述圖像內(nèi)部有效信息。SVR在現(xiàn)有圖像質(zhì)量評價方法的成功應(yīng)用表明，SVR能夠準確建立質(zhì)量相關(guān)特征與圖像質(zhì)量評分之間的映射關(guān)系，因此該文采用SVR學(xué)習(xí)得到霧化圖像質(zhì)量評價模型。該方法采用全參考圖像質(zhì)量評價方法結(jié)構(gòu)，依據(jù)霧化圖像和參考圖像之間的融合特征差異分析霧化所導(dǎo)致的圖像內(nèi)部有效信息的變化，進而實現(xiàn)霧化圖像質(zhì)量評價。在霧化圖像數(shù)據(jù)庫exBeDDE[32]上的實驗結(jié)果表明，該方法能夠準確衡量霧化圖像質(zhì)量。同時，該方法的適用性在LIVE[33]、CSIQ[34]、TID2013[35]、QACS[36]和SIQAD[37]等傳統(tǒng)圖像數(shù)據(jù)庫上得到了驗證。

2 基于多特征融合的圖像質(zhì)量評價方法

文中方法流程如圖1所示。方法提取5個圖像質(zhì)量相關(guān)特征：梯度方向直方圖、局部梯度強度直方圖、局部亮度直方圖、局部梯度強度標準差直方圖和局部亮度標準差直方圖。方法基于所提取特征計算參考圖像和失真圖像之間的特征圖差異得到差異特征圖，融合5個特征圖所對應(yīng)的差異值得到差異向量。最后通過SVR學(xué)習(xí)差異向量和圖像質(zhì)量分值之間的映射關(guān)系得到圖像質(zhì)量評價模型。

2.1 局部梯度強度直方圖

引入局部梯度強度直方圖以分析光線和亮度的變化所導(dǎo)致監(jiān)控圖像局部質(zhì)量的變化。局部梯度強度直方圖提取流程如圖2所示，具體步驟如下：

第一步，采用公式(1)對圖像進行伽馬校正。公式中R(i,j)、G(i,j)和B(i,j)分別對應(yīng)圖像在(i,j)處RGB顏色通道值，I(i,j)為校正后(i,j)處像素點的灰度值。

I(i,j)=

(1)

第二步，采用公式(2)和公式(3)分別計算圖像在(i,j)處的水平方向梯度強度Gx(i,j)和垂直方向梯度強度Gy(i,j)。

Gx(i,j)=I(i+1,j)-I(i-1,j)

(2)

Gy(i,j)=I(i,j+1)-I(i,j-1)

(3)

第三步，采用公式(4)計算圖像在(i,j)處的梯度強度值G(i,j)。

(4)

第四步，采用公式(5)對圖像的局部梯度強度特征圖進行歸一化處理。公式中Gmin和Gmax表示圖像的局部梯度強度特征圖的最小值和最大值,Gn(i,j)表示歸一化后(i,j)處的值。

(5)

第五步，將圖像劃分為大小相同的cell，將每個cell的梯度強度平均劃分成10個直方圖通道并計算每個cell的梯度強度直方圖H1。

2.2 梯度方向直方圖

圖像失真會導(dǎo)致圖像局部結(jié)構(gòu)信息的變化。MFD引入HOG特征以描述圖像形狀特性，通過圖像局部形狀特性的變化描述圖像質(zhì)量。HOG提取步驟如下：

第一步，在圖像梯度強度特征圖的基礎(chǔ)上采用公式(6)計算圖像在(i,j)處的梯度方向θ∈[0°,360°]。

(6)

第二步，將圖像分成互不重疊且大小相同的cell。MFD采用加權(quán)法計算每個cell的梯度方向直方圖，每個cell的梯度方向平均劃分為9個直方圖通道，權(quán)值為梯度方向?qū)?yīng)的梯度強度。

第三步，采用公式(7)對每個cell的直方圖進行歸一化，其中histi和HISTi為直方圖和歸一化后直方圖的第i個值。定義block為包含2×2個cell的區(qū)域，連接每個block中4個cell的直方圖，得到長度為36的特征向量。定義block的梯度方向直方圖為H2。

(7)

圖3展示了不同質(zhì)量等級圖像所對應(yīng)的梯度強度圖和梯度方向圖。圖3中a1到a3所對應(yīng)圖像中JPEG失真程度依次增加，b1到b3為相應(yīng)的梯度強度特征圖，c1到c3為相應(yīng)的梯度方向特征圖。依據(jù)圖中結(jié)果，圖像所對應(yīng)的梯度強度圖和梯度方向圖能夠有效地反映圖像失真程度質(zhì)量的變化。

2.3 局部亮度直方圖

HOG特征和局部梯度對于對比度失真不敏感，該文提取圖像局部亮度直方圖以提高方法衡量對比度失真類型圖像質(zhì)量的準確性，特征的提取過程如下：

第一步，對參考圖像和失真圖像的亮度采用公式(8)進行歸一化處理，其中I(i,j)表示(i,j)處的像素值，Imin和Imax表示圖像亮度的最小值和最大值，In(i,j)表示歸一化后(i,j)處的值。

(8)

第二步，將圖像每個cell的亮度均分成10個直方圖通道，得到局部亮度直方圖H3。

2.4 局部梯度強度標準差直方圖

局部梯度強度標準差可以反映圖像局部區(qū)域內(nèi)梯度強度的波動，該文采用局部梯度強度標準差衡量噪聲失真類型對圖像局部結(jié)構(gòu)的影響。局部梯度強度標準差的計算過程如下：

第一步，計算圖像的梯度強度特征圖并采用公式(8)進行歸一化。

第二步，將圖像劃分為大小相同的cell,對每一個cell求標準差，得到局部梯度強度標準差特征圖。

第三步，將局部梯度強度標準差特征圖劃分為大小相同的block，每個block包含6×6個cell。將每個block的梯度強度標準差平均劃分成10個直方圖通道，統(tǒng)計得到局部梯度強度標準差直方圖H4。

2.5 局部亮度標準差直方圖

局部亮度標準差反映局部范圍內(nèi)亮度的波動程度，能夠有效衡量對比度失真對圖像質(zhì)量的影響。局部亮度標準差的計算過程如下：

第一步，采用公式(8)對圖像進行歸一化處理。

第二步，將圖像劃分為大小相同的cell，對每一個cell求標準差，得到局部亮度標準差特征圖。

第三步，將局部亮度標準差特征圖劃分為大小相同的block，設(shè)置block大小為6×6個cell。將每個block的亮度標準差平均劃分成10個直方圖通道，得到局部亮度標準差直方圖H5。

2.6 融合特征與圖像質(zhì)量評價模型

圖像失真會導(dǎo)致圖像降質(zhì)，通過衡量失真圖像和參考圖像之間的差異能夠有效評價圖像質(zhì)量。文中方法通過比較失真圖像和參考圖像之間不同特征的差異得到對應(yīng)差異特征圖，最終得到不同特征所對應(yīng)的差異值，具體流程如圖4所示。

(9)

(10)

對于H2、H4和H5，simi(a,b)表示失真圖像和參考圖像相應(yīng)位置block之間的直方圖差異；對于H1和H3，simi(a,b)表示失真圖像和參考圖像相應(yīng)位置cell之間的直方圖差異。該文定義5個差異特征圖：局部梯度強度差異特征圖sim1、梯度方向差異特征圖sim2、局部亮度差異特征圖sim3、局部梯度強度標準差差異特征圖sim4和局部亮度標準差差異特征圖sim5。定義差異特征圖simi的大小為p×q，simi的差異值Di可以通過公式(10)計算得到。

融合5個質(zhì)量相關(guān)特征所對應(yīng)的差異值D1、D2、D3、D4和D5得到融合特征X=[D1,D2,D3,D4,D5]。

該文利用LIBSVM包實現(xiàn)帶有徑向基函數(shù)核的支持向量回歸機[38]。在訓(xùn)練階段，提取訓(xùn)練集圖像所對應(yīng)融合特征后，采用SVR建立融合特征和失真圖像主觀質(zhì)量分值之間的映射關(guān)系得到質(zhì)量預(yù)測模型。在測試階段，計算測試圖像及其參考圖像之間的特征差異，將對應(yīng)差異特征輸入訓(xùn)練得到的圖像質(zhì)量評價模型，即可得到測試圖像質(zhì)量預(yù)測分值。

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)庫與評價標準

在exBeDDE、LIVE、CSIQ、TID2013、QACS和SIQAD數(shù)據(jù)庫上進行方法性能分析，每個數(shù)據(jù)庫均提供圖像的平均主觀得分(mean opinion score，MOS)或平均主觀得分差(difference mean opinion score，DOMS)。exBeDDE包含12幅清晰圖像、167幅霧化圖像。12幅清晰圖像拍攝于中國的12個省會城市，167幅霧化圖像拍攝于12個城市的相同位置。LIVE、CSIQ和TID2013是常用的自然圖像數(shù)據(jù)庫，QACS和SIQAD是常用的截屏圖像數(shù)據(jù)庫。數(shù)據(jù)庫詳細信息如表1所示。通過6個圖像數(shù)據(jù)庫上的性能分析，能夠有效判定方法對于不同圖像類型的適用性。

表1 圖像數(shù)據(jù)庫相關(guān)信息

該文采用斯皮爾曼相關(guān)性系數(shù)(Spearman rank correlation，SROCC)、線性相關(guān)系數(shù)(Pearson linear correlation coefficient，PLCC)、肯德爾秩相關(guān)系數(shù)(Kendall rank-order correlation coefficient，KROCC)和均方根誤差(root mean squared error，RMSE)這4個性能指標衡量不同圖像質(zhì)量評價方法的性能。SROCC、KROCC和PLCC的值越接近1，對應(yīng)方法的性能越佳，RMSE值越低，對應(yīng)方法的準確率越高。其中，SROCC和KROCC能夠有效衡量方法的單調(diào)性，PLCC和RMSE可以衡量方法的準確性。

3.2 單一特征分析

該文設(shè)計實驗進行單一特征性能分析，衡量梯度方向直方圖(histogram of oriented gradient，HOG)、局部梯度強度直方圖(local gradient intensity histogram，LGH)、局部亮度直方圖(local brightness histogram，LBG)、局部梯度強度標準差直方圖(local gradient intensity standard deviation histogram，LGSH)和局部亮度標準差直方圖(local brightness standard deviation histogram，LBSH)特征的有效性。

為了衡量特征對于霧化失真的有效性，在ex BeDDE數(shù)據(jù)庫不同城市霧化圖像上進行特征性能測試。圖5給出了單一特征在exBeDDE數(shù)據(jù)庫上的性能分析結(jié)果，其中圖5(a)是單一特征對exBeDDE數(shù)據(jù)庫中12個城市霧化圖像的性能平均值，圖5(b)是單一特征對exBeDDE數(shù)據(jù)庫中12個城市霧化圖像的性能方差。依據(jù)圖5中結(jié)果可以得到以下結(jié)論：首先，5個特征在不同城市的性能平均值均超過0.75，LGH、LBSH和LGSH特征所對應(yīng)SROCC、KROCC和PLCC的性能平均值均超過0.95，HOG特征的平均PLCC值超過0.9，LBH特征的平均SROCC和PLCC值均超過0.85。其次,5個特征在不同城市的性能方差均不超過0.08，LGH、LGSH和LBSH在霧化圖像上的SROCC、KROCC和PLCC的方差都低于0.005。綜上所述，文中方法所提取的圖像特征在霧化圖像質(zhì)量評價上均有較高的適用性和穩(wěn)定性。

為了衡量特征對于單一失真類型的有效性，在CSIQ數(shù)據(jù)庫上對每個特征進行失真適用性測試，表2給出了每個特征對CSIQ數(shù)據(jù)庫5種失真類型的評價結(jié)果：高斯模糊(BLUR)、JPEG壓縮失真(JPEG)、全局對比度下降(CONTRAST)、高斯白噪聲(FNOISE)和加性高斯粉紅噪聲(AWGN)。表2中每個失真類型的最優(yōu)值和次優(yōu)值用加粗突出表示。依據(jù)表2中結(jié)果可以得到以下結(jié)論：首先，對于模糊失真，HOG和LBH的性能較優(yōu)，最優(yōu)和次優(yōu)的SROCC均高于0.94；對于JPEG壓縮失真，HOG和LBH的性能較優(yōu)，最優(yōu)和次優(yōu)的SROCC均高于0.91；對于對比度失真，LGH和LBH的性能較優(yōu)，最優(yōu)和次優(yōu)的SROCC均高于0.93；對于高斯白噪聲，LBH性能最優(yōu)，SROCC高于0.94，LBSH性能次優(yōu)，SROCC高于0.85；對于加性粉紅噪聲,LBH性能最優(yōu)，SROCC高于0.95，LGSH性能次優(yōu)，SROCC高于0.82。其次，每種失真類型所對應(yīng)的最優(yōu)SROCC和PLCC值均高于0.92。綜上所述，文中方法所提取特征適用于不同的失真類型，考慮到不同特征對于不同失真類型的適用性存在差異，綜合所有特征來進行圖像質(zhì)量評價會獲得更高的適用性。

表2 單一特征對其他失真類型的性能表現(xiàn)

3.3 局部分塊大小分析

MFD方法基于圖像分塊進行特征提取，因此圖像分塊大小的合理性與特征性能緊密聯(lián)系。該文分別測試5個單一特征在圖像分塊大小變化時的性能變化，得到不同特征所對應(yīng)的最佳分塊大小。不同特征在exBeDDE數(shù)據(jù)庫的實驗結(jié)果如圖6所示。圖6中，橫坐標表示局部分塊的大小，縱坐標表示單一特征在特定分塊大小條件下所對應(yīng)的SROCC值。依據(jù)圖中結(jié)果可以得到如下結(jié)論：首先，分塊大小會在一定程度上影響特征性能。其次，HOG、LGH和LBH特征在大部分情況下性能都高于0.8，這三種特征在分塊大小變化時能夠保持較高的穩(wěn)定性。最后，LGSH和LBSH雖在部分情況下SROCC不高于0.2，但在一些分塊大小的條件下可以獲得SROCC值高于0.8的結(jié)果。根據(jù)實驗結(jié)果MFD選定不同特征的最佳分塊大?。?1)HOG特征的分塊大小為8×8；(2)LGH的分塊大小為20×20；(3)LBH的分塊大小為8×8；(4)LGSH的分塊大小為3×3；(5)LBSH的最佳分塊大小為3×3。

3.4 方法性能分析

將MFD方法與SSIM、PSNR、FSIM、VSI、VIF和VI方法在exBeDDE數(shù)據(jù)庫和5個經(jīng)典數(shù)據(jù)庫上進行性能對比分析以驗證MFD的有效性。

表3給出了MFD和其他方法在exBeDDE數(shù)據(jù)庫上的性能比較結(jié)果，不同評價指標所對應(yīng)最優(yōu)和次優(yōu)的性能值用加粗突出表示。依據(jù)表3結(jié)果可以得到以下結(jié)論：首先，在exBeDDE數(shù)據(jù)庫上MFD的SROCC和KROCC值最優(yōu)，VI的SROCC和KROCC是次優(yōu)，最優(yōu)SROCC和KROCC均比次優(yōu)結(jié)果要高0.04以上。其次，MFD對應(yīng)的PLCC和RMSE值是次優(yōu)，比最優(yōu)結(jié)果相差均不超過0.02。最后，部分經(jīng)典圖像質(zhì)量評價方法對于霧化圖像質(zhì)量評價的適用性較差，其中SSIM、VSI和PSNR的SROCC值均沒有超過0.8，VIF的SROCC、KROCC和PLCC的值均低于0.1。綜上所述，MFD能夠準確評價霧化圖像的質(zhì)量，其性能與適用于exBeDDE數(shù)據(jù)庫的方法VI相比較具有一定的優(yōu)勢。

表3 方法在exBeDDE數(shù)據(jù)庫上的性能比較

為了衡量方法對于其他數(shù)據(jù)類型的準確性，表4給出了不同圖像質(zhì)量評價方法在5個經(jīng)典數(shù)據(jù)庫上的質(zhì)量評價結(jié)果，其中每個數(shù)據(jù)庫對應(yīng)的最優(yōu)值和次優(yōu)值用加粗突出表示。依據(jù)表4的結(jié)果可得到如下結(jié)論：首先，MFD在CSIQ和SIQAD數(shù)據(jù)庫取得最優(yōu)，最優(yōu)SROCC均比次優(yōu)高出超過0.01。其次，MFD在TID2013數(shù)據(jù)庫上取得次優(yōu)，對應(yīng)的SROCC值與最優(yōu)值僅差0.000 5。最后，MFD在LIVE和QACS數(shù)據(jù)庫上的SROCC值與前二的評價結(jié)果僅相差0.005。

表4 方法在經(jīng)典數(shù)據(jù)庫上的性能比較

為了衡量方法對于數(shù)據(jù)類型變化的穩(wěn)定性和適用性，該文計算表4方法在5個經(jīng)典數(shù)據(jù)庫上性能值的平均值和方差，具體結(jié)果如表5所示。表5中均值和方差的最優(yōu)值和次優(yōu)值用加粗突出表示。依據(jù)表5的結(jié)果，MFD的均值和方差均是最優(yōu)值，均值比次優(yōu)均值高于超過0.05，方差比次優(yōu)結(jié)果低0.03以上。因此，當圖像類型和失真類型變化時該方法具有較優(yōu)的穩(wěn)定性和適用性。

表5 方法在經(jīng)典數(shù)據(jù)庫上性能的平均值和方差

綜上所述，MFD方法在圖像失真變化時能夠保持準確的質(zhì)量評價結(jié)果，具有較高的實用價值。

4 結(jié)束語

提出了一種基于特征融合的霧化圖像質(zhì)量評價方法，提取失真圖像和參考圖像之間的差異特征以衡量圖像質(zhì)量。實驗結(jié)果表明，該方法能夠準確衡量霧化圖像質(zhì)量，同時能夠滿足不同失真條件下自然場景圖像和截屏圖像的質(zhì)量評價需求。

當前方法為全參考圖像質(zhì)量評價方法，對參考圖像信息具有較高的依賴性?？紤]到實際應(yīng)用場景中參考圖像較難獲取，后續(xù)研究將收集更多適用于霧化圖像的質(zhì)量相關(guān)特征并設(shè)計無參考圖像質(zhì)量評價方法以提高方法的實際應(yīng)用價值。