秦小倩，杜 浩

（1.桂林學(xué)院，廣西 桂林 541006；2.桂林電子科技大學(xué)，廣西 桂林 541004）

0 引 言

圖像信息是人類獲得外部信息的主導(dǎo)方式，這也是人類互動(dòng)的重要組成部分。但是，由于傳輸環(huán)境的影響，操作不當(dāng)以及設(shè)備在圖像采集、處理、壓縮、傳輸和重建等過(guò)程中，圖像很容易受損從而給圖像研究帶來(lái)了很大的困難[1-2]。因此，如何準(zhǔn)確評(píng)估圖像質(zhì)量已成為圖像處理領(lǐng)域的研究熱點(diǎn)。圖像質(zhì)量評(píng)價(jià)方法分為主觀和客觀質(zhì)量評(píng)價(jià)方法，主觀質(zhì)量評(píng)價(jià)方法指的是利用人類的視覺(jué)感知對(duì)圖像進(jìn)行評(píng)價(jià)，需要大量的人類參與，因此它是最準(zhǔn)確可靠但又繁瑣耗時(shí)的?？陀^的圖像質(zhì)量評(píng)價(jià)方法是通過(guò)建立數(shù)學(xué)模型描述圖像質(zhì)量，達(dá)到與人類主觀感受近似一致的目的，主要分為3 個(gè)類別[3]：全參考圖像質(zhì)量評(píng)價(jià)方法（FR-IQA）、半?yún)⒖紙D像質(zhì)量評(píng)價(jià)方法（RR-IQA）、無(wú)參考圖像質(zhì)量評(píng)價(jià)方法（NRIQA）。全參考和部分參考圖像質(zhì)量評(píng)價(jià)方法都需要受損圖像與其對(duì)應(yīng)的無(wú)損圖像進(jìn)行對(duì)比，而無(wú)參考圖像質(zhì)量評(píng)價(jià)方法在評(píng)價(jià)過(guò)程中不需要與對(duì)應(yīng)的無(wú)損圖像對(duì)比，具有更廣泛的研究和應(yīng)用價(jià)值。

當(dāng)前，無(wú)參考圖像質(zhì)量方法有三個(gè)主要研究的方向：

1）用于指定失真類型的方法，該方法根據(jù)失真特性建立指定失真模型評(píng)估圖像質(zhì)量。例如，對(duì)于模糊失真，文獻(xiàn)[4]通過(guò)模糊圖像的結(jié)構(gòu)被破壞程度建立模型描述圖像的質(zhì)量評(píng)估值；對(duì)于壓縮失真，利用在小波系數(shù)的對(duì)數(shù)域中具有近似線性規(guī)則，并且通過(guò)已建立的聯(lián)合直方圖模型獲得圖像質(zhì)量指標(biāo)[5]。

2）基于機(jī)器學(xué)習(xí)的方法，該方法取決于提取影響圖像評(píng)估質(zhì)量的圖像特征的能力，再使用機(jī)器學(xué)習(xí)領(lǐng)域已有算法構(gòu)建模型[6]。如使用SVR 導(dǎo)出失真圖像的特征進(jìn)而評(píng)價(jià)圖像質(zhì)量[7]、基于通用深度神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)圖像質(zhì)量[8]。

3）基于NSS 模型的方法，自然圖像都會(huì)有其固定特性，而失真會(huì)改變這些特性。例如，文獻(xiàn)[9]通過(guò)提取失真圖像改變的NSS 特性建立模型進(jìn)行圖像的質(zhì)量評(píng)估。文獻(xiàn)[10]提出了BLIINDS 算法，該算法從DCT 域中提取4 個(gè)NSS 特征并訓(xùn)練它們，獲得圖像的質(zhì)量評(píng)價(jià)指標(biāo)。BLIINDS-Ⅱ[11]在BLIINDS的基礎(chǔ)上引入了離散余弦統(tǒng)計(jì)特征對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)。文獻(xiàn)[12]基于圖像在小波域中遵循非高斯分布的NSS 特性，進(jìn)行圖像質(zhì)量的評(píng)估（BIQI）。Mattal.A 提出使用廣義高斯模型描述失真圖像的預(yù)測(cè)參數(shù)和實(shí)際參數(shù)之間的差異來(lái)進(jìn)行質(zhì)量評(píng)價(jià)（NIQE）[13]。

本文提出一種基于NSS 的無(wú)參考圖像質(zhì)量評(píng)價(jià)算法，使用圖像的低尺度子帶能量預(yù)測(cè)高尺度子帶能量，并用各尺度能量的預(yù)測(cè)值和失真圖像實(shí)測(cè)值的差異來(lái)度量失真圖像的質(zhì)量。

1 圖像的自然統(tǒng)計(jì)特性

1.1 小波變換

二維離散小波變換（DWT）通常在實(shí)際圖像處理中使用，通常分別以行和列方向提取二維信號(hào)[14]。二維小波分解圖如圖1 所示。

圖1 二維小波分解圖

輸入圖像利用一維低通濾波器（LPF）和高通濾波器（HPF）進(jìn)行行濾波，再通過(guò)相同的方法進(jìn)行列濾波，得到4 個(gè)不同的頻率子帶（低頻信息LL、垂直信息LH、水平信息HL 和對(duì)角線信息HH）。在小波變換中，圖像的近似信息和細(xì)節(jié)信息分別以低頻組件（LL、HL、LH）和高頻組件（HH）表示。由于低頻成分蘊(yùn)含了信號(hào)的主要特征，因此小波可以進(jìn)一步分解圖像近似部分（LL），獲得更多的低頻成分。圖2 為圖像的3 級(jí)小波分解結(jié)構(gòu)圖，其中，1、2、3 表示小波的分解尺度。

圖2 3 級(jí)小波分解結(jié)構(gòu)圖

1.2 自然圖像的小波域統(tǒng)計(jì)特性

由于自然圖像具有不同的視覺(jué)感知區(qū)域（即邊緣、紋理、平坦和其他區(qū)域），因此在自然圖像中會(huì)出現(xiàn)某些頻率分布特性[15]。對(duì)數(shù)域中自然圖像的功率譜與空間頻率之間存在近似線性關(guān)系，即隨著分解級(jí)數(shù)的增加，對(duì)數(shù)域中小波子帶能量呈線性減小。子帶能量表示為[16]：

式中：E為子帶能量；N是相應(yīng)子帶的像素點(diǎn)序號(hào)；C為子帶系數(shù)；s是分解的級(jí)數(shù)；o表示方向；φ是調(diào)節(jié)因子。

圖3 為4 級(jí)小波分解各子帶能量序號(hào)，圖4a）表示了LIVE 圖像質(zhì)量評(píng)價(jià)數(shù)據(jù)庫(kù)[17]中29 張自然圖像經(jīng)過(guò)4 級(jí)小波分解后各子帶在對(duì)數(shù)域的能量分布。子波能量具有近似線性減小的規(guī)律，但是其形狀并不光滑，這是由于不同的圖像具有不同的內(nèi)容，不同圖像的能量譜差異大。

圖3 小波子帶能量序號(hào)

圖4 自然圖像和各失真類型的圖像在小波域中各小波子帶與能量的關(guān)系

1.3 失真圖像的自然統(tǒng)計(jì)特性

振鈴效應(yīng)、模糊效應(yīng)、隨機(jī)噪聲等是圖像處理中常見(jiàn)的使圖像失真的原因，它們將影響圖像的高頻信息[18]。JPEG2000，JPEG，White Noise，Gaussian Blur和Fast Fading為圖像常見(jiàn)的失真類型，圖4b）～圖4e）顯示了各失真類型在對(duì)數(shù)域中各小波子帶與能量的關(guān)系，其中每種失真類型在LIVE圖像質(zhì)量評(píng)價(jià)數(shù)據(jù)庫(kù)隨機(jī)選取29幅圖。

可以看出，所有失真類型的圖像體現(xiàn)出NSS 特性：小波高尺度變換下的低頻子帶小波能量（子帶No.1 和子帶No.2）衰減較慢或者不衰減，但低尺度變換下的高頻子帶（子帶No.3～子帶No.8）衰減較快但不完全一致。這是由于失真類型的不同，圖像失真的部分與程度也不同。由于圖像的NSS 特性變化可以反映圖像的質(zhì)量變化，因此利用失真圖像的NSS 特性受影響程度來(lái)表示失真圖像的質(zhì)量。

2 基于NSS 的圖像質(zhì)量評(píng)價(jià)算法

從自然圖像和失真圖像的NSS 特性可以看出，自然圖像經(jīng)小波多尺度分解后的子帶能量在對(duì)數(shù)域中具有強(qiáng)線性規(guī)律，而失真圖像則打破了這一規(guī)律。對(duì)于失真圖像，失真主要表現(xiàn)為表細(xì)節(jié)的低尺度（高頻帶序號(hào)）的子帶能量部分有顯著變化，而表近似的高尺度（低頻帶序號(hào)）的子帶能量部分幾乎沒(méi)有變化。使用自然圖像的高尺度子帶能量預(yù)測(cè)低尺度子帶能量，并用各尺度能量的預(yù)測(cè)值和失真圖像實(shí)測(cè)值的差異來(lái)度量失真圖像的質(zhì)量。由于自然圖像和失真圖像中子帶能量的線性特性在4 級(jí)小波分解中表現(xiàn)明顯，因此在該方法中采用4 級(jí)小波分解。

4 級(jí)小波分解算法流程圖如圖5 所示，共分為以下幾部分。

圖5 算法流程圖

1）訓(xùn) 練

為了描述自然圖像子帶能量的線性規(guī)律，從訓(xùn)練N（N＞20）幅自然圖像中得到線性預(yù)測(cè)矩陣M(s)，使高尺度的子帶能量（子帶No.1 和子帶No.2）可以預(yù)測(cè)低尺度的子帶能量（子帶No.3～子帶No.8）。首先，在N(N＞20)幅原始無(wú)損的圖像上，根據(jù)式（2）得到原始圖像的子帶能量矩陣IE(n,s,o)；然后，利用最小二乘法的矩陣變換得到預(yù)測(cè)矩陣M(s)。

式中：s是尺度數(shù)，s= 3,2,1；M(s)表示s尺度上的預(yù)測(cè)矩陣；IE(n,s,o)是自然圖像的s尺度上的子帶能量；n是原始圖像的數(shù)量，實(shí)驗(yàn)中n= 29；o表示每層的方向；IE(n,4,o)是自然圖像的第4 尺度的子帶能量。

2）預(yù) 測(cè)

根據(jù)式（3），通過(guò)小波變換獲得失真圖像的子帶能量DE(s,o)，再通過(guò)失真圖像的第4 尺度的子帶能量DE(4,o)與預(yù)測(cè)矩陣M(s)相乘得到相應(yīng)的預(yù)測(cè)無(wú)失真子帶能量PE(s,o)。

式中：s是尺度數(shù)，s= 3,2,1；o表示每層的方向。

3）調(diào) 整

如圖4c）所示，當(dāng)圖像失真嚴(yán)重時(shí)，高尺度子帶（子帶No.1 和子帶No.2）的能量DE 會(huì)發(fā)生很大變化。如圖6a）所示，如果用這些波動(dòng)的值進(jìn)行預(yù)測(cè)，將產(chǎn)生顯著的誤差。因此，預(yù)測(cè)值PE 被調(diào)整以防止這種情況發(fā)生，如式（4）、式（5）所示：

圖6 調(diào)整前后失真圖像各子帶的預(yù)測(cè)能量變化

式中：s= 3,2,1；(IE(n,4,o))min是步驟1）中的29 個(gè)自然圖像第4 尺度的子帶能量的最小值；(IE(n,s,o))mean是自然圖像第s尺度子帶能量的平均值。調(diào)整后的能量分布如圖6b）所示。

4）使用CSF 模型構(gòu)建加權(quán)系數(shù)

對(duì)比敏感度是HVS 的一個(gè)顯著特征，指人眼對(duì)圖像中不同區(qū)域的敏感度，它隨著視覺(jué)場(chǎng)景中的空間頻率而變化[19]。因此，對(duì)比敏感度隨空間頻率變化的曲線稱為CSF。由于人眼在不同程度上可以感知不同的空間頻率，因此對(duì)不同頻率的子帶使用CSF 模型進(jìn)行加權(quán)，使其更接近HVS[16]。各尺度的加權(quán)系數(shù)如式（6）所示：

式中：fr=fn*fs表示人眼視覺(jué)范圍內(nèi)的空間頻率，fs為采樣頻率，fn為歸一化頻率和fy分別是圖像的水平頻率和垂直頻率。根據(jù)文獻(xiàn)[16]計(jì)算出各相應(yīng)子帶序號(hào)所對(duì)應(yīng)的加權(quán)值如表1 所示。

表1 各子帶序號(hào)所對(duì)應(yīng)的加權(quán)值

5）圖像質(zhì)量評(píng)價(jià)值Q

如圖7 所示，通過(guò)失真圖像中每個(gè)子帶的預(yù)測(cè)值PE和實(shí)際值DE 之間能量差的加權(quán)和（見(jiàn)式（7））獲得圖像質(zhì)量評(píng)估值Q。

圖7 失真圖像在各子帶中所預(yù)測(cè)無(wú)失真能量和實(shí)際能量之間的能量差

式中：A是每個(gè)尺度中兩個(gè)方向的權(quán)重，在實(shí)驗(yàn)中，水平和垂直方向A= 1.1，對(duì)角線方向A= 0.9；As是通過(guò)CSF模型獲得的每個(gè)尺度的權(quán)重系數(shù)；PE(s)是受損圖像的預(yù)測(cè)無(wú)損能量；DE(s)是受損圖像在s尺度上的實(shí)際能量。該圖像的質(zhì)量分?jǐn)?shù)Q越高，失真圖像的失真程度越高，則圖像質(zhì)量越低。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 獨(dú)立數(shù)據(jù)集驗(yàn)證

本文提出的算法在LIVE 圖像質(zhì)量評(píng)估數(shù)據(jù)庫(kù)上進(jìn)行測(cè)試。在LIVE 數(shù)據(jù)庫(kù)中，有29 幅不同分辨率的原始圖像和779 幅由這些原始圖像生成的5 種不同類型的失真圖像，分別是：JPEG2000（JP2K）169 幅；JPEG175 幅；White Noise（WN）145幅；Gaussian Blur（GBlur）145幅；Fast Fading（FF）145幅。同時(shí)，該數(shù)據(jù)庫(kù)提供了所有失真圖像的平均主觀意見(jiàn)得分差異（DMOS）值。實(shí)驗(yàn)中，該數(shù)據(jù)集被分為訓(xùn)練集和測(cè)試集，訓(xùn)練集由29幅原始圖像來(lái)形成預(yù)測(cè)矩陣，測(cè)試集由各失真類型的750幅圖像組成。

該算法的客觀質(zhì)量評(píng)價(jià)得分與圖像數(shù)據(jù)集提供的主觀DMOS 值之間的一致性程度作為該算法的性能度量。本實(shí)驗(yàn)利用2 個(gè)客觀評(píng)價(jià)值作為算法的性能指標(biāo)。

秦漢魏晉南北朝時(shí)期的丞相…………………………………………………………………………………………甄 鵬（3.33）

1）線性相關(guān)系數(shù)（LCC）：通過(guò)算法的客觀質(zhì)量評(píng)價(jià)值與主觀DMOS 值的相關(guān)性來(lái)表示算法的準(zhǔn)確性。

2）Spearman 等級(jí)相關(guān)系數(shù)（SROCC）：反映算法的客觀質(zhì)量評(píng)價(jià)值單調(diào)性的一致性。LCC 和SROCC 的值在0 和1 之間，值越高，表明算法與人眼的一致度越好，則算法的性能越好。

3.2 結(jié)果與分析

3.2.1 單個(gè)數(shù)據(jù)庫(kù)驗(yàn)證

本文算法在LIVE 數(shù)據(jù)庫(kù)上運(yùn)行，圖8 顯示了各失真類型和全失真類型的客觀質(zhì)量評(píng)價(jià)分值和主觀DMOS 值的散點(diǎn)分布圖，圖中的每個(gè)點(diǎn)表示要評(píng)價(jià)的圖像。在理想條件下，客觀評(píng)價(jià)值與主觀DMOS 值之間存在一對(duì)一的關(guān)系，表現(xiàn)為直線或曲線。散射的點(diǎn)越是收斂到一條直線或曲線上，算法的性能就越好。從結(jié)果中可以看出，對(duì)于JPEG、GBlur、FF失真類型的圖像，算法的客觀值與主觀值具有良好的一致性。對(duì)于WN 類型失真的圖像，算法的客觀值與主觀值具有高度的一致性。

圖8 算法客觀評(píng)價(jià)值與主觀DMOS 的散點(diǎn)分布圖

表2 和表3 分別表示本文算法與現(xiàn)有算法的LCC 值和SROCC 值的比較。從表中可以看出，對(duì)于WN 失真類型的圖像，本文算法的性能與BLIINDS-Ⅱ算法性能接近并遠(yuǎn)遠(yuǎn)優(yōu)于NIQE 算法，與人眼具有高度的一致性；對(duì)于JPEG、FF、GBlur 失真類型的圖像，本文算法的性能與BIQI 性能接近，與人眼具有良好的一致性；但本文算法在評(píng)價(jià)JP2K 失真類型圖像質(zhì)量方面較差，這是由于JP2K 較JPEG 壓縮技術(shù)計(jì)算更復(fù)雜，從而造成圖像的高頻信息由于模糊效應(yīng)而丟失，還由于振鈴效應(yīng)在高頻子帶中增加了許多噪聲信息，導(dǎo)致各子帶無(wú)失真能量的預(yù)測(cè)有較大的誤差。

表2 本文算法與其他算法在各失真類型中的LCC 比較

3.2.2 跨數(shù)據(jù)庫(kù)驗(yàn)證

由于本文算法主要在LIVE 數(shù)據(jù)庫(kù)上進(jìn)行驗(yàn)證，即在LIVE 數(shù)據(jù)庫(kù)中獲取訓(xùn)練集和測(cè)試集，因此需要用CSIQ 數(shù)據(jù)庫(kù)[20]來(lái)驗(yàn)證本文算法對(duì)數(shù)據(jù)庫(kù)的敏感度。

本文設(shè)計(jì)實(shí)驗(yàn)如下：

1）使用LIVE 數(shù)據(jù)庫(kù)中的29 幅原始圖像作為訓(xùn)練集，使用CSIQ 數(shù)據(jù)庫(kù)中各失真類型的圖像作為測(cè)試集；

2）使用CSIQ 數(shù)據(jù)集的30 張?jiān)紙D像作為訓(xùn)練集，LIVE 數(shù)據(jù)集中的各失真類型的圖像作為測(cè)試集。

表4 為各算法對(duì)于全失真類型的性能指標(biāo)（SROCC值）。結(jié)果表明，本文算法對(duì)數(shù)據(jù)庫(kù)的敏感度較低，算法穩(wěn)定性較好并優(yōu)于BIQI 算法。

表4 各算法在跨數(shù)據(jù)集的驗(yàn)證（SROCC 值）

3.2.3 時(shí)間復(fù)雜度驗(yàn)證

圖像質(zhì)量評(píng)價(jià)算法的時(shí)間復(fù)雜度是實(shí)際應(yīng)用中的一個(gè)重要指標(biāo)。表5 表示了各算法評(píng)價(jià)一幅分辨率為512×640 的圖像質(zhì)量的運(yùn)行時(shí)間。實(shí)驗(yàn)在Matlab R2020A 中運(yùn)行。實(shí)驗(yàn)運(yùn)行平臺(tái)是一臺(tái)2.5 GHz CPU 和8 GB RAM的筆記本電腦，操作系統(tǒng)是64位Windows 10。

表5 各算法的運(yùn)行時(shí)間

從表5 中可以看出，本文算法比BLIINDS-Ⅱ算法快得多。因此，從時(shí)間復(fù)雜度的角度來(lái)看，它在無(wú)參考圖像質(zhì)量評(píng)價(jià)應(yīng)用中具有競(jìng)爭(zhēng)力。

4 結(jié) 論

本文提出了一種基于NSS 的無(wú)參考圖像質(zhì)量評(píng)價(jià)算法。本文算法在評(píng)價(jià)JPEG、WN、GBlur、FF 失真類型的圖像質(zhì)量時(shí)與人眼具有良好的一致性，并且對(duì)全失真類型圖像質(zhì)量評(píng)價(jià)時(shí)，穩(wěn)定性優(yōu)于BIQI 算法，適用范圍更廣。特別是在對(duì)WN 失真類型的圖像進(jìn)行評(píng)價(jià)時(shí)，性能與其他算法一致，但運(yùn)行時(shí)間遠(yuǎn)遠(yuǎn)小于BLIINDS-Ⅱ算法，具有很大的時(shí)間優(yōu)勢(shì)，適用于實(shí)時(shí)性強(qiáng)的工程運(yùn)用中。然而，JP2K 失真類型的圖像由于其復(fù)雜的形成過(guò)程而不適用于本文算法，因此，算法需要在JP2K 失真圖像方向改進(jìn)。

注：本文通訊作者為秦小倩。