論文下載地址:No-Reference Image Quality Assessment in the Spatial Domain。
BRISQUE屬於無參考圖像質量評價的一種方法。無參考就是待評價的圖像是唯一的輸入,得到一個分數結果。
圖像質量是一種比較主觀的感受,很難精確的量化。論文就試圖用一種方法來量化這個標準。
自然圖像(原始圖像)像素強度遵循高斯分佈,而非自然或失真圖像(模糊,噪聲,顏色變換,幾何變換等)的像素強度不遵循高斯分佈。
一、MSCN
作者使用了Mean Subtracted Contrast Normalized ,MSCN來規範化圖像。
其中,
是空間係數,M,N分別是圖像的高和寬。係數C=1是防止除數爲0的情況。
其中,是二維循環對稱高斯權重函數。作者設K = L = 3。
可以看到歸一化之後已經明顯降低相鄰係數之間的相關性。
並且對圖像紋理的強弱依賴關係也不大。
二、GGD
作者假設MSCN係數具有反應圖像失真扭曲的統計學特徵性質,因此如果能量化這些失真,就使預測這些失真對圖像質量的影響成爲可能。
上圖展示了不同失真情況下的MSCN係數分佈。自然圖像服從高斯分佈,而失真圖像都改變了其統計學特性。
作者發現Generalized Gaussian Distribution,GGD能更好的表示這些失真圖像的統計特性。
其中,
三、AGGD
此外,爲了捕獲相鄰像素的關係,作者使用四個方向相鄰元素MSCN係數的乘積,分別是水平(H),垂直(V),左 - 對角線(D1),右 - 對角線(D2)。
假設MSCN係數是0均值,單位方差,上述乘積在沒有失真的情況下服從下面的分佈。
其中,f是非對稱概率密度函數,p是相鄰係數的相關性係數,K0是修正的第二類貝塞爾函數。
但是這個函數並不能很好的擬合失真圖像的相關係數乘積非對稱分佈。
因此作者採用的是Asymmetric Generalized Gaussian Distribution,AGGD。
其中,
Best AGGD的參數,
因此,到這來就可以得到18個features,GGD的2個features,AGGD的4個方向,每個方向4個features。
圖像通常是多尺度的,尺度也是影響失真的一個因素。有研究證明,將尺度問題考慮進圖像質量評價算法比用人的感知表現更好。因此除了在原始的尺度上獲取特徵,作者還通過低通濾波下采樣2倍圖像來獲取特徵(作者實驗發現將圖像增大2倍並不能提升算法的表現),那麼現在在2個尺度上共可以獲取36個features。
四、訓練
作者使用LIBSVM帶RBF內核的SVR來訓練模型。
數據集由每幅圖形抽取的36個features和對應的人爲打分送入SVR進行迴歸訓練,使用的數據集是LIVE IQA,劃分80%用於訓練,20%用於測試。並且進行1000次隨機劃分訓練,最後取中值作爲論文的結果。
窗口大小對BRISQUE的影響。