【論文學習記錄】No-Reference Image Quality Assessment in the Spatial Domain

論文下載下傳位址：No-Reference Image Quality Assessment in the Spatial Domain。

BRISQUE屬于無參考圖像品質評價的一種方法。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。

圖像品質是一種比較主觀的感受，很難精确的量化。論文就試圖用一種方法來量化這個标準。

自然圖像（原始圖像）像素強度遵循高斯分布，而非自然或失真圖像（模糊，噪聲，顔色變換，幾何變換等）的像素強度不遵循高斯分布。

一、MSCN

作者使用了Mean Subtracted Contrast Normalized ，MSCN來規範化圖像。

其中，

是空間系數，M，N分别是圖像的高和寬。系數C=1是防止除數為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系數之間的相關性。

并且對圖像紋理的強弱依賴關系也不大。

二、GGD

作者假設MSCN系數具有反應圖像失真扭曲的統計學特征性質，是以如果能量化這些失真，就使預測這些失真對圖像品質的影響成為可能。

上圖展示了不同失真情況下的MSCN系數分布。自然圖像服從高斯分布，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，為了捕獲相鄰像素的關系，作者使用四個方向相鄰元素MSCN系數的乘積，分别是水準（H），垂直（V），左 - 對角線（D1），右 - 對角線（D2）。

假設MSCN系數是0均值，機關方差，上述乘積在沒有失真的情況下服從下面的分布。

其中，f是非對稱機率密度函數，p是相鄰系數的相關性系數，K0是修正的第二類貝塞爾函數。

但是這個函數并不能很好的拟合失真圖像的相關系數乘積非對稱分布。

是以作者采用的是Asymmetric Generalized Gaussian Distribution，AGGD。

其中，

Best AGGD的參數

，

是以，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，将尺度問題考慮進圖像品質評價算法比用人的感覺表現更好。是以除了在原始的尺度上擷取特征，作者還通過低通濾波下采樣2倍圖像來擷取特征（作者實驗發現将圖像增大2倍并不能提升算法的表現），那麼現在在2個尺度上共可以擷取36個features。

四、訓練

作者使用LIBSVM帶RBF核心的SVR來訓練模型。

資料集由每幅圖形抽取的36個features和對應的人為打分送入SVR進行回歸訓練，使用的資料集是LIVE IQA，劃分80%用于訓練，20%用于測試。并且進行1000次随機劃分訓練，最後取中值作為論文的結果。

視窗大小對BRISQUE的影響。