【精品論文】模糊圖像質(zhì)量的無參評(píng)價(jià).doc

精品論文模糊圖像質(zhì)量的無參評(píng)價(jià)王慈，董海波（上海交通大學(xué)電子系，上海 200240）5摘要：隨著信息技術(shù)的高速發(fā)展,數(shù)字圖像已經(jīng)成為信息傳遞的主要方式。在數(shù)字圖像信號(hào) 的采集過程中,往往會(huì)因?yàn)楦鞣N原因?qū)е聰?shù)字圖像模糊。例如，采樣率過低，對(duì)焦不準(zhǔn)等。 在數(shù)字圖像的處理過程中，也會(huì)由于各種操作導(dǎo)致圖像模糊，例如均值濾波等。所以，關(guān)于 模糊圖像的視覺質(zhì)量評(píng)估是一個(gè)很重要的評(píng)價(jià)圖像處理方法是否合理以及采樣是否充分的10方式。在這篇文章中，我們提出一種模糊圖像的質(zhì)量評(píng)估算法。該算法在使用自然圖像幅度譜的斜率描述自然圖像的模糊度的基礎(chǔ)上，通過加入了人眼對(duì)對(duì)比度的感知模型，克服了自 然圖像幅度譜的斜率對(duì)圖像對(duì)比度感知不敏感的缺點(diǎn)。實(shí)驗(yàn)結(jié)果表明該算法所得出的客觀評(píng)價(jià)結(jié)果與主觀評(píng)價(jià)值之間有良好的一致性、準(zhǔn)確性和單調(diào)性。關(guān)鍵詞：圖像質(zhì)量評(píng)估；幅度譜斜率；對(duì)比度感知15中圖分類號(hào)：tp751blurred image quality no-reference assessmentwang ci, dong haibo(department of electrical engineering, shanghai jiaotong universiy, shanghai200240)20abstract: with the rapid development of information technology, digital images have become the main way of information transmission. in acquisition and processing of digital images, images are blurred by a variety of reasons, e.g. the low sample rate, out-of-focus, mean filtering and so on. therefore, the blurred image visual quality assessment is very important to evaluate the effective of image processing algorithm and the reasonable of the sample rate. in this article, a blurred25image quality assessment algorithm is proposed. the basis of this algorithm is that the slope of the natural image amplitude spectrum can describe the blur degree of the natural image. in order toovercome the shortcoming of the slope of the natural image amplitude spectrum algorithm, acontrast perception model is added to the slope of the natural image amplitude spectrum algorithm. experimental results between the objective and the subjective assessment show a good30consistency, accuracy and monotonicity.key words: image quality assessment; the slope of the magnitude spectral; the contrast perception0引言隨著信息技術(shù)的高速發(fā)展,數(shù)字圖像已經(jīng)成為信息傳遞的主要方式。在數(shù)字圖像信號(hào)的35采集過程中,往往會(huì)因?yàn)楦鞣N原因?qū)е聰?shù)字圖像模糊。例如，采樣率過低，對(duì)焦不準(zhǔn)等。在 數(shù)字圖像的處理過程中，也會(huì)由于各種操作導(dǎo)致圖像模糊，例如均值濾波等。所以，關(guān)于模 糊圖像的視覺質(zhì)量評(píng)估是一個(gè)很重要的評(píng)價(jià)圖像處理方法是否合理以及采樣是否充分的方 式。通常意義上認(rèn)為，一個(gè)銳利的圖像通常含有更多的圖像細(xì)節(jié)，更加清晰的物體邊界，而 模糊的圖像往往是相反的，細(xì)節(jié)信息不太清晰，物體邊界的對(duì)比度也比較低，如何控制以及40量化模糊效應(yīng)在不同的文獻(xiàn)中均有不同的方法描述。在文獻(xiàn)1中，最早的關(guān)于圖像模糊度的 評(píng)價(jià)算法被提出，其目的是評(píng)價(jià)圖像插值過程中帶來的模糊噪聲。在文獻(xiàn)2中，marichal 等 應(yīng)用 dct 系數(shù)的直方圖分布評(píng)價(jià)圖像的模糊度，這種方法的限制在于只能用于壓縮域的圖 像。在文獻(xiàn)3中，marziliano 利用模糊圖像的邊界通常是平滑的特性，通過確定邊界處的寬基金項(xiàng)目：教育部博士點(diǎn)新教師基金（20090073120030）作者簡(jiǎn)介：王慈（1976-），男，副教授，主要研究方向：圖像的重建，超分辨率，圖像的質(zhì)量評(píng)估. e-mail:w- 2 -度來評(píng)價(jià)模糊圖像的質(zhì)量。在文獻(xiàn)4中，caviedes 利用包含邊界圖像塊的 dct 系數(shù)的峰態(tài)45系數(shù)來評(píng)價(jià)圖像的模糊度。在文獻(xiàn)5中，ong 不僅使用圖像的邊界信息，而且使用圖像的梯 度方向等信息來測(cè)量邊界的平均寬度來標(biāo)定圖像的模糊度。這些基于邊界的算法普遍具有以 下局限：過分依賴對(duì)于邊界的判定，邊界的判定不準(zhǔn)就直接影響對(duì)圖像模糊度的判斷，而邊 界判定對(duì)于不同內(nèi)容的圖像通常效果差異很大。在文獻(xiàn)6中，crete 通過量化被模糊的圖像 與同一被模糊圖像再次被模糊后的差別來衡量圖像的模糊度質(zhì)量評(píng)估。在文獻(xiàn)7中，ferzli50等提出一個(gè)可識(shí)別的模糊（just noticeable blur，jnb）算法，該算法主要是通過標(biāo)定一個(gè)閾 值來衡量圖像中可以被人眼感知的模糊，以此來評(píng)價(jià)圖像的模糊后的質(zhì)量。綜上所述，關(guān)于圖像模糊度的 nr 質(zhì)量評(píng)估算法主要有以下三個(gè)趨勢(shì)8：1.基于邊界的方法，這種方法主要 是通過提取圖像邊界，通過計(jì)算圖像邊界的擴(kuò)散來評(píng)價(jià)被模糊圖像的質(zhì)量。2.基于像素點(diǎn)的方法，這種方法主要是通過計(jì)算圖像空間的一些特征來評(píng)價(jià)被模糊圖像的質(zhì)量。3 基于變換55域的方法，這種方法主要是變化域的幅度譜信息來評(píng)價(jià)被模糊圖像的質(zhì)量。本文提出了一種 基于第三類的模糊圖像的質(zhì)量評(píng)價(jià)算法, 該算法在使用自然圖像幅度譜的斜率描述自然圖 像的模糊度的基礎(chǔ)上，通過加入了人眼對(duì)對(duì)比度的感知模型，克服了自然圖像幅度譜的斜率 對(duì)圖像對(duì)比度感知不敏感的缺點(diǎn)。本文剩下部分的結(jié)構(gòu)如下:第一節(jié)將介紹所需要的基本理論知識(shí),即圖像幅度譜的特點(diǎn)和60人眼對(duì)比度的感知模型；第二節(jié)我們將介紹本文算法是如何來判斷模糊圖像的質(zhì)量；第三節(jié) 將主要介紹實(shí)驗(yàn)的流程以及結(jié)果；第四節(jié)我們將對(duì)本文的算法做出總結(jié)以及展望。1理論依據(jù)及模型1.1圖像模糊度的幅度譜評(píng)價(jià)模型通常情況下在頻率域，模糊圖像相比于銳利圖像在高頻部分的內(nèi)容更少，表現(xiàn)為高頻內(nèi)65容的退化。有效檢測(cè)這種情況的方法是通過圖像幅度譜 m ( f ) 的斜率來量化，其主要原因是log(m ) -a log( f ) 8-9，其中 f 為頻率，-a為直線 log(m ) -a log( f ) 的斜率。從圖 1 中，我們也可以看出圖像幅度譜 m ( f ) 的斜率從一定程度上說明了圖像模糊和銳利的區(qū)別。從圖1 中可以看出，越不模糊的圖像a 值越小，而越模糊的圖像a 值相對(duì)越大。對(duì)于自然圖像而 言，a 的值域?yàn)?.7-1.6 10,在文獻(xiàn)11中，已經(jīng)將 hvs 與自然圖像的頻率幅度譜之間的關(guān)系70建立起來。圖1模糊圖像和銳利圖像的圖像幅度譜區(qū)別fig.1 the different of magnitude spectrum between blurred images and sharpen images75本節(jié)將應(yīng)用 field 和 brady8-9的圖像頻率幅度譜 m ( f ) 斜率算法，該算法認(rèn)為 0 a 1 圖像將表現(xiàn)的銳利，a 1則圖像將隨著a 的增大而越發(fā)模糊。為了更好的說明a 的獲取過程，我們將詳細(xì)介紹a 的計(jì)算過程。由于a 是幅度譜的斜率，首先，將 m n 圖像做 dft 變換。- 9 -1f (u, v) =m -1 n -1 i (m, n) exp(- j2p (um + vn )（1-1）mn m =0 n =0 m ni (m, n) =m -1 n -11 f (v, u) exp( j2p (um + vn )（1-2）mn u =0 v =0 m n80其中 i (m, n) 為圖像的空間表示， f (u, v) 為圖像的頻率表示， (u, v) 為圖像的空間頻率坐標(biāo)。為了更好的體現(xiàn) m ( f ) 與 -a log( f ) 關(guān)系，我們將 f (u, v) 用 f ( f ,q ) 表示，其中 f 為極坐 標(biāo)頻率，q 為極坐標(biāo)角度。 (u, v) 與 ( f ,q ) 的轉(zhuǎn)換關(guān)系如下：2uf = (2v m m+ )1/ 2 , u - , v - n , n （1-3）22 mn2 2 2 2 q = arctan( v )u85通過計(jì)算同一 f 下，所有q 的幅度和，如公式（1-5）m ( f ) = f ( f ,q )q（1-4）（1-5）m ( f ) 的斜率a x 可以通過直線 -alog ( f ) + log b 的斜率求得8，如公式（1-6）所示：a = arg min | b f -a - m ( f ) |2（1-4）x a2在 matlab 編程中可以使用 polyfit 函數(shù)來實(shí)現(xiàn)這一過程。由于a x 的值域?yàn)?,+ ,為了90以后更好的計(jì)算，我們將a 按公式（1-7）8 12做歸一化得到 。x1 = 1 -111 + e1 (ax -2 )（1-5）關(guān)于其中的參數(shù)選擇參照文獻(xiàn)12的設(shè)置 = -3、= 2 。應(yīng)用公式（1-1）到公式（1-7）可1 2以得到如下圖 1-2 流程所示的結(jié)果。95圖 1-21 的實(shí)現(xiàn)流程fig.1-2 the step of1 measure1.2人眼視網(wǎng)膜視覺系統(tǒng)的對(duì)比度評(píng)價(jià)算法為了更好匹配人眼的主觀感知，我們將使用 debashis13等提出的基于人眼視網(wǎng)膜視覺 系統(tǒng)的對(duì)比度量化算法來優(yōu)化基于幅度譜斜率的算法。debashis 基于人眼視網(wǎng)膜視覺系統(tǒng)的100算法主要基于局部帶限的方法14和中心環(huán)繞視網(wǎng)膜感官場(chǎng)模型15-16來衡量圖像對(duì)比度的感 官質(zhì)量。局部帶限的方法通過定義灰度圖像的局部對(duì)比度為局部灰度值的變化與局部灰度值 的均值之比14:其中105c ( x, y ) = b ( x, y)l( x, y)b ( x, y ) = i ( x, y )*b(x, y)l(x, y) = i ( x, y )*l(x, y)（1-6）（1-7）（1-8）i ( x, y ) 為空間域圖像的表示， ( x, y ) 為像素點(diǎn)空間坐標(biāo)， b(x, y) 為帶通濾波器， l(x, y) 為低通濾波器且該濾波器能通過所有低于 b(x, y) 的頻率，* 為卷積操作。從公式 1-8 可以看出此 定義與韋伯-費(fèi)赫涅爾定理比較相似，該定理很好的描述了人眼在恒定背景下的對(duì)比度感知110115120的靈敏度。當(dāng)考慮視網(wǎng)膜的感知現(xiàn)象的時(shí)候，有光傳導(dǎo)能力的視神經(jīng)主要表現(xiàn)為視網(wǎng)膜的兩種主要 的視細(xì)胞：桿狀細(xì)胞和錐狀細(xì)胞15-16。由視網(wǎng)膜光傳導(dǎo)過程產(chǎn)生的生物信號(hào)在傳導(dǎo)的過程中 形成了興奮場(chǎng)和抑制場(chǎng)15-16。在視網(wǎng)膜系統(tǒng)中興奮場(chǎng)和抑制場(chǎng)相互作用形成了中心環(huán)繞視網(wǎng) 膜感官場(chǎng)，其中中心場(chǎng)和環(huán)繞場(chǎng)是互斥的8。如圖 1-3 所示：如果中心區(qū)域起興奮作用，這 環(huán)繞區(qū)域則起抑制作用，反之亦然。圖 1-3 中心環(huán)繞視網(wǎng)膜感官場(chǎng)13fig 1-3 center-surround retinal receptive field在文獻(xiàn)17中，高斯差分模型被用來描述灰度信號(hào)下中心環(huán)繞視網(wǎng)膜感官場(chǎng)，本節(jié)也采 用 dog 模型來描述中心環(huán)繞視網(wǎng)膜感官場(chǎng)，其數(shù)學(xué)表達(dá)如下：o ( x, y ) = c ( x, y ) - s (x, y)其中c ( x, y ) = i ( x, y )*g1 (x, y)s ( x, y ) = i ( x, y )*g2 (x, y)（1-9）（1-10）（1-13）125o ( x, y ) 為基于 dog 的中心環(huán)繞視網(wǎng)膜感官場(chǎng)的輸出， c ( x, y ) 代表中心場(chǎng)， s ( x, y ) 代表環(huán)2 2 2繞場(chǎng)， g1、g2 代表 exp(- 1 / 2sg2 。(x + y)形式的兩個(gè)高斯濾波器，其中 g1 的標(biāo)準(zhǔn)方差 小于當(dāng)結(jié)合局部帶限模型和中心環(huán)繞視網(wǎng)膜感官場(chǎng)模型，可以看出 g1 - g2 為一個(gè)帶通濾波器，同時(shí) g 、g分別為兩個(gè)低通濾波器，又由于 g 的標(biāo)準(zhǔn)方差 小于 g ，所以 g 是一個(gè)可1 2 1 2 2130以通過所有帶通濾波器 g - g之下頻率的能量，故結(jié)合公式（1-8）和公式（1-11）可以定義對(duì)比度為：1 21c ( x, y ) = b ( x, y) = o( x, y)（1-11）l( x, y)s ( x, y)c ( x, y ) 可以表示為像素點(diǎn) ( x, y ) 處的局部帶限對(duì)比度，為了更好的計(jì)算 c ( x, y ) 本節(jié)采用13設(shè)置 g= m , m = 3 。g2 1135眾所周知視網(wǎng)膜是一個(gè)多頻帶選擇性通道系統(tǒng)18。而公式（1-13）中的 c ( x, y ) 只是一 個(gè)單頻道系統(tǒng)的對(duì)比度。為了模擬 hvs 的多頻率選擇性通道系統(tǒng)，本節(jié)采用13中的方法來 仿真 hvs 這一系統(tǒng)，通過設(shè)置多個(gè) g 來設(shè)置多個(gè)低通濾波器 g1 通道，同時(shí)由 g1 - g2 也可以得到多個(gè)帶通濾波器通道，這樣就可以得到多頻帶的對(duì)比度 cg1個(gè) g1 把 hvs 的多頻帶選擇性通道系統(tǒng)設(shè)置為 24 個(gè)通道。( x, y ) ?？梢酝ㄟ^設(shè)置 242log( 1 )140 = m 2 , ?v = 72p69p 6p 3p（1-12）g1v2 (1 - m 2 )80 80 80 80145其中 v 為峰值頻率的中心頻率。為了將 24 個(gè)通道的對(duì)比度所組成的矢量合并成為一個(gè)標(biāo)量，debashis 使用文獻(xiàn)19中關(guān) 于亞閾值對(duì)比度感知以及超閾值對(duì)比度感知的模型來合并 24 個(gè)通道的對(duì)比度。亞閾值對(duì)比 度感知衡量的是人眼對(duì)比度感知水平接近可以感知圖像中物體模式所需的最小對(duì)比度感知 水平。而超閾值對(duì)比度感知水平代表對(duì)對(duì)比度的感知很敏感。亞閾值對(duì)比度感知和超閾值對(duì)比度感知可以使用 cg1合并起來。( x, y ) 矢量的 l 階范數(shù)來仿真，這樣就很好把多頻帶的對(duì)比度信息cl ( x, y )= (l 1g1p c ( x, y ) l(1-13)( -1 )g1其中 為范數(shù)的階數(shù)， log = 1 2 2 log = 1 150p = exp - m - exp(- m m 2 )(1-14)1 - m 2 1 - m 2155 p 用來確保所有頻帶的通帶幅度的峰值為 1。 cl ( x, y ) 則是一個(gè)衡量人眼多頻帶模型中灰度 圖像對(duì)比度的標(biāo)量。在文獻(xiàn)13中已經(jīng)很好的論證了，在 l = 1的時(shí)候，亞閾值對(duì)比度感知被很好的仿真，而 在 l = 的時(shí)候，超閾值對(duì)比度感知被很好的仿真。雖然 l 不是固定的值，但是本節(jié)只分析 l = 1、 下 cl ( x, y ) 的值，即只考慮最能仿真亞閾值和超閾值感知的數(shù)據(jù)。2模糊圖像的質(zhì)量評(píng)價(jià)算法圖 2-1 分別含有參考圖像以及該參考圖像的低對(duì)比度失真圖像的譜斜率圖以及各自全 局 1 值，從圖 2-1 中可以看出頻率幅度譜斜率對(duì)不同對(duì)比度的圖像并不能很好的將人的感160知體現(xiàn)出來。在圖像 2-1 中，很明顯參考圖像的對(duì)比度高，所以其圖像視覺感官質(zhì)量更好。這是由于人眼對(duì)對(duì)比度的感知很敏感，人眼很容易就判斷出參考圖像的對(duì)比度明顯要 比低對(duì)比圖像的對(duì)比度要高，給出的主觀評(píng)價(jià)也會(huì)高。而對(duì)于幅度譜斜率算法而言，對(duì)于這兩幅圖像的評(píng)價(jià)值基本一樣，參考圖像的全局 1= 0.9401 ，而低對(duì)比度圖像的全局1 = 0.9372 ，在全局譜斜率上基本無法匹配對(duì)比度不同的圖像對(duì)人的感官所帶來的主觀差 距。165圖 2-1 幅度譜斜率算法沒考慮圖像對(duì)比度fig. 2-1 the illustration of the slope of the magnitude spectrum does not take into account contrast.為了克服幅度譜斜率的這個(gè)缺陷，本節(jié)將局部譜斜率匹配圖以及圖像的亞閾值匹配圖 和超閾值匹配圖合并在一起得到圖像的模糊度評(píng)價(jià)匹配圖，170b ( x, y ) = a ( x, y )h (c ( x, y ) c( x, y )1-h(2-1)1 1 175其中 b ( x, y ) 為圖像在空間坐標(biāo) ( x, y ) 處的模糊度評(píng)價(jià)值，實(shí)際使用中，為了克服有時(shí)幅 度譜斜率算法高估圖像模糊度的情況，會(huì)加入另外一個(gè)針對(duì)性的低估圖像模糊度的算 法，在本文的實(shí)際應(yīng)用中，也加入了一個(gè)關(guān)于圖像銳度的評(píng)估器20。該評(píng)估器是一個(gè)改進(jìn) 的總變量算子，tv 算子是用來衡量圖像塊空間一致性的算子，詳細(xì)的實(shí)現(xiàn)過程可以參見文 獻(xiàn)20。這本節(jié)的模糊度評(píng)價(jià)匹配圖可以公式化為：b ( x, y ) = (a ( x, y )tv (x, y)h (c ( x, y ) c( x, y )1-h(2-2)1 1 180在本節(jié)實(shí)驗(yàn)中，設(shè)置h = 0.5 。由于在評(píng)價(jià)圖像是否表現(xiàn)出被模糊，并不是測(cè)試圖像是否含有 更多的模糊或者銳利的區(qū)域。事實(shí)上，視覺感知一個(gè)圖像的模糊或者銳利的程度，主要由 圖像最模糊或者最銳利的地方?jīng)Q定8。但是如果只選擇最大 b ( x, y ) 值作為衡量的標(biāo)準(zhǔn)，則 可能導(dǎo)致算法的魯棒性不高，因?yàn)樵趫D像中難免有各種噪聲，這些噪聲可能造成圖像虛假 的最大或者最小的模糊和銳利。因此為了保證算法的魯棒性，可以使用模糊度評(píng)價(jià)匹配圖 中， b ( x, y ) 從大到小排序，排在前 n%的最大值的平均值來衡量圖像的模糊度。b(k )n 1 nbi = （2-3）k =1b k( )其中是 b ( x, y ) 從大到小排序得到的包含 b ( x, y ) 中最大 n%的矢量。n 代表圖像像素點(diǎn)185190195數(shù)量的 n%。3算法性能測(cè)試為了測(cè)試所提出算法的性能，本文選用 live21-22主觀質(zhì)量庫(kù)的 gblur 庫(kù)作為本文實(shí)驗(yàn) 的素材。該庫(kù)的圖像是通過對(duì)參考圖像用不同方差的高斯窗卷積得到，在一定程度上高斯 模糊可以模仿圖像采集過程中矢焦所帶來的模糊失真。本文將 live 中 gblur 數(shù)據(jù)庫(kù)的圖像 隨機(jī)分為訓(xùn)練數(shù)據(jù)庫(kù)和測(cè)試數(shù)據(jù)庫(kù)，兩個(gè)數(shù)據(jù)庫(kù)中的圖像沒有重疊。在本文的實(shí)驗(yàn)中，設(shè) 置訓(xùn)練數(shù)據(jù)庫(kù)包含 13 張隨機(jī)選取的參考圖像以及其不同程度的失真樣本。設(shè)置測(cè)試數(shù)據(jù)庫(kù) 包含剩下的 16 張參考圖像以及其不同程度的失真樣本。之所以需要一個(gè)訓(xùn)練數(shù)據(jù)庫(kù)是因?yàn)?得到的客觀評(píng)價(jià)值并不直接與主觀值線性相關(guān)，但是只要客觀評(píng)價(jià)值和主觀評(píng)價(jià)值存在一 種穩(wěn)定的對(duì)應(yīng)關(guān)系，那么我們可通過訓(xùn)練集上的客觀評(píng)價(jià)值和對(duì)應(yīng)的主觀評(píng)價(jià)值做非線性 回歸，得出客觀評(píng)價(jià)值和對(duì)應(yīng)的主觀評(píng)價(jià)值之間的匹配關(guān)系。在主客觀評(píng)價(jià)值擬合的過程 中，通常用來做非線性回歸的方法有兩種：多項(xiàng)式擬合和對(duì)數(shù)擬合。本文所有實(shí)驗(yàn)的主客觀評(píng)價(jià)的擬合方式都是按 vqeg23建議的對(duì)數(shù)擬合方式進(jìn)行，如下公式 3-1 所示：m ( s ) =b1 - b21 + exp(-(s - b3 ) / b4 )+ b2(3-1)200205210其中 s 為客觀評(píng)價(jià)指數(shù)， m (s) 為擬合后的客觀評(píng)價(jià)值， b1、b2、b3、b4 則是通過訓(xùn)練集的主客觀值擬合訓(xùn)練得到。然后將測(cè)試數(shù)據(jù)庫(kù)經(jīng)過擬合后的客觀評(píng)價(jià)值與測(cè)試數(shù)據(jù)庫(kù)的主觀值 做比較。根據(jù) vqeg23對(duì)于圖像質(zhì)量評(píng)價(jià)算法好壞的評(píng)估準(zhǔn)則，一個(gè)好的圖像質(zhì)量評(píng)價(jià)算 法應(yīng)該具備以下三個(gè)特性：1.準(zhǔn)確性：主、客觀評(píng)價(jià)值之間的差異較??；2.單調(diào)性：客觀評(píng) 價(jià)值應(yīng)隨主觀評(píng)價(jià)值的增減而增減；3.一致性：在不同圖像和不同環(huán)境下，評(píng)價(jià)性能保持 穩(wěn)定。通常情況下，使用以下統(tǒng)計(jì)量來評(píng)價(jià)圖像質(zhì)量評(píng)價(jià)算法的性能：1.主客觀評(píng)價(jià)值之間的相關(guān)系數(shù)（correlation coefficient，cc）；2.主客觀評(píng)價(jià)值之間的斯皮爾曼等級(jí)相關(guān)系數(shù)（the spearman rank-order correlation coefficient, srocc）；3.主客觀評(píng)價(jià)值之間的均方誤差（root mean square error，rmse）和平均絕對(duì)誤差（mean absolute error，mse）；我們隨機(jī)的進(jìn)行了 5 次實(shí)驗(yàn)，記錄每次關(guān)于算法性能測(cè)試的結(jié)果如下表所示。每次實(shí) 驗(yàn)的訓(xùn)練集圖像以及測(cè)試集圖像都是隨機(jī)選出，記錄每次關(guān)于算法性能測(cè)試的結(jié)果如下表 所示。表 1 優(yōu)化后的幅度譜斜率圖像質(zhì)量評(píng)估算法的性能驗(yàn)證tab. 1 validation of the performance of optimization magnitude spectrums slope algorithm第一次第二次第三次第四次第五次cc0.9280.9240.9310.9380.935srocc0.9320.9260.9410.9490.938mae6.4826.7726.2136.0816.242rmse7.5127.9117.3217.0867.384215從上表可以看出每次算法性能測(cè)試結(jié)果差別都不大，可以看出本節(jié)的算法受不同的訓(xùn)練集和測(cè)試集的影響比較小，證明算法性能受圖像內(nèi)容的影響非常的小，有較好的魯棒性。 為了更好的說明本節(jié)算法的性能，我們將本節(jié)算法與 psnr、mssim21、以及 vif24算法做比較。圖 3-1 給出了上述幾種算法在 live 的 blur 庫(kù)的主客觀值匹配的散點(diǎn)圖。220225230235圖 3-1 dmos 與 psnr mssim vif s3 以及本小節(jié)所提算法的散點(diǎn)圖fig. 3-1 the scatter plots of dmos vs. psnr mssim vif s3 and the proposed measure圖 3-1 中 x 軸為客觀評(píng)價(jià)指數(shù)，y 軸為主觀評(píng)價(jià)值，每個(gè)坐標(biāo)中紅色曲線為該算法得出的客 觀評(píng)價(jià)和主觀評(píng)價(jià)的擬合曲線，藍(lán)色的虛線為該擬合曲線的 95%的置信區(qū)間.從散點(diǎn)圖可以 看出本文的算法比 mssim 和 psnr 要好。vif 算法雖然要比本文的算法要好，但是在實(shí)際 應(yīng)用過程中，由于往往缺乏參考圖像，使其使用范圍受到很大限制。為了說明考慮了亞閾值匹配圖和超閾值匹配圖的譜斜率和只使用譜斜率的算法在評(píng)價(jià) 圖像模糊度時(shí)的性能區(qū)別，分別做出兩者的主客觀匹配散點(diǎn)圖和算法性能指標(biāo)表，從散點(diǎn) 圖圖 3-2 中，我們可以看出考慮圖像對(duì)比度的譜斜率算法的結(jié)果（圖 3-2（a）與主觀評(píng)價(jià) 值更加匹配，其散點(diǎn)圖分布比較均勻，在 95%置信區(qū)間的點(diǎn)的數(shù)量也多，說明了考慮了圖 像對(duì)比度的譜斜率算法性能更優(yōu)。（a）（b）圖 3-2 dmos 與優(yōu)化后的幅度譜斜率（a）、沒優(yōu)化的幅度譜斜率（b）的散點(diǎn)圖fig. 3-2 the scatter plots of dmos vs. optimization magnitude spectrums slope algorithm (a) andun-optimization magnitude spectrums slope algorithm (b)240表 3-1 優(yōu)化后的幅度譜斜率以及沒優(yōu)化的幅度譜斜率算法性能比較表table 3-1 the performance comparison of optimization magnitude spectrums slope algorithm andun-optimization magnitude spectrums slope algorithmccsroccmaermsethe proposed measure0.9350.9595.7426.884the slope of spectrum method0.8830.9018.72210.83245同時(shí)從根據(jù)算法性能表 3-1 中我們也可以直觀的看出，考慮了對(duì)比度的譜斜率算法與主觀評(píng)價(jià)擬合更好，算法性能的準(zhǔn)確性、單調(diào)性和一致性都明顯的比只考慮譜斜率的算法要高 出很多2502552602652702752802852902953003054結(jié)論field 和 brady8通過分析模糊圖像和銳利圖像在幅度譜的特點(diǎn)，發(fā)現(xiàn)圖像幅度譜的斜率 可以衡量圖像的模糊度。而文獻(xiàn)25則發(fā)現(xiàn)此方法沒有考慮人眼對(duì)于圖像對(duì)比度的感知，所 以本章通過加入對(duì)圖像對(duì)比度衡量的算法來優(yōu)化幅度譜斜率算法。本章使用 debashis13等提 出的基于人眼視網(wǎng)膜視覺系統(tǒng)的對(duì)比度量化算法來優(yōu)化基于幅度譜斜率的模糊度評(píng)價(jià)算法。 debashis 基于人眼視網(wǎng)膜視覺系統(tǒng)的算法主要基于局部帶限模型14和中心環(huán)繞視網(wǎng)膜感官 場(chǎng)模型1516來衡量圖像對(duì)比度的感官質(zhì)量。實(shí)驗(yàn)結(jié)果表明考慮了圖像對(duì)比度的幅度譜斜率的模糊感知算法性能遠(yuǎn)優(yōu)于 psnr、 mssim 算法。雖然不如 vif 算法，但是 vif 算法是全參考算法，在實(shí)際應(yīng)用中如果沒有參 考圖像就無法使用，而本節(jié)的算法是一個(gè)無參考算法，無需參考圖像，使用范圍遠(yuǎn)超 vif。參考文獻(xiàn) (references)1 boult b.e., chiang m.c. local blur estimation and super-resolutionc. proc. ieee, computer societyconference on computer vision and pattern recognition, 1997:821-826.2 marichal.x, ma wei-ying, zhang h.j. blur determination in the compressed domain using dct informationc. proc. ieee, international conference on image processing,1999(2):386-390.3 marziliano p, dufaux f, winkler s,ebrahimi t. a no-reference perceptual blur metricc. in proc. ieee, international conference on image processing, 2002(3):57-60.4 caviedes j, gurbuz s. no-reference sharpness metric based on local edge kurtosis c. in proc. ieee, international conference on image processing, 2002(3):53-56.5 ong e, lin, z. lu, x. yang, s. yao, f. pan, l. jiang, f. moschetti. a no-reference quality metric for measuring image blur c. in proc. seventh international symposium on signal processing and its applications,2003(1)469-472.6 crete f, dolmiere t, ladret p, nicolas m. the blur effect: perception and estimation with a new no-reference perceptual blur metric c. in proceedings of spie human vision and electronic imaging xii, 2007 6492:649-20i.7 ferzli r and karam l j.a no-reference objective image sharpness metric based on the notion of just noticeableblur (jnb)j, ieee transactions on image processing, 2009, 18(4) :717 -728.8 vu c t, phan t d and chandler d m. s3: a spectral and spatial measure of local perceived sharpness in natural images j, ieee trans. image process, 2012,21(3):934-945.9 field d j. relations between the statistics of natural images and the response properties of cortical cells j, j. opt. soc. am. a, 1987, 4:2379-2394.10 knill d c, field d j, and kersten d. human discrimination of fractal images j. j. opt. soc. am. a,1990,7:1113-1123.11 johnson g m and fairchild m d. sharpness rules j. in proc of is&t/sid 8th color imaging conference,2000:24-30.12 graham d j, chandler d m and field d j, can the theory ofwhitening explain the center-surround properties of retinal ganglion cellreceptive fields? j. vision research, 2006, 46:2901-2913.13 sen d, pal s k. retinal visual system based contrast measurement in images c. communications and signalprocessing (iccsp), 2011:51-55.14 peli e. contrast in complex images j. journal of the optical societyof america a, 1990, 7(10):2032-2040. 15 blumenfeld h, ne