一種基于倒譜的人臉圖像清晰度評價(jià)方法

1、種基于倒譜的人臉圖像清晰度評價(jià)方法楊 飛 蘇劍波人臉識(shí)別由于其非接觸式、基本無須配合和操作隱蔽性強(qiáng)等優(yōu)勢，被認(rèn)為是一種可廣泛使用的生物 特征識(shí)別技術(shù)，長期以來一直受到學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注 1-4。然而，也正因?yàn)樽非蟆盁o須配合”的 實(shí)施效果，導(dǎo)致了人臉圖像采集的隨意性，圖像之間差異較大、圖像質(zhì)量參差不齊的情況。采用低質(zhì)量 的人臉圖像進(jìn)行人臉識(shí)別， 必然會(huì)導(dǎo)致識(shí)別準(zhǔn)確率的下降 2, 4。而長期以來， 人臉識(shí)別的研究大都是基于 預(yù)先準(zhǔn)備好的圖像質(zhì)量一般較高的人臉庫的，這與現(xiàn)實(shí)應(yīng)用情況有很大的不同。因此盡管實(shí)驗(yàn)測試中的 人臉識(shí)別準(zhǔn)確率已經(jīng)相當(dāng)之高，然而在實(shí)際應(yīng)用中的表現(xiàn)卻并不盡如人意。為此，近年來

2、有不少研究者 開始著手于研究對各種不同質(zhì)量人臉圖像足夠魯棒的人臉識(shí)別技術(shù)，目前雖已取得了很大的進(jìn)展，但離 實(shí)用仍有一些差距。一方面，由于處理低質(zhì)量圖像而被引入的額外手段往往十分復(fù)雜，會(huì)大大增加人臉 識(shí)別系統(tǒng)的復(fù)雜度，使得人臉識(shí)別耗費(fèi)時(shí)間更長一一這對于多數(shù)實(shí)際應(yīng)用是不可接受的；另一方面，不 受圖像樣本因素影響的人臉識(shí)別算法是難以獲得的。因此，我們必須研究新的解決方法。在基于視頻流的自動(dòng)人臉識(shí)別應(yīng)用中，獲得的人臉圖像數(shù)量通常較多，如果對人臉圖像樣本進(jìn)行質(zhì) 量評價(jià)， 篩選較為合適的樣本用于識(shí)別， 這無疑會(huì)提高自動(dòng)人臉識(shí)別系統(tǒng)的準(zhǔn)確率； 即使樣本數(shù)目有限， 也可以依據(jù)質(zhì)量評價(jià)結(jié)果來選用相應(yīng)的圖像預(yù)處理

3、方法來提高識(shí)別率。另外，根據(jù)人臉圖像的質(zhì)量情況 來調(diào)整分類器的閾值或其它參數(shù)能有效地降低錯(cuò)誤拒絕率(FRR)或錯(cuò)誤接受率(FAR)，亦可提高人臉識(shí)別的實(shí)用性能?？梢?，在自動(dòng)人臉識(shí)別系統(tǒng)中引入人臉圖像質(zhì)量評價(jià)環(huán)節(jié)是一條推動(dòng)人臉識(shí)別實(shí)用化的重 要途徑。因此，近幾年來人臉圖像的質(zhì)量評價(jià)逐漸引起了人們的關(guān)注，關(guān)于圖像質(zhì)量評價(jià)的評價(jià)框架和 相關(guān)指標(biāo)的研究工作也已有一些公開報(bào)道 2-4 ，但關(guān)于人臉圖像質(zhì)量評價(jià)方法的研究目前還并不充分， 們往往是直接借用傳統(tǒng)的圖像質(zhì)量評價(jià)方法。本文的研究表明，現(xiàn)有方法并不一定適用于自動(dòng)人臉識(shí)別 這個(gè)特別領(lǐng)域中的人臉圖像質(zhì)量評價(jià)，其評價(jià)結(jié)果與實(shí)際情況可能存在一定差距。本文接

4、下來將以清晰 度這一重要的人臉圖像質(zhì)量評價(jià)指標(biāo)為例進(jìn)行詳細(xì)說明，并提出一種比傳統(tǒng)評價(jià)方法更適合于自動(dòng)人臉 識(shí)別的清晰度評價(jià)方法。最后，通過對同一組人臉圖像進(jìn)行清晰度評價(jià)實(shí)驗(yàn)，將其與傳統(tǒng)清晰度評價(jià)方 法進(jìn)行對比，以驗(yàn)證本文方法的準(zhǔn)確性要高于傳統(tǒng)方法。另外，還在真實(shí)環(huán)境下通過人臉識(shí)別實(shí)驗(yàn)來驗(yàn) 證本文提出的清晰度評價(jià)方法在自動(dòng)人臉識(shí)別中的作用及其適用性。2 自動(dòng)人臉識(shí)別中的清晰度評價(jià)在基于視頻流的自動(dòng)人臉識(shí)別應(yīng)用中，自動(dòng)檢測采集到的人臉圖像不清晰的情況時(shí)有發(fā)生。不清晰 的人臉圖像不但會(huì)影響人臉識(shí)別的準(zhǔn)確率，而且還會(huì)影響對譬如人臉姿態(tài)等其它圖像質(zhì)量指標(biāo)的評價(jià) 2,4，故本文將清晰度選作研究對象。影響人

5、臉圖像清晰度的原因主要有圖像模糊和采集噪聲干擾。忽略 采集噪聲，攝像機(jī)對焦失準(zhǔn)或拍攝瞬間人臉沿?cái)z像機(jī)光軸方向快速運(yùn)動(dòng)會(huì)造成離焦模糊，拍攝瞬間人臉 垂直于攝像機(jī)光軸方向快速運(yùn)動(dòng)會(huì)造成運(yùn)動(dòng)模糊，實(shí)際上這兩種模糊經(jīng)常是并存的。傳統(tǒng)的圖像質(zhì)量評 價(jià)往往是考察經(jīng)過計(jì)算壓縮、傳輸、增強(qiáng)或其他處理變換后的圖像與原始圖像質(zhì)量上的差別，在評價(jià)時(shí) 通常有“標(biāo)準(zhǔn)圖像”可供參照5。因此，無論是具有計(jì)算簡單優(yōu)點(diǎn)而被廣泛使用的均方差(MSE)和峰值信噪比(PSNR)方法，還是更符合人眼視覺系統(tǒng)(HVS)特性的結(jié)構(gòu)相似度(SSIM)方法或基于自然場景統(tǒng)計(jì)(NSS)的視覺信息逼真度(VIF)方法，由于必須得通過將變換后的圖像

6、與標(biāo)準(zhǔn)圖像進(jìn)行比較來做出質(zhì)量 評價(jià)，故皆不適合作為自動(dòng)人臉識(shí)別中的人臉圖像清晰度評價(jià)方法。另一方面，無需參考圖像的圖像質(zhì) 量評價(jià)方法相對較少，且主要用于圖像盲恢復(fù)參數(shù)的辨識(shí)(如對點(diǎn)擴(kuò)散函數(shù)PSF的估計(jì)等)，其中的特征提取過程較為復(fù)雜，計(jì)算耗時(shí)長，故難以滿足自動(dòng)人臉識(shí)別系統(tǒng)的時(shí)間要求。于是，研究者們提出了通過衡量圖像梯度統(tǒng)計(jì)信息 2或高頻部分能量3來評價(jià)人臉圖像清晰度的方法。這兩種方法雖然無需參 考圖像，而且簡單快速，但是其實(shí)并不可靠。 這是因?yàn)椴煌说拿娌坎町愅ǔ］^大，再加上眼鏡的佩戴,使得人臉圖像的邊緣信息差異更大；而且，運(yùn)動(dòng)模糊圖像的邊緣不是在所有方向都是模糊的，與運(yùn)動(dòng)方 向垂直的方向上的

7、邊緣并沒有發(fā)生退化，而且運(yùn)動(dòng)模糊還會(huì)產(chǎn)生新的銳利邊緣(例如一個(gè)亮點(diǎn)可能在運(yùn) 動(dòng)模糊后形成一條線)，所以不能完全依據(jù)邊緣信息來判斷圖像模糊程度。鑒于上述原因，本文提出了 一種新的基于倒譜(ce pstrum)域分析的清晰度評價(jià)方法。3人臉圖像清晰度評價(jià)方法倒譜理論自從1963年被提出后8，在雷達(dá)、地震波、超聲波和語音信號分析等領(lǐng)域得到了應(yīng)用，后來又作為一種盲去卷積方法被應(yīng)用于圖像恢復(fù)的參數(shù)辨識(shí)中9。如果能準(zhǔn)確地辨識(shí)出模糊圖像的點(diǎn)擴(kuò)散函數(shù)的參數(shù)，即能評價(jià)出圖像的模糊程度。但實(shí)際上，在倒譜圖中很難清楚地辨識(shí)出點(diǎn)擴(kuò)散函數(shù)的特征； 而且通常情況下不能預(yù)知模糊的類型，辨識(shí)點(diǎn)擴(kuò)散函數(shù)的參數(shù)往往需要對倒譜圖進(jìn)

8、行預(yù)處理，其過程也 是比較復(fù)雜并且費(fèi)時(shí)的10。為了避免這些問題，本文提出了一種新的清晰度評價(jià)方法，不通過辨識(shí)點(diǎn)擴(kuò) 散函數(shù)的參數(shù)而是采取直接統(tǒng)計(jì)倒譜圖中的高能量亮點(diǎn)的方法來估計(jì)圖像清晰度。因?yàn)楸疚闹谎芯咳四?圖像的清晰度評價(jià)，暫不考慮對模糊人臉圖像進(jìn)行復(fù)原，所以無須區(qū)分模糊類型或辨識(shí)出點(diǎn)擴(kuò)散函數(shù)的 參數(shù)。采用這種方法不僅避免了模糊參數(shù)難以辨識(shí)的問題，而且使算法得以大大簡化，提高了清晰度評 價(jià)速度，下面給出詳細(xì)說明。10:首先，圖像的降質(zhì)過程可用下面的數(shù)學(xué)模型來近似描述(1)g(x,y)g(x, y) = f(x, y) * h(x, y) + n(x, y),其中f(x, y)為輸入清晰圖像，h

9、(x,y)為點(diǎn)擴(kuò)散函數(shù)，n(x,y)為加性噪聲。在這個(gè)模型里，輸出降質(zhì)圖像 被表示為f(x,y)與 h(x,y)的卷積再加上n(x,y)。忽略噪聲的影響，式(1)可寫為：g(x, y) = f(x, y) * h(x, y).不失一般性，考察勻速直線運(yùn)動(dòng)產(chǎn)生的運(yùn)動(dòng)模糊，拍攝瞬間物體相對鏡頭的位移大小為向與水平軸的夾角為則由其導(dǎo)致的點(diǎn)擴(kuò)散函數(shù)為：h(x,y) d0y xtan , Jx2 y2 d/2elsewhere運(yùn)動(dòng)方另外，由幾何光學(xué)分析可知，一個(gè)散焦半徑為R的點(diǎn)擴(kuò)散函數(shù)可描述為:第6頁共7頁h(x, y)Jx2 y2 R R0 elsewhere于是，通過式(2) (4)，用一張清晰圖像

10、可分別人工模擬出其不同程度的運(yùn)動(dòng)模糊和離焦模糊效果。 對于一幅大小為 M XN的灰度圖像g(x, y)，它的傅立葉變換為：G(u, v) = Fg(x, y)，則其倒譜域變換定義為9:-1CepI(x, y) = F log | G(u, v)|,1式中F 和F - 分別表示傅立葉變換和反傅立葉變換，I?表示求復(fù)數(shù)模。由式 、可得Cepg(x, y) = Cepf(x, y) + Ceph(x, y).由此可見，倒譜域變換的一個(gè)重要性質(zhì)是：在倒譜域內(nèi)，模糊圖像的倒譜可分解為清晰圖像的倒譜和點(diǎn)擴(kuò)散函數(shù)的倒譜的性線疊加。另外，由于倒譜域變換要進(jìn)行對數(shù)計(jì)算，所以在倒譜域內(nèi)，信號衰減特別 快。清晰的人

11、臉圖像經(jīng)過倒譜域變換后，圖像衰減很快，幾乎只集中在中心點(diǎn)附近很小的區(qū)域內(nèi)，經(jīng)二 值化處理后如圖1(a)所示。而運(yùn)動(dòng)模糊圖像和離焦模糊圖像由于疊加了點(diǎn)擴(kuò)散函數(shù)，它們的二值化倒譜 圖中的高能量亮點(diǎn)散布在整幅圖中，分別如圖1(b)、(c)所示。徨 Y J (a)(b)(c)圖1三幅不同質(zhì)量的人臉圖像及其對應(yīng)的二值化倒譜圖，(a)清晰圖像；(b)運(yùn)動(dòng)模糊圖像；(C)離焦模糊圖像Fig. 1 Three face images of different quality and their corres po nding binary cep strum maps (a)the clear image;

12、(b)the motionblurred image; (c)the defocused image二值化倒譜域中亮點(diǎn)的平均能量E可定義為：(8)NW(i,j) C(i,j)，j 1式中權(quán)值 W(i, j)定義為點(diǎn)(i, j)到中心點(diǎn)(ic, jc)的距離，C(i, j)定義為點(diǎn)(i, j)的二值化實(shí)倒譜值:W(i,j) 7(i ic)2 (J2Jc),(9)1C(i,j) 0Ce P(i,j)Cep(i, j)(10)T值增大時(shí)， 通過預(yù)先設(shè)定好 E0值(E0根據(jù)經(jīng)驗(yàn)一般可取 0.01 (8)算得的E滿足EV Eo,并且規(guī)定圖像清晰度評Score (1T) 100%.(11)其中，Cep(i

13、, j)為點(diǎn)(i, j)的倒譜值，T為選取的二值化閾值。對同一幅待評價(jià)圖像來說，當(dāng) E值減小。當(dāng)T值保持不變時(shí)，圖像越模糊，E值越大。左右)，再采用二分法在 (0,1)區(qū)間內(nèi)搜索T,使通過式 價(jià)函數(shù)為：由此可見，本文提出的倒譜域清晰度評價(jià)方法具有算法簡單，限制條件少的優(yōu)點(diǎn)。倒譜變換中的大 部分計(jì)算量由傅立葉變換和反傅立葉變換產(chǎn)生，采用快速傅立葉變換(FFT)方法可大大減少計(jì)算時(shí)間。 如果人臉圖像比較大，為了減少評價(jià)時(shí)間，可縮小評價(jià)區(qū)域，截取部分區(qū)域進(jìn)行上述計(jì)算。此外，降低評 價(jià)精度將減少搜索次數(shù)，也能減少清晰度評價(jià)時(shí)間。4實(shí)驗(yàn)為了考察上述清晰度評價(jià)方法，首先我們隨機(jī)選取FERET人臉庫11 中

14、的1196張正面人臉圖像，截取面部區(qū)域作為實(shí)驗(yàn)樣本，并假設(shè)這些原始圖像都是清晰的圖像。然后，按照降質(zhì)模型(2)-(4)分別用d=5, 10, 20的水平運(yùn)動(dòng)模糊點(diǎn)擴(kuò)散函數(shù)和R = 3, 6, 12的離焦模糊點(diǎn)擴(kuò)散函數(shù)對每一張?jiān)紙D像進(jìn)行人工模糊，以模擬真實(shí)環(huán)境中產(chǎn)生的不同程度的模糊圖像。原始圖像及其對應(yīng)的兩種人工模糊后的圖像示例 樣本如圖2所示。第一列為原始圖像樣本，第一行從第二列到第四列分別為點(diǎn)擴(kuò)散函數(shù)參數(shù)d = 5, 10, 20R = 3, 6, 12時(shí)對應(yīng)的離焦時(shí)對應(yīng)的水平運(yùn)動(dòng)模糊圖像，第二行從第二列到第四列分別為點(diǎn)擴(kuò)散函數(shù)參數(shù) 模糊圖像，可以看出圖像從左至右逐漸變模糊。圖2FERET

15、人臉庫中的人臉樣本及其經(jīng)模糊處理后的圖像Fig. 2 One face sample from the FERET face database and its blurred images分別采用文獻(xiàn)2和3中的兩種清晰度評價(jià)方法以及本文提出的方法來評價(jià)這些圖像，實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)分別如圖3、圖4和圖5所示。在圖3和圖4中，為了曲線區(qū)別顯示清晰，只選取了清晰圖像和d = 10,R = 6的模糊圖像這三組數(shù)據(jù)作為代表分別給出統(tǒng)計(jì)曲線；橫坐標(biāo)為計(jì)算每幅圖像所得的銳度值(sharpness),縱坐標(biāo)為銳度值落在橫軸某一區(qū)間內(nèi)的圖像的數(shù)目。顯而易見，與圖5相比，圖3和圖4中的清晰圖像和模糊圖像的銳度值都較為集

16、中，通過銳度值來評價(jià)圖像清晰度不比圖5中的T值準(zhǔn)確。圖5中絕大多數(shù)清晰圖像的T值小于0.2，且當(dāng)圖像越模糊時(shí)，T值越大，因此可通過求T值來評估圖像清晰度。通過此實(shí)驗(yàn)證明了文獻(xiàn)2和3中的方法不如本文提出的方法準(zhǔn)確，因此都不適合用于人臉圖像的清晰度評價(jià)。除此之外，還需要驗(yàn)證本文提出的清晰度評價(jià)方法能滿足自動(dòng)人臉識(shí)別中的其它要求， 下面給出了主要實(shí)驗(yàn)過程和實(shí)驗(yàn)結(jié)果。采用文獻(xiàn)2中方法計(jì)算所得銳度值分布圖圖3Fig. 3 The distribution of the values of Sharpnesscomputed by the method in Ref. 2圖4采用文獻(xiàn)3中方法計(jì)算所得銳度值

17、分布圖Fig. 4 The distribution of the values of Sharpnesscomputed by the method in Ref. 316141200Clear imagesRI _d=10.R=3卉:0.8The values of Td=20R=6 -R=12k -圖5采用本文提出的方法計(jì)算所得 T值分布圖Fig. 5 The distribution of the values of T computed by our method將本文提出的清晰度評價(jià)方法作為人臉圖像預(yù)處理模塊整合到自動(dòng)人臉識(shí)別系統(tǒng)中，在現(xiàn)實(shí)環(huán)境下進(jìn)行人臉識(shí)別實(shí)驗(yàn)。

18、我們的實(shí)驗(yàn)平臺(tái)為運(yùn)行Windows XP操作系統(tǒng)的PC機(jī)，主要配置為：Pentium IV 1.8G處理器，256MB DDR內(nèi)存。我們使用 Logitech TM QuickCam Pro9000網(wǎng)絡(luò)攝像頭在自行開發(fā)的人臉識(shí)別 軟件下采集人臉圖像，所有實(shí)驗(yàn)程序都是在Visual C+ 6.0編程環(huán)境下編程實(shí)現(xiàn)的。為了生成自動(dòng)人臉識(shí)別系統(tǒng)在真實(shí)應(yīng)用環(huán)境下可能采集到的各種質(zhì)量的人臉圖像，分別通過人頭的靜止和晃動(dòng)來獲得清晰 和運(yùn)動(dòng)模糊人臉圖像，通過調(diào)節(jié)攝像頭焦距來獲得離焦人臉圖像，圖1中第一行的三張圖像即為真實(shí)環(huán)境下采集到的清晰圖像、運(yùn)動(dòng)模糊圖像和離焦模糊圖像。采集到的人臉圖像都為正面人臉圖像，由

19、人臉 識(shí)別系統(tǒng)中基于 AdaBoost算法的人臉采集模塊自動(dòng)檢測并截取生成。經(jīng)過篩選使得到的人臉圖像大小都在128X128以上，大部分人臉圖像的大小分布在144X144附近。采用本文提出的清晰度評價(jià)方法對滿足尺寸要求的每一幅人臉圖像計(jì)算其清晰度Score值，按100% > Score >80%, 80% > Score >60%, 60% >Score >20%和20% > Score > 0這四個(gè)級別對采集到的人臉圖像進(jìn)行分組存放。經(jīng)統(tǒng)計(jì)得到，本實(shí)驗(yàn)中對一幅人臉圖像的清晰度進(jìn)行評價(jià)分級的平均時(shí)間約為28ms,可見評價(jià)速度很快，對自動(dòng)人臉識(shí)別系統(tǒng)

20、的整體識(shí)別時(shí)間影響很小。采用上面的方法對13個(gè)人進(jìn)行人臉圖像采集，一共采集到1957幅人臉圖像，并保證每個(gè)人在每一個(gè)清晰度級別的圖像數(shù)目至少在15幅以上。對每個(gè)人選取其中 Score值最高的前5幅作為訓(xùn)練樣本，如此也得到65個(gè)訓(xùn)練樣本，該過程由程序自動(dòng)完成。接著，從每一個(gè)級別的人臉圖像中對每個(gè)人隨機(jī)挑 選出5幅人臉圖像作為測試樣本，一共得到4組測試樣本，每組樣本含有65幅人臉圖像。接著對挑選出來的測試樣本進(jìn)行人臉識(shí)別實(shí)驗(yàn)，人臉識(shí)別算法采用Eigenface12和GFC13這兩種算法，識(shí)別結(jié)果如表1所示。由表1可見，用本文提出的清晰度評價(jià)方法對測試樣本進(jìn)行評價(jià)，評價(jià)中得分較高的測試樣 本的總體識(shí)

21、別率要高于得分較低的測試樣本，因此該清晰度評價(jià)分?jǐn)?shù)對人臉樣本的識(shí)別率具有一定的預(yù)測性。在自動(dòng)人臉識(shí)別系統(tǒng)中，注冊的人臉圖像一般都能保證較高的圖像質(zhì)量，因此本實(shí)驗(yàn)中選取質(zhì)量 較高的人臉圖像作為訓(xùn)練樣本。通過此實(shí)驗(yàn)可間接說明，采用本文提出的清晰度評價(jià)方法對登錄的人臉 圖像進(jìn)行評價(jià)，自動(dòng)選取清晰度較高的人臉圖像進(jìn)行登錄，或者對登錄過程給出反饋信息以提示登錄者 稍加配合，都能有效地提高自動(dòng)人臉識(shí)別系統(tǒng)的識(shí)別率。表1不同質(zhì)量的人臉圖像的識(shí)別率Tab. 1 Recognition rates on face images of different quality圖像質(zhì)量級別Eigenface識(shí)別率GFC識(shí)

22、別率100% > Score >80%87.7 %96.9 %80% > Score >60%81.5 %92.3 %60% > Score >20%49.2 %63.1 %20% > Score > 016.9 %23.1 %5結(jié)論本文根據(jù)自動(dòng)人臉識(shí)別的特點(diǎn)和要求，對人臉圖像質(zhì)量評價(jià)的意義進(jìn)行了說明，并對其中的圖像清 晰度評價(jià)指標(biāo)給出了新的定量評價(jià)方法。實(shí)驗(yàn)結(jié)果表明，所提出的評價(jià)方法相比傳統(tǒng)方法更為準(zhǔn)確，而 且能有效地提高自動(dòng)人臉識(shí)別系統(tǒng)的識(shí)別率，適合作為人臉圖像質(zhì)量評價(jià)手段應(yīng)用于自動(dòng)人臉識(shí)別中。參考文獻(xiàn):1 WANG Guo-qia ng,

23、OU Zon g-yi ng, WANG Hai-ya n, et al. Discrimi nant neighborhood embeddi ng for facerecognitionJ. Journal of Optoelectronics_aser(光電子-激光),2008, 19(5): 700-703 (in Chinese).2 Gao X F, Li S Z, Liu R, et al. Stan dardizatio n of face image sample qualityJ. Lecture Notes in Compu ter Scie nee, 2007, 464

24、2: 242-251.3 Weber F. Some quality measures for face images and their relati onship to recog niti on p erforma nceEB/OL./iad/894.03/quality/workshop/proc/weber_bqw.pdf:Cognitec Systems GmbH TechniqueRep ort, 2006.4 Hsu R V, Shah J, Marti n B. Quality assessme nt of facial imagesC. Bi

25、ometric Con sortium Co nference 2006 Biometrics Sympo sium: Sp ecial Sessi on on Research at the, Baltimore, Maryla nd, Un ited States: 2006: 1-6.5 Wang Z, Bovik A C, Lu L. Why is image quality assessme nt so difficultC. IEEE Intern ati onal Conference on Acoustics, Sp eech & Sig nal P rocessi n

26、g. Orla ndo, Florida, Uni ted States: 2002, 4(4): 3313-3316. Wang Z, Bovik A C, Sheikh H R, et al. Image quality assessment: from error visibility to structural similarityJ. IEEE Trans. on Image P rocess ing, 2004, 13(4): 600-612.7Sheikh H R, Bovik A C, Cormack L. No-referenee quality assessment usi

27、ng natural scene statistics: JP EG2000J. IEEE Trans. on Image P rocessi ng, 2005, 14(11): 1918-1927.8Bogert B P, Healy M J R, Tukey J W. The quefre ncy ala ny sis of time series for echoes: cep strum, p seudo-autocovaria nee, cross-ce pstrum, and saphe crack in gJ. Time Series An alysis, 1963, (15): 209-243.9 Cannon M. Bli nd dec on voluti on of sp atially in varia nt image blurs with p haseJ. IEEE Trans. on Acoustics,Sp eech, and Sig nal P rocess ing, 1976, 24(1): 58-63.10 Tan aka M, Yoneji K, Okutomi M. Motio n blur p