基于离散余弦变换(DCT)系数直方图的无参考模糊图像质量评价.docx

基于离散余弦变换(DCT)系数直方图的无参考模糊图像质量评价
一、引言
图像质量评价是计算机视觉领域的一项重要研究任务，对于许多应用来说，如医学影像、卫星图片等，都需要高质量的图像。然而，由于种种原因，处理过的图像可能存在一些失真，其中最常见的就是模糊问题。因此，针对模糊图像的质量评价技术有着重要的应用和研究价值。
无参考模糊图像质量评价指的是在没有原始图像的情况下，对给定的模糊图像进行质量评估。近年来，有很多基于图像统计特征的无参考图像质量评价方法被提出，比如基于图像模糊度、对比度失真度、亮度失真度、颜色失真度等。这些方法通常采用传统的算法和特征提取技术，能够在一定程度上对模糊程度进行评估。
然而，这些方法大多采用的是人工定义的特征，而且对于不同类型、尺度、应用场景的模糊图像效果不尽相同。因此，基于深度学习的图像质量评价方法受到许多研究人员的关注和重视，其准确性和稳定性较传统方法有了大幅提升。在本文中，我们将介绍一种基于离散余弦变换(DCT)系数直方图的无参考模糊图像质量评价方法。
二、相关工作
近些年来，基于卷积神经网络(CNN)的深度学习方法在无参考图像质量评价中表现出了很好的优越性，所以我们认为在这种任务中使用CNN是很合理的。
Yang等人提出了一种基于级联卷积神经网络的无参考图像质量评价方法，其基于多个CNN结构，将多个学习器级联达到最终预测效果。该方法可以有效地提高评价准确率，但需要高昂的时间成本进行训练。
为了克服这个问题，Martinez-Ramirez等人提出了一种基于卷积自编码器的无参考评价方法。该方法利用多个卷积自编码器学习图像表征，然后将这些特征用于质量评价。这种方法的优点是速度更快，但它的准确性不如细粒度的CNN方法。
基于以上研究，我们设计一种基于离散余弦变换系数直方图的无参考模糊图像质量评价方法。
三、方法
3.1离散余弦变换(DCT)系数直方图的提取
我们选择离散余弦变换(DCT)系数直方图作为图像的特征，这是一种常见的图像压缩技术。DCT系数直方图提取图像在DCT域中的分布信息，往往能够很好地表示图像的特征，且具有较高的鲁棒性。
尽管DCT在图像压缩中的应用已经很广泛了，但它的系数直方图在图像质量评估中的使用则并不多见。我们假设一个好的图像，相应的DCT系数应该是具有低频成分的，因此DCT系数的高低频信息应该是有意义的。因此，我们分别提取了DCT系数分别为低频部分和高频部分的直方图，然后根据不同的模型将它们进行组合。
如下图所示，在空间域中，使用OpenCV软件包中的Gaussian模糊函数模糊原图像。随后，初始化将灰度图像转换为DCT域。我们在图像的低频DCT系数(0,0)周围提取了一小块邻域，该邻域中的DCT系数被认为是一个观察到的图像块x_i的代表。因此，我们提取了这个邻域的直方图。
此外，我们在图像的高频DCT系数周围提取了一小块邻域，然后提取了该邻域的直方图。最终，我们利用一个组合函数将这些低、高频直方图组合在一起，并将其作为最终的特征。
3.2CNN模型的训练与预测
我们采用了一个轻量级的卷积神经网络模型，以提高训练和估计的效率。我们的网络模型分为两个主要部分：卷积层和全连接层。在网络模型的前段，我们使用了两层卷积层，用于从特征中提取更高层次的抽象特征。卷积层与ReLU激活函数结合可以显着提高模型的表现。
在网络模型的后段，我们使用了两个紧密连接的全连接层，它们起到一些细致的预测作用。其中，最后一层全连接层的输出表示图像的质量得分。所有层的结果都使用softmax激活函数进行处理。
在预测阶段，我们将原始输入图像传递给CNN模型，模型将各层特征映射下传，最终输出图像的质量分数。由于我们可以从模型的最后一层全连接层获得图像质量分数，因此我们不需要知道原始的图像文件来进行图像质量评估。
四、实验与结果
我们使用了两组数据集来评估该方法的性能。一组是NCTU下发的GTDB(GradientTextureDistortionBlur)数据集，包含了预先设定的10种不同种类的模糊图像。另外一组数据集是PASCALVOC2012数据集的标准评估子集，包括216张真实图像。
我们将基线方法与我们提出的方法进行了比较。对于基线方法，我们使用了SVM分类器，以将DCT系数直方图中的通道组合为一个具有固定尺寸的向量。对于我们的方法，我们将DCT系数直方图作为CNN模型的输入。
我们使用Pearson'scorrelationcoefficient(PCC)和Spearman'srank-ordercorrelationcoefficient(SRCC)这两种常用的统计指标来评估评估方法。我们的结果表明，我们的方法在NCTUGTDB数据集上的PCC为0.86、SRCC为0.87，在PASCALVOC2