沃爾什哈達(dá)瑪變換域的無參考圖像質(zhì)量評價*

侯春萍，劉月，岳廣輝，馮丹丹，馬彤彤

(天津大學(xué) 電氣自動化與信息工程學(xué)院，天津 300072)

沃爾什哈達(dá)瑪變換域的無參考圖像質(zhì)量評價*

侯春萍，劉月，岳廣輝?，馮丹丹，馬彤彤

(天津大學(xué) 電氣自動化與信息工程學(xué)院，天津 300072)

圖像失真會改變圖像低頻成份和圖像高頻成份的統(tǒng)計信息，基于這種特性，提出了一種新穎的無參考混合失真圖像質(zhì)量評價方法.首先對圖像進(jìn)行局部沃爾什哈達(dá)瑪變換，將空域圖像轉(zhuǎn)換為局部沃爾什哈達(dá)瑪變換圖；然后在局部沃爾什哈達(dá)瑪變換圖上進(jìn)行特征提取，即分別提取反映圖像低頻成份的零列率項和反映圖像高頻成份的非零列率項的旋轉(zhuǎn)不變局部二值模式統(tǒng)計特征；最后利用支持向量回歸網(wǎng)絡(luò)訓(xùn)練特征，獲得特征到質(zhì)量分?jǐn)?shù)的映射關(guān)系模型.在兩個混合失真數(shù)據(jù)庫(MLIVE數(shù)據(jù)庫和MDID2013數(shù)據(jù)庫)上對所提出的算法進(jìn)行性能驗證，實驗結(jié)果表明，提出的算法具有很好的主客觀評價一致性，性能優(yōu)于目前現(xiàn)有較優(yōu)秀的全參考圖像質(zhì)量評價算法和無參考圖像質(zhì)量評價算法.

圖像質(zhì)量評價；無參考；局部沃爾什哈達(dá)瑪變換；局部二值模式；支持向量回歸

圖像質(zhì)量評價是圖像處理研究中的熱點問題之一，對圖像質(zhì)量評價的研究，可以有效地用于圖像視頻的優(yōu)化問題，如傳輸[1]、壓縮、亮度提升[2]、對比度增強、色階映射、去霧等.近年來，隨著圖像質(zhì)量評價研究的不斷深入，涌現(xiàn)了大量優(yōu)秀的單失真圖像質(zhì)量評價算法[2-4].然而，圖像在獲得、傳輸、壓縮、存儲時會引入多種失真，所以研究混合失真圖像質(zhì)量評價方法具有非常重要的現(xiàn)實意義.研究者針對這種現(xiàn)象提出了相應(yīng)的混合失真圖像質(zhì)量評價算法.Gu等[5]通過模擬人類視覺系統(tǒng)質(zhì)量評價過程，將多種失真分開考慮和估計，最后加權(quán)估計分?jǐn)?shù)得到最終的圖像質(zhì)量分?jǐn)?shù)；在此基礎(chǔ)上，Gu等[6]又加入了自由能解釋多種失真的聯(lián)合效應(yīng)；Li等[7]通過提取反映圖像失真程度的相位一致性、灰度共生矩陣等多種特征，利用SVR建立特征到質(zhì)量分?jǐn)?shù)的映射關(guān)系，評價多失真圖像的質(zhì)量；Lu等[8]選擇性地選取對失真敏感的特征，采用改進(jìn)的Bag-of-word編碼特征，最后通過簡單的線性加權(quán)實現(xiàn)了特征到質(zhì)量分?jǐn)?shù)的映射.Chandler[9]指出混合失真圖像質(zhì)量評價算法不僅需要考慮單個失真對圖像質(zhì)量的影響，還需考慮多種失真之間的相互作用和聯(lián)合效應(yīng)對圖像總體質(zhì)量的影響.綜上所述，混合失真圖像質(zhì)量評價處于剛剛起步的階段，現(xiàn)有算法主要是基于對特定失真類型及失真之間相互影響的分析.因此，提出一種不針對特定失真類型的圖像質(zhì)量評價算法迫在眉睫.

本文針對混合失真圖像質(zhì)量評價問題，提出了一種基于沃爾什哈達(dá)瑪變換的混合失真圖像質(zhì)量評價方法.本算法不需要關(guān)于圖像失真類型的先驗信息，其性能優(yōu)于目前現(xiàn)有較優(yōu)秀的算法.

1 沃爾什哈達(dá)瑪變換

圖像變換是一種重要的圖像處理方法，在圖像質(zhì)量評價領(lǐng)域有著廣泛的應(yīng)用.常用的圖像變換方法有很多，如離散傅里葉變換、小波變換[10-11]、離散余弦變換、K-L變換、WHT.其中，離散傅里葉變換以復(fù)指數(shù)函數(shù)為基函數(shù)；小波變換以母小波經(jīng)過伸縮和平移變換后派生出的函數(shù)族為基函數(shù)；K-L變換以協(xié)方差矩陣的特征向量為基函數(shù)；離散余弦變換以余弦函數(shù)為基函數(shù)；而WHT以一組取值為±1的完備正交矩形波為基函數(shù)，使得WHT較其它變換簡單.

給定一幅圖像，其LWHT由圖像所有重疊塊經(jīng)沃爾什哈達(dá)瑪變換矩陣(Walsh Hadamard Transfrom matrix,WHTM)變換實現(xiàn).WHTM由哈達(dá)瑪矩陣按照一定規(guī)律排列得到，式(1)表示最低二階哈達(dá)瑪矩陣，由二階哈達(dá)瑪矩陣H2的克羅內(nèi)克積遞推可得到N階哈達(dá)瑪矩陣HN：

(1)

(2)

式中：N表示哈達(dá)瑪矩陣的階數(shù).

重排哈達(dá)瑪矩陣，計算N階哈達(dá)瑪矩陣每行±1符號改變次數(shù)，符號改變次數(shù)稱為列率，將哈達(dá)瑪矩陣按照列率遞增的順序排列即可得到WHTM.以四階WHTM為例：

(3)

式中：矩陣旁數(shù)字0，1，2，3為四階哈達(dá)瑪矩陣的列率.

WHTM的每一行稱為一維沃爾什哈達(dá)瑪基向量Vj，j=0,1,…,N-1.由一維沃爾什哈達(dá)瑪基向量的張量積可以得到二維沃爾什哈達(dá)瑪變換核[12]g(x,y,u,v)(WalshHadamardTransformkernels,WHTK)，公式如下：

(4)

式中：T表示矩陣轉(zhuǎn)置，x,y=0,1,…,N-1;u,v=0,1,…,N-1;i=1,2,…,N×N.WHTK如圖1所示.從圖中可以發(fā)現(xiàn)，主對角線以上的WHTK是主對角線以下的WHTK的轉(zhuǎn)置.w1=g(x,y,0,0) 表示左上角的沃爾什哈達(dá)瑪變換零列率核，其余變換核為沃爾什哈達(dá)瑪變換非零列率核.

定義圖像的LWHT為圖像所有重疊塊在WHTK上的投影，將投影后得到的矩陣稱為沃爾什哈達(dá)瑪投影矩陣.圖像在沃爾什哈達(dá)瑪變換零列率核上的投影稱為零列率項，在沃爾什哈達(dá)瑪變換非零列率核上的投影稱為非零列率項，零列率項和非零列率項統(tǒng)稱為局部沃爾什哈達(dá)瑪變換圖[13].大小為N×N的圖像塊f(x,y)在WHTK上的投影公式如下：

(5)

式中：(x,y)表示圖像塊像素點的坐標(biāo)，x,y=0,1,…,N-1(通常N為2的整數(shù)次冪，N=2n);H(u,v)表示沃爾什哈達(dá)瑪變換值.

圖1 沃爾什哈達(dá)瑪變換核Fig.1 Walsh Hadamard Transform kernels

2 局部二值模式

LBP是一種描述圖像局部紋理特征的算子，同時也是一種有效的統(tǒng)計算子，廣泛地應(yīng)用在人臉識別上[14].原始LBP算子定義在大小為3×3的矩形窗口內(nèi)，以窗口中心像素灰度值為閾值，將鄰域8個像素灰度值與中心像素灰度值進(jìn)行比較，若鄰域像素灰度值大于或等于中心像素灰度值，該鄰域像素點標(biāo)記為1，否則標(biāo)記為0，經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)(通常轉(zhuǎn)換為十進(jìn)制數(shù)，共有256種模式)，即為該窗口中心像素點的LBP值，如圖2所示.

圖2 原始LBP算子Fig.2 Original local binary pattern operator

原始LBP算子編碼形式如下：

(6)

(7)

式中：tc為中心像素灰度值;ti為鄰域像素灰度值;P為鄰域像素點數(shù);R為鄰域半徑;q(·)為閾值函數(shù).

隨著對LBP研究的不斷加深，區(qū)域由原來的矩形區(qū)域變?yōu)閳A形區(qū)域，固定半徑變?yōu)榭勺儼霃?，如圖3所示，相繼出現(xiàn)了均勻模式和旋轉(zhuǎn)不變LBP[15].旋轉(zhuǎn)不變LBP模式種類減少至P+2種，編碼公式如下：

圖3 幾種LBP算子Fig.3 Several local binary pattern operators

U(LBPP,R)=‖q(tP-1-tc)-q(t0-tc)‖+

(8)

(9)

式中：U表示0,1跳變次數(shù);riu2表示0,1跳變次數(shù)不超過2次的旋轉(zhuǎn)不變LBP.利用旋轉(zhuǎn)不變LBP編碼大小為M1×M2圖像的每一個像素點，即可得到旋轉(zhuǎn)不變LBP圖，通常用旋轉(zhuǎn)不變LBP圖的統(tǒng)計直方圖表示圖像的紋理信息和統(tǒng)計信息，定義如下：

(10)

(11)

(12)

式中：k∈[0,K]表示旋轉(zhuǎn)不變LBP的不同編碼模式;K表示旋轉(zhuǎn)不變LBP的不同編碼模式總數(shù).

3 特征提取

特征提取是圖像質(zhì)量評價算法的關(guān)鍵部分，決定圖像質(zhì)量評價算法的好壞，本文提出了一種應(yīng)用LWHT進(jìn)行特征提取的方法，實現(xiàn)了較好的性能.

圖像的WHT具有多種有用的性質(zhì)：

1)零列率項測量圖像的亮度信息.

(13)

2)空域能量和沃爾什哈達(dá)瑪變換域能量守恒.

(14)

3)能量壓縮特性.圖像經(jīng)WHT后，大部分的能量被壓縮到少數(shù)幾個沃爾什哈達(dá)瑪變換值中，這幾個沃爾什哈達(dá)瑪變換值相對于其它的沃爾什哈達(dá)瑪變換值具有更重要的意義.

圖像變換可以分離出圖像的不同頻率成份[16]，圖像的低頻成份對應(yīng)圖像的亮度特征，而圖像的高頻成份對應(yīng)圖像的邊緣特征；由第一條變換性質(zhì)可知，零列率項測量圖像的亮度信息，所以可以從零列率項的統(tǒng)計特性中獲得圖像的亮度特征；由空域和沃爾什哈達(dá)瑪變換域能量守恒可以得出，圖像變換前后能量不變.圖像經(jīng)WHT變換后分成零列率項和非零列率項，零列率項對應(yīng)于圖像的低頻成份，所以非零列率項對應(yīng)于圖像的高頻成份.對于不同失真程度的圖像，低頻成份和高頻成份衰減程度不同，對應(yīng)低頻成份的零列率項和對應(yīng)高頻成份的非零列率項的統(tǒng)計特性自然也不同.本文通過利用這些WHT性質(zhì)進(jìn)行特征提取，同時通過實驗證明了算法采用四階WHT性能最好，在實驗結(jié)果部分進(jìn)行了驗證.

根據(jù)LWHT的定義可知，一幅圖像經(jīng)四階WHT后將得到16幅局部沃爾什哈達(dá)瑪變換圖，其中一幅為零列率項，另外15幅為非零列率項.圖4給出了一幅圖像的16幅局部沃爾什哈達(dá)瑪變換圖.

圖4 局部沃爾什哈達(dá)瑪變換圖Fig.4 Local Walsh Hadamard Transform maps

從圖4中可以發(fā)現(xiàn)，零列率項(左上角第1幅圖)保留了圖像的亮度信息，非零列率項保留了圖像的邊緣信息.由于圖像灰度值分布越均勻，圖像經(jīng)WHT后，能量越集中在沃爾什哈達(dá)瑪投影矩陣的邊角上，而且任意兩個非零列率項都足以表達(dá)圖像的高頻特性，所以本文為了降低冗余并沒有在所有的局部沃爾什哈達(dá)瑪變換圖上進(jìn)行特征提取，而是選擇在唯一的零列率項和兩個非零列率項上進(jìn)行特征提取.從圖像在w5=g(x,y,1,0)和w6=g(x,y,1,1)兩個沃爾什哈達(dá)瑪變換非零列率核上的投影中提取圖像邊緣信息，在w1=g(x,y,0,0)沃爾什哈達(dá)瑪變換零列率核上的投影中提取圖像的亮度信息.

(15)

-1,-1,-1,-1]

(16)

1,1;-1,-1,1,1]

(17)

對于一幅給定的大小為M1×M2的彩色圖像，首先將其轉(zhuǎn)換為灰度圖像，然后計算灰度圖像的四階WHT.設(shè)Zm={z1m,z2m,z3m}，m=1,2,…,M1×M2表示第m個大小為4×4的圖像塊Bm在w1，w5，w63個WHTK上的沃爾什哈達(dá)瑪變換值，計算公式如下：

(18)

(19)

(20)

式中：·*表示卷積.圖5列舉了1幅圖像利用本算法提取的3幅特征圖，其中第1幅特征圖是零列率項，第2幅和第3幅特征圖是非零列率項.

圖5 3幅局部沃爾什哈達(dá)瑪變換圖Fig.5 Three local Walsh Hadamard Transform maps

由于人類視覺系統(tǒng)具有多尺度分解的特點，圖像的不同尺度對算法性能有影響，本文利用因子為2的下采樣實現(xiàn)了多尺度[17]，通過實驗證明算法采用三尺度時性能最好.又由于從零列率項和非零列率項的統(tǒng)計特性中分別可以提取圖像的亮度信息和邊緣信息，而旋轉(zhuǎn)不變LBP算子是一種有效的統(tǒng)計算子，所以本文在3個尺度上分別對零列率項和非零列率項應(yīng)用R=1，P=8的旋轉(zhuǎn)不變LBP算子進(jìn)行圖像特征提取.本文提出的算法的總體實現(xiàn)框圖如圖6所示.

圖6 算法流程圖Fig.6 Flow chart of the proposed method

4 實驗結(jié)果及性能分析

4.1 數(shù)據(jù)庫和評價指標(biāo)介紹

目前，主要的混合失真數(shù)據(jù)庫有MLIVE[18]和MDID2013[5]兩種.MLIVE數(shù)據(jù)庫包含兩個子集，每個子集包含15幅參考圖像及其相應(yīng)的225幅不同程度的失真圖像；MDID2013數(shù)據(jù)庫包含12幅參考圖像及其相應(yīng)的324幅不同程度的失真圖像.數(shù)據(jù)庫具體信息見表1.

表1 數(shù)據(jù)庫信息Tab.1 Database information

國際上常用的衡量客觀圖像質(zhì)量評價算法性能的指標(biāo)有：斯皮爾曼排序相關(guān)系數(shù)(Spearman rank-order correlation coefficient,SRCC)、皮爾森線性相關(guān)系數(shù)(Pearson linear correlation coefficient,PLCC)和均方根誤差(root-mean-squared error,RMSE).PLCC和RMSE指標(biāo)衡量客觀算法的預(yù)測準(zhǔn)確性，SRCC指標(biāo)衡量客觀算法的預(yù)測單調(diào)性.PLCC和SRCC的值越接近1，RMSE的值越小，說明算法性能越好，圖像客觀預(yù)測質(zhì)量分?jǐn)?shù)與主觀質(zhì)量分?jǐn)?shù)相關(guān)性越高.為了減少非線性因素對算法性能的影響，本文在計算PLCC和RMSE時采用5參數(shù)的Logistic函數(shù)[19]對主、客觀評價分?jǐn)?shù)進(jìn)行非線性回歸，Logistic函數(shù)公式如下：

Q(x)=u1logistic(u2,(x-u3))+u4x+u5

(21)

(22)

式中：ui，i=1,2,…,5表示擬合參數(shù).

4.2 模型建立

本文分別基于兩個混合失真數(shù)據(jù)庫，利用SVR網(wǎng)絡(luò)構(gòu)建無參考圖像質(zhì)量評價模型，測試了所提算法的性能，主要借助臺灣大學(xué)林智仁博士等開發(fā)設(shè)計的LIBSVM工具包.無參考圖像質(zhì)量評價模型采用ε-SVR回歸支持向量機，核函數(shù)采用徑向基函數(shù)，具體模型建立和算法測試步驟如下：

1)隨機選取每個數(shù)據(jù)庫中80%的圖像作為訓(xùn)練集，其余20%的圖像作為測試集.

2)利用SVR網(wǎng)絡(luò)對訓(xùn)練集圖像的特征及其對應(yīng)的主觀質(zhì)量分?jǐn)?shù)進(jìn)行訓(xùn)練，獲得特征到主觀質(zhì)量分?jǐn)?shù)的映射關(guān)系模型；再利用得到的關(guān)系模型對測試集圖像的質(zhì)量進(jìn)行預(yù)測.計算預(yù)測客觀質(zhì)量分?jǐn)?shù)與主觀質(zhì)量分?jǐn)?shù)的SRCC，PLCC和RMSE的值.

3)重復(fù)1),2)過程1 000次，取1 000次測試得到的SRCC,PLCC和RMSE值的中值作為最終的性能，用于算法性能比較.

4.3 算法性能比較和分析

本文通過性能比較，驗證提出算法的有效性.表2給出了本文提出的算法與一些優(yōu)秀的全參考圖像質(zhì)量評價(full-reference image quality assessment,FR-IQA)算法和無參考圖像質(zhì)量評價(no-reference image quality assessment,NR-IQA)算法的性能比較結(jié)果.FR-IQA算法包括PSNR，SSIM[3]，VSNR[20]，VIF[21]，F(xiàn)SIM[22]，GMSD[23]；NR-IQA算法包括BRISQUE[24]，NIQE[25]，IL-NIQE[26]，F(xiàn)ISBLIM[5]，SISBLIM[6].為了方便觀看，表2中用黑體字表示性能最高的一個算法.

從表2中可以看出：1)本文提出的算法在MLIVE數(shù)據(jù)庫和MDID2013數(shù)據(jù)庫上都具有很好的主客觀一致性和很高的準(zhǔn)確性，與其它算法相比性能最優(yōu)，能夠滿足混合失真圖像質(zhì)量評價的需求；2)在所有FR-IQA算法中VIF算法性能最優(yōu)，VIF算法通過探索圖像信息量與視覺質(zhì)量之間的關(guān)系，計算失真圖像相對于無失真參考圖像信息丟失的程度，評價失真圖像的質(zhì)量，取得了較好的性能.但在很多實際應(yīng)用場合下，我們無法得到原始參考圖像的任何信息，F(xiàn)R-IQA算法的應(yīng)用有著明顯的局限性；3)所有算法在MLIVE數(shù)據(jù)庫上的性能都優(yōu)于在MDID2013數(shù)據(jù)庫上的性能，因為MLIVE數(shù)據(jù)庫圖片只是2種失真類型的混合，而MDID2013數(shù)據(jù)庫圖片是3種失真類型的混合，失真形式更復(fù)雜，給客觀圖像質(zhì)量評價算法帶來更多的困難和挑戰(zhàn).

表2 算法性能比較Tab.2 Performance comparison of algorithms

從性能比較中可以看出，本文提出的算法在圖像質(zhì)量評價中獲得了非常好的性能.因為圖像經(jīng)DCT變換和量化后高頻成份衰減，損失了圖像的部分細(xì)節(jié)信息，應(yīng)用DCT變換和量化原理的JPEG失真圖像在沃爾什哈達(dá)瑪變換域投影得到的局部沃爾什哈達(dá)瑪變換圖會相應(yīng)地出現(xiàn)模糊和塊失真，圖像邊緣不均勻擴(kuò)展；圖像經(jīng)WN失真后，出現(xiàn)噪聲點，高頻成份增加，WN失真圖像在沃爾什哈達(dá)瑪變換域投影得到的局部沃爾什哈達(dá)瑪變換圖高頻成份相應(yīng)地增加；圖像經(jīng)Gblur失真后，圖像模糊，高頻成份衰減，部分細(xì)節(jié)信息丟失，Gblur失真圖像在沃爾什哈達(dá)瑪變換域投影得到的局部沃爾什哈達(dá)瑪變換圖高頻成份相應(yīng)地丟失，出現(xiàn)模糊效應(yīng)，圖像邊緣擴(kuò)展，且邊緣擴(kuò)展均勻.盡管JPEG，WN，Gblur這3種失真類型的失真原理不同，但是都引起了圖像低頻、高頻成份的相應(yīng)變化.因此，通過分析低頻、高頻成份的統(tǒng)計特性能夠很好地反映圖像的失真情況.MLIVE數(shù)據(jù)庫和MDID2013數(shù)據(jù)庫圖片是JPEG，WN和Gblur這3種失真的不同組合，組合失真對圖像的低頻成份和高頻成份產(chǎn)生的影響不同，在沃爾什哈達(dá)瑪變換域的表現(xiàn)方式不同，變換域的局部沃爾什哈達(dá)瑪變換圖的統(tǒng)計特性自然也不同.局部沃爾什哈達(dá)瑪變換圖的零列率項和非零列率項分別對應(yīng)圖像的低頻成份和高頻成份，本文通過分析零列率項和非零列率項的旋轉(zhuǎn)不變LBP統(tǒng)計特征表征圖像的失真程度.與前人算法不同的是，本算法不需要關(guān)于圖像失真類型的先驗信息，僅僅通過分析圖像低頻成份和高頻成份的統(tǒng)計信息，實現(xiàn)了混合失真圖像的質(zhì)量評價，因此其更具備優(yōu)勢，同時實驗結(jié)果也表明本文提出的算法可以很好地區(qū)分不同程度的失真，得到了很好的性能.

4.4 參數(shù)影響分析

LWHT的階數(shù)和圖像的尺度影響算法的性能，本文分別探究了LWHT階數(shù)(以三尺度為例)和多尺度(以四階WHT為例)對算法性能的影響.實驗結(jié)果見表3和表4.

綜合分析表3和表4，本算法在選取不同階和不同尺度情況下都具備優(yōu)越的實驗性能.從表3中可以發(fā)現(xiàn)，算法采用四階和八階WHT(以三尺度為例)時性能較好；從表4中可以發(fā)現(xiàn)，算法采用三尺度(以四階WHT為例)時性能最好，所以本文綜合考慮，算法采用了四階WHT和三尺度進(jìn)行的圖像特征提取.

表3 不同階算法性能比較Tab.3 Performance comparison of different order algorithms

表4 不同尺度算法性能比較Tab.4 Performance comparison of different scale algorithms

5 結(jié) 論

本文提出了一種針對混合失真類型的無參考圖像質(zhì)量評價方法.通過利用圖像在3個WHTK上的投影，得到局部沃爾什哈達(dá)瑪變換圖，同時采用多尺度的方法在局部沃爾什哈達(dá)瑪變換圖上進(jìn)行圖像的特征提取.將特征輸入到SVR網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練模型，實現(xiàn)特征到質(zhì)量分?jǐn)?shù)的映射.本文提出的算法具有很好的主客觀評價一致性，性能優(yōu)于現(xiàn)有較優(yōu)秀的FR-IQA算法和NR-IQA算法.未來進(jìn)一步拓展本算法至視頻領(lǐng)域，以滿足視頻質(zhì)量評價的需求；同時，應(yīng)用本算法對傳輸系統(tǒng)的圖像質(zhì)量評價也將有助于傳輸系統(tǒng)的優(yōu)化.

[1] WU H R,REIBMAN A R,LIN W,etal.Perceptual visual signal compression and transmission[J].Proceedings of the IEEE,2013,101(9):2025-2043.

[2] GU K,ZHAI G,LIN W,etal.The analysis of image contrast:from quality assessment to automatic enhancement[J].IEEE Transactions on Cybernetics,2016,46(1):284-297.

[3] WANG Z,BOVIK A C,SHEIKH H R,etal.Image quality assessment:from error visibility to structural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.

[4] LI L,LIN W,WANG X,etal.No-reference image blur assessment based on discrete orthogonal moments[J].IEEE Transactions on Cybernetics,2016,46(1):39-50.

[5] GU K,ZHAI G,LIU M,etal.FISBLIM:a fIve-step BLInd metric for quality assessment of multiply distorted images[C]//SiPS 2013 Proceedings.Taipei City,2013:241-246.

[6] GU K,ZHAI G,YANG X,etal.Hybrid no-reference quality metric for singly and multiply distorted images[J].IEEE Transactions on Broadcasting,2014,60(3):555-567.

[7] LI C,ZHANG Y,WU X,etal.Blind multiply distorted image quality assessment using relevant perceptual features[C]//Image Processing (ICIP),2015 IEEE International Conference on.Quebec City,QC,2015:4883-4886.

[8] LU Y,XIE F,LIU T,etal.No reference quality assessment for multiply-distorted images based on an improved bag-of-words model[J].IEEE Signal Processing Letters,2015,22(10):1811-1815.

[9] CHANDLER D M.Seven challenges in image quality assessment:past,present,and future research[J].Isrn Signal Processing,2014,2013(8):1-53.

[10]李樹濤,孫鳳梅.基于Curvelet和小波變換的紋理圖像識別[J].湖南大學(xué)學(xué)報:自然科學(xué)版,2008,35(4):51-54.

LI Shutao,SUN Fengmei.Texture recognition based on curvelet and wavelet transformation[J].Journal of Hunan University:Natural Sciences,2008,35(4):51-54.(In Chinese).

[11]周四望,羅孟儒.順序小波包圖像壓縮感知方法[J].湖南大學(xué)學(xué)報:自然科學(xué)版,2015,42(4):130-135.

ZHOU Siwang,LUO Mengru.Sequential image compressed sensing based on wavelet packet[J].Journal of Hunan University:Natural Sciences,2015,42(4):130-135.(In Chinese).

[12]LAKSHMI P G,DOMNIC S.Walsh-Hadamard transform kernel-based feature vector for shot boundary detection[J].IEEE Transactions on Image Processing,2014,23(12):5187-5197.

[13]UZUN-PER M,GOKMEN M.Face recognition with a novel image representation:local walsh-hadamard transform[C]//Visual Information Processing (EUVIP),2014 5th European Workshop on.Paris,2014:1-6.

[14]MENG J,GAO Y,WANG X,etal.Face recognition based on local binary patterns with threshold[C]//Granular Computing (GrC),2010 IEEE International Conference on.San Jose,CA,2010:352-356.

[15]ZHANG M,XIE J,ZHOU X,etal.No reference image quality assessment based on local binary pattern statistics[C]//Visual Communications and Image Processing (VCIP).Kuching,2013:1-6.

[16]SALOMON D.Data compression:the complete reference [M].4th ed.New York,USA:Springer-Verlag,2007:289-294.

[17]SAAD M A,BOVIK A C,CHARRIER C.Blind image quality assessment:a natural scene statistics approach in the DCT domain[J].IEEE Transactions on Image Processing,2012,21(8):3339-3352.

[18]JAYARAMAN D,MITTAL A,MOORTHY A K,etal.Objective quality assessment of multiply distorted images[C]//2012 Conference Record of the Forty Sixth Asilomar Conference on Signals,Systems and Computers (ASILOMAR).Pacific Grove,CA,2012:1693-1697.

[19]SHEIKH H R,SABIR M F,BOVIK A C.A statistical evaluation of recent full reference image quality assessment algorithms[J].IEEE Transactions on Image Processing,2006,15(11):3440-3451.

[20]CHANDLER D M,HEMAMI S S.VSNR:a wavelet-based visual signal-to-noise ratio for natural images[J].IEEE Transactions on Image Processing,2007,16(9):2284-2298.

[21]SHEIKH H R,BOVIK A C.Image information and visual quality[J].IEEE Transactions on Image Processing,2006,15(2):430-444.

[22]ZHANG L,ZHANG L,MOU X,etal.FSIM:a feature similarity index for image quality assessment[J].IEEE Transactions on Image Processing,2011,20(8):2378-2386.

[23]XUE W,ZHANG L,MOU X,etal.Gradient magnitude similarity deviation:a highly efficient perceptual image quality index[J].IEEE Transactions on Image Processing,2014,23(2):684-695.

[24]MITTAL A,MOORTHY A K,BOVIK A C.No-reference image quality assessment in the spatial domain[J].IEEE Transactions on Image Processing,2012,21(12):4695-4708.

[25]MITTAL A,SOUNDARARAJAN R,BOVIK A C.Making a “Completely Blind” image quality analyzer[J].IEEE Signal Processing Letters,2013,20(3):209-212.

[26]ZHANG L,ZHANG L,BOVIK A C.A feature-enriched completely blind image quality evaluator[J].IEEE Transactions on Image Processing,2015,24(8):2579-2591.

No-reference Image Quality Assessment on Walsh Hadamard Transform Domain

HOU Chunping，LIU Yue，YUE Guanghui?，F(xiàn)ENG Dandan，MA Tongtong

(School of Electrical and Information Engineering，Tianjin University，Tianjin 300072，China)

Generally speaking，distortion will change the statistical characteristics of low frequency and high frequency components of images.With this consideration，a novel no-reference image quality assessment algorithm was proposed to the predict the perceived quality of multiply-distorted images.First，the images were transformed into local Walsh Hadamard Transform maps by local Walsh Hadamard Transform.Then，the features (i.e.,rotation invariant local binary pattern features of zero sequency term and non-zero sequency term) were extracted on local Walsh Hadamard Transform maps to reflect low frequency and high frequency components of images.Finally，the extracted features were trained using support vector regression to form the model，which implemented mapping from the feature space to the quality scores.Comprehensive evaluations were conducted on two multiply-distorted databases (MLIVE database and MDID2013 database)，and experimental results show that the proposed method consists well with human subjective perception.Besides，the performance of algorithm is statistically superior to the existence of better full-reference image quality assessment and non-reference image quality assessment algorithms.

image quality assessment (IQA)；no-reference (NR)；local Walsh Hadamard Transform (LWHT)；local binary pattern (LBP)；support vector regression (SVR)

1674-2474(2017)08-0137-08

10.16339/j.cnki.hdxbzkb.2017.08.021

2016-09-18

重點國際(地區(qū))合作研究資助項目(61520106002)，International (Regional) Cooperation and Exchange Program(61520106002)；國家自然科學(xué)基金資助項目(61471262)，National Natural Science Foundation of China(61471262)；教育部博士點基金資助項目(20130032110010)，Doctoral Fund of Ministry of Education of China(20130032110010)

侯春萍(1957-)，女，天津人，天津大學(xué)博士生導(dǎo)師，教授

?通訊聯(lián)系人，E-mail:yueguanghui@tju.edu.cn

TP391

A