基于机器学习的图像质量评价算法

1、BRISQUE算法

https://blog.csdn.net/watermelon1123/article/details/79262078

《No-Reference Image Quality Assessment in the Spatial Domain》

BRISQUE的意思是Blind/Referenceless Image Spatial QUality Evaluator，一种无参考的空间域图像质量评估算法。算法总体原理就是从图像中提取mean subtracted contrast normalized (MSCN) coefficients，将MSCN系数拟合成asymmetric generalized Gaussian distribution(AGGD)非对称性广义高斯分布，提取拟合的高斯分布的特征，输入到支持向量机SVM中做回归，从而得到图像质量的评估结果。

去均值对比度归一化-MSCN

MSCN系数：https://www.cnblogs.com/libai123456/p/10727105.html 

BRISQUE在计算的时候选取了4个方向分别计算MSCN系数。类似提取纹理。

广义高斯分布GGD：数据的特殊分布会产生左倾斜和右倾斜的现象。在图像质量评估中，因为各种distortion的影响，都会导致GGD分布的变形。

 

2、一种基于神经网络学习融合的全参考图像质量客观评价方法

一种全参考图像质量客观评价方法，包括以下步骤：将BP神经网络用于图像质量评价，通过设计视觉多通道多算法自适应融合的BP神经网络图像质量预测模型，将失真图像基于各种客观评价算法的视觉多通道评价结果输入BP神经网络，以人眼主观测试结果分值作为训练目标，对BP神经网络进行有监督的学习训练，然后预测输出各种客观评价算法的客观评价结果，并将各种算法的客观评价结果进行自适应融合，获得失真图像质量的最终客观评价。本发明方法全面提高了PSNR、SSIM和SVD评价方法的各项指标水平，超过了最近的视觉特征感知处理与视觉心理推导融合类评价方法，且具有更好的评价稳定性。

 http://www.vipzhuanli.com/pat/books/201810240606.0/2.html?page=1

 

 

相关：一种基于去均值归一化约束的图像复原算法

https://www.docin.com/p-1601742986.html

而在处理病态问题的方法当 中，正则化方法则是主要方法之一。图像复原领域经过几十年的研究与发展，已 经形成了许多成熟的正则化复原方法。这些方法多选取图像本身特性，如变换域的稀疏性等作为正则化先验，利用这些先验知识构造正则化项引入复原模型进行数值求解。而正则化项的构造就决定了图像的最终复原效果。 然而在传统图像复原模型中，由于所选先验与人眼视觉特性相关性有限，可能在复原过程中引入复原伪像，如在图像边缘处产生振铃等，并可能造成图像原有噪声的放大，在此情况下复原结果虽然是迭代数值求解的最优解，但实际视觉 效果欠佳。因此需要引入一种与人眼视觉特性相关性较强，且能够表征图像质量 的指标作为正则化约束，从而改善复原图像视觉效果，抑制伪像的产生及噪声的 放大。 [8] 研究中发现，去均值归一化系数 （Mean Subtracted Contrast Normalized coefficient ，MSCN ）可以用于描述图像特性，并且研究表明该系数与人眼视觉特 性有较强相关性。因此本课题将 MSCN 作为正则化约束引入传统正则化图像复 原算法，建立新的图像复原模型，提高复原图像的视觉效果，以使复原图像更贴合人眼视觉习惯。

 

 

 

【其他】

http://www.eope.net/article/2018/2018-4-916.htm 颜色空间统计联合纹理特征的无参考图像质量评价