下载掌阅APP，畅读海量书库
立即打开
根据文献[25]介绍，一个好的图像清晰度评价算法必须满足下列准则：
（1）预测的单调性。当图像渐变模糊或清晰时，图像清晰度评分值也应该呈现相应的单增或单减性。
（2）预测的一致性。一个好的指标应该在不考虑特定图像内容的情况下也能表现良好。一般一个新的评价方法在研究时总是针对一组固定的数据集来验证，在这组数据集中表现良好，但是应用到其他不同的数据集时就无法正确判定图像的清晰度。
（3）预测的精确性。这是指正确评价图像质量的能力，一般可通过与对应该指标主观评价的MOS分值进行对比确定。图像的MOS值是主观评价中观察者给出的图像清晰度指标。获取的方法是选取一群独立的人类个体作为观测者，他们分别给出5个等级的图像清晰度结果，取值范围是0到100，每幅图像的平均值就是该图像的MOS（Mean Opinion Score）值。
实验数据集：6幅512×512不同模糊程度的House图片，其中一幅原始图片，5幅使用高斯滤波处理的图片，模板窗口大小是7×7，图（a）～图（f）的标准差分别是0.4、0.8、1.2、1.6、2.0。实验目的是为了验证算法评价清晰度随图像清晰或模糊而单调递增或递减。实验结果如图2.7所示。由图2.7可知，当图像渐变模糊时，图像的清晰度度量值随着图像模糊度增加单调递减，即表示基于代数多重网格的图像清晰度评价方法满足单调性的准则。
图2.6 House不同程度模糊图
图2.6 House不同程度模糊图（续）
图2.7 6幅不同清晰程度的House图像对应的清晰度评价值
为了说明算法对图像内容的无关性，将尺寸为512×512的lena图像分成4个尺寸相同的区域，4个图像块使用高斯滤波处理。实验在该数据集上做三组不同的处理。
（1）首先，对切割的4个图像块按从上到下、从左到右的顺序，即如图2.8中（a）～（d）做高斯滤波处理，模板窗口大小是7×7，标准差分别是1、2.5、4、5.5，其结果如表2.2所示，可知图像清晰度值与图像内容无关，与图像模糊程度表达一致。
图2.8 lena图像高斯模糊图
表2.2 分割区域高斯模糊后清晰度评价值
（2）为了进一步表现本节算法与图像内容无关，先用本节算法对4个清晰的图像块计算得到表征4个图像块的清晰度值，如表2.3所示，按照清晰度值从大到小的顺序加一个逆序的高斯滤波标准差。如最清晰的图2.8（a）块加最大的模糊（5.5），清晰度评价值最小的图2.8（d）加最小的模糊（1）。模板窗口大小是7×7，处理后的图像组如图2.9所示，处理后的图像组清晰度值如表2.4所示，表2.4的结果说明了图像清晰度指标只与高斯模糊标准差有关，而与图像内容无关。
表2.3 分割区域的图像清晰度值
表2.4 分割区域高斯模糊后清晰度值
图2.9 lena图像高斯模糊图
（3）表2.4中（a）和（c）计算结果相近，互换两幅图像的高斯模糊标准差，处理后的图像结果如图2.10所示，重新计算得到新的结果如表2.5所示，表2.4中（a）、（c）互换标准差后，清晰度值的大小顺序也有所改变，说明图像清晰度值与图像内容无关。
图2.10 lena图像高斯模糊图
表2.5 分割区域高斯模糊后清晰度值
由以上三组实验可知，本节算法表征图像清晰度与图像内容无关，满足一致性的准则。
为了测试算法结果是否与主观感知一致，本节采用LIVE [26] 提供的图像质量评价数据库中14幅原始图像，每幅图像有6个随机高斯模糊图像，数据库给出每幅图像的主观评价分值（MOS）。分别用6种算法计算这84幅图的清晰度值，这6种算法是CPBD、JNBM、SMD、信息熵、方差法和本节提出的算法，根据VQEG提出的客观模型评价准则 [27] ，选用五个参数来比较算法的性能：Person相关系数（精确性）、Spearman秩相关系数（单调性）、均方误差（RMSE）、平均绝对误差（mean absolute prediction error，MAE）和离出率（outlier ratio，OR）。其中，前两个参数值越大越好，后三个参数值越小越好。图2.11给出了6种算法计算的清晰度值和MOS值的比较，由图2.11可以看出，本节提出的算法与MOS值最为相近。表2.6是6种算法性能比较。
图2.11 各算法计算值与MOS值的比较
图2.11中红色表示MOS值，（a）～（f）分别表示6种算法的清晰度计算结果和MOS值的比较，从图2.11中可以看出本节提出的算法的结果与MOS值关联最大。
表2.6 各区域的图像清晰度值
从表2.6可以看出，在上述5个指标中，本节提出的算法优于JNBM和SMD等算法，但本节算法在RMSE指标上不如CPBD算法，主要因为本节提出的算法表征清晰度的值变化范围较大。但是本节提出的算法较CPBD具有更高的精确性和更好的单调性，总体上优于CPBD。