◇科技之窗◇ 科技一向导 ２０１５年１４期 基于ＤＣＴ变换的图像模糊度估计算法 聂爱玲 （石家庄信息工程职业学院河北石家庄０５００３５） 【摘要】本文提出了一种新的无参考的图像质量评价方法，主要对高斯模糊的图像进行质量评价，利用ＤＣＴ系数变换指标作为评价标 准。通过对图像数据库中的高斯模糊图像与原始的无失真图像的ＤＣＴ系数的对比来评价图像的清晰度，从而得出图像的质量好坏。并且利用 ＴＩＤ２００８标准图像数据库．进行实验。得到大量的实验数据，证明了本方法的总体效果较好。 【关键词】图像质量评价；无参考；图像余弦变换（ＤｃＴ） 无参考的图像质量评价方法是指在完全没有原始图像的参与下 对被测试图像来进行质量评价。大部分的无参考质量评价方法或者盲 评估都是基于失真类型的无参考图像质量评价方法，也就是说它们对 被测试对象进行评估时．仅仅只适用于某一种或几种类型的失真问题 （如块效应、模糊效应和振铃效应）。 这里我们就利用ＤＣＴ变换的方法对模糊图像进行质量评价。 经过ＤＣＴ变换后．一幅图像的能量基本上集中在右下角的高频 部分．高频部分体现了图像的纹理特征。所以图像模糊的原因也有可 能是因为图像细节的丢失．也就是因为图像的高频分量损失造成的。 所以．评价一幅图像的清晰与模糊程度．可以通过该图像的高频分量 来衡量。 皮尔逊相关系数（ＣＣ）Ｎ斯皮尔曼等级相关系数（ＳＲＯＣＣ）。 斯皮尔曼系数在第二章中．已经介绍，这里不再赘述，下面简单介 绍一下皮尔逊相关系数（Ｐｅａｒｓｏｎ Ｃｏｒｒｅｌａｔｉｏｎ Ｃｏｅｆｆｉｃｉｅｎｔ，ｃｃ）。皮尔逊相 关系数．也称为积差相关（或积矩相关）系数。 两个变量的皮尔逊相关系数的值介于１到一１之间。通常用Ｐ或 ｒ表示。假设有两个变量ｘ、Ｙ，那么两变量间的皮尔逊相关系数可通 过以下几种方法来计算： ∑ 一 一－ｊ ｐＸ，ｌｙ＝ （１－５） 图像模糊度的估计方法的核心主要就是提取图像的特征向量。在 基于ＤＣＴ变换的图像模糊度估计方法中，提取图像的特征向量是关键。 ＤＣＴ变换和图像模糊之间存在着—定的关系。因此，可以将图像进行ＤＣＴ 变换．用变换后的ＤＣＴ系数的规律来判定图像的模糊程度。也就是说，可 以把图像ＤＣＴ变换之后得到的ＤＣＴ系数作为模糊图像的特征向量。 下面就是提取这个特征向量方法： Ｑｕａｌｉｔｙ对应非线性回归后的客观质量值 Ｑｕａｌｉｔｙ＝１３ｌｌｏｇｉｓｔｉｃ啦２， 一Ｂ ３））邙４ｘ邙５ 非线性回归函数采用含的Ｌｏｇｉｓｔｉｃ函数： ｌｏｇｉｓｉｔ ｃ １１一 ０１－６ （１－７） 本文采用的是ＴＩＤ２００８标准图像数据库提供的高斯模糊图像质 （１）从ＴＩＤ２００８标准图像数据库中。选取一幅原始无失真图像记 量评价数据库进行仿真的实验．验证了上述算法的有效性和真实性。 为图像１ 然后再选取与之对应的高斯模糊的图像记为图像２。 第二章中已经对该数据库做了详细的介绍．这里选取２５幅无失真的 （２）对图像１和图像２进行ＤＣＴ变换．得到ＤＣＴ系数矩阵Ｃ： Ｃ１１ Ｃ１２ Ｃ２１ Ｃ２ｚ Ｃ１ Ｃ２ ： ｃ（ｉ，－，） ： ： １ Ｃ ２…ｃ （３）提取矩阵的对角线向量Ｊｓ： ｓ：（ｃ Ｃ２２，… ），ｒ＝ｍｉｎ （１－２） ０ ０ （４）将Ｊｓ转化为对角线矩阵 ： Ｃｌ１ ０ …原始图像和其对应的高斯模糊的１００幅图像进行实验 ＢＣ算法是一种定义在网格图上的用来最大化纠错编码的后验概 率的算法，主要用于卷积编码。这种算法以它的发明者的名字命名，分 别是Ｂａｈ１．Ｃｏｃｋｅ，Ｊｅｌｉｎｅｋ和Ｒａｖｉｖ。这个算法对于现在的迭代的纠错 编码来说是非常重要的．其中包括Ｔｕｒｂｏ码和低密度部分检错编码 ＪＮＢ算法是一种刚可见模糊算法．是针对模糊图像提出的一种算法。 以下用这两种算法与本文算法进行比较 几组评价指标的计算结果如表１－１所示： 表１—１在ＴＩＤ２００８数据库中不同评价方法性能比较 Ｍ０ＤＥＬ ＣＣ ＳＲＯＣＣ ＳＳ ， ０ Ｃ２２…ＢＣ算法 ＪＮＢ算法 ０．８５４７ ０．７１７１ ０．９２７２ ０．８ｌ５４ ０．７Ｏ４５ ０ ８９０７ ０ ０ …Ｃ， （１—３） 本文算法 假如说客观图像质量评价算法的性能检测指标ＣＣ和ＳＲＯＣＣ的 向量ｓ就是模糊图像的特征向量．可以用向量ｓ进行模糊图像的 值在０．９～１，这时就可以认为这种评价算法性比较好了。从表１－１中可 质量评价。为了更好的表述其特征．对向量ｓ取对数： 以看出与Ｂｃ算法和ＪＮＢ算法相比．本文中用到的算法得到的值是最 Ｓ ｄ ：ｌｎ（ｓ）＝（Ｉｎ（ＣＩ），１ｎ（Ｃ２ …，ｌｎ（Ｃ ）） １－４ ９～１，可见本文的算法性能优越。 ｓ 为特征向量，．ｓ为ＤＣＴ系数的对角线向量，Ｇ为对角线向量 接近于０．。 的第个系数 具体运算步骤如下： （１）将等待评价的图像进行ＤＣＴ变换。 （２）根据文中提到的特征向量的提取方法，提取它的特征向量 。 （３）建立特征向量与模糊图像之间的映射关系。这里具体用的是 支持向量机回归的模型来建立的 （４）用特征向量．ｓ 一进行支持向量回归训练学习，从而得到图像 质量预测模型 （５）根据图像质量预测模型．预测图像质量分值 该算法的实现过程如图１—１所示： Ｉ量分值Ｉ 图１—１算法实现框架图 如图１—２、１—３、１Ｉ４中纵坐标均表示图像的主观质量分值．横坐标 下面选择两种全参考图像质量评价方法来比较实验结果．分别是 表示图像的预测质量分值，每一个点表示一幅图像的（下转第２４７页） ２０５ ◇科技之窗◇ 科技一向导 ２０１５年ｌ４期 渡过程上的阶跃响应。图５是工作点｛１２，７．５１的阶跃响应（蓝线是真实 ２．２参数优化 权重函数中的待定参数需要用输入输出数据和调度变量估计，开 系统的，红线是仿真模型的）。 环实验收集的数据表示为： ＺＮ＝｛ｕ （ｔ），Ｌ，Ｕ （ｔ），ｙ（ｔ），Ｐ。（ｔ），Ｐ２（ｔ）） 其中．假设采样点的个数足够大。另外，也假设输入有足够高阶 持续的激励．并且线性无关。参数估计由最小化损失函数获得： Ｎ Ｎ Ｎ Ｉ２ ，（ｐ）＝ ｅ（ ）２：， ［，，（ ）一 （￡）］‘ ，Ｙ（¨－２． ．２ ．． （Ｐ，（ｔ），Ｐ （ ）ｙ （ｔ）） （１２） 其中ｅ（ｔ）是全局模型的输出误差。因为目标函数厂（８）和０的关系 是非线性的．用变步长高斯牛顿法进行参数优化。 ３．算法仿真 用一个风力发电机机理模型进行仿真研究。在仿真中，风速用风 速模型产生．桨距角的设定值加上ＧＢＮ信号，保证高阶的持续激励。 图２．３是从仿真系统中获得的输入输出数据。采样时间是０．５秒，数据 分为辨识和交叉验证两组，样本容量都为３４，０００。 图４交叉验证 图５阶跃响应 ４．结论 本文研究风力发电机的建模问题．针对其动态非线性特性．提出 双调度变量的ＬＰｖ辨识方法 该方法在不同工作点辨识多个局部线 性模型．用权重函数插值局部模型构成全局模型 其中局部模型的结 构为ＯＥ结构：权重函数用高斯函数 用一个风力发电机的机理仿真 模型验证所提方法．结果表明该方法能够适用于复杂的动态非线性系 统 本文接下来的工作是把所提方法应用于真实过程的建模并设计与 模型相适应的控制器。 【参考文献】 ［１］Ｅ．Ａ．Ｂｏｓｓａｎｙｉ，Ｗｉｎｄ ｔｕｒｂｉｎｅ ｃｏｎｔｒｏｌ ｆｏｒ ｌｏａｄ ｒｅｄｕｃｔｉｏｎ【Ｊ】．Ｗｉｎｄ Ｅｎｅｒｇｙ，２００３（６）： ２２９—２４４． ［２］Ｄ．Ｓａｈｅｂ—Ｋｏｕｓｓａ，Ｍ．Ｈａｄｄａｄｉ，Ｍ．Ｂｅｌｈａｍｅｌ，Ｍ．ｋｏｕｓｓａ，ａｎｄ ｓ．ｎｏｕｒｅｄｄｉｎｅ，Ｍｏｄｅｌｉｎｇ 图２实验输入测量值 图３实验输出测量值 ａｎｄ Ｓｉｍｕｌａｔｉｏｎ ｏｆ Ｗｉｎｄｇｅｎｅｒａｔｏｒ ｗｉｔｈ Ｆｉｘｅｄ Ｓｐｅｅｄ Ｗｉｎｄ Ｔｕｒｂｉｎｅ Ｕｎｄｅｒ Ｍａｔｌａｂ－ 用本文所提方法进行辨识．根据仿真系统的响应。线性模型的阶 ［３］Ｙ．Ｃ．Ｚｈｕ ａｎｄ Ｚ．Ｈ．Ｘｕ，Ａ ｍｅｔｈｏｄ ｏｆ ＬＰＶ ｍｏｄｅｌ ｉｄｅｎｔｉｉｆｃａｔｉｏｎ ｆｏｒ ｃｏｎｔｒｏｌ【ＪＪ．Ｉｎｔ． 次选择为１阶 用渐进辨识法辨识局部线性模型的参数１７１。调度变量 Ｆｅｄ．Ａｕｔｏｍ．Ｃｏｎｔｒｏｌ，２００８：６－１１． 分别为风速和桨距角．工作点选择为： ［４］Ｇ．Ｊｉ，Ｊ．Ｈｕａｎｇ，Ｋ．Ｚｈａｎｇ，Ｙ．Ｚｈｕ，Ｗ．Ｌｉｎ，Ｔ．Ｊｉ，Ｓ．Ｚｈｏｕ，ａｎｄＢ．Ｙａｏ，Ｉｄｅｎｔｉｉｆｃａｔｉｏ ｐ１．１＝６．ｐｌ２＝１０．ｐｌ３＝１４ ，，Ｓｉｍｕｌｉｎｋ叨．Ｅｎｅｒｇｙ Ｐｒｏｃｅｄｉａ，２０１２（１８）：７０１－７０８． ｎ ａｎｄ ｐｒｅｄｉｃｔｉｖｅ ｃｏｎｔｒｏ１ ｆｏｒ ａ ｃｉｒｃｕｌａｔｉｏｎ ｆｌｕｉｄｉｚｅｄ ｂｅｄ ｂｏｉｌｅｒ［Ｊ］．Ｋｎｏｗ１．一Ｂａｓｅｄ Ｓｙｓｔ．． ２０１３『４５）：６２—７５． ｐ２．１＝３，ｐ２２＝６，ｐ２３＝９ ，，（１３） Ｈｕａｎｇ，Ｇ．Ｊｉ，Ｙ．Ｚｈｕ，ａｎｄ Ｐ．ｖａｎ ｄｅｎ Ｂｏｓｃｈ，Ｉｄｅｎｔｉｉｆｃａｔｉｏｎ ｏｆ ｍｕｌｔｉ—ｍｏｄｅｌ ＬＰＶ 辨识得到模型后，用交叉验证的方法进行模型确认。把用于交叉 ［５］Ｊ．ｓ ｗｉｔｈ ｔｗｏ ｓｃｈｅｄｕｌｉｎｇ ｖａｒｉａｂｌｅｓ［Ｊ］．Ｊ．Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ，２０１２（２２）：１１９８－１２０８． 验证的数据通过ＬＰＶ模型获得仿真输出．与输出的测量值比较，结果 ｍｏｄｅｌ［６１Ａ．Ｊｕｎｙｅｎｔ－Ｆｅｒｒ６，０．Ｇｏｍｉｓ－Ｂｅｌｌｍｕｎｔ，Ａ．Ｓｕｍｐｅｒ，Ｍ．Ｓａｌａ，ａｎｄＭ．Ｍａｔａ，Ｍｏｄｅｌｉｎｇ ａｎｄ 如图４所示 ｃｏｎｔｒｏｌ ｏｆ ｔｈｅ ｄｏｕｂｌｙ ｆｅｄ ｉｎｄｕｃｔｉｏｎ ｇｅｎｅｒａｔｏｒ ｗｉｎｄ ｔｕｒｂｉｎｅ叨，Ｓｉｍｕ１．Ｍｏｄｅ１．Ｐｒａｃｔ． 计算输出误差率，ｅｒⅢｒ＝ ｙ，２０１０（１８）：１３６５－１３８１．１ １６８－１ １８２． × ００％，所提方法的误差 Ｔｈｅｏｒ『７］Ｙ．Ｚｈｕ．Ｍｕｌｔｉｖａｆｉａｂｌｅ ｐｒｏｃｅｓｓ ｉｄｅｎｔｉｉｆｃａｔｉｏｎ ｆｏｒ ＭＰＣ：ｔｈｅ ａｓｙｍｐｔｏｔｉｃ ｍｅｔｈｏｄ ａｎｄ ｔｓ ａｐｐｌｉｃａｔｉｏｎｓ『Ｊ１．Ｊ．Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ，１９９８（８）：１０１—１ １５． 率为８．０６％￣ｆｌ １０．１％。交叉验证可能还不足以确认模型，还需要测量过 ｉ（上接第２０５页）质量分值，理论上来说每—个点都应该分布在图中的曲线 ［１］Ｍｅｎｇ Ｃｈｅｎ，Ｇｅｏｒｇｅ Ｂａｉｌｅｙ．Ｉｍａｇｅ Ｑｕａｌｉｔｙ Ａｓｓｅｓｓｍｅｎｔ Ｕｓｉｎｇ Ｄａｔａ Ｈｉｄｉｎｇ ｆｏｒ Ｐｅｒｆｏｒｍａｎｃｅ Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｖｉｓｕａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ．Ｒｅｓｅａｒｃｈ Ｇｒｏｕｐ ｏｆ 上．但是在实际中．绝对是不可能的。所以在现实中可以这样认为，这些点 ｒｅｎｔ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｂｒｏａｄｂａｎｄ Ｓｅｒｖｉｃｅ Ａｓｓｕｒａｎｃｅ Ｄｉｖｉｓｉｏｎ Ｒｏｃｋｖｉｌｌｅ，ＭＤ 的分布离其曲线越近说明其算法越好．越准确 第一幅图为ＪＮＢ算法的分 Ｓｐｉ布图．第二幅为ＢＣ算法的分布图，第三幅为本文算法的分布图，根据上 ［２１Ｒ．Ｒｏｍ．Ｏｎ ｔｈｅ Ｃｅｐｓｔｒｕｍ ｏｆ Ｔｗｏ—Ｄｉｍｅｎｓｉｏｎａｌ Ｆｕｎｃｔｉｏｎｓ，ＩＥＥＥ Ｔｒａｎｓ．Ｉｎｆｏｒｍ． 图可看出．第三幅图中每个点基本都在曲线附近．这就说明了以上三种 Ｔｈｅｏｒｙ，１９７５，ＩＴ－２１：２１４￣２１７． 算法只有第三种算法和人的主观质量评价算法的结果最相近．也就是说 Ｊ ２０８５０，ＵＳＡ． ［３］谢小甫，周进，吴钦章．一种针对图像模糊的无参考质量评价指标［Ｊ］．计算机 ［４］袁万立，李朝锋结合ＨＶＳ及ＳＳＩＭ的无参考模糊图像评价方法．计算机工程 本文的算法与人的视觉特征最相符，有力地说明了该算法的优越陛。● 【参考文献】 工程与应用，２０ｌＯ，３Ｏ（４）：９２１～９２４． 与应用．２０１３．４９（１）：２１０～２１２． （上接第１１５页）是真正具有自愈功能的网络结构，因此也被称为自愈 必须要不断优化传输网络．提高网络可靠性与安全性．为人们未来通 环。自愈环主要分为通道倒换环与复用段倒换环、单向环与双向环、二 信构建大容量大带宽、高可靠性、高灵活性的传输网络。 纤环与四纤环。目前在ＳＤＨ中多数使用二纤单向复用段倒换环、四纤 双向复用段倒换环、二纤双向复用段倒换环以及二纤单向通道倒换环 【参考文献】 四中结构的环型网络 ［１］孙学康，张金菊．光纤通信技术（第三版）［Ｍ】．人民邮电出版社，２０１２，９，１２８— １３４． ５．结束语 社会在不断发展．人们对于通信的要求只会越来越高．传输网作 ［２］陆书恒基于宽带城域网的技术特点及传输网络优化探讨［Ｍ】．中国新技术新 为其他业务网的基础．在整个通信网络结构中具有极其重要的作用． 产品，２０１０（１９） ２４７
