7、图像质量评估的特征量化、映射策略与统计评估方法

图像质量评估的特征量化、映射策略与统计评估方法

1. 映射策略概述

现代图像质量评估（IQA）方法大多使用多个质量感知特征来描述图像质量，会生成多个指标，最终质量得分是这些指标的综合。假设存在 (n) 个指标 ({x_1, x_2, \ldots, x_n})，最终质量得分 (q) 通过回归函数 (f) 计算得出：
[q = f(x_1, x_2, \ldots, x_n) = f(x)]
其中 (x) 是包含 (n) 个指标的指标向量。使用向量和矩阵形式与使用数字形式效果相同，但能借助线性代数更清晰地阐释问题，便于理解。

寻找回归函数 (f) 属于机器学习领域的问题，有多种可行解决方案，如线性回归（LR）、k - 近邻（kNN）、支持向量回归（SVR）和神经网络（NN）。这些方法不仅在 IQA 中广泛应用，在其他许多领域也常被用于解决回归问题。训练时的输出 (q) 代表图像的主观得分，通过得到的 (f) 可以计算出客观得分 (q’)。

在使用这些方法之前，首先要进行特征归一化。由于特征通过多种方式获取，指标的尺度可能差异很大。机器学习的数据预处理通常将值归一化到 ([-1, 1]) 或 ([0, 1]) 范围。归一化策略多样，但结果相近，这里不做深入探讨。若有 (m) 张图像用于训练 (f)，每个指标向量 (v) 的长度为 (m)，一种简单的将 (v) 归一化到 ([0, 1]) 的方法是：
[v_i = \frac{v_i - \min(v)}{\max(v) - \min(v)}]
其中 (v_i) 是 (v) 的元素。

2. 线性回归（LR）

LR 是最简单的回归模型之一。若采用 LR，(