paper：J. Imaging | Free Full-Text | No-Reference Image Quality Assessment with Global Statistical Features
code：GitHub - Skythianos/GSF-IQA
摘要：
引入的方法使用了一组新的质量感知特征，这些特征全局地描述了给定测试图像的统计特性，如扩展的局部分形维度分布特征、使用不同域扩展第一位数分布特征、比拉普拉斯特征、影像瞬息、各种各样的感知特征。
1提出的方法从训练图像中提取一组特征向量来训练机器学习模型，该模型在测试阶段用于将特征向量映射为感知质量分数。通过五个IQA基准数据库进行详细的参数研究，以找到最合适的回归。共132维特征提取，包括扩展的局部分形维度分布特征、使用不同域扩展第一位数分布特征（FDD）图、比拉普拉斯特征、影像瞬息、相对梯度方向的直方图方差(RO)、梯度幅度(RM)、相对梯度震级（GM）图、感知特征（色彩、清晰度、暗通道特征、对比度）。
1.1扩展局部分形维数分布特征向量通过将原始图像中的每个像素视为7×7矩形邻域的中心，创建图像的局部分形维数图，并从该邻域计算分形维数。由于盒计数法能够表示图像的复杂性，且易于实现，因此它被应用于确定图像面片的分形维数。在局部分形维数中，纹理的扭曲非常强烈。
虽然局部分形维数分布的归一化直方图能够描述自然场景的不规则性，但在归一化直方图上附加了以下静态信息来构造有效的特征向量：偏度、峰度、熵、中值、扩散和标准差。
偏度定义为：
峰度定义为：
熵定义为：
1.2扩展的第一位数分布特征向量Benford推测前导数字的分布=1，2，9具有概率质量函数。这些数据集遵循方程式为其前导数字定义的特定模式，据说满足本福德定律。指出，数字图像的亮度值不符合本福德定律。数字图像的离散余弦变换（DCT）系数与本福德定律有很好的匹配。在本研究中，除了小波变换域外，还从DCT系数[45]和奇异值中提取归一化FDD特征向量。
说明了KADID-10k数据库中关于该数据库中发现的五种不同失真级别的奇异值的平均FDD，可以观察到，实际FDD和Benford分布之间的偏差大致与失真程度成正比。1和2的相对频率也与图像失真程度大致成正比。
1.3比拉普拉斯特征从RGB颜色空间到YCBCRIS的直接转换如下：
通常，拉普拉斯滤波器由和为零的卷积核近似，本文使用了以下流行内核：
通过将图像与两个拉普拉斯核进行卷积，可以将图像转换为双拉普拉斯域，形式上可以写成：
如前所述，YCBCRCOLOR空间的通道用于获得双平面特征。这意味着Y、Cb和CR通道与相互独立的双板掩模进行卷积。因此，可以为每个颜色通道获得七个双平面贴图。随后，获取每个通道的直方图方差。
h(v)单位和的归一化直方图
可以看出，即使是适度的噪声也会显著扭曲双平面特征图的归一化直方图。这就是为什么双边特征图的直方图方差被用作质量感知特征的原因。
1.4影像瞬息许多IQA指标利用了数字图像的结构畸变与边缘退化之间的良好相关性，在本文中，我们建议使用数字图像的全局二值Sobel边缘映射，并确定八个中心矩（（0,2）、（0,3）、（1,1）、（2,1）、（1,2）、（2,0）、（2,1）、（3,0））作为质量感知特征。
Sobel运算符计算图像梯度的近似值。如果将I视为源图像，则Gx和Gy确定为：
Gx和Gy分别是水平和垂直导数近似值。可以获得梯度幅度近似值：
二元Sobel边缘映射是通过阈值化G均值的四倍作为截止阈值来确定的。最后，应用边缘细化技术去除边缘映射中的虚假点。数字图像i（x，y）的中心力矩定义为
二值图像质心的坐标，二值图像的质心是所有（x，y）坐标的算术平均值。可以证明，中心矩是平移不变的。
1.5梯度特征图像梯度大小和方向特征在FR-IQA和NR-IQA中都非常流行，因为它们是感知图像质量的强预测因素。在本研究中，我们将梯度幅度（GM）、相对梯度方向（RO）和相对梯度幅度（RM）的直方图方差纳入我们的模型中，以量化梯度的变化。
1.6感知特征颜色：
清晰度：MLV
暗通道：
对比度：解释对比度的最简单方法是最亮和最暗像素值之间的差异。使用整体对比度
实验：
报告了在100次随机训练测试分离试验中测量的平均PLCC和SROCC值。
