在图像质量主观感知评价数据库的开发中,需要测试者进行质量感知评价的图片被称为测试图片.其中,未经任何处理的图片称为原始图片,对原始图片经过某种退化方法处理后的图片称为退化图片.

该数据库中包含原始图片12张,均来源于某医院PET/CT中心病例图像数据库.其中,测试图片分为含病灶图片与无病灶图片,两者数量比例约为2:1; 垂直与水平分辨率均为96 dpi,尺寸为968×968 像素.为保证原始图片无编码损失,选择存储格式为BMP.

在构造退化图片时,该数据库针对PET/CT图像设计了多种退化方法,基本包含了实际PET/CT图像编码和图像传输中可能导致的各种失真,包括在进行图片压缩保存中的JPEG压缩(记为JPG)与JPEG2000压缩(记为JP2)、医生在进行病灶诊断时对图片进行对比度调节而造成的对比度变化(contrast change, CC)、 仪器故障产生的高斯白噪声(white Gaussian noise, WGN)、 高斯模糊(Gaussian blur, GB)和模块缺失,以及因患者在进行PET/CT检查时运动所产生的运动模糊(motion blur,MB)这6种退化方法.每种退化方法有4个退化水平,经多次主观测试实验得到退化参数如表1.其中,JPG与JP2的退化参数为压缩质量; CC的退化参数为对比度变化率; WGN的退化参数为噪声分布率; GB的退化参数为高斯滤波的标准偏差; MB的退化参数为像素大小.按照以上原则,本研究所构建的数据库共有288张退化图片,是原始图片数、退化方法数和退化水平数之积.数据库访问的网址为http://dsp.szu.edu.cn/petct/.

双重刺激失真水平测试法(double-stimulus impairment scale method, DSIS)的测试以循环方式进行^[7].每次循环时,首先向测试者呈现无失真的原

表1 各退化方法退化参数
Table 1 Degradation parameters of difference distortion types

始图片,接下来显现相应的退化图片,并要求测试者在留有对原始图片印象的情况下对退化图片失真情况进行评价.在约30 min的测试中,测试图片的呈现顺序需是随机的.在所有测试者完成评价后,计算每张图片获得的平均分(mean-opinion-score, MOS)作为最终测试结果.图1给出DSIS方法测试流程^[8].其中,t₁=10 s,显示原始图片; t₂=3 s,无显示; t₃=10 s,显示测试图片; t₄为5～11 s,无显示; 测试者可以在t₃和t₄阶段对测试图片进行评价.

图1 DSIS方法测试流程图[6]
Fig.1 Test flow chart of DSIS method[6]

病灶信号的可识别能力是医学图像质量的重要特征,因此将主观测试评价指标规定为:“5”为图像质量优,不影响诊断; “4” 为图像质量良,不影响诊断; “3” 为图像质量较差,影响诊断; “2” 为图像质量差,明显影响诊断; “1” 为图像质量极差,无法诊断.

DSIS测试时,所有图片使用巨峰公司型号为C22SP+21.3″2MP的彩色LED器医用显示器进行呈现.该显示器具有彩色和灰阶成像功能,适用于多种医疗影像设备以及临床科室.

根据ITU-R_BT.500-11协议中电视图像质量主观评价方法(methodology for subjective assessment of the quality of television pictures)的要求,将显示器亮度设置为70、对比度设置为50、锐利度设置为7、饱和度设置为50、色温设置为6 500 K、伽马设置为DICOM500.

所有主观测试均在某医院PET/CT中心会议室进行,室内光照正常.

ITU-R_BT.500-11协议中要求至少有15名非图像处理专业测试者参加测试,每个测试者必须具有正常的视觉灵敏度与正常的色视觉^[8].Chandler等^[9]发现,测试者的专业对其图像质量感知评价具有影响.例如,专业为图像处理领域的测试者倾向于对超过一定压缩阈值的压缩图片给出较低评价,而摄影师则对噪声模糊图片给出较低评价.测试者的专业水平可能会造成图像质量评价结果的偏差.因此需对此因素进行控制.

本研究因测试图片为医用PET/CT图片,故所挑选测试人员均为影像学范畴的专业医生,其中,主治医师10人,医师5人.

主观评价测试完成后,每张图片将获得来自不同测试者的多个分数,其分布与测试者数量、评价偏差趋势和测试环境等因素有关^[10].在构造数据库时,需对所采集数据进行以下处理:

1)计算平均分U ^-_jkr.计算1张测试图片平均分U_ijkr时,需包含该图片源自所有测试者的评价结果,计算公式为

U ^-_jkr=1/N∑^N_i=1U_ijkr(1)

其中, j为测试条件; k为测试图片; r为重复次数; N为测试者数量; U为测试图片主观评价分数.

2)计算置信区间.计算每张测试图片的MOS置信区间为[U ^-_jkr-δ_jkr, U ^-_jkr+δ_jkr]. 其中, δ_jkr=1.96S_jkr. 这里, S_ijk为标准偏差,计算公式为

S_jkr=(∑^N_i=1U_ijkr(U ^-_jkr-U_jkr)/((N-1)))^1/2(2)

计算结果显示,大部分测试者对图像质量的感知程度较为一致.这说明,本研究所构造的数据库具有较好的标准性与客观性.

传统的客观评价模型,如PSNR模型与MSE模型,是通过逐点计算失真图像与原始图像每个像素点差异的统计特性来反映图像的失真程度.这类方法虽然形式简单、计算量小,但其独立于图像内容,在许多情况下都无法与人眼视觉感知保持一致^[11].因此,学术界提出更符合HVS的图像质量评价模型,代表性的有基于场景统计特性的信息保真度准则(information fidelity criterion, IFC)^[12]和视觉信息保真度(visual information fidelity, VIF)^[13]模型, 基于结构相似性(structural similarity, SSIM)的结构相似性指标(structural similarity index)模型^[14], 多尺度结构相似度(multi-scale structural similarity, MS-SSIM)指标模型^[15]和FSIM(a feature similarity index for image quality assessment)^[16]模型, 基于HVS的NQM(noise quality measure)^[17]与视觉信噪比(visual signal to noise ratio, VSNR)^[18]模型, 以及基于梯度模方差的GMSD(gradient magnitude similarity deviation)^[19]模型.

理想情况下客观模型预测值与主观评价结果应为线性关系^[11],即

S_MOSp=kS_MOS(3)

其中,S_MOSp为客观算法评价分数(MOS of perception models, MOSp); k为线性常数; S_MOS为所有测试者完成评价后计得的每张图片获得的平均分.

主观评价过程会引入非线性因素,因此视频质量专家组(video quality experts group,VQEG)建议,在衡量两者相关性之前,需对测试算法的实验结果进行非线性补偿^[20].有2种非线性回归可供参考:多项式拟合和Logistic回归.本研究使用增加线性条件限制的5参数非线性Logistic模型作为评价值的非线性模型,如式(4),并采用最小均方差法进行拟合.

quality(x)=β₁Logistic(β₂,(x-β₃))+

β₄x+β₅(4)

其中,quality(x)为拟合后的预测值; β₁为MOS最大值与最小值之差; β₂为预测值集合方差的倒数; β₃为预测值的平均值; β₄的值设为-1; β₅为MOS的平均值.最小均方差模型为

Logistic(τ, x)=1/2-1/(1+exp(τx))(5)

其中,τ为模型评价参数,在这里为预测集合方差的倒数; x为预测值与平均值之差.

客观图像质量评价算法的性能一般通过以下方面进行衡量:① 算法准确性,即客观评价值与主观评价值之间的差异应足够小; ② 单调性,即客观评价值应随主观评价值的增减而增减; ③ 一致性,即客观评价算法在测试集上表现出的性能与其在训练集上的性能相似.

本研究基于文献[3],按照以下3方面的客观指标来评价算法性能.

1)皮尔逊线性相关系数(Pearson linear correlation coefficient,PLCC)为

c_PLCC=(∑(X-X ^-)(Y-Y ^-))/((∑(X-X ^-)²)^1/2(∑(Y-Y ^-)²)^1/2)(6)

其中, X和Y分别代表图像质量主观实验测量数据S_MOS和图像质量客观预测数据S_MOSp; N为样本数量; X ^-和Y ^-分别为X和Y的平均值.

2)均方误差根(root mean squared error,RMSE)为

e_RMSE=(1/N∑^N_i=1(X-Y)²)^1/2(7)

3)斯皮尔曼秩相关系数(Spearman's rank order correlation coefficient,SROCC)为

c_SROCC=1-(6∑(X-Y)²)/(1-N(N²-1))(8)

建立图像质量感知主观评价数据库的意义在于衡量图像客观评价算法的性能.本研究选择13种国际通用IQA算法进行评价分析,包括PSNR、SSIM、MS-SSIM、VSNR、VIF、VIFP^[13]、UQI^[12]、IFC 、NQM、WSNR、SNR、GMSD和FSIM.实验以构造的PET/CT医学图像质量主观评价数据库为基础,运用式(6)和式(8),计算各客观算法在该数据库上的性能指标PLCC及SROCC,结果分别如表2和表3.

表2 客观算法在各退化类型上的线性相关系数对比
Table 2 Comparison of pearson linear correlation coefficients of all distortion algorithms

表3 客观算法在各退化类型上的SROCC对比
Table 3 Comparison of SROCCSs of all distortion algorithms

2.4.3 退化方法对图像质量评价的影响

通过比较各算法的PLCC值、SROCC值以及平均值可以发现:

1)同一种退化方法上,各个客观算法的性能都有明显差异,但在高斯白噪声与高斯模糊图片上,各个客观算法的性能指标都较高.在对比度变化图片上,各客观算法的性能指标均较低.除VIF、PSNR和NQM外,其他客观算法在JPG与JP2上的性能均较差.

2)同一客观算法在不同退化类型图片上的性能也有明显差异.例如,SNR算法在JPG与JP2上的c_SROCC值较低,而在其他退化图片上c_SROCC值均大于0.880,性能优秀.

3)FSIM与VIF在所有退化类型图片上的性能都较好,SROCC的平均值超过0.900,但FSIM是唯一一个在对比度变化退化方法下SROCC值达到0.900的算法.值得注意的是,传统医学图像质量评价算法PSNR在各退化类型图片上的SROCC平均值高达0.915,但在全部图片数据下的SROCC值仅为0.722.

图2 全部图片下的客观分数及MOS
Fig.2 (Color online)Objective score and MOS on all pictures

2.4.4 VIF与PSNR性能对比

通过对比性能较优的VIF算法,分析PSNR在单一退化方法上性能较好,而在总体测试性能较差的原因.图2分别显示了VIF与PSNR模型在构造的PET/CT医学图像质量主观评价数据库上的SROCC拟合曲线.图3(a)中不同形状的点为不同退化方法的测试图片VIF评价分数,与之对应的曲线表示该退化方法下,计算SROCC时的拟合曲线.图3(b)中不同形状的点为不同退化方法的测试图片PSNR评价分数,与之对应的曲线表示该退化方法下,计算SROCC值时的拟合曲线.

图3 不同退化方法下的客观分数及MOS
Fig.3 (Color online)Objective scores and MOS on all distortion algorithms

在图2(a)中,各数据点较紧密的分布在拟合曲线的两边,VIF分数与MOS拟合度较好,相关性较高,因此总体的PLCC值及SROCC值均较高.在图3(a)中,不同退化方法下,各退化类型图片的数据点紧密的分布在拟合曲线的两边,VIF分数与MOS拟合度很好,相关性高,因此在计算各性能指标时,PLCC值及SROCC值均较高.同时发现进行对比度变化的数据点相比其他退化类型分布较分散,因此在去掉对比度变化后,VIF 的性能有了明显提高.

在图2(b)中,数据点较分散的分布在拟合曲线的两边,PSNR分数与MOS拟合度较差,相关性较低,因此总体的PLCC值及SROCC值均不高.在图3(b)中,在不同退化方法下,各退化类型图片分数的数据点较紧密的分布在拟合曲线的两边,PSNR分数与MOS拟合度较好,相关性较高,因此在计算各性能指标时,PLCC值及SROCC值均较高,SROCC值均高于0.870.但所有数据点的整体分布较分散,整体SROCC值仅为0.722.因此,PSNR算法在不同退化方法上性能优异,而在所有测试数据上性能较差.