brisque演算法**於**：《no-reference image quality assessment in the spatial domain》，意思是blind/referenceless image spatial quality evaluator，一種無參考的空間域影象質量評估演算法。演算法總體原理就是從影象中提取mean subtracted contrast normalized (mscn) coefficients，將mscn係數擬合成asymmetric generalized gaussian distribution(aggd)非對稱性廣義高斯分布，提取擬合的高斯分布的特徵，輸入到支援向量機svm中做回歸，從而得到影象質量的評估結果。
下圖展示了brisque演算法流程
自然影象的畫素強度的分布不同於失真影象的畫素強度的分布。當歸一化畫素強度並計算這些歸一化強度上的分布時，這種分布差異更加明顯。特別地，在歸一化之後，自然影象的畫素強度遵循高斯分布（貝爾曲線），而非自然或失真影象的畫素強度不遵循高斯分布（貝爾曲線）。
下圖展示了這種差異：
mscn係數
mscn是一種歸一化影象的方法，計算流程如下：
可以看做是對影象做了如下操作：
i(x,y)處的mscn定義如下：
其中u(x,y)為高斯濾波後的結果，σ(x,y)為標準差。mscn係數的優點在於因為紋理等特徵而產生的區域corelation很小。如下圖左側(原始畫素點)和右側（mscn）結果間的區別。
可以看出mscn對於紋理的強弱並沒有非常強的依賴性，這樣提取出來的特徵更有適用性。
mscn為畫素強度提供了良好的歸一化。然而，自然與失真影象的差異不僅限於畫素強度分布，還包括相鄰畫素之間的關係。
為了捕獲相鄰畫素的關係，使用四個方向相鄰元素的乘積，即：水平（h），垂直（v），左 - 對角線（d1），右 - 對角線（d2）：
到目前為止，我們已經從原始影象中獲得了5個引數 - 1個mscn引數和4個相鄰元素乘積引數（水平，垂直，左對角線，右對角線）。
接下來，我們將使用這5個引數來計算尺寸為36×1的特徵向量。請注意，原始輸入影象可以是任何尺寸（寬度/高度），但特徵向量的大小始終為36×1。
通過將mscn引數擬合到廣義高斯分布（ggd）**來計算36×1特徵向量的前兩個元素。ggd有兩個引數 - 乙個用於形狀，乙個用於方差。
接下來，**非對稱廣義高斯分布（aggd）**適合於4個相鄰元素乘積引數中的每乙個。aggd是廣義高斯擬合（ggd）的不對稱形式。它有四個引數 - 形狀，均值，左方差和右方差。由於有4個成對產品影象，我們最終得到16個值。
因此，我們最終得到了18個特徵向量元素。將影象縮小到原始尺寸的一半，並重複相同的過程以獲得18個新數字，使總數達到36個數字。
總結如下表：
特徵範圍
功能描述
程式1 - 2
形狀和方差。
ggd擬合mscn引數。
3 - 6
形狀，均值，左方差，右方差
aggd擬合水平引數
7 - 10
形狀，均值，左方差，右方差
aggd擬合垂直引數
11 - 14
形狀，均值，左方差，右方差
aggd擬合對角線（左）引數
15-18
形狀，均值，左方差，右方差
aggd擬合對角線（右）引數
在典型的機器學習應用程式中，首先將影象轉換為特徵向量。然後，將訓練資料集中的所有影象的特徵向量和輸出（質量得分）放入支援向量機（svm）中進行訓練。
使用libsvm載入該36個特徵引數及質量得分進行訓練，訓練過程中，特徵向量首先被縮放到-1到1，訓練得出的模型用於**影象質量。
經過訓練模型**，可以得出以下每種失真的最終質量得分：
原始影象
jpeg2k壓縮
重壓縮高斯雜訊
中位數模糊
筆者在iqa專案內整合了該演算法，完整專案**可移步github：iqa
文字分類的python實現 基於SVM演算法
svc的懲罰引數c 預設值是1.0。c越大，對誤分類的懲罰增大，趨向於對訓練集全分對的情況，這樣對訓練集測試時準確率很高，但泛化能力弱。c值小，對誤分類的懲罰減小，允許容錯，泛化能力較強。儘管tf idf權重有著非常廣泛的應用，但並不是所有的文字權重採用tf idf都會有較好的效能。在有些問題上，採...
SVM演算法 0 SVM演算法的簡單介紹
支援向量機 support vector machine，簡稱為svm 是分類與回歸分析中的一種監督學習演算法，也是一種二分類模型，其基本模型定義為特徵空間上間隔最大的線性分類器，且基於最大間隔分隔資料，可轉化為求解凸二次規劃的問題。為了描述支援向量機，此處從邏輯回歸開始分析，並一點一點地修改來得到...
SVM演算法的理解
距離上次看svm演算法已經快過了半個月了，今天再次看到，溫故知新後決定把自己的理解寫出來。不過由於本人文筆不佳，所以想到什麼寫什麼，等有空了再整理。看到覺得混亂的還請見諒。剛剛看svm的時候，只能明白支援向量機之所以叫支援向量機是因為支援向量，後面懂得了w的內容是什麼 幾何距離的意義 低維對映到高維...