[发明专利]基于自然场景统计中稀疏表示的无参考图像质量评价方法

权利要求书

1.一种基于自然场景统计中稀疏表示的无参考图像质量评价方法，包括如下步骤：

（1）利用小波变换对一个训练图像进行四个尺度的分解，得到13个子带全部的小波系数C；

（2）忽略每个尺度上特征相同的水平高通垂直低通子带LH子带和水平低通垂直高通子带HL子带，提取一个训练图像的13个子带中小波系数不相同的8个子带的小波系数的幅值m_k、方差v_k以及信息熵e_k：

mk=1Nk·MkΣj=1NkΣi=1Mklog2|Ck(i,j)|k=1,2,...,8]]>

vk=1Nk·MkΣj=1NkΣi=1Mklog2|Ck(i,j)-mean(Ck)|]]>

ek=Σj=1NkΣi=1Mkp[Ck(i,j)]lnp[Ck(i,j)]]]>

式中，(i,j)代表图像中像素的位置，i代表行数，j代表列数，

C_k(i,j)代表第k个子带的第(i,j)个小波系数，

mean(Ck)表示第k个子带的小波系数的均值，

M_k代表第k个子带的长度，

N_k代表第k个子带的宽度，

p[·]是子带的概率密度函数；

（3）将一个训练图像的8个子带的小波系数幅值m₁,m₂,…,m₈、方差v₁,v₂,…v₈以及信息熵e₁,e₂,…e₈组合成为一个训练图像的24维特征向量f：

f＝[m₁,m₂,…,m₈,v₁,v₂,…v₈,e₁,e₂,…e₈]^T

式中，T代表转置操作；

（4）构建的训练图像的特征字典D：

（4a）重复步骤（3），提取n个训练图像的n个24维特征向量的特征f₁,f₂…,f_n，并对这些特征向量进行整合，构成一个24×n的特征矩阵H：

H＝[_f1,f₂,…,f_n]

（4b）对n个训练图像的平均主观差异分数值DMOS进行整合，构成n维平均主观差异分数向量DMOS′：

DMOS′＝[DMOS′₁,DMOS₂′,…,DMOS_n′]

（4c）将平均主观差异分数向量DMOS′与特征矩阵H一一对应，共同构成特征字典D：

表示定义特征字典D为平均主观差异分数向量DMOS′与特征矩阵H共同构成；

（5）利用特征字典D稀疏表示一个测试图像的特征：

（5a）重复步骤（3），提取一个测试图像的24维特征u，

（5b）在构建的特征字典D的特征矩阵H中寻找测试图像特征的最接近表示v：

v=Σi=1nαifi]]>

式中，f_i代表特征字典D中的特征矩阵H的第i个特征向量，

α_i代表1,2…,n每个特征向量的系数

将特征向量与特征向量系数相乘，得到v的简化式：

v=Σi=1nαifi=Hα]]>

式中，α代表一个测试图像特征v的最接近表示的系数向量；

（5c）利用稀疏表示的方法求解一个测试图像特征u在特征矩阵H中的最稀疏表示系数α^*：

α*=argminα∈Rnλ·||α||1+||u-v||2]]>

式中，Rⁿ表示n维实数空间，

|| ||₁表示求解1范数，

|| ||₂表示求解2范数，

λ是用来平衡保真项和正则项的正常数，

arg表示满足式最小值的α赋值给α^*；

（6）根据最稀疏表示系数α^*，利用下式评价一个测试图像的图像质量：

Q=1Σi=1nαi*Σi=1nαi*DMOSi′Q=1,2,...,100]]>

式中，DMO_S′i代表特征稀疏字典中第i个训练图像的平均主观差异分数值，

代表一个测试图像的第i个最稀疏表示系数，

Q代表一个测试图像的最终质量值。