[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

摘要

本发明公开了一种基于自然场景统计中稀疏表示的无参考自然图像质量评价方法，主要解决现有技术在原始图像未知的情况下，客观评价分数与主观评价分数不同的问题。其实现步骤包括：利用小波变换对图像进行子带分解，根据自然场景统计模型方法提取图像的有效特征；通过组合一系列不同内容、不同失真类型的图像，提取其自然场景统计特征以构建特征字典；在构建的特征字典中，用稀疏表示测试图像的自然场景统计特征；利用稀疏表示系数线性加权相关图像的差异平均主观分数值DMOS，最终得到测试图像质量的评价值。本发明具有适用于各种失真类型图像且与主观评价一致性好的优点，可用于对图像处理方法进行有效性评测。

主权项

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。