基于稀疏結(jié)構(gòu)的圖像質(zhì)量評價方法
【專利摘要】本發(fā)明公開了一種基于稀疏結(jié)構(gòu)的圖像質(zhì)量評價方法，用于解決現(xiàn)有圖像質(zhì)量評價方法評價效果差的技術(shù)問題。技術(shù)方案是對于輸入的參考和退化圖像，首先進行采樣，得到參考圖像采樣矩陣和退化圖像采樣矩陣。然后使用參考圖像采樣矩陣學(xué)習(xí)出字典。求稀疏解就是使用學(xué)習(xí)出的字典，稀疏表示參考圖像矩陣和退化圖像矩陣，得到參考圖像稀疏表示系數(shù)矩陣和退化圖像稀疏表示系數(shù)矩陣。最后使用稀疏系數(shù)結(jié)構(gòu)改變度評價圖像質(zhì)量。該方法采用稀疏結(jié)構(gòu)來評價圖像質(zhì)量，能夠更好地評價圖像質(zhì)量。且計算更加簡單，由于不涉及具體稀疏表示系數(shù)的幅度值，所以魯棒性更強。
【專利說明】基于稀疏結(jié)構(gòu)的圖像質(zhì)量評價方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種圖像質(zhì)量評價方法，特別涉及一種基于稀疏結(jié)構(gòu)的圖像質(zhì)量評價 方法。

【背景技術(shù)】
[0002] 圖像質(zhì)量評價作為圖像處理領(lǐng)域的重要研究方向，涉及到圖像識別、生物醫(yī)學(xué)、工 業(yè)流程監(jiān)控以及戰(zhàn)場監(jiān)視等眾多領(lǐng)域，備受研究者關(guān)注。
[0003] 文獻 l^Guha. Tanaya, Nezhadarya. Ehsan, Ward. Rabab K. Learning sparse models for image quality assessment. Acoustics, Speech and Signal Processing(ICASSP)，2014IEEE International Conference on，4_9May2014, Florence Italy. P151-155"公開了一種基于稀疏表示模型的圖像質(zhì)量評價方法。該方法分為兩個 階段，第一個階段是字典學(xué)習(xí)階段：首先對參考圖像進行隨機采樣獲得訓(xùn)練樣本，然后使用 K-svd方法從訓(xùn)練樣本中學(xué)習(xí)出字典。第二個階段是評價階段：首先使用頻譜顯著度分析 法尋找出參考圖像中的顯著圖像塊。然后使用正交匹配追蹤法（0ΜΡ)分別計算參考圖像顯 著圖像塊和與之對應(yīng)的退化圖像顯著圖像塊，得到參考圖像稀疏表示系數(shù)向量和退化圖像 稀疏表示系數(shù)向量。最后給出兩個評價指標，一個是參考圖像稀疏表示系數(shù)向量與退化圖 像稀疏表示系數(shù)向量的內(nèi)積，另一個是參考圖像稀疏表示系數(shù)向量與退化圖像稀疏表示系 數(shù)向量的歐式距離。將兩個評價指標的乘積作為最后的評價指標。
[0004] 這種基于稀疏表示模型的圖像質(zhì)量評價方法在評價階段使用的兩個評價指標都 只強調(diào)了稀疏表示系數(shù)中的幅度信息，而沒有考慮到稀疏表示系數(shù)中非零元素的位置信 息。稀疏表示系數(shù)中非零元素的位置體現(xiàn)了在稀疏表示中使用了字典中的哪些原子，非零 元素位置的變化代表了相應(yīng)圖像塊中結(jié)構(gòu)的變化。忽略非零元素的位置信息會導(dǎo)致評價方 法對圖像結(jié)構(gòu)損失的評價不敏感，這也造成該方法對高斯模糊和JPEG2000這種圖像結(jié)構(gòu) 損失較明顯的失真圖像的評價效果較差。


【發(fā)明內(nèi)容】

[0005] 為了克服現(xiàn)有圖像質(zhì)量評價方法評價效果差的不足，本發(fā)明提供一種基于稀疏結(jié) 構(gòu)的圖像質(zhì)量評價方法。該方法對于輸入的參考和退化圖像，首先進行采樣，得到參考圖像 采樣矩陣和退化圖像采樣矩陣。然后使用參考圖像采樣矩陣學(xué)習(xí)出字典。求稀疏解就是使 用學(xué)習(xí)出的字典，稀疏表示參考圖像矩陣和退化圖像矩陣，得到參考圖像稀疏表示系數(shù)矩 陣和退化圖像稀疏表示系數(shù)矩陣。最后使用稀疏系數(shù)結(jié)構(gòu)改變度評價圖像質(zhì)量。該方法采 用稀疏結(jié)構(gòu)來評價圖像質(zhì)量，能夠更好地評價圖像質(zhì)量。且計算更加簡單，由于不涉及具體 稀疏表示系數(shù)的幅度值，所以魯棒性更強。
[0006] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案：一種基于稀疏結(jié)構(gòu)的圖像質(zhì)量評價方 法，其特點是包括以下步驟：
[0007] 步驟一、圖像采樣階段，首先對所有參考圖像和退化圖像分別進行取塊采樣，采樣 塊的大小為采樣規(guī)則為從左到右，從上到下的非重疊采樣。當圖像邊緣像素不夠采樣 塊時，丟棄邊緣位置圖像。采樣總數(shù)為N。將每個采樣塊按列拉直，形成采樣列向量，采樣 列向量長度為η。將每個采樣塊稱為一個樣本。故每幅圖像通過采樣操作轉(zhuǎn)化成一個nXN 的矩陣。
[0008] 步驟二、稀疏字典建立階段，將所有參考圖像采樣矩陣聯(lián)列在一起作為訓(xùn)練樣本， 然后使用K-svd方法從訓(xùn)練樣本中學(xué)習(xí)得到字典D，字典D的大小為nXm，為了保證字典的 冗余度，

【權(quán)利要求】
1. 一種基于稀疏結(jié)構(gòu)的圖像質(zhì)量評價方法，其特征在于包括以下步驟： 步驟一、圖像采樣階段，首先對所有參考圖像和退化圖像分別進行取塊采樣，采樣塊的 大小為采樣規(guī)則為從左到右，從上到下的非重疊采樣；當圖像邊緣像素不夠采樣塊 時，丟棄邊緣位置圖像；采樣總數(shù)為N ;將每個采樣塊按列拉直，形成采樣列向量，采樣列向 量長度為η ;將每個采樣塊稱為一個樣本；故每幅圖像通過采樣操作轉(zhuǎn)化成一個nXN的矩 陣； 步驟二、稀疏字典建立階段，將所有參考圖像采樣矩陣聯(lián)列在一起作為訓(xùn)練樣本，然后 使用K-svd方法從訓(xùn)練樣本中學(xué)習(xí)得到字典D，字典D的大小為nXm，為了保證字典的冗余 度，
步驟三、分別用頂dis(i)和n^f(i)表示第i幅退化圖像和與之對應(yīng)的參考圖像的 采樣矩陣；使用正交匹配追蹤法求出頂dis⑴和n^f(i)的稀疏表示系數(shù)矩陣adis⑴和 Qref(i)； 求解圖像X關(guān)于字典D的稀疏表示系數(shù)的過程用式（1)表示：
(1) 其中，a表示圖像X關(guān)于字典D的稀疏表示系數(shù)；II · ||F表示矩陣的Frobenius范 數(shù)，II · ||〇表示向量的零-范數(shù)，即向量中非零元素的個數(shù)，τ為稀疏度閾值，τ遠遠小 于η ; 分別使用IMf和Idis表示參考圖像和退化圖像，使用正交匹配追蹤法求解式（1)，分別 求得I#和Idis關(guān)于字典D的參考圖像稀疏表示系數(shù)a 和退化圖像稀疏表示系數(shù)a dis ; 步驟四、分別記錄a dis(i)和a (i)中每一列非零元素的位置作為退化圖像和參考 圖像的稀疏結(jié)構(gòu)，分別記為Sadis⑴和SaMf⑴；分別使用Sadis(i，j)和Sa Mf(i，j)表 示第i幅退化圖像和參考圖像的第j個采樣樣本的稀疏結(jié)構(gòu)；計算每個采樣樣本的結(jié)構(gòu)變 化度； 設(shè)第i幅退化圖像的第j個采樣樣本相對于其對應(yīng)參考圖像相同位置的采樣樣本稀 疏結(jié)構(gòu)改變量為?采樣個數(shù)為隊；第i幅退化圖像的稀疏結(jié)構(gòu)改變度』
，第i幅 退化圖像的稀疏表示系數(shù)中非零元素的個數(shù)為：
，其中f/為第i幅退化圖像的 第j個采樣樣本的稀疏表示系數(shù)的稀疏度；最終求得第i幅退化圖像的稀疏結(jié)構(gòu)改變度
使用稀疏結(jié)構(gòu)評價圖像質(zhì)量階段，首先計算a dis中相對于a 中位置發(fā)生變化的非 零元素的個數(shù)，記為Κ ;然后計算a dis中非零元素的總數(shù)記為Τ ;定義稀疏結(jié)構(gòu)改變度如 下： (2) 使用SSV作為圖像的質(zhì)量評價指標；由定義看出SSV e [〇, 1]，SSV越大說明圖像稀疏 結(jié)構(gòu)改變越多，質(zhì)量也越差，反之圖像質(zhì)量越高。
【文檔編號】G06T7/00GK104091343SQ201410349228
【公開日】2014年10月8日 申請日期:2014年7月22日 優(yōu)先權(quán)日:2014年7月22日
【發(fā)明者】吳軍, 李會方, 馮曉毅, 夏召強, 曹正文 申請人:西北工業(yè)大學(xué)