基于稀疏结构的图像质量评价方法

摘要

本发明公开了一种基于稀疏结构的图像质量评价方法，用于解决现有图像质量评价方法评价效果差的技术问题。技术方案是对于输入的参考和退化图像，首先进行采样，得到参考图像采样矩阵和退化图像采样矩阵。然后使用参考图像采样矩阵学出字典。求稀疏解就是使用学出的字典，稀疏表示参考图像矩阵和退化图像矩阵，得到参考图像稀疏表示系数矩阵和退化图像稀疏表示系数矩阵。最后使用稀疏系数结构改变度评价图像质量。该方法采用稀疏结构来评价图像质量，能够更好地评价图像质量。且计算更加简单，由于不涉及具体稀疏表示系数的幅度值，所以鲁棒性更强。

主权项

一种基于稀疏结构的图像质量评价方法，其特征在于包括以下步骤：步骤一、图像采样阶段，首先对所有参考图像和退化图像分别进行取块采样，采样块的大小为采样规则为从左到右，从上到下的非重叠采样；当图像边缘像素不够采样块时，丢弃边缘位置图像；采样总数为N；将每个采样块按列拉直，形成采样列向量，采样列向量长度为n；将每个采样块称为一个样本；故每幅图像通过采样操作转化成一个n×N的矩阵；步骤二、稀疏字典建立阶段，将所有参考图像采样矩阵联列在一起作为训练样本，然后使用K‑svd方法从训练样本中学习得到字典D，字典D的大小为n×m，为了保证字典的冗余度，m＝242，n＝121；步骤三、分别用IM_dis(i)和IM_ref(i)表示第i幅退化图像和与之对应的参考图像的采样矩阵；使用正交匹配追踪法求出IM_dis(i)和IM_ref(i)的稀疏表示系数矩阵α_dis(i)和α_ref(i)；求解图像x关于字典D的稀疏表示系数的过程用式(1)表示：$\begin{array}{cccc}\underset{\alpha }{min}& \left|\right|x-D\alpha |{|}_F^2& subjectto& \left|\right|\alpha |{|}_0<\tau \end{array}---\left(1\right)$其中，α表示图像x关于字典D的稀疏表示系数；||·||_F表示矩阵的Frobenius范数，||·||₀表示向量的零‑范数，即向量中非零元素的个数，τ为稀疏度阈值，τ设置为6；分别使用I_ref和I_dis表示参考图像和退化图像，使用正交匹配追踪法求解式(1)，分别求得I_ref和I_dis关于字典D的参考图像稀疏表示系数α_ref和退化图像稀疏表示系数α_dis；步骤四、分别记录α_dis(i)和α_ref(i)中每一列非零元素的位置作为退化图像和参考图像的稀疏结构，分别记为Sα_dis(i)和Sα_ref(i)；分别使用Sα_dis(i，j)和Sα_ref(i,j)表示第i幅退化图像和参考图像的第j个采样样本的稀疏结构；计算每个采样样本的结构变化量；设第i幅退化图像的第j个采样样本相对于其对应参考图像相同位置的采样样本稀疏结构改变量为采样个数为N_i；第i幅退化图像的稀疏结构改变量第i幅退化图像的稀疏表示系数中非零元素的个数为：其中为第i幅退化图像的第j个采样样本的稀疏表示系数的稀疏度；最终求得第i幅退化图像的稀疏结构改变度使用稀疏结构评价图像质量阶段，首先计算α_dis中相对于α_ref中位置发生变化的非零元素的个数，记为K；然后计算α_dis中非零元素的总数记为T；定义稀疏结构改变度如下：$SSV=\frac{K}{T}---\left(2\right)$使用SSV作为图像的质量评价指标；由定义看出SSV∈[0,1]，SSV越大说明图像稀疏结构改变越多，质量也越差，反之图像质量越高。