基于离散余弦变换和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离散余弦变换和稀疏表示的无参考图像质量评价方法，主要解决现有技术对无参考图像质量评价不准确的问题。其实现步骤是：输入一副灰度图像，对其进行离散余弦变换并提取自然场景统计特征；提取一系列不同失真类型和不同内容的图像的自然场景统计特征，结合平均主观差异分数构建原始特征字典；对原始特征字典进行聚类，根据测试图像特征与原始特征字典中各类的近似程度自适应选择原子组成稀疏表示字典；利用稀疏表示在特征空间张成测试图像特征并计算稀疏表示系数，结合稀疏表示字典中的主观评价值进行线性加权求和，得到图像质量测度。本发明与主观评价结果具有较好的一致性，适用于对各种失真类型图像的质量评价。

主权项

一种基于离散余弦变换和稀疏表示的无参考图像质量评价方法，包括如下步骤：(1)读入一幅灰度图像I，对其进行离散余弦变换，提取一系列与主观感知相关联的自然场景统计特征f；(2)组建训练图像的原始特征字典；(2a)重复步骤(1)，提取n副训练图像的自然场景统计特征，并构成特征矩阵F，F＝[f₁,f₂,...,f_i,...,f_n]，其中f_i为第n副训练图像的自然场景统计特征，i＝1,2,...,n；(2b)整合n副训练图像的平均主观差异分数，并构成质量向量M，M＝[m₁,m₂,...,m_i,...,m_n]，其中m_i为第n副训练图像的平均主观差异分数，i＝1,2,...,n；(2c)将质量向量M和特征矩阵F进行对应结合，构建原始特征字典D：$D=\left[\begin{array}{c}F\\ M\end{array}\right]=[\overline{f_1},\overline{f_2},...,\overline{f_i},...,\overline{f_n}],$其中$\overline{f_i}=\left[\begin{array}{c}{f}_i\\ m_i\end{array}\right],i=\mathrm{1,2},...,n;$(2d)用K‑means算法将原始特征字典D聚为H类，H类中第k类聚类中心为C_k，其中$C_k=\left[\begin{array}{c}{\mathrm{Fc}}_k\\ {\mathrm{Mc}}_k\end{array}\right],$Fc_k为特征聚类中心，Mc_k为质量聚类中心，k＝1,2...H。(3)读入一副测试图像I'，重复步骤(1)，提取测试图像I'的自然场景统计特征f'；(4)计算测试图像I'的自然场景统计特征f'与原始特征字典D中第k类的特征聚类中心Fc_k的欧式距离dis_k，得到测试图像I'与原始特征字典D中第k类的近似程度P_k，其中$P_k=\frac{1/{\mathrm{dis}}_k}{{\Sigma }_{k=1}^{H}1/{\mathrm{dis}}_k},$k＝1,2,...,H；(5)根据近似程度P_k，从原始特征字典D的第k类中选择与特征聚类中心Fc_k的欧式距离最小的前N_k个样本作为测试图像I'的稀疏表示原子其中i＝1,2,...,N,k＝1,2,...,H，H类原子共同构成针对测试图像I'的稀疏表示字典D'：$D^{\prime }=[D_1,D_2,...,D_k,...,D_H]=\left[\begin{array}{c}{F}^{\prime }\\ M^{\prime }\end{array}\right],$其中$D_k=[{\bar{f}}_1^k,{\bar{f}}_2^k,...,{\bar{f}}_i^k,...,{\bar{f}}_{N_k}^k],{\bar{f}}_i^k=\left[\begin{array}{c}{f}_i^k\\ m_i^k\end{array}\right],$为从原始特征字典D中选择的第k类中的第i个样本的自然场景统计特征，为第k类中的第i个样本的平均主观差异分数，i＝1,2,...,N_k，N_k＝δ*P_k，k＝1,2,...,H，δ为正常数；(6)根据稀疏表示的方法求解测试图像I'的自然场景统计特征f'在特征矩阵F'下的稀疏表示系数：其中argmin表示将使目标函数λ·||α||₁+||f'‑D′α||₂最小的α＝[α¹,α²,...,α^k,...,α^H]^T赋值给α^*，k＝1,2,...,H,i＝1,2,...,N_k，R^L表示L维实数空间，$L=\underset{k=1}{\overset{H}{\Sigma }}{N}_k,{\left|\right|\beta \left|\right|}_1=\underset{l=1}{\overset{L}{\Sigma }}\left|{\beta }_l\right|$表示向量β＝[β₁,β₂,...,β_l,...,β_L]^T的1范数，${\left|\right|\beta \left|\right|}_2=\sqrt{\underset{l=1}{\overset{L}{\Sigma }}{\beta }_l^2}$表示向量β的2范数，λ是用于平衡保真项和正则项的正常数，T代表转置操作；(7)根据所构建的稀疏表示计算测试图像I'的质量：Q∈[0,100]，其中为稀疏表示字典D'中第k类第i个原子的质量分数，α_k,i表示测试图像I'的自然场景统计特征f'在特征矩阵F'中的第k类第i个原子的表示系数，Q为测试图像I'的最终质量测度。