[发明专利]一种基于区别性稀疏表示的盲图像质量评价方法

说明书

技术领域

本发明涉及一种盲图像质量评价方法，属于图像处理技术，特别是感知视觉信号处理技术。

背景技术

图像质量评价是图像处理领域中的一个基础的问题，在图像压缩、复原、重建、增强、识别和分类等领域中都有着重要的应用。图像质量评价可以分为主观评价和客观评价两种。主观质量评价通常为请一组专家对图像进行视觉评价并进行主观打分。在许多应用领域中，图像最终都是由人来进行观阅的，在这种情况下，主观质量评价是唯一准确可靠的质量评价方式。然而在实际情况中，主观评价由于耗时，昂贵，不便等缺点难以得到应用。

相比于主观质量评价，客观质量评价具有速度快，成本低，操作简单等优点，已经成为图像质量评价研究领域中的重点。客观质量评价可以分为两种，一种需要无失真的参考图像进行质量评价(参考图像质量评价)，另一种只需要失真图像自身的信息即可进行质量评价(盲质量评价)。参考图像质量评价经过几十年的发展已经比较成熟，实施起来也相对简单。比较经典的参考图像质量评价方法有PSNR,SSIM等。但这类方法需要能够访问无失真的原图，这一要求在许多应用环境中无法得到满足。

相比参考图像质量评价，盲质量评价中没有参考图像可以利用，因此面临着更多的挑战。现有的盲质量评价方法主要由两个步骤组成：特征提取和基于人眼评分的模型回归。现有的盲质量评价方法通常需要大量人工标记的图像用于训练，算法的性能也对训练样本十分敏感；此外，这类算法一般都需要较高的计算量和复杂的参数估计和训练，这些都极大地限制了盲质量评价方法在实际中的应用。

发明内容

本发明所要解决的技术问题是，提供一种实现简单，无需人工标记图像进行训练并且与人眼评价拟合度高的盲图像质量评价方法。

本发明为解决上述技术问题所采用的技术方案是，一种基于区别性稀疏表示的盲图像质量评价方法，包括如下步骤：

(1)分别从无噪声污染的自然图像和噪声图像样本中训练得到特征子字典和噪声子字典，并将两个子字典合并为区别性字典；

(2)用所述区别性字典表示待评价的图像，得到两个子字典对应的稀疏系数；

(3)通过统计两部分稀疏系数的比例获得最终的图像质量评分。

所述步骤(1)中，具体包括：

(1.1)从无噪声污染的自然图像中提取图块作为特征训练集，从噪声图像中提取图块作为噪声训练集；

(1.2)从步骤(1.1)的两个训练集中，训练得到特征子字典D⁺和噪声子字典D^-，构造区别性字典D_d为特征子字典D⁺与噪声子字典D^-的集合。

所述步骤(2)中，具体包括：

(2.1)将待评价的图像分解为红、绿和蓝三个颜色通道的子图像；

(2.2)对每个颜色通道的子图像，将子图像拆分成与训练集中的图块大小相同的图块，用区别性字典D_d表示子图像，获得每个子图像对应的稀疏系数，所述稀疏系数包括特征子字典D⁺表示图像所对应的稀疏系数和噪声子字典D^-表示图像所对应的稀疏系数。

所述步骤(3)中，具体包括：

(3.1)通过统计每个颜色通道的子图像中噪声子字典对应的稀疏系数与特征子字典对应的稀疏系数的加权比例，得到对应的子图像的评分；

(3.2)根据三个颜色通道的子图像评分的加权求和，得到最终的图像质量评分R_d，R_d越大，则认为图像质量越好。

所述步骤(2.2)中用区别性字典D_d表示子图像，获得每个子图像对应的稀疏系数的具体方法为：用正交匹配追踪算法求解如下公式，获得稀疏系数α：

其中，R为从待评测子图像y中提取图块的算符，下标i,j为图块左上角在子图像中的位置坐标，||α_ij||₀为零范数，限制α_ij中非零元素的个数不超过L；求得的稀疏系数由两部分组成α＝[α⁺，α^-]，其中α⁺为特征子字典D⁺表示图像所对应的稀疏系数，α^-为噪声子字典D^-表示图像所对应的稀疏系数。

所述步骤(3.1)中每个颜色通道的子图像的评分的计算公式为：