[发明专利]一种基于ICA稀疏表示与SOM的失真图像质量评价方法

权利要求书

1.一种基于ICA稀疏表示与SOM的失真图像质量评价方法，所述方法包括：

步骤1)对参考图像及待测图像使用独立变量分析(ICA)的稀疏表示，得到各自图像的稀疏表示信息；

步骤2)计算ICA稀疏表示后的参考图像与待测图像之间的结构相似度(SSIM)值；

步骤3)绘制出结构相似度SSIM值与主观差异评分(DMOS)值的散点图；

步骤4)使用自组织映射(SOM)算法对散点图数据进行聚类：分布比较集中的数据分成一类，其余划分成另一类；

步骤5)对每一类数据使用交叉验证回归算法，选取合适的回归函数，将步骤2)的SSIM值进行回归映射得到主观差异评分DMOS值；

步骤6)计算步骤5)中两类数据的DMOS值与实际数据库中DMOS值之间的误差值；

步骤7)将步骤6)得到的误差值进行加权平均，作为最终图像质量评价的指标值；

所述步骤1)之前还包括：对参考图像及待测图像进行数据的白化处理；具体为：

计算参考图像及待测图像的图像矩阵x的协方差矩阵COVX＝E(xx^T)，对协方差矩阵COVX进行奇异值分解(SVD)分解：COVX＝UDU^T，其中，U为COVX的特征向量组成的矩阵，D为对角阵，其对角线元素为矩阵COVX的特征值；白化后的图像矩阵为

所述步骤1)具体为：

步骤1-1)选取图像稀疏矩阵s的累积分布逻辑回归函数图像矩阵与图像稀疏矩阵s的概率密度函数满足式(1)：

其中，为白化处理后图像矩阵的概率密度函数，p_s(s)为图像稀疏表示矩阵的概率密度函数；为概率密度函数的向量表示形式，是W的第j行向量，矩阵W用向量表示为：|W|为矩阵W的行列式的值，式(1)中符号·表示相乘；

步骤1-2)给定m张白化处理后的图像的训练集合m为白化处理后的图像的总数，取对数后且计算最大似然概率l(W)：

其中，是变量的累积分布函数的导数，由得的导数为对其W求偏导数，根据随机上升梯度规则为：

其中，α为学习率，反复进行迭代，直到W收敛为止；

步骤1-3)对于每一张参考图像及待测图像，对白化后的图像矩阵进行ICA稀疏表示，得到ICA稀疏表示信息

所述步骤2)具体为：

所述结构相似度SSIM值的计算公式为：

μ_x为ICA稀疏表示后的参考图像矩阵s的均值，μ_y为ICA稀疏表示后待测图像s的均值；σ_x为ICA稀疏表示后的参考图像矩阵s的方差，σ_y为ICA稀疏表示后待测图像s的方差；C₁和C₂为常数值，C₁＝(k₁L)²，C₂＝(k₂L)²，L为像素值的动态范围，k₁＝0.01，k₂＝0.03；

所述步骤4)具体为：

步骤4-1)初始化各神经元节点对应的参数w_j＝{w_ji:j＝1,…,N；i＝1,2}；w_ji表示输入单元m_i与第j个神经元之间的连接权重值；N为神经元的个数；

步骤4-2)寻找使最小值对应的神经元，距离最近的神经元在竞争中获胜；其中m＝{m_i；i＝1,2}为输入向量；

步骤4-3)更新获胜神经元的邻域内的权值w_ji：

w_ji(k+1)＝w_ji(k)+η(t)·exp(-S_j,I(m)/2σ²(t))·(m_i-w_ji(k))，

其中，S_j,I(m)表示神经元j与获胜神经元I(m)之间的距离；w_ji(k)为第k步所对应神经元的权重，w_ji(k+1)表示第k+1步神经元的权重，σ(t)为指数衰减率，其值随时间的变化而变化，σ(t)＝σ₀exp(-t/τ_σ)，η(t)为学习率，η(t)＝η₀exp(-t/τ_η)，t为神经网络训练一个epoch所需要的时间，σ₀，τ_σ，η₀为常值；

步骤4-4)反复迭代步骤4-2)和步骤4-3)，直到w_ji收敛为止；

步骤4-5)将输出空间中每个神经元指向输入空间中的数据划分为一类，以此实现聚类；

所述步骤5)具体包括：

步骤5-1)确定所选取的回归函数集合，包括：

a₀+a₁x，a₀+a₁x+a₂x²，…，a₀+a₁x+a₂x²+…a₅x⁵；

a₁sin(b₁x+c₁)，…，a₁sin(b₁x+c₁)+a₂sin(b₂x+c₂)+…a₅sin(b₅x+c₅)；

其中，a₀,a₁,a₂,a₃,a₄,a₅，b₁,b₂,b₃,b₄,b₅和c₁,c₂,c₃,c₄,c₅为函数系数；

步骤5-2)针对两类数据，采用交叉验证算法，利用训练集和验证集从回归函数集合中选取泛化误差最小的回归函数分别作为两类数据的回归函数；

步骤5-3)将步骤2)计算得到的SSIM值代入回归函数得到主观差异评分DMOS值。