[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

说明书

本发明公开了一种基于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，将步骤4)的SSIM值进行回归映射得到主观差异评分DMOS值；步骤6)计算两类数据的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。

技术领域

本发明涉及图像处理领域，具体涉及一种基于ICA稀疏表示与SOM的失真图像质量评价方法。

背景技术

图像质量评价方法分为主观质量评价方法和客观质量评价方法。主观质量评价方法是观测者在观测图像后，对图像的视觉质量作出评分。主观质量评价最符合人眼的视觉系统，但不适用于实际系统。客观质量评价是对输入图像采用数学模型进行运算而做出的视觉质量评分。客观质量评价与主观质量评价的一致性是衡量客观质量评价方法优劣的唯一标准。按照是否需要参考图像信息的标准，客观质量评价方法分为全参考评价方法，部分参考评价方法及无参考评价方法。全参考评价方法是以参考图像的全部信息为标准，评价待测图像的质量。全参考评价方法主要有均方误差方法(Mean Square Error，MSE)，结构相似度(Structural Similarity Index Measurement System，SSIM)方法等。无参考评价方法则不考虑参考图像的任何信息，对待测图像基于统计特性的描述。部分参考评价方法介于全参考评价方法与无参考评价方法，利用诸如参考图像的边缘、结构的部分信息作为参考，对待测图像进行评价。现今较成熟的客观质量评价方法多是针对诸如压缩、模糊等某一种特定失真的质量评价算法。而在实际系统中，获得的图像往往经过成像、采集、传输、显示等阶段，会受到多种噪声的干扰，只针对某一种特定失真的图像评价意义不大。2012年，Texas大学图像和视频工程实验室发布多扭曲失真图像数据库(LIVE Multiply DistortedImage Quality Database)，展开了多扭曲失真图像评价方法的研究。

现有的图像质量评价方法都是通过一种客观评价方法，如均方误差MSE，峰值信噪比(PSNR，Peak Signal to Noise Ratio，PSNR)，奇异值分解SVD，SSIM算法，通过直接使用诸如逻辑回归Logistic，高斯回归函数Gaussian等某一种指定的回归算法，将所得客观评分映射到主观差异评分DMOS中，这样仅用一种指定的回归算法，回归效果不好，容易出现欠拟合或过拟合现象；且并没有分析数据的内在规律，造成回归误差大，影响了客观质量评价方法的性能。

发明内容

本发明的目的在于克服现有多数图像质量评价方法不适用于多扭曲失真图像这一问题，提出了基于ICA(Independent Component Analysis，ICA)稀疏表示与自组织映射SOM(Self Organizing maping，SOM)多扭曲失真图像质量评价方法。首先，分别对多扭曲失真图像及参考图像进行ICA的稀疏表示，对ICA稀疏表示下的图像结构信息进行白化处理，使用结构相似度SSIM方法对图像质量进行评分，并运用SOM方法聚类分类，将数据比较集中的分成一类，另一部分数据分成另一类，在每块数据中运用交叉验证算法，寻求最小泛化误差的回归函数，研究回归函数映射下的客观评分与主观差异评分DMOS之间的关系。在LIVE数据库中450张图像验证本发明的方法。实验结果表明，本发明的方法与主观质量评价方法的一致性较好，具有较高的适用性。

为了实现上述目的，本发明提出了一种基于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；