[发明专利]稀疏性相关度图像质量评价方法

摘要

本发明公开了一种稀疏性相关度图像质量评价方法，通过预处理技术来模拟初级视觉通道的视觉信息处理；利用PCA和稀疏编码算法得到单细胞矩阵来模拟视觉皮层的信息处理；利用单细胞矩阵计算图像的视觉输出信息，计算输出信息的相关性得图像稀疏相关度。本发明利用主成分分析和降维来模拟视网膜和侧膝体的视觉信息处理；视觉皮层的信息处理由单细胞矩阵来模拟，单细胞矩阵利用稀疏编码算法在参考图像的样本中学习得到；参考图像和失真图像经过单细胞矩阵输出两组信息，计算其相关度得到稀疏性相关度质量分数。本发明利用稀疏编码在构建图像信息模型的同时完成对视觉模型的构建，质量评判结果与人类的主观评判更接近，适用于彩色图像的质量评价。

主权项

一种稀疏性相关度图像质量评价方法，其特征在于，通过预处理技术来模拟初级视觉通道的视觉信息处理；利用独立成分分析算法和稀疏编码算法得到一个单细胞模型——单细胞矩阵，来模拟视觉皮层的信息处理；参考图像和失真图像数据经过单细胞矩阵得出接近视觉感知特性的两组输出信息，然后在此基础上计算两组视觉输出信号的相关度，从而得到符合视觉主观判断的图像质量分数，其步骤如下：步骤一、对参考图像和待处理的失真图像进行预处理：利用滑动窗口将参考图像和失真图像划分为不重叠的图像块，每个图像块向量化为列向量，每个列向量通过减去其均值来进行中心化，将参考图像和失真图像的所有列向量组成参考图像和失真图像的协方差矩阵X^ref和X^dis；步骤二、利用PCA对参考图像的协方差矩阵进行特征值分解，选取M个最大的特征值和其对应的特征向量分别组成对角矩阵D和特征矩阵E，得到白化矩阵V：V＝D^‑1/2E^T，然后得到白化后的数据矩阵：Z＝VX^ref，其中，M为选取最大特征值的个数；步骤三、利用FastICA稀疏编码算法对白化后的数据矩阵Z进行学习，得到白化数据的单细胞矩阵W^w，然后由白化空间转换为原始空间，得到单细胞矩阵W＝W^wV；步骤四、利用单细胞矩阵W分别乘以参考图像和失真图像的参考图像和失真图像，得到参考图像和失真图像的输出信息；步骤五、由参考图像和失真图像的输出信息计算稀疏性相关度，利用稀疏性相关度评价失真图像的质量。