基于獨(dú)立子空間分析的無(wú)參考圖像質(zhì)量客觀評(píng)價(jià)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于獨(dú)立子空間分析的無(wú)參考圖像 質(zhì)量客觀評(píng)價(jià)方法。
【背景技術(shù)】
[0002] 圖像質(zhì)量評(píng)價(jià)是指采用一定的評(píng)定標(biāo)準(zhǔn)度量圖像在獲取、處理、傳輸和存儲(chǔ)的過(guò) 程中產(chǎn)生的質(zhì)量損失。它將有助于監(jiān)控與評(píng)價(jià)圖像質(zhì)量，評(píng)測(cè)與優(yōu)化圖像處理系統(tǒng)的性能。 目前，圖像質(zhì)量評(píng)價(jià)已經(jīng)成為圖像處理領(lǐng)域的重要研究?jī)?nèi)容，具有重要的理論研究和工程 應(yīng)用價(jià)值。
[0003] 由于圖像質(zhì)量的主觀評(píng)價(jià)方法存在耗時(shí)、費(fèi)力和不可重復(fù)等缺陷，十分有必要基 于人工智能等技術(shù)發(fā)展客觀評(píng)價(jià)方法，以實(shí)現(xiàn)自動(dòng)、高效、客觀地評(píng)價(jià)圖像質(zhì)量。圖像質(zhì)量 客觀評(píng)價(jià)可以分為三個(gè)類別：全參考方法、半?yún)⒖挤椒ê蜔o(wú)參考方法。這三類方法的主要區(qū) 別在于對(duì)原始參考圖像的依賴程度不同。由于無(wú)參考圖像質(zhì)量評(píng)價(jià)方法不需要原始圖像信 息作為參考，十分符合圖像處理的實(shí)際應(yīng)用場(chǎng)景，因此具有更加重要的研究?jī)r(jià)值。
[0004] 在實(shí)際應(yīng)用系統(tǒng)中，無(wú)參考圖像質(zhì)量評(píng)價(jià)往往基于對(duì)人類視覺(jué)系統(tǒng)和視覺(jué)心理學(xué) 的研究成果，利用自然圖像統(tǒng)計(jì)特性，提取與質(zhì)量感知密切相關(guān)的圖像特征信息，實(shí)現(xiàn)圖像 質(zhì)量損傷的度量。目前，對(duì)于無(wú)參考圖像質(zhì)量評(píng)價(jià)的研究相對(duì)較少，其核心問(wèn)題在于如何提 取高質(zhì)量的圖像特征信息。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是利用獨(dú)立子空間分析，實(shí)現(xiàn)非線性圖像特征的提取，提出一種基 于獨(dú)立子空間分析的無(wú)參考圖像質(zhì)量評(píng)價(jià)方法。通過(guò)提取圖像中獨(dú)立的非線性特征，并分 析綜合特征信息以實(shí)現(xiàn)對(duì)圖像質(zhì)量的映射，完成圖像質(zhì)量的測(cè)定與評(píng)價(jià)。
[0006] 本發(fā)明基于獨(dú)立子空間分析，通過(guò)對(duì)線性特征分組，構(gòu)建相互獨(dú)立的各個(gè)子空間， 并采用非線性變換，實(shí)現(xiàn)了更加獨(dú)立的圖像特征的提取，以符合人類視覺(jué)系統(tǒng)對(duì)圖像質(zhì)量 的感知特性，從而取得良好的圖像質(zhì)量評(píng)價(jià)效果。
[0007] 本發(fā)明采取的技術(shù)方案是：
[0008] 首先，對(duì)公知數(shù)據(jù)庫(kù)（如美國(guó)德州大學(xué)奧斯汀分校的LIVE數(shù)據(jù)庫(kù)）中的大量原始 圖像進(jìn)行獨(dú)立子空間分析，獲取相對(duì)獨(dú)立的一系列圖像特征，統(tǒng)計(jì)其直方圖分布，采用廣義 高斯密度（Generalized Gaussian Density, GGD)模型獲取其邊緣分布的統(tǒng)計(jì)曲線，作為基 準(zhǔn)參考；其次，基于獨(dú)立子空間分析提取待測(cè)失真圖像的圖像特征，采用GGD模型獲取特征 信息的統(tǒng)計(jì)分布；進(jìn)而，對(duì)比處理獲取的失真圖像特征信息統(tǒng)計(jì)分布與基準(zhǔn)參考統(tǒng)計(jì)分布， 測(cè)量并累計(jì)綜合所有特征信息對(duì)應(yīng)的歐式距離作為待測(cè)失真圖像的質(zhì)量度量。
[0009] 本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案如下：
[0010] 步驟（1).循環(huán)讀入公知數(shù)據(jù)庫(kù)（如美國(guó)德州大學(xué)奧斯汀分校的LIVE圖像數(shù)據(jù) 庫(kù)）中的原始圖像。
[0011] 步驟（2).將步驟⑴讀入的原始圖像分為若干個(gè)大小為mXn的圖像塊，將所有 圖像塊組成維數(shù)為mXn的向量。
[0012] 步驟（3).對(duì)步驟（2)所劃分的各個(gè)圖像塊進(jìn)行對(duì)比度增益控制的歸一化處理。歸 一化處理采用局部做除的方法。具體如下：
⑴
[0013]
[0014] 其中，Mlj表示歸一化后的圖像塊第i行第j列像素點(diǎn)的灰度值，I u表示大小為 mXη的圖像塊中第i行第j列像素點(diǎn)的灰度值。
[0015] 步驟（4).對(duì)步驟（3)得到的歸一化后的圖像塊做白化處理。具體如下：
(2)
[0016]
[0017] 其中，A(.v，.v)表示白化處理后的圖像塊的灰度值，M(x，y)表示歸一化后的圖像塊 的灰度值，Mlj表示歸一化后的圖像塊第i行第j列像素點(diǎn)的灰度值。
[0018] 步驟（5).對(duì)步驟（4)得到白化后的圖像信息做主成分分析（principal component analysis)，進(jìn)行降維處理，降至p維。具體如下：
[0019]
[0020] 其中，Var(P)表示白化處理后的圖像塊灰度值的方差，a表示特征系數(shù)，A1表示 特征根，A 1表示λ i中最大的特征根，M1表示第i行圖像塊向量，利用上述方式依次找到 最大特征根，前P個(gè)最大特征根所表示的分量即為主成分。
[0021] 步驟（6).基于步驟（5)得到的降維后的數(shù)據(jù)，獲取線性特征11:
[0022]
(4)
[0023] 其中，\是正則化的線性特征檢測(cè)器，X和y分別是原始圖像的像素坐標(biāo)，W(x，y) 是步驟（5)采用線性變換和主成分分析計(jì)算得到的白化數(shù)據(jù)。
[0024] 步驟（7).通過(guò)設(shè)置分組規(guī)則，將步驟（6)獲得的線性特征進(jìn)行分組，組成相對(duì)獨(dú) 立的子空間，并利用非線性變換將各個(gè)子空間構(gòu)建成獨(dú)立的非線性特征信息N k。
[0025] 7. 1分組規(guī)則為：
[0026]
(5)
[0027] 其中，S(k)是第k個(gè)子空間，W(x，y)是步驟（5)采用線性變換和主成分分析計(jì)算 得到的白化數(shù)據(jù)，\是正則化的線性特征檢測(cè)器。
[0028] 7. 2非線性變換為：
[0029]
(⑴
[0030] 其中，Nk為第k個(gè)非線性特征信息。
[0031] 步驟（8).利用對(duì)數(shù)似然函數(shù)進(jìn)一步提升步驟（7)得到的非線性特征信息Nk的稀 疏性。采用的對(duì)數(shù)似然函數(shù)IogUv1,......，Vn)如下：
[0032]
(7)
[0033] 其中，V= (Vl，……，vn)為一系列特征檢測(cè)器，T為非線性特征信息的數(shù)目，h為 測(cè)量稀疏性的非線性函數(shù)。
[0034] 步驟（9).利用GGD模型擬合步驟⑶各個(gè)非線性特征信息中系數(shù)的邊緣分布 P(Nk); (8)
[0035]
[0036] α是密度方差的寬度，Γ (·)為Gamma 函數(shù)，它的一般表達(dá)式為Γ (s) = J ts k tClt ;
[0037] 步驟（10).以步驟（9)擬合獲得的原始圖像各個(gè)子空間的系數(shù)邊緣分布作為特 征信息的參考基準(zhǔn)；
[0038] 步驟（11).輸入待測(cè)試的失真圖像，并將輸入的失真圖像分為若干個(gè)大小為mXn 的圖像塊，將所有圖像塊組成維數(shù)為mXn的向量；
[0039] 步驟（12).利用步驟（3)-(9)方法計(jì)算步驟（11)輸入的待測(cè)試失真圖像的各個(gè) 子空間的系數(shù)邊緣分布；
[0040] 步驟（13).測(cè)量步驟（10)和步驟（12)各個(gè)對(duì)應(yīng)的子空間系數(shù)邊緣分布的歐式距 離，并進(jìn)一步綜合處理所有歐式距離，映射為待測(cè)試失真圖像的質(zhì)量失真；
[0041]
(9)
[0042] 其中，λ k用于調(diào)整各個(gè)非線性特征信息的權(quán)重，R是GGD分布中的系數(shù)總數(shù)，# 和嶺分別為步驟（10)和步驟（12)得到的GGD分布的系數(shù)。
[0043] 本發(fā)明的有益效果：
[0044] 本發(fā)明通過(guò)獨(dú)立子空間分析獲取非線性的獨(dú)立圖像特征信息，利用廣義高斯密度 分布訓(xùn)練得到參考基準(zhǔn)，并與測(cè)試圖像特征信息的密度分布進(jìn)行對(duì)比，測(cè)量二者的歐式距 離，實(shí)現(xiàn)對(duì)圖像質(zhì)量損失的度量，實(shí)現(xiàn)對(duì)失真圖像質(zhì)量的客觀評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明，基于本 發(fā)明所提出方法對(duì)圖像質(zhì)量的評(píng)價(jià)性能與主觀評(píng)價(jià)具有很好的一致性，優(yōu)于傳統(tǒng)圖像質(zhì)量 評(píng)價(jià)方法。
【附圖說(shuō)明】
[0045]圖1為本發(fā)明基于獨(dú)立子空間分析的無(wú)參考圖像質(zhì)量客觀評(píng)價(jià)方法的原理圖。
【具體實(shí)施方式】
[0046] 下面結(jié)合附圖對(duì)本發(fā)明方法作進(jìn)一步說(shuō)明。
[0047] 如圖1所示，基于獨(dú)立子空間分析的無(wú)參考圖像質(zhì)量客觀評(píng)價(jià)方法，其具體實(shí)施 步驟如下：
[0048] 步驟（1).在Matlab環(huán)境下進(jìn)行編程，將美國(guó)德州大學(xué)奧斯汀分校的LIVE圖像數(shù) 據(jù)庫(kù)中的原始圖片順序編號(hào)，循環(huán)讀入29幅原始圖像。
[0049] 步驟（2).將步驟（1)讀入的圖像分為若干個(gè)32X32的圖像塊，組成維數(shù)為1024 的向量。
[0050] 本實(shí)施例中，由于LIVE數(shù)據(jù)庫(kù)中的圖像尺寸大小不一，本發(fā)明步驟（2)對(duì)于長(zhǎng)寬 無(wú)法被32整除的圖