一种基于区别性稀疏表示的盲图像质量评价方法
【技术领域】
[0001] 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】
[0002] 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。 [0003] 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，SS頂等。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。
[0004] 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】
[0005] 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。
[0006] 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：
[0007] (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；
[0008] (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；
[0009] (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。
[0010] 所述步骤（1)中，具体包括：
[0011] (I. 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；
[0012] (1. 2)从步骤（I. 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Dd为特征子字典D +与噪声子字典D的集合。
[0013] 所述步骤⑵中，具体包括：
[0014] (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；
[0015] (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Dd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。
[0016] 所述步骤⑶中，具体包括：
[0017] (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；
[0018] (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Rd， Rd越大，则认为图像质量越好。
[0019] 所述步骤（2. 2)中用区别性字典Dd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，TF夺匹配?自睽笪法龙魅加下公式，获得稀疏系数α :
[0020]
[0021] 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，I I aj |。为零范数，限制a u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。
[0022] 所述步骤（3. 1)中每个颜色通道的子图像的评分I的计算公式为：
[0023]
[0024] 其中N为子图像分解出的图块个数，af和《Γ分别为c颜色通道特征子字典和噪 声子字典表示第k个图块的稀疏系数，I I ·| I1为一范数，Wk为第k个图块对应的权重系数。 Wk定义为Wk= σ k+M，其中M为一常数，Ok是第k个图块的标准差。
[0025] 所述步骤（3. 2)中Rd根据三个颜色通道的子图像评分的加权求和得到，每个子图 像评分对应的系数参照RGB空间转化为YIQ空间中Y通道的转换公式系数。
[0026] 有益效果：本发明的基于区别性稀疏表示的盲图像质量评价方法，名称为基于 区别性稀疏表不的特征量化（Feature Quantification via Discriminative Sparse Representation，FQ-DSR)。该方法的提出受到了人类初级视觉皮质在进行图像质量时对 图像特征进行稀疏表示处理的启发，提出了对图像特征进行量化分析而进行质量评价的方 法。其中，图像特征既包含正常的图像结构，也包含图像的退化性结构（噪声）。为此，本发 明针对性地设计了一种区别性字典，该字典中既包含适合表示正常图像结构的"正"子字典 (特征子字典），又包含适合表示图像噪声的"负"子字典（噪声子字典）。当用这种区别性 字典对图像进行稀疏表示时，就可以通过定量统计特征子字典和噪声子字典中所用来表示 图像的原子的系数分布来评价图像质量的好坏。相比于现有的代表性盲质量图像质量评价 方法，本发明方法实现简单，无需人工标记的图像进行训练，且与人工打分更加一致。
【附图说明】
[0027] 图1为本发明方法的流程图。
[0028] 图2(a)_(g)为训练特征子字典所用的7幅无失真自然图像。
[0029] 图2(h)为训练噪声子字典所用的模拟高斯噪声图像。
[0030] 图3 (a)为利用FDDL方法训练出的特征子字典。
[0031] 图3 (b)为利用FDDL方法训练出的噪声子字典。
【具体实施方式】
[0032] 下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明 而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价 形式的修改均落于本申请所附权利要求所限定的范围。
[0033] 如图1所示，本发明实施例公开的基于区别性稀疏表示的盲图像质量评价方法主 要由三个步骤组成：构造区别性字典，字典表示和综合打分。首先，从无噪声污染的（无 失真）自然图像和噪声图像样本中各自训练对应的字典，并将两个子字典合并为区别性字 典。然后，用该区别性字典去表示待评价的图像，得到两个子字典对应的稀疏系数。最后， 通过统计两部分稀疏系数的比例获得最终的图像打分。具体步骤如下：
[0034] 步骤一、构造区别性字典，具体步骤如下：
[0035] 第1步、从若干无噪声污染的自然图像中提取大量的图块作为特征训练集；另从 模拟的高斯噪声图像中提取大量图块作为噪声训练集。模拟噪声图像可以选用高斯噪声进 行模拟，也可以使用其他类型的噪声。本实验中待评价图像为高斯噪声所污染，因此为了得 到最好的评价效果，此处选用对应的高斯噪声模拟图像训练噪声字典。本实验中选用如图 2 (a) - (g)所示的7幅无失真自然图像和如图2 (h)所示的模拟高斯噪声图像作为样本，其中 图块的大小为16X16。在具体应用场景中可以根据具体情况合理选择样本图像和样本个 数，以及图块的大小。
[0036] 第2步、从第1步获得的两个训练集中，利用Fisher区别性字典学习方法（FDDL) 训练出两个具有独特特征表示能力的子字典：特征子字典D +和噪声子字典D。其中每个子 字典大小为256 X 512 (见图3)。选用FDDL方法的目的是为了使训练出的特征子字典对自 然图像的结构特征有更好的表示能力，对噪声有较差的表示能力；而训练出的噪声子字典 则对噪声有更好的表示能力，对图像的结构特征有较差的表示能力。
[0037] 第3步、构造区别性字典Dd为特征子字典与噪声子字典的集合
[0038] Dd= [D+，D]。大小为 256X1024。
[0039] 步骤二、字典表示，具体步骤如下：
[0040] 第1步、将图像分解为红，绿和蓝三个通道的子图像y% yg，yb。
[0041] 第2步、用区别性字典Dd去表示每个通道的待评测的子图像ylc可以为r、g或 b，分别代表红、绿、蓝三个通道）。具体方法为用正交匹配追踪