算法（OMP)求解下面问题：
[0042]
[0043] 获得稀疏糸数α。其中R为从待评测于图像y中提取图块的算符，图块大小同样 为16X 16。下标i，j为图块左上角在图像中的位置坐标。图块之间的间隔为16,即图块与 图块之间既没有重合，也没有间隙。I I a、, I L为零范数，限制Ct U中非零元素的个数不超过 L，L设为25。求得的稀疏系数由两部分组成a = [a+，a ]，其中a +为特征子字典D+表 示图像所对应的稀疏系数，a为噪声子字典D表示图像所对应的稀疏系数。
[0044] 步骤三、综合打分，具体步骤如下：
[0045] 第1步、通过统计子图像中特征子字典对应的稀疏系数的加权比例，定义某一颜 色通道子图像评分、^为
[0046]
[0047] 式中N为待评测子图像分解出的图块个数；萍分别为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 · 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= 〇 k+M，其中M为一常数，可以根据具体应用场景调整，本实验中设 定为20能够取得较好测评效果；σ k是第k个图块的标准差。
[0048] 第2步、定义最终图像质量评分为三个颜色通道评分的加权评分：
[0049]
[0050] 其中，i?i和4分别为红、绿和蓝三个颜色通道的子图像的评分。每个子通道 评分对应的系数参照NTSC(美国国家电视系统委员会）标准中RGB空间转化为YIQ空间中 Y通道（明度通道）的转换公式系数
[0051] (Y = 0· 2989R+0. 5870G+0. 1140B)。
[0052] 当Rd较小时，代表图像中特征子字典表示的部分比重较大，而噪声子字典表示的 部分比重较小，因此认为图像质量越好；相反，当R d较大时，则认为图像受噪声污染相对严 重，图像质量越差。权重Wk设定为某一图块的标准差σ ,与一常数M的和，反映了该图块内 的噪声强度。当某一图块噪声较大时，该图块对应的噪声子字典系数的一范数I^ril1和权重 Wk都较大，相乘后进一步增强了该图块噪声系数在整体评分中的比重；当某一图块噪声较 小时，该图块对应的噪声子字典系数的一范数|?ΓΙ和权重Wk都较小，相乘后进一步减弱了 该图块噪声系数在整体评分中的比重。
[0053] 在这一部分中，将本发明提出的FQ-DSR方法同现有的其他技术进行实验对比。 实验中涉及的其他盲图像质量评价方法有BIQI，LBIQ，DIIVINE，BLIINDS-II，BRISQUE和 C0RNIA。此外，实验中也将FQ-DSR方法同一些主流的参考图像评价方法进行对比，涉及的 方法包括 SSIM, PSNR, IFC 和 VIF。
[0054] 实验中将以上几种方法分别在主流的图像质量评价数据库LIVE IQA上进行测试。 LIVE IQA数据库包含5种图像退化类型：JPEG2000, JPEG，高斯白噪声，高斯模糊和快速衰 落。本实验中仅考虑高斯噪声，数据库中高斯噪声对应部分包含29个无失真参考图像和 145张不同程度噪声污染的图像。数据库中每幅图像都有对应的人眼主观评分（DMOS)。实 验中，首先用上面提到的方法对图像进行计算打分，之后将算出的评分与DMOS评分求相关 度来评价算法的好坏。求相关度所用的准则为Spearman等级相关系数（SROCC)，该系数越 接近1则代表算法评分结果与人眼评分越接近。
[0055] 由于一些主流的盲图像质量评价算法需要用到人工打分标记图像进行训练，因此 在对应的文献中，作者将每组测试图像分为两部分。其中80%的部分用于训练，之后再在另 20%的图像上进行测试。本发明提出的方法无需人工标记图像进行训练，只需在几幅随机 的自然图像上训练字典即可。但本着公平对比的原则，在每组测试中，我们也只选取20%的 图像（6幅参考图像和30幅对应的不同程度噪声污染图像）进行测试，忽略其他80%的图 像。实验包含1000个测试集，每个测试集都随机选取6幅参考图像和其对应的30幅噪声 污染图像。实验对每组测试集都用算法进行打分并求SROCC系数，重复1000次后取得到的 1000个SROCC评分的中位数作为最终评测结果。实验结果如表1所示。
[0056] 表 1 [00571
[0058] 从表中可以看出，本发明提出的FQ-DSR得分不仅超过了主流的盲图像质量评价 方法，也超过了主流的参考图像质量评价方法。实验结果表明，本发明提出的方法对于高 斯噪声污染的图像，能够在没有参考图像的情况下取得跟人眼评价十分接近的质量评价得 分。
【主权项】
1. 一种基于区别性稀疏表示的盲图像质量评价方法，其特征在于，包括如下步骤： (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； (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； (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。2. 根据权利要求1所述的基于区别性稀疏表示的盲图像质量评价方法，其特征在于， 所述步骤（1)中，具体包括： (1. 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； (1. 2)从步骤（1. 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。3. 根据权利要求2所述的基于区别性稀疏表示的盲图像质量评价方法，其特征在于， 所述步骤（2)中，具体包括： (2. 1)将待评价的图像分解为红、绿和蓝=个颜色通道的子图像； (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。4. 根据权利要求3所述的基于区别性稀疏表示的盲图像质量评价方法，其特征在于， 所述步骤（3)中，具体包括： (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； (3. 2)根据S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 小，则认为图像质量越好。5. 根据权利要求3所述的基于区别性稀疏表示的盲图像质量评价方法，其特征在于， 所述步骤化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：用正交匹配追踪算法求解如下公式，获得稀疏系数a: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，II〇ulI。为零范数，限制a。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a=[a%a]，其中a+为特征子字典D+表示图像所对应的稀疏系数，a为噪 声子字典D表示图像所对应的稀疏系数。6. 根据权利要求4所述的基于区别性稀疏表示的盲图像质量评价方法，其特征在于， 所述步骤（3. 1)中每个颜色通道的子图像的评分贷^的计算公式为：其中N为子图像分解出的图块个数，a['和af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，II?Ill为一范数，Wk为第k个图块对应的权重系数。7. 根据权利要求6所述的基于区别性稀疏表示的盲图像质量评价方法，其特征在于，Wk 定义为Wk= 0k+M，其中M为一常数，〇k是第k个图块的标准差。8. 根据权利要求4所述的基于区别性稀疏表示的盲图像质量评价方法，其特征在于， 所述步骤化2)中Rd根据S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。9. 根据权利要求1所述的基于区别性稀疏表示的盲图像质量评价方法，其特征在于， 所述步骤（1)中的噪声图像为模拟高斯噪声图像。10. 根据权利要求1所述的基于区别性稀疏表示的盲图像质量评价方法，其特征在于， 所述步骤（1)利用Fisher区别性字典学习方法训练得到特征子字典和噪声子字典。
【专利摘要】本发明公开了一种基于区别性稀疏表示的盲图像质量评价方法，包括：首先，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；然后，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；最后，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。相比于现有的其他盲质量评价方法，本发明方法与人眼评价结果拟合度高，且实现简单，无需人工打分样本进行训练。
【IPC分类】G06T7/00
【公开号】CN105005990
【申请号】CN201510381379
【发明人】陈阳, 石路遥, 罗立民, 李松毅, 鲍旭东
【申请人】东南大学
【公开日】2015年10月28日
【申请日】2015年7月2日