基于独立子空间分析的无参考图像质量客观评价方法
【技术领域】
[0001] 本发明属于图像处理技术领域，尤其涉及一种基于独立子空间分析的无参考图像 质量客观评价方法。
【背景技术】
[0002] 图像质量评价是指采用一定的评定标准度量图像在获取、处理、传输和存储的过 程中产生的质量损失。它将有助于监控与评价图像质量，评测与优化图像处理系统的性能。 目前，图像质量评价已经成为图像处理领域的重要研究内容，具有重要的理论研究和工程 应用价值。
[0003] 由于图像质量的主观评价方法存在耗时、费力和不可重复等缺陷，十分有必要基 于人工智能等技术发展客观评价方法，以实现自动、高效、客观地评价图像质量。图像质量 客观评价可以分为三个类别：全参考方法、半参考方法和无参考方法。这三类方法的主要区 别在于对原始参考图像的依赖程度不同。由于无参考图像质量评价方法不需要原始图像信 息作为参考，十分符合图像处理的实际应用场景，因此具有更加重要的研究价值。
[0004] 在实际应用系统中，无参考图像质量评价往往基于对人类视觉系统和视觉心理学 的研究成果，利用自然图像统计特性，提取与质量感知密切相关的图像特征信息，实现图像 质量损伤的度量。目前，对于无参考图像质量评价的研究相对较少，其核心问题在于如何提 取高质量的图像特征信息。
【发明内容】
[0005] 本发明的目的是利用独立子空间分析，实现非线性图像特征的提取，提出一种基 于独立子空间分析的无参考图像质量评价方法。通过提取图像中独立的非线性特征，并分 析综合特征信息以实现对图像质量的映射，完成图像质量的测定与评价。
[0006] 本发明基于独立子空间分析，通过对线性特征分组，构建相互独立的各个子空间， 并采用非线性变换，实现了更加独立的图像特征的提取，以符合人类视觉系统对图像质量 的感知特性，从而取得良好的图像质量评价效果。
[0007] 本发明采取的技术方案是：
[0008] 首先，对公知数据库（如美国德州大学奥斯汀分校的LIVE数据库）中的大量原始 图像进行独立子空间分析，获取相对独立的一系列图像特征，统计其直方图分布，采用广义 高斯密度（Generalized Gaussian Density, GGD)模型获取其边缘分布的统计曲线，作为基 准参考；其次，基于独立子空间分析提取待测失真图像的图像特征，采用GGD模型获取特征 信息的统计分布；进而，对比处理获取的失真图像特征信息统计分布与基准参考统计分布， 测量并累计综合所有特征信息对应的欧式距离作为待测失真图像的质量度量。
[0009] 本发明解决其技术问题所采用的技术方案如下：
[0010] 步骤（1).循环读入公知数据库（如美国德州大学奥斯汀分校的LIVE图像数据 库）中的原始图像。
[0011] 步骤（2).将步骤⑴读入的原始图像分为若干个大小为mXn的图像块，将所有 图像块组成维数为mXn的向量。
[0012] 步骤（3).对步骤（2)所划分的各个图像块进行对比度增益控制的归一化处理。归 一化处理采用局部做除的方法。具体如下：
⑴
[0013]
[0014] 其中，Mlj表示归一化后的图像块第i行第j列像素点的灰度值，I u表示大小为 mXη的图像块中第i行第j列像素点的灰度值。
[0015] 步骤（4).对步骤（3)得到的归一化后的图像块做白化处理。具体如下：
(2)
[0016]
[0017] 其中，A(.v，.v)表示白化处理后的图像块的灰度值，M(x，y)表示归一化后的图像块 的灰度值，Mlj表示归一化后的图像块第i行第j列像素点的灰度值。
[0018] 步骤（5).对步骤（4)得到白化后的图像信息做主成分分析（principal component analysis)，进行降维处理，降至p维。具体如下：
[0019]
[0020] 其中，Var(P)表示白化处理后的图像块灰度值的方差，a表示特征系数，A1表示 特征根，A 1表示λ i中最大的特征根，M1表示第i行图像块向量，利用上述方式依次找到 最大特征根，前P个最大特征根所表示的分量即为主成分。
[0021] 步骤（6).基于步骤（5)得到的降维后的数据，获取线性特征11:
[0022]
(4)
[0023] 其中，\是正则化的线性特征检测器，X和y分别是原始图像的像素坐标，W(x，y) 是步骤（5)采用线性变换和主成分分析计算得到的白化数据。
[0024] 步骤（7).通过设置分组规则，将步骤（6)获得的线性特征进行分组，组成相对独 立的子空间，并利用非线性变换将各个子空间构建成独立的非线性特征信息N k。
[0025] 7. 1分组规则为：
[0026]
(5)
[0027] 其中，S(k)是第k个子空间，W(x，y)是步骤（5)采用线性变换和主成分分析计算 得到的白化数据，\是正则化的线性特征检测器。
[0028] 7. 2非线性变换为：
[0029]
(⑴
[0030] 其中，Nk为第k个非线性特征信息。
[0031] 步骤（8).利用对数似然函数进一步提升步骤（7)得到的非线性特征信息Nk的稀 疏性。采用的对数似然函数IogUv1,......，Vn)如下：
[0032]
(7)
[0033] 其中，V= (Vl，……，vn)为一系列特征检测器，T为非线性特征信息的数目，h为 测量稀疏性的非线性函数。
[0034] 步骤（9).利用GGD模型拟合步骤⑶各个非线性特征信息中系数的边缘分布 P(Nk); (8)
[0035]
[0036] α是密度方差的宽度，Γ (·)为Gamma 函数，它的一般表达式为Γ (s) = J ts k tClt ;
[0037] 步骤（10).以步骤（9)拟合获得的原始图像各个子空间的系数边缘分布作为特 征信息的参考基准；
[0038] 步骤（11).输入待测试的失真图像，并将输入的失真图像分为若干个大小为mXn 的图像块，将所有图像块组成维数为mXn的向量；
[0039] 步骤（12).利用步骤（3)-(9)方法计算步骤（11)输入的待测试失真图像的各个 子空间的系数边缘分布；
[0040] 步骤（13).测量步骤（10)和步骤（12)各个对应的子空间系数边缘分布的欧式距 离，并进一步综合处理所有欧式距离，映射为待测试失真图像的质量失真；
[0041]
(9)
[0042] 其中，λ k用于调整各个非线性特征信息的权重，R是GGD分布中的系数总数，# 和岭分别为步骤（10)和步骤（12)得到的GGD分布的系数。
[0043] 本发明的有益效果：
[0044] 本发明通过独立子空间分析获取非线性的独立图像特征信息，利用广义高斯密度 分布训练得到参考基准，并与测试图像特征信息的密度分布进行对比，测量二者的欧式距 离，实现对图像质量损失的度量，实现对失真图像质量的客观评价。实验结果表明，基于本 发明所提出方法对图像质量的评价性能与主观评价具有很好的一致性，优于传统图像质量 评价方法。
【附图说明】
[0045]图1为本发明基于独立子空间分析的无参考图像质量客观评价方法的原理图。
【具体实施方式】
[0046] 下面结合附图对本发明方法作进一步说明。
[0047] 如图1所示，基于独立子空间分析的无参考图像质量客观评价方法，其具体实施 步骤如下：
[0048] 步骤（1).在Matlab环境下进行编程，将美国德州大学奥斯汀分校的LIVE图像数 据库中的原始图片顺序编号，循环读入29幅原始图像。
[0049] 步骤（2).将步骤（1)读入的图像分为若干个32X32的图像块，组成维数为1024 的向量。
[0050] 本实施例中，由于LIVE数据库中的图像尺寸大小不一，本发明步骤（2)对于长宽 无法被32整除的图