[发明专利]一种基于低秩稀疏矩阵分解的图像质量评价方法

权利要求书

1.一种基于低秩稀疏矩阵分解的图像质量评价方法，其特征在于，该方法包括如下步骤：

S1：将输入图像随机分成训练图像集和测试图像集；

S2：将训练图像集中的彩色失真图像转换为灰度失真图像，并对所述的训练图像集的灰度失真图像进行稀疏与低秩矩阵分解，输出低秩矩阵和稀疏矩阵，记转换后的训练图像集中的灰度图像矩阵为Y，输出的低秩矩阵为L，稀疏矩阵为S，所述的稀疏与低秩矩阵分解公式如下：

其中，||L||_*表示低秩分解矩阵的核范数，||S||₁表示稀疏分解矩阵的稀疏度，γ表示稀疏度的正则化权重参数，低秩稀疏矩阵分解采用鲁棒主成分分析方法求解；

S3：对稀疏矩阵S和低秩矩阵L分别进行如下处理：

对稀疏矩阵S：

(1)分别采用窗口大小为K_m×K_m，方差分别为σ_m的M个二维高斯滤波器对稀疏矩阵S进行滤波，得到M个滤波后的稀疏矩阵，记为S_m，其中1≤m≤M；

(2)分别对S_m求取直方图，并用广义高斯分布建模直方图，过程如下：

记S_m的直方图向量为HN，长度为N，其中广义高斯分布公式如下：

其中，Γ表示gamma函数，定义为其中z0，x表示满足广义高斯分布的一元随机变量，α为尺度参数，β为形状参数；

(3)采用矩估计法，通过一阶绝对矩和二阶矩估计α和β；

(4)将输入失真图像的M个滤波后的稀疏矩阵S_m中提取的尺度参数α_m和形状参数β_m组合成特征向量F₁，组合公式如下：

F₁＝{α₁，β₁，α₂，β₂，……α_M，β_M}

对低秩矩阵L：

(1)同样分别采用窗口大小为K_m×K_m，方差分别为σ_m的M个二维高斯滤波器对低秩矩阵L进行滤波，得到M个滤波后的低秩矩阵，分别记为L_m，其中1≤m≤M；

(2)对M个滤波后的低秩矩阵L_m分别采用0°，45°，90°和135°四个方向的sobel算子进行滤波，得到4M个滤波后的低秩矩阵，分别记为其中1≤m≤M，计算公式为：

其中表示二维卷积运算，P₀、P₄₅、P₉₀和P₁₃₅分别表示0°，45°，90°和135°四个方向的sobel算子；

(3)计算相邻滤波低秩矩阵在同一方向上的梯度特征相似度，计算公式如下：

其中1≤m≤M-1，D＝0°，45°，90°，135°，其中c为避免分母为零而设的常数；

(4)求取0°，45°，90°和135°四个方向的梯度特征相似度在整幅图像内的均值，采用公式如下：

其中为梯度特征相似度均值，1≤m≤M-1，D＝0°，45°，90°，135°；其中W和H分别为图像的宽度和高度；

(5)将0°，45°，90°和135°四个方向的组合成特征向量F₂，组合公式如下：

F₂＝{E₁，E₂，......,E_M-1}

S4：将特征向量F₁和特征向量F₂组合成特征向量F，组合公式如下：

F＝{F₁，F₂}

S5：将特征向量F合并主观MOS分值送到支持向量回归机中进行训练，得到训练后的支持向量回归机；

S6：将测试图像同样按S2-S5提取出特征向量F，送到训练后的支持向量回归机中进行测试，得到客观的图像质量评价结果。