[发明专利]一种自顶向下的自然图像恰可察觉失真阈值估计方法

权利要求书

1.一种自顶向下的自然图像恰可察觉失真阈值估计方法，其特征在于包括以下步骤：

步骤1：将待处理的一幅自然图像作为源图像；然后将源图像转换为灰度图像，记为I_Y；其中，源图像为RGB彩色图像，源图像和I_Y的宽度均为W且高度均为H；

步骤2：将I_Y分割成Num个互不重叠的尺寸大小为的图像块；然后对I_Y中的每个图像块进行向量化处理，得到I_Y中的每个图像块对应的列向量，将I_Y中的第n个图像块对应的列向量记为x_n；再将I_Y中的所有图像块对应的列向量拼接构成一个向量化矩阵，记为X，X＝[x₁,x₂,…,x_n,…,x_Num]；其中，设定W和H均能够被整除，K的取值为4²或5²或6²或7²或8²或9²或10²，1≤n≤Num，x₁表示I_Y中的第1个图像块对应的列向量，x₂表示I_Y中的第2个图像块对应的列向量，x_Num表示I_Y中的第Num个图像块对应的列向量，x₁、x₂、x_n、x_Num的维数均为K×1，X的维数为K×Num，符号“[]”为向量或矩阵的表示形式；

步骤3：计算X的协方差矩阵，记为C；然后利用特征值分解技术对C进行处理，得到C的K个特征值和对应的K个特征向量；接着对C的K个特征向量按对应的K个特征值从大到小的降序方式进行排序，将C的K个特征向量按其排序结果构成的矩阵作为从X中提取到的先验信息；其中，C的维数为K×K，特征向量为列向量，特征向量的维数为K×1，从X中提取到的先验信息中的每一列为C的1个特征向量，从X中提取到的先验信息的维数为K×K；

步骤4：将从X中提取到的先验信息作为I_Y的KLT核，记为P；然后根据P和X，计算I_Y的KLT系数矩阵，记为Q，Q＝(P)^TX；再将Q表示为Q＝[q₁,q₂,…,q_k,…,q_K]^T；其中，P的维数为K×K，Q的维数为K×Num，1≤k≤K，q₁表示Q中的第1维KLT谱分量，q₂表示Q中的第2维KLT谱分量，q_k表示Q中的第k维KLT谱分量，q_K表示Q中的第K维KLT谱分量，q₁、q₂、q_k、q_K的维数均为Num×1；

步骤5：计算Q中的每一维KLT谱分量的KLT系数能量，将q_k的KLT系数能量记为E_k，然后计算Q中的每一维KLT谱分量的归一化KLT系数能量，将q_k的归一化KLT系数能量记为再计算Q中的每一维KLT谱分量的累积归一化KLT系数能量，将q_k的累积归一化KLT系数能量记为最后将Q中的所有KLT谱分量的累积归一化KLT系数能量组成累积归一化KLT系数能量向量，记为E^cum，其中，q_k(n)表示q_k中的第n个元素的值，1≤ζ≤K，E_ζ表示Q中的第ζ维KLT谱分量q_ζ的KLT系数能量，表示q₁的归一化KLT系数能量，表示q₂的归一化KLT系数能量，E^cum的维数为1×K，表示q₁的累积归一化KLT系数能量，表示q₂的累积归一化KLT系数能量，表示q_K的累积归一化KLT系数能量；

步骤6：将E^cum作为输入代入感知无失真临界点计算模型中，计算得到I_Y的感知无失真临界点，记为L；然后根据L构建感知无失真系数重建矩阵，记为接着采用重建得到感知无失真系数矩阵，记为再将表示为其中，L为正整数，1≤L≤K，的维数为K×Num，中的“＝”为赋值符号，q_L表示Q中的第L维KLT谱分量，q_L的维数为Num×1，至均为全0向量，的维数均为Num×1，的维数为K×Num，表示中的第1维感知无失真系数向量，表示中的第2维感知无失真系数向量，表示中的第n维感知无失真系数向量，表示中的第Num维感知无失真系数向量，的维数均为K×1；

步骤7：按步骤2中的向量化处理的逆操作，将中的每一维感知无失真系数向量转换成尺寸大小为的图像块，将转换成的图像块作为第n个图像块；然后将中的所有感知无失真系数向量转换成的图像块拼接成图像作为感知无失真临界图像，记为I_L；再根据I_Y和I_L，计算恰可察觉失真阈值图，记为M，将M中坐标位置为(a,b)的像素点的像素值记为M(a,b)，M(a,b)＝|I_Y(a,b)-I_L(a,b)|；其中，1≤a≤W,1≤b≤H，I_Y(a,b)表示I_Y中坐标位置为(a,b)的像素点的像素值，I_L(a,b)表示I_L中坐标位置为(a,b)的像素点的像素值，符号“| |”为取绝对值符号。