[发明专利]一种基于非监督学习的图像质量评价方法

摘要

本发明公开了一种基于非监督学习的图像质量评价方法，其在训练阶段，根据每个子块的HOG特征统计直方图及所有像素点在不同中心频率和不同方向因子下的振幅的均值，获取图像特征矢量，并根据每个子块的客观评价预测值获取图像质量矢量；接着根据每个子块的图像特征矢量和图像质量矢量，通过非监督学习方式分别构造图像特征字典表和图像质量字典表；在测试阶段，根据图像特征字典表通过优化得到测试图像中的每个子块的稀疏系数矩阵，并通过稀疏系数矩阵和图像质量字典表得到图像质量客观评价预测值，其与主观评价值保持了较好的一致性，且不需要再计算图像特征字典表和图像质量字典表，降低了计算复杂度，同时无需预知各评价图像的主观评价值。

主权项

1.一种基于非监督学习的图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程，所述的训练阶段过程的具体步骤如下：①‑1、选取N幅原始的无失真图像；然后将选取的N幅原始的无失真图像和每幅原始的无失真图像对应的L个失真强度的失真图像构成训练图像集，记为其中，N>1，L>1，表示中的第u幅原始的无失真图像，表示中的第u幅原始的无失真图像对应的第v个失真强度的失真图像；①‑2、通过采用Gabor滤波器获取中的每幅失真图像中的每个像素点在不同中心频率和不同方向因子下的频率响应，再获取中的每幅失真图像中的每个像素点在不同中心频率和不同方向因子下的振幅，将中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的振幅记为其中，(x,y)表示原始的无失真图像及其对应的失真图像中的像素点的坐标位置，1≤x≤W,1≤y≤H，W和H对应表示原始的无失真图像及其对应的失真图像的宽度和高度，ω表示所采用的Gabor滤波器的中心频率，ω∈Ω_ω，θ表示所采用的Gabor滤波器的方向因子，θ∈Ω_θ，①‑3、将中的每幅失真图像划分成个互不重叠的尺寸大小为8×8的子块；然后将中的所有失真图像中的所有子块构成一个失真子块集合，记为{R_k|1≤k≤M}，其中，R_k表示{R_k|1≤k≤M}中的第k个子块；①‑4、计算{R_k|1≤k≤M}中的每个子块中的所有像素点的HOG特征统计直方图，将以矢量形式表示的HOG特征统计直方图作为每个子块的第一图像特征矢量，对于{R_k|1≤k≤M}中的第k个子块，将该子块中的所有像素点的HOG特征统计直方图作为该子块的第一图像特征矢量，记为其中，的维数为36；并计算{R_k|1≤k≤M}中的每个子块中的所有像素点在不同中心频率和不同方向因子下的振幅的均值，将得到的每个子块对应的20个均值按序组成每个子块的第二图像特征矢量，将{R_k|1≤k≤M}中的第k个子块对应的20个均值按序组成的第二图像特征矢量记为其中，的维数为20，中的一个元素的值为该子块中的所有像素点在一个中心频率和一个方向因子下的振幅的均值；然后根据{R_k|1≤k≤M}中的每个子块的第一图像特征矢量和第二图像特征矢量，获得{R_k|1≤k≤M}中的每个子块的图像特征矢量，将{R_k|1≤k≤M}中的第k个子块的图像特征矢量记为其中，的维数为56，此处符号“[]”为矢量表示符号；再将{R_k|1≤k≤M}中的所有子块的图像特征矢量构成的集合记为①‑5、采用6种不同的全参考图像质量评价方法分别获取{R_k|1≤k≤M}中的每个子块的客观评价预测值，将得到的每个子块对应的6个客观评价预测值按序组成每个子块的图像质量矢量，将{R_k|1≤k≤M}中的第k个子块对应的6个客观评价预测值按序组成的图像质量矢量记为其中，的维数为6；然后将{R_k|1≤k≤M}中的所有子块的图像质量矢量构成的集合记为①‑6、采用最小角回归方法对由和构成的集合进行字典训练操作，构造得到的图像特征字典表和图像质量字典表，对应记为D_f和D_q，D_f和D_q是采用最小角回归方法求解得到的，其中，D_f的维数为56×K，D_q的维数为6×K，K表示设定的字典的个数，K≥1，min( )为取最小值函数，符号“|| ||_F”为求取矩阵的弗罗贝尼乌斯范数‑范数符号，符号“|| ||₁”为求取矩阵的1‑范数符号，符号“|| ||₂”为求取矩阵的2‑范数符号，X^dis的维数为56×M，为中的第1个图像特征矢量，为中的第k个图像特征矢量，为中的第M个图像特征矢量，Y^dis的维数为6×M，为中的第1个图像质量矢量，为中的第k个图像质量矢量，为中的第M个图像质量矢量，a表示稀疏矩阵，a＝[a₁…a_k…a_M]，a的维数为K×M，a₁为a中的第1个列向量，a_k为a中的第k个列向量，a_M为a中的第M个列向量，符号“[]”为矢量表示符号，β为加权参数，λ₁和λ₂为拉格朗日参数；所述的测试阶段过程的具体步骤如下：②‑1、对于任意一副测试图像S_test，按照步骤①‑2的过程，以相同的操作方式获取S_test中的每个像素点在不同中心频率和不同方向因子下的振幅；然后将S_test划分成个互不重叠的尺寸大小为8×8的子块，再将S_test中的所有子块构成一个集合，记为其中，W'和H'对应表示S_test的宽度和高度，W'与W相同，H'与H相同，R_t'表示中的第t个子块；②‑2、按照步骤①‑4的过程，以相同的操作方式获取中的每个子块的图像特征矢量，将中的第t个子块的图像特征矢量记为其中，的维数为56；②‑3、根据中的每个子块的图像特征矢量和在训练阶段过程中构造得到的D_f，获取中的每个子块的稀疏系数矩阵，将中的第t个子块的稀疏系数矩阵记为其中，的维数为K×1；②‑4、根据中的每个子块的稀疏系数矩阵和在训练阶段过程中构造得到的D_q，计算中的每个子块的局部客观评价度量值，将中的第t个子块的局部客观评价度量值记为z_t；②‑5、根据中的每个子块的局部客观评价度量值，计算S_test的图像质量客观评价预测值，记为Q，