[发明专利]一种压缩感知恢复图像的无参考质量评价方法

摘要

本发明涉及一种压缩感知恢复图像的无参考质量评价方法，该方法包括：针对压缩感知恢复图像的失真特性，提取了图像的3个局部特征和5个全局特征来评价图像的质量。其中，局部特征包括了图像的清晰度，对比度和同质性这3个特征；全局特征包括利用广义高斯模型拟合MSCN系数，提取了4个关于图像“自然性”的特征，以及利用奇异值分解得到的1个特征。最后，利用支持向量机对上述的8个特征进行训练，得到特征模型，从而应用这个模型，预测图像的质量分数。该方法的评价结果优于国际主流方法，并且与人眼主观感知具有很高的一致性。

主权项

一种压缩感知恢复图像的无参考质量评价方法，其特征在于，包括以下步骤：步骤一：建立压缩感知恢复图像库，该图像库中图像数量不少于10张，利用LPC‑SI算法，计算出图像库中所有图像的清晰度特征值X＝(xij)M*N，取清晰度特征值中所有元素的平均值，即其中i＝1,2,,,M,j＝1,2,,,N,作为描述图像清晰度的1个局部特征；步骤二：对所有图像进行预处理，得到各个图像的MSCN系数，再计算图像的灰度共生矩阵G，然后提取图像的对比度和同质性作为图像的两个描述纹理的局部特征，即F2＝∑i∑j(i‑j)2G(i，j)步骤三:利用广义高斯模型拟合MSCN系数分布，提取广义高斯模型的平均值α和方差σ2作为两个描述图像自然性的全局特征，然后，对所有图像进行下采样，得到分辨率减半的图像，再利用广义高斯模型，提取平均值和方差作为两个描述图像自然性的全局特征，其中，采用的广义高斯模型定义如下：其中，步骤四：利用奇异值分解将所有图像进行分解，得到图像的奇异值向量矩阵V，设置阀值K，该K值小于奇异值的最大值且大于奇异值的最小值，计算奇异值大于阈值k的个数A所占奇异值总个数B的比例，即F8＝A/B作为1个全局特征；步骤五：特征提取完后，利用支持向量机SVR，对压缩感知恢复图像库中的40％以上的图像进行训练，结合训练图像的MOS，得到一个关于特征的模型；步骤六：处理所需评估的单幅图像，如为彩色图像先将彩色图像转化为灰度图像，按步骤一至步骤四中提取特征的方法提取图像的八个特征，利用步骤五得到的模型对该图像的八个特征进行计算得到该图像的质量分数。