[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

摘要

本发明公开一种基于低秩稀疏矩阵分解的图像质量评价方法，该方法首先将输入图像随机分成训练图像集和测试图像集，并将训练图像集中的彩色失真图像转换为灰度失真图像，然后进行稀疏与低秩矩阵分解，均获得一个特征向量，将两个特征向量组合后，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，最后将测试图像同样按上述步骤提取出特征向量，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。本发明的方法通过将输入失真图像分解成低秩矩阵和稀疏矩阵，实现图像前景目标和背景的有效分离，从而对前景目标和背景分别提取特征，并利用提取特征进行图像质量评价，提高了无参考图像质量评价的精度。

主权项

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Km×Km，方差分别为σm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Sm，其中1≤m≤M；(2)分别对Sm求取直方图，并用广义高斯分布建模直方图，过程如下：记Sm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z>0，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Sm中提取的尺度参数αm和形状参数βm组合成特征向量F1，组合公式如下：F1＝{α1，β1，α2，β2，……αM，βM}对低秩矩阵L：(1)同样分别采用窗口大小为Km×Km，方差分别为σm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Lm，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，......,EM‑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。