基于独立子空间分析的无参考图像质量客观评价方法

摘要

本发明公开了一种基于独立子空间分析的无参考图像质量客观评价方法。本发明具体实施包括如下步骤：1.对公知数据库中的大量原始图像进行独立子空间分析，获取相对独立的一系列图像特征，统计其直方图分布，采用广义高斯密度（Generalized？Gaussian？Density,GGD）模型获取其边缘分布的统计曲线，作为基准参考；2.基于独立子空间分析提取待测失真图像的图像特征，采用GGD模型获取特征信息的统计分布；3.对比处理获取的失真图像特征信息统计分布与基准参考统计分布，测量并累计综合所有特征信息对应的欧式距离作为待测失真图像的质量度量。本发明所提出的图像质量客观评价与主观评价具有很好的一致性，且性能优于传统图像质量评价方法。

说明书

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于独立子空间分析的无参考图像质量客观评价方法。

背景技术

图像质量评价是指采用一定的评定标准度量图像在获取、处理、传输和存储的过程中产生的质量损失。它将有助于监控与评价图像质量，评测与优化图像处理系统的性能。目前，图像质量评价已经成为图像处理领域的重要研究内容，具有重要的理论研究和工程应用价值。

由于图像质量的主观评价方法存在耗时、费力和不可重复等缺陷，十分有必要基于人工智能等技术发展客观评价方法，以实现自动、高效、客观地评价图像质量。图像质量客观评价可以分为三个类别：全参考方法、半参考方法和无参考方法。这三类方法的主要区别在于对原始参考图像的依赖程度不同。由于无参考图像质量评价方法不需要原始图像信息作为参考，十分符合图像处理的实际应用场景，因此具有更加重要的研究价值。

在实际应用系统中，无参考图像质量评价往往基于对人类视觉系统和视觉心理学的研究成果，利用自然图像统计特性，提取与质量感知密切相关的图像特征信息，实现图像质量损伤的度量。目前，对于无参考图像质量评价的研究相对较少，其核心问题在于如何提取高质量的图像特征信息。

发明内容

本发明的目的是利用独立子空间分析，实现非线性图像特征的提取，提出一种基于独立子空间分析的无参考图像质量评价方法。通过提取图像中独立的非线性特征，并分析综合特征信息以实现对图像质量的映射，完成图像质量的测定与评价。

本发明基于独立子空间分析，通过对线性特征分组，构建相互独立的各个子空间，并采用非线性变换，实现了更加独立的图像特征的提取，以符合人类视觉系统对图像质量的感知特性，从而取得良好的图像质量评价效果。

本发明采取的技术方案是：

首先，对公知数据库(如美国德州大学奥斯汀分校的LIVE数据库)中的大量原始图像进行独立子空间分析，获取相对独立的一系列图像特征，统计其直方图分布，采用广义高斯密度(GeneralizedGaussianDensity,GGD)模型获取其边缘分布的统计曲线，作为基准参考；其次，基于独立子空间分析提取待测失真图像的图像特征，采用GGD模型获取特征信息的统计分布；进而，对比处理获取的失真图像特征信息统计分布与基准参考统计分布，测量并累计综合所有特征信息对应的欧式距离作为待测失真图像的质量度量。

本发明解决其技术问题所采用的技术方案如下：

步骤(1).循环读入公知数据库(如美国德州大学奥斯汀分校的LIVE图像数据库)中的原始图像。

步骤(2).将步骤(1)读入的原始图像分为若干个大小为m×n的图像块，将所有图像块组成维数为m×n的向量。

步骤(3).对步骤(2)所划分的各个图像块进行对比度增益控制的归一化处理。归一化处理采用局部做除的方法。具体如下：

$M_{ij}=I_{ij}/\left(\frac{{\mathrm{\Sigma I}}_{ij}}{m\times n}\right)---\left(1\right)$

其中，M_ij表示归一化后的图像块第i行第j列像素点的灰度值，I_ij表示大小为m×n的图像块中第i行第j列像素点的灰度值。

步骤(4).对步骤(3)得到的归一化后的图像块做白化处理。具体如下：

$\tilde{M}(x,y)=M(x,y)-\frac{1}{m\times n}\underset{x,y}{\overset{m\times n}{\Sigma }}{M}_{ij}(x,y)---\left(2\right)$

其中，表示白化处理后的图像块的灰度值，M(x,y)表示归一化后的图像块的灰度值，M_ij表示归一化后的图像块第i行第j列像素点的灰度值。

步骤(5).对步骤(4)得到白化后的图像信息做主成分分析(principalcomponentanalysis)，进行降维处理，降至p维。具体如下：

$\begin{array}{c}Var\left(P\right)=\underset{i=1}{\overset{t}{\Sigma }}{\lambda }_i\left(a^T{M}_i\right){\left(a^T{M}_i\right)}^T\underset{i=1}{\overset{t}{\Sigma }}{\lambda }_i{\left(a^T{M}_i\right)}^2\le {\lambda }_i\underset{i=1}{\overset{t}{\Sigma }}{\left(a^T{M}_i\right)}^2\\ ={\lambda }_1\left(a^T{M}_i\right){\left(a^T{M}_i\right)}^T={\lambda }_1{a}^T{M}_i{M_i}^{T}a={\lambda }_1{a}^{T}a={\lambda }_1\end{array}---\left(3\right)$

其中，Var(P)表示白化处理后的图像块灰度值的方差，a表示特征系数，λ_i表示特征根，λ₁表示λ_i中最大的特征根，M_i表示第i行图像块向量，利用上述方式依次找到最大特征根，前p个最大特征根所表示的分量即为主成分。

步骤(6).基于步骤(5)得到的降维后的数据，获取线性特征l_i：

$l_i=\underset{x,y}{\Sigma }{v}_i(x,y)W(x,y)---\left(4\right)$

其中，v_i是正则化的线性特征检测器，x和y分别是原始图像的像素坐标，W(x,y)是步骤(5)采用线性变换和主成分分析计算得到的白化数据。

步骤(7).通过设置分组规则，将步骤(6)获得的线性特征进行分组，组成相对独立的子空间，并利用非线性变换将各个子空间构建成独立的非线性特征信息N_k。

7.1分组规则为：

$\underset{l_i,i\in S\left(k\right)}{\min }\{\sqrt{\underset{x,y}{\Sigma }W{(x,y)}^2}-\sqrt{\underset{i\in S\left(k\right)}{\Sigma }{\left[l_i{v_i}^{-1}(x,y)\right]}^2}\}---\left(5\right)$

其中，S(k)是第k个子空间，W(x,y)是步骤(5)采用线性变换和主成分分析计算得到的白化数据，v_i是正则化的线性特征检测器。

7.2非线性变换为：

$N_k=\sqrt{\underset{i\in S\left(k\right)}{\Sigma }{\left(l_i\right)}^2}---\left(6\right)$

其中，N_k为第k个非线性特征信息。

步骤(8).利用对数似然函数进一步提升步骤(7)得到的非线性特征信息N_k的稀疏性。采用的对数似然函数logL(v₁,……,v_n)如下：