The invention discloses an image quality evaluation method based on low rank sparse matrix decomposition. The method first divides the input image into a training image set and a test image set randomly, then converts the color-distorted image in the training image set into a gray-scale distorted image, and then performs sparse and low rank matrix decomposition to obtain a feature. After combining the two feature vectors, the subjective MOS scores are combined and sent to support vector regression machine for training, and the trained support vector regression machine is obtained. Finally, the test image is extracted from the feature vectors according to the above steps and sent to the training support vector regression machine for testing, and the objective image quality is obtained. Volume evaluation results. By decomposing the input distorted image into a low rank matrix and a sparse matrix, the foreground object and the background of the image can be effectively separated, and the foreground object and the background can be extracted separately, and the quality of the image can be evaluated by using the extracted features, thus improving the accuracy of the quality evaluation of the unreferred image.
【技术实现步骤摘要】
一种基于低秩稀疏矩阵分解的图像质量评价方法
本专利技术属于图像处理领域,具体涉及一种基于低秩稀疏矩阵分解的图像质量评价方法。
技术介绍
图像质量评价是图像处理领域的关键问题,图像质量评价方法根据是否有人的参与可分成主观图像质量评价方法和客观图像质量评价方法。主观图像质量评价方法由人对图像进行打分,评价结果精确,但评价过程复杂,耗时时间长,难以得到实时应用。客观图像质量评价方法无需人的参与,通过特定的计算机算法自动预测图像质量,根据是否使用原始无失真图像作为参考,可将图像质量评价方法分成全参考图像质量评价方法,半参考图像质量评价方法和无参考图像质量评价方法。全参考算法使用参考图像的所有信息预测图像质量,半参考图像质量评价方法采用参考图像的部分信息进行图像质量预测,无参考图像质量评价方法不使用参考图像的任何信息进行图像质量评价。传统的全参考图像质量评价方法采用MSE(均方误差)或PSNR(峰值信噪比)进行图像质量评价,该方法物理意义明确,算法简单,但存在与人眼主观视觉特性不匹配等缺点,在实际场合得不到广泛应用。针对传统全参考图像质量评价方法以上缺点,Wang提出一种基于SSIM(结构相似度)的全参考图像质量评价模型,但SSIM对模糊图像评价效果不太理想,特别是对于严重模糊的图像评价效果与主观视觉感受不符。当前的无参考图像质量评价方法可以分成基于特定失真类型的方法和通用型方法,基于特定失真类型的方法主要面向特定失真类型,如块效应、模糊度、噪声等,这些方法主要面向特定失真类型,而通用型方法面向所有失真类型。Moorthy采用小波系数的统计特性进行无参考图像质量评价 ...
【技术保护点】
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:
【技术特征摘要】
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Lm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°...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。