一种基于稀疏局部保持投影的全参考屏幕图像质量评价方法技术

本发明专利技术公开一种基于稀疏局部保持投影的全参考屏幕图像质量评价方法，该方法通过将输入屏幕图像分解成文本图像块和自然图像块，再对文本图像块和自然图像块分别提取转换矩阵，利用转换矩阵分别提取出变换系数，并计算参考图像和失真图像之间的文本图像块变换系数相似度和自然图像块变换系数相似度，加权文本图像块变换系数相似度和自然图像块变换系数相似度，得到总的图像相似度，作为图像质量评价结果；本发明专利技术通过将一幅屏幕图像分成文本图像块和自然图像块，分别对自然图像块和文本图像块构建变换矩阵，并用变换矩阵提取变换系数进行全参考图像质量评价，提高了全参考屏幕图像质量评价的精度。

【技术实现步骤摘要】
一种基于稀疏局部保持投影的全参考屏幕图像质量评价方法
本专利技术属于图像处理领域，尤其涉及一种基于稀疏局部保持投影的全参考屏幕图像质量评价方法。
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。现有的全参考图像质量评价方法主要针对普通图像，而针对屏幕图像的研究相对较少，由于屏幕图像包含有文字和自然图像等内容，因此对屏幕图像进行全参考图像质量评价更具有挑战性。
技术实现思路
针对现有技术的不足，本专利技术提供一种基于稀疏局部保持投影的全参考屏幕图像质量评价方法，该方法预测效果精确，具体技术方案如下：一种基于稀疏局部保持投影的全参考屏幕图像质量评价方法，其特征在于，该方法包括如下步骤：步骤一：将输入图像集随机分成训练图像集和测试图像集；步骤二：将训练图像集和测试图像集中的参考图像和失真图像均进行灰度变换，即将彩色图像变换成灰度图像；步骤三：首先对训练图像集中的所有灰度图像进行亮度归一化处理，得到归一化亮度图像Y，采用公式如下：其中，(i,j)为某一像素在灰度图像中的坐标，ω为大小为(2K+1)×(2K+1)，均值为0，方差为1的二维高斯滤波器，L(i,j)为灰度图像在(i,j)处的灰度取值，μS(i,j)为灰度图像进行高斯滤波后在(i,j)处的均值，σS(i,j)为灰度图像进行高斯滤波后在(i,j)处的标准差，滤波器的高度和宽度都为2K+1，其中C0为避免分母为0而设的常数；步骤四：将归一化亮度图像Y分解成I个大小为N×N的图像块，并将每个图像块按行扫描顺序展开成归一化亮度图像块向量Yi，其中其中0≤i≤I-1；步骤五：将归一化亮度图像块向量Yi的取值范围等分成A个分组，并统计Yi的取值位于第i个分组中的概率pm(i)，根据概率pm(i)计算每一个图像块向量Yi的归一化亮度熵Hm，计算公式如下：其中0≤m≤I-1，A为分组的个数，Hm为第m个图像块的归一化亮度熵，pm(i)为第m个图像块中第i个分组的概率分布；步骤六：将训练图像集中所有参考图像中的N×N图像块都分成两部分：文本图像块和自然图像块，划分方法如下：当时，该图像块划分为文本图像块，并将文本图像块按行扫描顺序展开成文本图像块向量；当时，该图像块划分为自然图像块，并将自然图像块按行扫描顺序展开成自然图像块向量；其中为文本图像块和自然图像块的划分阈值；步骤七：对训练图像集中的文本图像块向量Ei进行白化处理，具体过程如下：(7.1)将训练图像集中的J个文本图像块向量Ei组成样本矩阵E＝{E1，E2，...,EJ}，其中(7.2)构建样本协方差矩阵C；(7.3)对样本协方差矩阵C进行特征值分解，得到L个最大的特征值λ1,λ2，...,λL和对应的特征向量μ1,μ2,...,μL，并分别组合成对角矩阵V和特征向量矩阵U，其中V∈RL×L,U∈RJ×L；V＝diag{λ1,λ2，...,λL}U＝[μ1,μ2,...,μL]其中，diag{·}表示将λ1，λ2,...,λL组成对角矩阵的操作；(7.4)采用对角矩阵V和特征向量矩阵U计算白化矩阵W：(7.5)利用白化矩阵W对文本图像块向量Ei进行白化处理，得到白化后的图像块Zi，计算公式如下：Zi＝W×Ei(7.6)将训练图像集中的所有J个白化后的文本图像块向量组成白化文本图像块矩阵Z，Z＝[Z1,Z2,...,ZJ](7.7)对第i个白化后的图像块Zi，在整幅图像中寻找K个近邻图像块，所述的K个近邻图像块为与Zi欧几里德距离最小的K个近邻图像块，其中，欧几里德距离计算公式为：di,k＝||Zi-Zk||2，其中1≤k≤K，i≠k(7.8)将K个近邻图像块组合成字典D，组合公式如下：D＝{Z1,Z2,...,ZK}(7.9)利用字典D对白化后的图像块向量Zi进行稀疏分解，获得稀疏分解系数αi；其中，λ表示稀疏度的正则化权重参数；(7.10)将稀疏分解系数αi组成稀疏矩阵W，其中W∈RK×K，矩阵W的元素取值公式如下：当i>j时，当i<j时，当Zi不在Zj的K近邻范围且Zj不在Zi的K近邻范围时，Wij＝0；当i＝j时，Wij＝1；(7.11)计算对称矩阵T和对角矩阵R，采用公式如下:T＝(W+WT)/2，R＝diag{rii}其中(7.12)计算拉普拉斯矩阵M＝I-T,采用以下公式进行广义特征值分解：ZMZΤpj＝λjZRZΤpj其中，I表示单位矩阵，Z表示白化图像块矩阵，M表示拉普拉斯矩阵，R表示对角矩阵，λj表示第j个特征值，pj表示第j个特征值对应的特征向量；(7.13)根据(7.12)中特征值分解得到的特征值大小，输出d个最小特征值对应的特征向量组成变换矩阵P，P＝[p1,p2,...,pd]；步骤八：对于训练图像集中的自然图像块，同样按照步骤七的流程，得到变换矩阵Q；步骤九：将灰度化后的测试图像集中的参考图像同样按照步骤三到步骤六的流程分别提取出自然图像块向量NRi和文本图像块向量TRi，并按参考图像中自然图像块和文本图像块的划分方法，将灰度化后的测试图像集中的失真图像中的对应图像块也划分成自然图像块向量NDi和文本图像块向量TDi；步骤十：采用变换矩阵P，对输入测试图像集中的TRi和TDi进行变换，得到参考图像中的每一文本图像块的变换系数Ri和失真图像中的的每一文本图像块的变换系数Bi：Ri＝PΤ×TRiBi＝PΤ×TDi其中1≤i≤α，α表示一幅参考图像或失真图像中文本图像块的个数；步骤十一：采用变换矩阵Q，对输入测试图像集中的NRi和NDi进行变换，得到参考图像的每一自然图像块的变换系数Ti和失真图像的每一自然图像块的变换系数Gi：Ti＝QΤ×NRiGi＝QΤ×NDi其中1≤i≤β，β表示一幅参考图像或失真图像中自然图像块的个数；步骤十二：计算Ri和Bi之间、Ti和Gi之间的相似度：其中C1、C2为避免分母为0而设置的常数；步骤十三：计算参考图像中所有文本图像块归一化亮度熵的总和HT、所有自然图像块归一化亮度熵的总和HN，计算公式如下：其中，IT、IN分别为一幅图像中文本图像块的个数和自然图像块的个数；步骤十四：计算文本图像块的加权系数ωT和自然图像块的加权系数ωN，并计算文本图像块图像相似度均值ST和自然图像块图像相似度均值SN；步骤十五：计算总的图像相似度，计算公式如下：S＝ωT·ST+ωN·SN进一步地，所述的滤波器的高度和宽度均为3。进一步地，所述的C0、C1、C2均为0.01。进一步地，所述的步骤六中取值为3.8。进一步地，所述的步骤(7.13)中的d取值为8。本专利技术的有益效果：本专利技术提供了一种基于稀疏局本文档来自技高网...

【技术保护点】
1.一种基于稀疏局部保持投影的全参考屏幕图像质量评价方法，其特征在于，该方法包括如下步骤：步骤一：将输入图像集随机分成训练图像集和测试图像集；步骤二：将训练图像集和测试图像集中的参考图像和失真图像均进行灰度变换，即将彩色图像变换成灰度图像；步骤三：首先对训练图像集中的所有灰度图像进行亮度归一化处理，得到归一化亮度图像Y，采用公式如下：

【技术特征摘要】
1.一种基于稀疏局部保持投影的全参考屏幕图像质量评价方法，其特征在于，该方法包括如下步骤：步骤一：将输入图像集随机分成训练图像集和测试图像集；步骤二：将训练图像集和测试图像集中的参考图像和失真图像均进行灰度变换，即将彩色图像变换成灰度图像；步骤三：首先对训练图像集中的所有灰度图像进行亮度归一化处理，得到归一化亮度图像Y，采用公式如下：其中，(i,j)为某一像素在灰度图像中的坐标，ω为大小为(2K+1)×(2K+1)，均值为0，方差为1的二维高斯滤波器，L(i,j)为灰度图像在(i,j)处的灰度取值，μS(i,j)为灰度图像进行高斯滤波后在(i,j)处的均值，σS(i,j)为灰度图像进行高斯滤波后在(i,j)处的标准差，滤波器的高度和宽度都为2K+1，其中C0为避免分母为0而设的常数；步骤四：将归一化亮度图像Y分解成I个大小为N×N的图像块，并将每个图像块按行扫描顺序展开成归一化亮度图像块向量Yi，其中其中0≤i≤I-1；步骤五：将归一化亮度图像块向量Yi的取值范围等分成A个分组，并统计Yi的取值位于第i个分组中的概率pm(i)，根据概率pm(i)计算每一个图像块向量Yi的归一化亮度熵Hm，计算公式如下：其中0≤m≤I-1，A为分组的个数，Hm为第m个图像块的归一化亮度熵，pm(i)为第m个图像块中第i个分组的概率分布；步骤六：将训练图像集中所有参考图像中的N×N图像块都分成两部分：文本图像块和自然图像块，划分方法如下：当时，该图像块划分为文本图像块，并将文本图像块按行扫描顺序展开成文本图像块向量；当时，该图像块划分为自然图像块，并将自然图像块按行扫描顺序展开成自然图像块向量；其中为文本图像块和自然图像块的划分阈值；步骤七：对训练图像集中的文本图像块向量Ei进行白化处理，具体过程如下：(7.1)将训练图像集中的J个文本图像块向量Ei组成样本矩阵E＝{E1，E2，...,EJ}，其中(7.2)构建样本协方差矩阵C；(7.3)对样本协方差矩阵C进行特征值分解，得到L个最大的特征值λ1,λ2，...,λL和对应的特征向量μ1,μ2,...,μL，并分别组合成对角矩阵V和特征向量矩阵U，其中V∈RL×L,U∈RJ×L；V＝diag{λ1,λ2，...,λL}U＝[μ1,μ2,...,μL]其中，diag{·}表示将λ1，λ2,...,λL组成对角矩阵的操作；(7.4)采用对角矩阵V和特征向量矩阵U计算白化矩阵W：(7.5)利用白化矩阵W对文本图像块向量Ei进行白化处理，得到白化后的图像块Zi，计算公式如下：Zi＝W×Ei(7.6)将训练图像集中的所有J个白化后的文本图像块向量组成白化文本图像块矩阵Z，Z＝[Z1,Z2,...,ZJ](7.7)对第i个白化后的图像块Zi，在整幅图像中寻找K个近邻图像块，所述的K个近邻图像块为与Zi欧几里德距离最小的K个近邻图像块，其中，欧几里德距离计算公式为：di,k＝||Zi-Zk||2，其中1≤k≤K，i≠k(7.8)将K个近邻图像块组合成字典D，组合公式如下：D＝{Z1,Z2,...,ZK}(7.9)利用字典D对白化后的图像块向量Z...

【专利技术属性】
技术研发人员：汪斌，
申请(专利权)人：嘉兴学院，
类型：发明
国别省市：浙江,33