稀疏性相关度图像质量评价方法技术

本发明专利技术公开了一种稀疏性相关度图像质量评价方法，通过预处理技术来模拟初级视觉通道的视觉信息处理；利用PCA和稀疏编码算法得到单细胞矩阵来模拟视觉皮层的信息处理；利用单细胞矩阵计算图像的视觉输出信息，计算输出信息的相关性得图像稀疏相关度。本发明专利技术利用主成分分析和降维来模拟视网膜和侧膝体的视觉信息处理；视觉皮层的信息处理由单细胞矩阵来模拟，单细胞矩阵利用稀疏编码算法在参考图像的样本中学习得到；参考图像和失真图像经过单细胞矩阵输出两组信息，计算其相关度得到稀疏性相关度质量分数。本发明专利技术利用稀疏编码在构建图像信息模型的同时完成对视觉模型的构建，质量评判结果与人类的主观评判更接近，适用于彩色图像的质量评价。

【技术实现步骤摘要】

本专利技术涉及图像质量评价的
，具体涉及一种稀疏性相关度(SCS，Sparse Correlation Score)图像质量评价方法。
技术介绍
主观图像质量评价方法需要人类观察者来评估一幅图像相对于参考图像的差别从而得出图像的质量分数。主观图像质量评价方法固然可以得到精确的图像评估结果，但是这一方法费时费力，也不适用于实时环境。因此，需要设计出客观图像质量评价方法，让其自动地计算出接近人类评价结果的图像质量分数。目前，多数的客观质量评价方法都为全参考算法，它需要一个没有失真的参考图像来辅助评价其他对应的失真图像的质量。现今，最为常用的全参考评价方法是峰值信噪比(PSNR,peak signal-to-noise ratio)或是与其对应的均方误差(MSE,mean squared error)。但是MSE和PSNR得到的评价结果与人类的评价结果之间的相关性较差，尤其在处理一些以感知为主的声音和图像信号时，上述方法的缺点就暴露的更为明显。感知质量评价研究的目标就是设计出能精确地符合人类感知结果的评价方法。由于MSE和PSNR存在很大缺陷，所以许多研究者开始研究新的感知质量评价方法，实现对图像精确的质量评价。稀疏编码可以对视觉皮层的信息处理提供精确的定量描述。Field和Olshausen指出，稀疏编码可以解释视觉皮层中单细胞的响应特点。稀疏编码的含义是：对于一个给定的图像，通常只用一组基函数中的少数基向量来表示这一图像，而其他的基向量上的系数都为零或几乎为零。利用稀疏编码在数千个图像块上经过训练后得到的一组神经元模型与主视觉皮层中单细胞感受野的空间特性非常相似，即空间上的局部性、方向性和带通性均非常相似。Bell和Sejnowski利用一个被称作独立成分分析(ICA)的相似学习目标得到了相同的结果。显然，稀疏编码是人类视觉系统和自然图像之间的一座桥梁。在设计图像质量评价方法时，可以利用这样一个自然图像的统计模型来模拟视觉皮层中细胞的响应特性。但是，事实上，只有少数研究将稀疏编码或独立成分分析直接应用到质量评判领域中。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种稀疏性相关度图像质量评价方法，利用稀疏编码和视觉感知理论来创建图像质量感知模型，可以更精确地计算出失真图像的视觉感知质量；可以用于图像设备的校准，以便图像设备能输出高质量图像数据，还可以用于图像处理系统及算法的性能评定，为相关的图像处理技术提供基准和评判依据。为了达到上述目的，本专利技术的技术方案是：一种稀疏性相关度图像质量评价方法，通过预处理技术来模拟初级视觉通道的视觉信息处理；利用独立成分分析算法和稀疏编码算法得到一个单细胞模型——单细胞矩阵，来模拟视觉皮层的信息处理；参考图像和失真图像数据经过单细胞矩阵得出接近视觉感知特性的两组输出信息，然后在此基础上计算两组视觉输出信号的相关度，从而得到符合视觉主观判断的图像质量分数(简称SCS分数)，其步骤如下：步骤一、对参考图像和待处理的失真图像进行预处理：利用滑动窗口将参考图像和失真图像划分为不重叠的图像块，每个图像块向量化为列向量，每个列向量通过减去其均值来进行中心化，将参考图像和失真图像的所有列向量组成参考图像和失真图像的协方差矩阵Xref和Xdis；步骤二、利用PCA对参考图像的协方差矩阵进行特征值分解，选取M个最大的特征值和其对应的特征向量分别组成对角矩阵D和特征矩阵E，得到白化矩阵V：V＝D-1/2ET，然后得到白化后的数据矩阵：Z＝VXref，其中，M为选取最大特征值的个数；步骤三、利用FastICA稀疏编码算法对白化后的数据矩阵Z进行学习，得到白化数据的单细胞矩阵Ww，然后由白化空间转换为原始空间，得到单细胞矩阵W＝WwV；步骤四、利用单细胞矩阵W分别乘以参考图像和失真图像的参考图像和失真图像，得到参考图像和失真图像的输出信息；步骤五、由参考图像和失真图像的输出信息计算稀疏性相关度，利用稀疏性相关度评价失真图像的质量。所述利用FastICA稀疏编码算法对白化后的数据矩阵Z进行学习，得到白化数据的单细胞矩阵Ww的方法为：对白化后的数据矩阵Z，寻找其中一个最大化非高斯方向的过程，由如下固定点迭代表示：ww(k)＝E{Zg(ww(k-1)TZ)本文档来自技高网...

【技术保护点】
一种稀疏性相关度图像质量评价方法，其特征在于，通过预处理技术来模拟初级视觉通道的视觉信息处理；利用独立成分分析算法和稀疏编码算法得到一个单细胞模型——单细胞矩阵，来模拟视觉皮层的信息处理；参考图像和失真图像数据经过单细胞矩阵得出接近视觉感知特性的两组输出信息，然后在此基础上计算两组视觉输出信号的相关度，从而得到符合视觉主观判断的图像质量分数，其步骤如下：步骤一、对参考图像和待处理的失真图像进行预处理：利用滑动窗口将参考图像和失真图像划分为不重叠的图像块，每个图像块向量化为列向量，每个列向量通过减去其均值来进行中心化，将参考图像和失真图像的所有列向量组成参考图像和失真图像的协方差矩阵Xref和Xdis；步骤二、利用PCA对参考图像的协方差矩阵进行特征值分解，选取M个最大的特征值和其对应的特征向量分别组成对角矩阵D和特征矩阵E，得到白化矩阵V：V＝D‑1/2ET，然后得到白化后的数据矩阵：Z＝VXref，其中，M为选取最大特征值的个数；步骤三、利用FastICA稀疏编码算法对白化后的数据矩阵Z进行学习，得到白化数据的单细胞矩阵Ww，然后由白化空间转换为原始空间，得到单细胞矩阵W＝WwV；步骤四、利用单细胞矩阵W分别乘以参考图像和失真图像的参考图像和失真图像，得到参考图像和失真图像的输出信息；步骤五、由参考图像和失真图像的输出信息计算稀疏性相关度，利用稀疏性相关度评价失真图像的质量。...

【技术特征摘要】
1.一种稀疏性相关度图像质量评价方法，其特征在于，通过预处理技术来模拟初级视觉通道的视觉信息处理；利用独立成分分析算法和稀疏编码算法得到一个单细胞模型——单细胞矩阵，来模拟视觉皮层的信息处理；参考图像和失真图像数据经过单细胞矩阵得出接近视觉感知特性的两组输出信息，然后在此基础上计算两组视觉输出信号的相关度，从而得到符合视觉主观判断的图像质量分数，其步骤如下：步骤一、对参考图像和待处理的失真图像进行预处理：利用滑动窗口将参考图像和失真图像划分为不重叠的图像块，每个图像块向量化为列向量，每个列向量通过减去其均值来进行中心化，将参考图像和失真图像的所有列向量组成参考图像和失真图像的协方差矩阵Xref和Xdis；步骤二、利用PCA对参考图像的协方差矩阵进行特征值分解，选取M个最大的特征值和其对应的特征向量分别组成对角矩阵D和特征矩阵E，得到白化...

【专利技术属性】
技术研发人员：常化文，杨华，张秋闻，吴庆岗，李晔，
申请(专利权)人：郑州轻工业学院，
类型：发明
国别省市：河南;41