[發(fā)明專利]一種基于稀疏表示的重定位圖像質(zhì)量客觀評價方法

有效

• 申請?zhí)枺?/td>: 201610629107.1
• 申請日: 2016-08-01
• 公開（公告）號: CN106162162B
• 公開（公告）日: 2017-10-31
• 發(fā)明（設(shè)計）人: 姜求平;邵楓;李福翠
• 申請（專利權(quán)）人: 寧波大學(xué)
• 主分類號: H04N17/00
• 分類號: H04N17/00;H04N1/00
• 代理公司: 寧波奧圣專利代理事務(wù)所(普通合伙)33226
• 代理人: 周玨

1.一種基于稀疏表示的重定位圖像質(zhì)量客觀評價方法，其特征在于包括以下步驟：

①令I(lǐng)_org表示原始圖像，令I(lǐng)_ret表示I_org對應(yīng)的重定位圖像；

②采用尺度不變特征變換對I_org進(jìn)行描述，得到I_org中的每個關(guān)鍵點的描述，然后將I_org中的所有關(guān)鍵點的描述組成反映I_org幾何結(jié)構(gòu)信息的關(guān)鍵點特征矢量集合，記為G_O，并采用基于語義的顯著提取方法提取I_org的顯著圖，然后將I_org的顯著圖劃分成互不重疊的尺寸大小為8×8的顯著塊，接著從I_org中的所有顯著塊中選取部分顯著塊，之后獲取選取的每個顯著塊的特征矢量，再將選取的所有顯著塊的特征矢量組成反映I_org顯著語義信息的顯著塊特征矢量集合，記為S_O，其中，I_org中的每個關(guān)鍵點的描述為該關(guān)鍵點的方向直方圖組成的特征矢量，表示I_org中的第i₁個關(guān)鍵點的描述，為I_org中的第i₁個關(guān)鍵點的方向直方圖組成的特征矢量，的維數(shù)為128×1，M₁表示I_org中的關(guān)鍵點的總個數(shù)，表示從I_org中選取的第j₁個顯著塊的特征矢量，的維數(shù)為192×1，N₁表示從I_org中的所有顯著塊中選取的顯著塊的總個數(shù)；

同樣，采用尺度不變特征變換對I_ret進(jìn)行描述，得到I_ret中的每個關(guān)鍵點的描述，然后將I_ret中的所有關(guān)鍵點的描述組成反映I_ret幾何結(jié)構(gòu)信息的關(guān)鍵點特征矢量集合，記為G_R，并采用基于語義的顯著提取方法提取I_ret的顯著圖，然后將I_ret的顯著圖劃分成互不重疊的尺寸大小為8×8的顯著塊，接著從I_ret中的所有顯著塊中選取部分顯著塊，之后獲取選取的每個顯著塊的特征矢量，再將選取的所有顯著塊的特征矢量組成反映I_ret顯著語義信息的顯著塊特征矢量集合，記為S_R，其中，I_ret中的每個關(guān)鍵點的描述為該關(guān)鍵點的方向直方圖組成的特征矢量，表示I_ret中的第i₂個關(guān)鍵點的描述，為I_ret中的第i₂個關(guān)鍵點的方向直方圖組成的特征矢量，的維數(shù)為128×1，M₂表示I_ret中的關(guān)鍵點的總個數(shù)，表示從I_ret中選取的第j₂個顯著塊的特征矢量，的維數(shù)為192×1，N₂表示從I_ret中的所有顯著塊中選取的顯著塊的總個數(shù)；

所述的步驟②中從I_org中的所有顯著塊中選取部分顯著塊的過程為：計算I_org中的每個顯著塊中的所有像素點的像素值的平均值；然后按平均值從大到小的順序?qū)_org中的所有顯著塊進(jìn)行排序；再選取前70％的顯著塊；所述的步驟②中從I_org中選取的每個顯著塊的特征矢量為該顯著塊中的所有像素點的R、G、B分量組成的維數(shù)為192×1的列向量；

所述的步驟②中從I_ret中的所有顯著塊中選取部分顯著塊的過程為：計算I_ret中的每個顯著塊中的所有像素點的像素值的平均值；然后按平均值從大到小的順序?qū)_ret中的所有顯著塊進(jìn)行排序；再選取前70％的顯著塊；所述的步驟②中從I_ret中選取的每個顯著塊的特征矢量為該顯著塊中的所有像素點的R、G、B分量組成的維數(shù)為192×1的列向量；

③采用最小角回歸方法對G_O進(jìn)行字典訓(xùn)練操作，構(gòu)造得到I_org的結(jié)構(gòu)字典表，記為是采用最小角回歸方法求解得到的；并采用最小角回歸方法對S_O進(jìn)行字典訓(xùn)練操作，構(gòu)造得到I_org的顯著字典表，記為是采用最小角回歸方法求解得到的；其中，的維數(shù)為128×K₁，K₁為設(shè)定的字典個數(shù)，K₁≥1，min{}為取最小值函數(shù)，符號“|| ||₂”為求取矩陣的2-范數(shù)符號，符號“|| ||₀”為求取矩陣的0-范數(shù)符號，表示的基于的稀疏系數(shù)矩陣，的維數(shù)為K₁×1，τ₁為設(shè)定的稀疏度，的維數(shù)為192×L₁，L₁為設(shè)定的字典個數(shù)，L₁≥1，表示的基于的稀疏系數(shù)矩陣，的維數(shù)為L₁×1；

同樣，采用最小角回歸方法對G_R進(jìn)行字典訓(xùn)練操作，構(gòu)造得到I_ret的結(jié)構(gòu)字典表，記為是采用最小角回歸方法求解得到的；并采用最小角回歸方法對S_R進(jìn)行字典訓(xùn)練操作，構(gòu)造得到I_ret的顯著字典表，記為是采用最小角回歸方法求解得到的；其中，的維數(shù)為128×K₂，K₂為設(shè)定的字典個數(shù)，K₂≥1，表示的基于的稀疏系數(shù)矩陣，的維數(shù)為K₂×1，τ₂為設(shè)定的稀疏度，的維數(shù)為192×L₂，L₂為設(shè)定的字典個數(shù)，L₂≥1，表示的基于的稀疏系數(shù)矩陣，的維數(shù)為L₂×1；

④根據(jù)和計算I_ret相對于I_org的結(jié)構(gòu)相似度，記為并根據(jù)和計算I_ret相對于I_org的顯著相似度，記為

同樣，根據(jù)和計算I_org相對于I_ret的結(jié)構(gòu)相似度，記為并根據(jù)和計算I_org相對于I_ret的顯著相似度，記為

⑤根據(jù)和獲取I_ret的質(zhì)量矢量，記為Q，其中，Q的維數(shù)為1×4，符號“[]”為矢量表示符號；

⑥將P幅重定位圖像構(gòu)成重定位圖像庫，將重定位圖像庫中的第p幅重定位圖像的平均主觀評分均值記為MOS_p；接著按照步驟①至步驟⑤獲取I_ret的質(zhì)量矢量Q的操作，以相同的方式獲取重定位圖像庫中的每幅重定位圖像的質(zhì)量矢量，將重定位圖像庫中的第p幅重定位圖像的質(zhì)量矢量記為Q_p；其中，P>1，1≤p≤P，MOS_p∈[1,5]，Q_p的維數(shù)為1×4；

⑦從重定位圖像庫中隨機(jī)選擇T幅重定位圖像構(gòu)成訓(xùn)練集，將重定位圖像庫中剩余的P-T幅重定位圖像構(gòu)成測試集，并令m表示迭代的次數(shù)，其中，1<T<P，m的初始值為0；

⑧將訓(xùn)練集中的所有重定位圖像各自的質(zhì)量矢量和平均主觀評分均值構(gòu)成訓(xùn)練樣本數(shù)據(jù)集合；接著采用支持向量回歸作為機(jī)器學(xué)習(xí)的方法，對訓(xùn)練樣本數(shù)據(jù)集合中的所有質(zhì)量矢量進(jìn)行訓(xùn)練，使得經(jīng)過訓(xùn)練得到的回歸函數(shù)值與平均主觀評分均值之間的誤差最小，擬合得到最優(yōu)的支持向量回歸訓(xùn)練模型，記為f(Q_inp)；之后根據(jù)最優(yōu)的支持向量回歸訓(xùn)練模型，對測試集中的每幅重定位圖像的質(zhì)量矢量進(jìn)行測試，預(yù)測得到測試集中的每幅重定位圖像的客觀質(zhì)量評價預(yù)測值，將測試集中的第n幅重定位圖像的客觀質(zhì)量評價預(yù)測值記為Quality_n，Quality_n＝f(Q_n)；然后令m＝m+1；再執(zhí)行步驟⑨；其中，f()為函數(shù)表示形式，Q_inp表示最優(yōu)的支持向量回歸訓(xùn)練模型的輸入矢量，1≤n≤P-T，Q_n表示測試集中的第n幅重定位圖像的質(zhì)量矢量，m＝m+1中的“＝”為賦值符號；

⑨判斷m<M是否成立，如果成立，則重新隨機(jī)分配構(gòu)成訓(xùn)練集的T幅重定位圖像和構(gòu)成測試集的P-T幅重定位圖像，然后返回步驟⑧繼續(xù)執(zhí)行；否則，計算重定位圖像庫中的每幅重定位圖像的多個客觀質(zhì)量評價預(yù)測值的平均值，并將計算得到的平均值作為對應(yīng)那幅重定位圖像的最終的客觀質(zhì)量評價預(yù)測值；其中，M表示設(shè)定的總迭代次數(shù)，M>100。