[發明專利]一種基于稀疏表示的自然圖像恰可察覺失真閾值估計方法

在審

• 申請號: 201910034979.7
• 申請日: 2019-01-15
• 公開（公告）號: CN109872302A
• 公開（公告）日: 2019-06-11
• 發明（設計）人: 駱挺;許辰;蔣剛毅;徐海勇;姜求平;鐘才明
• 申請（專利權）人: 寧波大學科學技術學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 寧波奧圣專利代理事務所(普通合伙) 33226
• 代理人: 周玨

1.一種基于稀疏表示的自然圖像恰可察覺失真閾值估計方法，其特征在于包括以下步驟：

步驟一：將待處理的自然圖像記為S_es；然后以尺寸大小為8×8像素的滑動窗口，以滑動步長為1像素在S_es中滑動，將S_es劃分成多個尺寸大小為8×8像素的重疊的圖像塊；其中，S_es的寬度為W且高度為H；

步驟二：訓練一個過完備字典，記為D；其中，D的維數為64×256；

步驟三：將S_es中的所有圖像塊和D代入OMP算法中，得到S_es的稀疏系數矩陣，記為X；其中，X的維數為W×H；

步驟四：獲取S_es的結構層圖像和非結構層圖像，對應記為S_es-si和S_es-nosi，將S_es-si中坐標位置為(u,v)的像素點的像素值記為S_es-si(u,v)，S_es-si(u,v)＝X_(u,v)；將S_es-nosi中坐標位置為(u,v)的像素點的像素值記為S_es-nosi(u,v)，S_es-nosi(u,v)＝S_es(u,v)-S_es-si(u,v)；其中，1≤u≤W,1≤v≤H，X_(u,v)表示X中下標為(u,v)的系數，S_es(u,v)表示S_es中坐標位置為(u,v)的像素點的像素值；

步驟五：利用亮度適應性方程和對比度掩模方程計算得到S_es-si的恰可察覺失真閾值圖，記為JND_si；并利用結構不確定度和亮度適應性方程計算得到S_es-nosi的恰可察覺失真閾值圖，記為JND_nosi；再利用NAMM融合模型將JND_si和JND_nosi相互融合，得到S_es的恰可察覺失真閾值圖。

2.根據權利要求1所述的一種基于稀疏表示的自然圖像恰可察覺失真閾值估計方法，其特征在于所述的步驟二中D的獲取過程為：

a1、隨機選取Num₁幅不同內容的高清自然圖像構成訓練集；其中，Num₁≥50；

a2、將訓練集中的每幅高清自然圖像劃分成個尺寸大小為8×8像素的互不重疊的圖像塊；然后計算訓練集中的每幅高清自然圖像中的每個圖像塊中的所有像素點的像素值的平均方差，將訓練集中的第n₁幅高清自然圖像中的第i個圖像塊中的所有像素點的像素值的平均方差記為接著對訓練集中的每幅高清自然圖像中的所有圖像塊對應的平均方差按從大到小的順序進行排列，并從訓練集中的每幅高清自然圖像中選取出前Num₂個平均方差對應的圖像塊；再將從訓練集中的所有高清自然圖像中選取出的Num₁×Num₂個圖像塊構成訓練矩陣，記為Z，其中，符號為向下取整運算符號，n₁和i均為正整數，且初始值均為1，1≤n₁≤Num₁，Num₂≥1000，符號“[]”為向量或矩陣表示符號，Z₁表示從訓練集中的第1幅高清自然圖像中選取出的Num₂個圖像塊構成的維數為8Num₂×8的矩陣，Z₂表示從訓練集中的第2幅高清自然圖像中選取出的Num₂個圖像塊構成的維數為8Num₂×8的矩陣，表示從訓練集中的第Num₁幅高清自然圖像中選取出的Num₂個圖像塊構成的維數為8Num₂×8的矩陣，Z的維數為8Num₂×8Num₁；

a3、將Z代入K-VSD算法中進行字典訓練，得到過完備字典D。

3.根據權利要求1或2所述的一種基于稀疏表示的自然圖像恰可察覺失真閾值估計方法，其特征在于所述的步驟五中的JND_nosi的獲取過程為：

b1、將S_es-nosi中當前待處理的像素點定義為當前像素點；

b2、設當前像素點在S_es-nosi中的坐標位置為(u,v)；

b3、計算當前像素點的灰度值，記為g(u,v)；并計算當前像素點的3×3像素鄰域內的每個鄰域像素點的灰度值，將當前像素點的3×3像素鄰域內的第p個鄰域像素點的灰度值記為g(u,v,p)；其中，p為正整數，p的初始值為1，1≤p≤P，P表示當前像素點的3×3像素鄰域內的鄰域像素點的總個數，P＝2,5,8；

b4、采用亮度適應性方程，計算當前像素點的亮度適應性值，記為LA_(u,v)，然后計算當前像素點的空域分布特性，記為LBP_(u,v)，再計算LBP_(u,v)的概率分布特性，記為Γ_(u,v)；其中，B_(u,v)表示當前像素點的3×3像素鄰域的背景亮度，g(u,v,p)表示當前像素點的3×3像素鄰域內的第p個鄰域像素點的灰度值，J()表示符號狀態函數，

符號“”為取絕對值符號，g(u,v,p-1)表示當前像素點的3×3像素鄰域內的第p-1個鄰域像素點的灰度值；

b5、將S_es-nosi中下一個待處理的像素點作為當前像素點，然后返回步驟b2繼續執行，直至S_es-nosi中的所有像素點處理完畢，得到S_es-nosi中的每個像素點的空域分布特性的概率分布特性；

b6、根據S_es-nosi中的每個像素點的3×3像素鄰域內的各個鄰域像素點的空域分布特性的概率分布特性，并利用香濃信息熵，計算S_es-nosi中的每個像素點的結構不確定度，將S_es-nosi中坐標位置為(u,v)的像素點的結構不確定度記為H_(u,v)，然后對S_es-nosi中的每個像素點的結構不確定度進行非線性轉換，得到S_es-nosi中的每個像素點的結構不確定度的非線性轉換值，將H_(u,v)的非線性轉換值記為H'_(u,v)；其中，Γ_(u,v,p)表示S_es-nosi中坐標位置為(u,v)的像素點的3×3像素鄰域內的第p個鄰域像素點的空域分布特性的概率分布特性；

b7、計算S_es-nosi中的每個像素點的亮度對比度，將S_es-nosi中坐標位置為(u,v)的像素點的亮度對比度記為f_(u,v)，其中，α和β均為常數，均取正整數，E_(u,v)表示S_es-nosi中坐標位置為(u,v)的像素點的邊緣亮度高度，E_(u,v)＝max(Grad_k(S_es-nosi(u,v)))，max()為取最大值函數，Grad_k()表示第k個方向的濾波器，k＝1,2,3,4，第1個方向為水平方向，第2個方向為垂直方向，第3個方向為主對角線方向，第4個方向為副對角線方向；

b8、根據S_es-nosi中的每個像素點的結構不確定度的非線性轉換值和亮度對比度，計算S_es-nosi中的每個像素點的恰可察覺失真閾值，將S_es-nosi中坐標位置為(u,v)的像素點的恰可察覺失真閾值記為JND_nosi(u,v)，JND_nosi(u,v)＝f_(u,v)×τ_(u,v)，再根據S_es-nosi中的所有像素點的恰可察覺失真閾值，得到JND_nosi；其中，τ_(u,v)表示f_(u,v)與H'_(u,v)的交互值，k'為比例參數，exp()表示以自然基數e為底的指數函數，δ為f_(u,v)與H'_(u,v)的交互衰減系數。