一種基于獨(dú)立成分分析的圖像質(zhì)量評價(jià)方法
【專利摘要】本發(fā)明涉及一種基于獨(dú)立成分分析的圖像質(zhì)量評價(jià)方法，其特征在于同時(shí)適用于灰度圖和彩色圖的圖像質(zhì)量評價(jià)。首先使用FastICA算法從參考圖像集中訓(xùn)練出一組ICA分解矩陣；然后，通過將參考圖像和待評價(jià)圖像中每個(gè)圖像塊與ICA分解矩陣相乘，得到每個(gè)圖像塊的獨(dú)立成分；最后，將參考圖像和待評價(jià)圖像的獨(dú)立成分的差異去衡量待評價(jià)圖像的質(zhì)量。與傳統(tǒng)方法相比，本發(fā)明模擬了視覺信號在人類視覺皮層中的表示，更接近主觀圖像質(zhì)量評價(jià)。本發(fā)明的主要計(jì)算量集中在將切分的每個(gè)圖像塊與ICA分解矩陣相乘得到圖像塊的獨(dú)立成分上，但每個(gè)圖像塊的計(jì)算都是相互獨(dú)立的，因此可以采用并行計(jì)算，提高了執(zhí)行效率。
【專利說明】一種基于獨(dú)立成分分析的圖像質(zhì)量評價(jià)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及一種基于獨(dú)立成分分析的圖像質(zhì)量評價(jià)方法。
【背景技術(shù)】
[0002]圖像質(zhì)量是比較各種圖像處理算法性能優(yōu)劣以及優(yōu)化系統(tǒng)參數(shù)的重要指標(biāo)，因此在圖像采集、編碼壓縮、網(wǎng)絡(luò)傳輸?shù)阮I(lǐng)域建立有效的圖像質(zhì)量評價(jià)機(jī)制具有重要的意義。圖像質(zhì)量評價(jià)廣泛應(yīng)用于數(shù)字成像系統(tǒng)的各個(gè)環(huán)節(jié)(采集、壓縮、編碼、去噪、增強(qiáng)、水印、認(rèn)證、存儲、合成與復(fù)制等)，以達(dá)到實(shí)時(shí)質(zhì)量監(jiān)控、參數(shù)與性能優(yōu)化等目的。傳統(tǒng)的主觀圖像質(zhì)量評價(jià)主要依賴于心理學(xué)實(shí)驗(yàn)的測定，而這些實(shí)驗(yàn)不僅對實(shí)驗(yàn)條件有著苛刻的要求，而且實(shí)施步驟復(fù)雜，不能滿足實(shí)時(shí)性要求。因此，客觀圖像質(zhì)量評價(jià)方法出現(xiàn)在人們視野中。
[0003]客觀圖像質(zhì)量評價(jià)方法可以分為全參考、半?yún)⒖己蜔o參考算法，分別需要完整的參考圖像、參考圖像的部分信息和不需要任何關(guān)于參考圖像的信息。由于無參考算法的開發(fā)難度很高且對失真類型比較敏感，而半?yún)⒖妓惴ㄅc全參考算法在開發(fā)過程中具有高度共通性，當(dāng)前國內(nèi)外的研究主要集中在全參考圖像質(zhì)量評價(jià)算法上。傳統(tǒng)的全參考圖像質(zhì)量評價(jià)指標(biāo)包括常見的均方差(MSE)、信噪比(SNR)和峰值信噪比(PSNR)。盡管它們有著計(jì)算簡單和物理含義清晰的優(yōu)點(diǎn)，但是由于與人眼的視覺感知存在著較大差異而飽受批評。為了克服上述問題，研究人員通過引入人眼視覺特征，使得客觀算法估計(jì)與人眼視覺感知吻合度更高。例如，噪音質(zhì)量度量(NQM)利用Peli對比度金字塔產(chǎn)生與待測圖像在視覺上高度相似的模擬圖像，并通過計(jì)算模擬圖像的信噪比來估計(jì)圖像感知質(zhì)量。視覺信噪比(VSNR)嘗試?yán)萌搜垡曈X系統(tǒng)的臨界閾值和超閾值視覺感知特點(diǎn)共同開發(fā)圖像質(zhì)量評價(jià)算法。但是，這類方法往往計(jì)算復(fù)雜度較高，并且由于目前學(xué)界對于人眼視覺系統(tǒng)理解的局限性，因此對人眼視覺系統(tǒng)的建模受到了諸多因素的制約。
[0004]獨(dú)立成分分析(ICA)是把數(shù)據(jù)或信號分離成統(tǒng)計(jì)獨(dú)立的、非高斯的信號源的線性組合方法，能夠模擬圖像信號在哺乳動物初級視覺皮層細(xì)胞中的描述，從而能準(zhǔn)確地提取出一幅圖像的視覺感知特征。因此，獨(dú)立成分分析更適合用于圖像質(zhì)量評價(jià)。應(yīng)用獨(dú)立成分分析處理失真圖像和參考圖像，如果兩幅圖像的獨(dú)立成分是相同的，則表示失真圖像與參考圖像的質(zhì)量是相同的；如果兩幅圖像的獨(dú)立成分不相同，則用它們獨(dú)立成分的差異來表示失真圖像的質(zhì)量。Yunyu Shi等人提出了一種基于獨(dú)立成分分析的圖像質(zhì)量評價(jià)方法，但該方法僅僅適用于灰度圖評價(jià)，不能對彩色圖像進(jìn)行分析和處理。
【發(fā)明內(nèi)容】
[0005]針對目前基于獨(dú)立成分分析的圖像質(zhì)量評價(jià)方法還不能對彩色圖像進(jìn)行分析處理問題，本發(fā)明提出一種同時(shí)適用于灰度圖和彩色圖的圖像質(zhì)量評價(jià)方法。
[0006]為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案:
[0007]首先，使用FastICA算法從參考圖像集中訓(xùn)練出一個(gè)ICA分解矩陣；然后，通過將參考圖像和待評價(jià)圖像中每個(gè)圖像塊與ICA分解矩陣，得到每個(gè)圖像塊的獨(dú)立成分；最后，將參考圖像和待評價(jià)圖像的獨(dú)立成分的差異去衡量待評價(jià)圖像的質(zhì)量。
[0008]一種基于獨(dú)立成分分析的圖像質(zhì)量評價(jià)方法，包括以下步驟:
[0009]步驟1，從參考圖像集中隨機(jī)切分出足夠多的圖像塊，作為訓(xùn)練數(shù)據(jù)集，并將每個(gè)圖像塊向量化，每個(gè)圖像塊對應(yīng)一個(gè)向量。
[0010]步驟2，對步驟I所得到的訓(xùn)練數(shù)據(jù)集中所有向量通過主成分分析(PCA)方法進(jìn)行降維。
[0011 ] 進(jìn)行降維處理的目的是為了降低圖像塊中的噪聲和冗余信息。
[0012]步驟3，利用步驟2所得到的所有降維后的向量組成的矩陣作為訓(xùn)練數(shù)據(jù)集，通過FastICA算法得到ICA分解矩陣。
[0013]ICA分解矩陣用于提取失真圖像和參考圖像的獨(dú)立成分。
[0014]步驟4，分別將待評價(jià)失真圖像和參考圖像按照從左至右、從上至下的順序切分成不重疊的、大小相同的圖像塊，然后，將每個(gè)圖像塊與步驟3訓(xùn)練出來的ICA分解矩陣相乘得到此圖像塊的獨(dú)立成分。
[0015]步驟5，計(jì)算待評價(jià)失真圖像中每個(gè)塊獨(dú)立成分與參考圖像中對應(yīng)位置的圖像塊獨(dú)立成分的差異，并將失真圖像所有塊獨(dú)立成分的差異求和得到失真圖像的質(zhì)量。
[0016]本發(fā)明的方法具有以下優(yōu)點(diǎn):
[0017](I)與傳統(tǒng)方法相比，本發(fā)明模擬了視覺信號在人類視覺皮層中的表示，更接近主觀圖像質(zhì)量評價(jià)。
[0018](2)本發(fā)明的主要計(jì)算量集中在將切分的每個(gè)圖像塊與ICA分解矩陣相乘得到圖像塊的獨(dú)立成分上，但每個(gè)圖像塊的計(jì)算都是相互獨(dú)立的，因此，可以采用并行計(jì)算，提高了執(zhí)行效率。
[0019](3)通過對彩色圖像的三個(gè)顏色通道進(jìn)行主成分分析，本發(fā)明所述方法可以同時(shí)對灰度圖和彩色圖的圖像質(zhì)量進(jìn)行評價(jià)。
【專利附圖】
【附圖說明】
[0020]圖1為本發(fā)明所涉及方法的流程圖；
[0021]圖2為本發(fā)明對圖像塊進(jìn)行ICA分解的示意圖。
【具體實(shí)施方式】
[0022]本發(fā)明不僅適用于彩色圖像，而且也適用于灰度圖像。下面結(jié)合【具體實(shí)施方式】對本發(fā)明做進(jìn)一步的說明。
[0023]假設(shè)參考圖像集為R，待評價(jià)圖像D和參考圖像O有相同數(shù)目的顏色通道，待評價(jià)圖像D和參考圖像O的寬和高分別為W和H。
[0024]本發(fā)明所述方法的流程圖如圖1所示，包括以下步驟:
[0025]步驟1，將參考圖像集中隨機(jī)切分出圖像塊并進(jìn)行向量化。
[0026]步驟1.1，通過大小為kXk的滑動窗口將參考圖像集R隨機(jī)切分出N個(gè)大小相同的圖像塊口^1 = 1，2，...，N)作為訓(xùn)練數(shù)據(jù)集T。其中，每個(gè)圖像塊是一個(gè)方塊，邊長為k，(k<ff, k〈H)。[0027]步驟1.2，將每個(gè)圖像塊Pi向量化為列向量fi。當(dāng)本發(fā)明用于彩色圖像質(zhì)量評價(jià)時(shí)，使用的是一幅3通道彩色圖像，因此每個(gè)圖像塊所對應(yīng)的列向量的長度是3k2，訓(xùn)練數(shù)據(jù)集T由N個(gè)大小為3k2的列向量組成。當(dāng)本發(fā)明用于灰度圖像的質(zhì)量評價(jià)時(shí)，每個(gè)圖像塊所對應(yīng)的列向量的長度是k2，此時(shí)，訓(xùn)練數(shù)據(jù)集T由N個(gè)大小為k2的列向量組成。
[0028]步驟2，對步驟I所得到的所有向量通過主成分分析進(jìn)行降維。
[0029]步驟2.1，計(jì)算訓(xùn)練數(shù)據(jù)集T的所有列向量的均值向量/:
[0030]
【權(quán)利要求】
1.一種基于獨(dú)立成分分析的圖像質(zhì)量評價(jià)方法，其特征在于同時(shí)適用于灰度圖和彩色圖的圖像質(zhì)量評價(jià)，包括以下步驟: 步驟1，將參考圖像集中隨機(jī)切分出圖像塊，并進(jìn)行向量化； 步驟1.1，通過大小為kXk的滑動窗口將參考圖像集R隨機(jī)切分出N個(gè)大小相同的圖像塊Pi作為訓(xùn)練數(shù)據(jù)集T ;其中，i = 1，2，...，N，每個(gè)圖像塊是一個(gè)邊長為k的方塊，k〈W，k〈H，W和H為待評價(jià)圖像和參考圖像的寬和高； 步驟1.2，將每個(gè)圖像塊Pi向量化為列向量A ;用于彩色圖像質(zhì)量評價(jià)時(shí)，使用3通道彩色圖像，每個(gè)圖像塊所對應(yīng)的列向量的長度是3k2，訓(xùn)練數(shù)據(jù)集T由N個(gè)大小為3k2的列向量組成；用于灰度圖像的質(zhì)量評價(jià)時(shí)，每個(gè)圖像塊所對應(yīng)的列向量的長度是k2，訓(xùn)練數(shù)據(jù)集T由N個(gè)大小為k2的列向量組成； 步驟2，對步驟I所得到的所有向量通過主成分分析進(jìn)行降維； 步驟2.1，計(jì)算訓(xùn)練數(shù)據(jù)集T的所有列向量的均值向量/:
【文檔編號】G06T7/00GK103745466SQ201410005500
【公開日】2014年4月23日 申請日期:2014年1月6日 優(yōu)先權(quán)日:2014年1月6日
【發(fā)明者】段立娟, 席濤, 楊震, 馬偉, 喬元華, 齊洪鋼 申請人:北京工業(yè)大學(xué)