像，通過(guò)插值處理將其放大至32的整數(shù)倍。
[0051] 步驟（3).對(duì)步驟（2)所劃分的各個(gè)圖像塊進(jìn)行比對(duì)度增益控制的局部做除歸一 化處理。局部做除歸一化函數(shù)可以表示為，
(1)
[0052] '
[0053] 其中，Ilj表示mXn的圖像塊中第i行第j列像素點(diǎn)的灰度值。
[0054] 步驟（4).對(duì)步驟（3)得到的歸一化后的圖像塊做白化處理。具體如下：
(2)
[0055]
[0056] 其中，Mlj表示歸一化后的圖像塊第i行第j列像素點(diǎn)的灰度值。
[0057] 步驟（5).對(duì)步驟（4)得到的白化后的圖像進(jìn)行主成分分析（principal component analysis，PCA)，進(jìn)行降維處理，降至p維。具體如下：
[0058]
(3)
[0059] 其中，a表示特征系數(shù)，λ表示特征根，利用上述方式依次找到最大特征根，前p個(gè) 最大特征根所表示的分量即為主成分。
[0060] 本實(shí)施例中，利用Matlab中PCA的庫(kù)函數(shù)，在步驟（4)中得到的白化后的圖像進(jìn) 行主成分分析，獲得降維后的圖像。
[0061] 步驟（6).基于步驟（5)得到的降維后的數(shù)據(jù)獲取線性特征，
[0062]
(4)
[0063] 其中，^是正則化的線性特征檢測(cè)器，X和y分別是圖像的像素坐標(biāo)，W(x，y)是步 驟（5)采用線性變換和主成分分析計(jì)算得到的白化數(shù)據(jù)。
[0064] 步驟（7).通過(guò)設(shè)置分組規(guī)則，將步驟（6)獲得的線性特征進(jìn)行分組，組成相對(duì)獨(dú) 立的子空間，并利用非線性變換將各個(gè)子空間構(gòu)建成獨(dú)立的非線性特征信息N k。
[0065] 7. 1分組規(guī)則為：
[0066]
15)
[0067] 其中，S(k)是第k個(gè)子空間，W(x，y)是步驟（5)采用線性變換和主成分分析計(jì)算 得到的白化數(shù)據(jù)。
[0068] 7· 2非線性變換為：
[0069]
_後）
[0070] 其中，Nk為第k個(gè)非線性特征信息。
[0071] 本實(shí)施例調(diào)用現(xiàn)有ISA的快速算法，將步驟（6)獲得的線性特征進(jìn)行分組，組成相 對(duì)獨(dú)立的子空間，并利用非線性變換將各個(gè)子空間構(gòu)建成獨(dú)立的非線性特征信息。
[0072] 步驟（8).利用對(duì)數(shù)似然函數(shù)進(jìn)一步提升步驟（7)得到的特征信息的稀疏性。所 采用的對(duì)數(shù)似然函數(shù)為，
[0073]
(7)
[0074] 其中，V= (V1，…，vn)為一系列特征檢測(cè)器，T為非線性特征信息的數(shù)目，h為測(cè) 量稀疏性的非線性函數(shù)。
[0075] 步驟（9).利用GGD模型擬合步驟⑶各個(gè)非線性特征信息中系數(shù)的邊緣分布 P(Nk);
「 π (S)
[0076]
[0077] α是密度方差的寬度，Γ (·)為Gamma 函數(shù)，它的一般表達(dá)式為Γ (s) = J ts k tClt ;
[0078] 步驟（10).以步驟（9)擬合獲得的原始圖像各個(gè)子空間的系數(shù)邊緣分布作為特征 信息的參考基準(zhǔn)；
[0079] 步驟（11).輸入待測(cè)試的失真圖像，并將輸入的失真圖像分為若干個(gè)大小為mXn 的圖像塊，將所有圖像塊組成維數(shù)為mXn的向量；
[0080] 步驟（12).利用步驟（3)-(9)方法計(jì)算步驟（11)輸入的待測(cè)試失真圖像的各個(gè) 子空間的系數(shù)邊緣分布；
[0081] 步驟（13).測(cè)量步驟（10)和步驟（12)各個(gè)對(duì)應(yīng)的子空間系數(shù)邊緣分布的歐式距 離，并進(jìn)一步綜合處理所有歐式距離，映射為待測(cè)試失真圖像的質(zhì)量失真；
[0082]
稱
[0083] 其中，λ k用于調(diào)整各個(gè)非線性特征信息的權(quán)重，R是GGD分布中的系數(shù)總數(shù)，< 和W分別為步驟（10)和步驟（12)得到的GGD分布的系數(shù)。
【主權(quán)項(xiàng)】
1.基于獨(dú)立子空間分析的無(wú)參考圖像質(zhì)量客觀評(píng)價(jià)方法，其特征在于包括如下步驟： 步驟（1).循環(huán)讀入公知數(shù)據(jù)庫(kù)中的原始圖像； 步驟（2).將步驟⑴讀入的原始圖像分為若干個(gè)大小為mXn的圖像塊，將所有圖像 塊組成維數(shù)為mXn的向量； 步驟（3).對(duì)步驟（2)所劃分的各個(gè)圖像塊進(jìn)行對(duì)比度增益控制的歸一化處理；歸一化 處理采用局部做除的方法；具體如下：其中，Mlj表示歸一化后的圖像塊第i行第j列像素點(diǎn)的灰度值，I u表示大小為mXn 的圖像塊中第i行第j列像素點(diǎn)的灰度值； 步驟（4).對(duì)步驟（3)得到的歸一化后的圖像塊做白化處理；具體如下：其中，表示白化處理后的圖像塊的灰度值，M(x，y)表示歸一化后的圖像塊的灰 度值，Mlj表示歸一化后的圖像塊第i行第j列像素點(diǎn)的灰度值； 步驟（5).對(duì)步驟（4)得到白化后的圖像信息做主成分分析，進(jìn)行降維處理，降至p維； 具體如下：其中，Var(P)表示白化處理后的圖像塊灰度值的方差，a表示特征系數(shù)，^表示特征 根，A1表示A i中最大的特征根，M1表示第i行圖像塊向量，利用上述方式依次找到最大特 征根，前P個(gè)最大特征根所表示的分量即為主成分； 步驟（6).基于步驟（5)得到的降維后的數(shù)據(jù)，獲取線性特征11:其中，^是正則化的線性特征檢測(cè)器，X和y分別是原始圖像的像素坐標(biāo)，W(x，y)是步 驟（5)采用線性變換和主成分分析計(jì)算得到的白化數(shù)據(jù)； 步驟（7).通過(guò)設(shè)置分組規(guī)則，將步驟（6)獲得的線性特征進(jìn)行分組，組成相對(duì)獨(dú)立的 子空間，并利用非線性變換將各個(gè)子空間構(gòu)建成獨(dú)立的非線性特征信息Nk; 7. 1分組規(guī)則為：其中，S(k)是第k個(gè)子空間，W(x，y)是步驟（5)采用線性變換和主成分分析計(jì)算得到 的白化數(shù)據(jù)，\是正則化的線性特征檢測(cè)器； 7. 2非線性變換為：其中，Nk為第k個(gè)非線性特征信息； 步驟（8).利用對(duì)數(shù)似然函數(shù)進(jìn)一步提升步驟（7)得到的非線性特征信息Nk的稀疏性； 采用的對(duì)數(shù)似然函數(shù)IogUv1,......，vn)如下：其中，V= (Vl，……，vn)為一系列特征檢測(cè)器，T為非線性特征信息的數(shù)目，h為測(cè)量 稀疏性的非線性函數(shù)； 步驟（9).利用GGD模型擬合步驟（8)各個(gè)非線性特征信息中系數(shù)的邊緣分布p (Nk);數(shù)，它的一般表達(dá)式為r (s) = / ts k tClt; 步驟（10).以步驟（9)擬合獲得的原始圖像各個(gè)子空間的系數(shù)邊緣分布作為特征信息 的參考基準(zhǔn)； 步驟（11).輸入待測(cè)試的失真圖像，并將輸入的失真圖像分為若干個(gè)大小為mXn的圖 像塊，將所有圖像塊組成維數(shù)為mXn的向量； 步驟（12).利用步驟（3)-(9)方法計(jì)算步驟（11)輸入的待測(cè)試失真圖像的各個(gè)子空 間的系數(shù)邊緣分布； 步驟（13).測(cè)量步驟（10)和步驟（12)各個(gè)對(duì)應(yīng)的子空間系數(shù)邊緣分布的歐式距離， 并進(jìn)一步綜合處理所有歐式距離，映射為待測(cè)試失真圖像的質(zhì)量失真；其中，Ak用于調(diào)整各個(gè)非線性特征信息的權(quán)重，R是GGD分布中的系數(shù)總數(shù)，於和妗 分別為步驟（10)和步驟（12)得到的GGD分布的系數(shù)。
【專利摘要】本發(fā)明公開了一種基于獨(dú)立子空間分析的無(wú)參考圖像質(zhì)量客觀評(píng)價(jià)方法。本發(fā)明具體實(shí)施包括如下步驟：1.對(duì)公知數(shù)據(jù)庫(kù)中的大量原始圖像進(jìn)行獨(dú)立子空間分析，獲取相對(duì)獨(dú)立的一系列圖像特征，統(tǒng)計(jì)其直方圖分布，采用廣義高斯密度（Generalized？Gaussian？Density,GGD）模型獲取其邊緣分布的統(tǒng)計(jì)曲線，作為基準(zhǔn)參考；2.基于獨(dú)立子空間分析提取待測(cè)失真圖像的圖像特征，采用GGD模型獲取特征信息的統(tǒng)計(jì)分布；3.對(duì)比處理獲取的失真圖像特征信息統(tǒng)計(jì)分布與基準(zhǔn)參考統(tǒng)計(jì)分布，測(cè)量并累計(jì)綜合所有特征信息對(duì)應(yīng)的歐式距離作為待測(cè)失真圖像的質(zhì)量度量。本發(fā)明所提出的圖像質(zhì)量客觀評(píng)價(jià)與主觀評(píng)價(jià)具有很好的一致性，且性能優(yōu)于傳統(tǒng)圖像質(zhì)量評(píng)價(jià)方法。
【IPC分類】G06T7/00
【公開號(hào)】CN105139373
【申請(qǐng)?zhí)枴緾N201510250386
【發(fā)明人】丁勇, 陳宏達(dá), 戴行, 錢大宏, 趙新宇, 李楠
【申請(qǐng)人】浙江大學(xué)
【公開日】2015年12月9日
【申請(qǐng)日】2015年5月14日