稀疏性相關度圖像質量評價方法

稀疏性相關度圖像質量評價方法
【專利摘要】本發明公開了一種稀疏性相關度圖像質量評價方法，通過預處理技術來模擬初級視覺通道的視覺信息處理；利用PCA和稀疏編碼算法得到單細胞矩陣來模擬視覺皮層的信息處理；利用單細胞矩陣計算圖像的視覺輸出信息，計算輸出信息的相關性得圖像稀疏相關度。本發明利用主成分分析和降維來模擬視網膜和側膝體的視覺信息處理；視覺皮層的信息處理由單細胞矩陣來模擬，單細胞矩陣利用稀疏編碼算法在參考圖像的樣本中學習得到；參考圖像和失真圖像經過單細胞矩陣輸出兩組信息，計算其相關度得到稀疏性相關度質量分數。本發明利用稀疏編碼在構建圖像信息模型的同時完成對視覺模型的構建，質量評判結果與人類的主觀評判更接近，適用于彩色圖像的質量評價。
【專利說明】
稀疏性相關度圖像質量評價方法
技術領域
[0001]本發明設及圖像質量評價的技術領域，具體設及一種稀疏性相關度（SCS ,Sparse Correlation Score)圖像質量評價方法。
【背景技術】
[0002] 主觀圖像質量評價方法需要人類觀察者來評估一幅圖像相對于參考圖像的差別 從而得出圖像的質量分數。主觀圖像質量評價方法固然可W得到精確的圖像評估結果，但 是運一方法費時費力，也不適用于實時環境。因此，需要設計出客觀圖像質量評價方法，讓 其自動地計算出接近人類評價結果的圖像質量分數。目前，多數的客觀質量評價方法都為 全參考算法，它需要一個沒有失真的參考圖像來輔助評價其他對應的失真圖像的質量。現 今，最為常用的全參考評價方法是峰值信噪比（PSNR，peak signal-to-noise ratio)或是 與其對應的均方誤差(MSE,mean squared error)。但是MSE和PSNR得到的評價結果與人類 的評價結果之間的相關性較差，尤其在處理一些W感知為主的聲音和圖像信號時，上述方 法的缺點就暴露的更為明顯。感知質量評價研究的目標就是設計出能精確地符合人類感知 結果的評價方法。由于MSE和PSNR存在很大缺陷，所W許多研究者開始研究新的感知質量評 價方法，實現對圖像精確的質量評價。
[0003] 稀疏編碼可W對視覺皮層的信息處理提供精確的定量描述。Field和Olshausen指 出，稀疏編碼可W解釋視覺皮層中單細胞的響應特點。稀疏編碼的含義是:對于一個給定的 圖像，通常只用一組基函數中的少數基向量來表示運一圖像，而其他的基向量上的系數都 為零或幾乎為零。利用稀疏編碼在數千個圖像塊上經過訓練后得到的一組神經元模型與主 視覺皮層中單細胞感受野的空間特性非常相似，即空間上的局部性、方向性和帶通性均非 常相似。Bell和Se化OWSki利用一個被稱作獨立成分分析（ICA)的相似學習目標得到了相同 的結果。顯然，稀疏編碼是人類視覺系統和自然圖像之間的一座橋梁。在設計圖像質量評價 方法時，可W利用運樣一個自然圖像的統計模型來模擬視覺皮層中細胞的響應特性。但是， 事實上，只有少數研究將稀疏編碼或獨立成分分析直接應用到質量評判領域中。

【發明內容】

[0004] 為了解決上述技術問題，本發明提供了一種稀疏性相關度圖像質量評價方法，利 用稀疏編碼和視覺感知理論來創建圖像質量感知模型，可W更精確地計算出失真圖像的視 覺感知質量;可W用于圖像設備的校準，W便圖像設備能輸出高質量圖像數據，還可W用于 圖像處理系統及算法的性能評定，為相關的圖像處理技術提供基準和評判依據。
[0005] 為了達到上述目的，本發明的技術方案是:一種稀疏性相關度圖像質量評價方法， 通過預處理技術來模擬初級視覺通道的視覺信息處理;利用獨立成分分析算法和稀疏編碼 算法得到一個單細胞模型一一單細胞矩陣，來模擬視覺皮層的信息處理;參考圖像和失真 圖像數據經過單細胞矩陣得出接近視覺感知特性的兩組輸出信息，然后在此基礎上計算兩 組視覺輸出信號的相關度，從而得到符合視覺主觀判斷的圖像質量分數(簡稱SCS分數），其 步驟如下：
[0006] 步驟一、對參考圖像和待處理的失真圖像進行預處理:利用滑動窗口將參考圖像 和失真圖像劃分為不重疊的圖像塊，每個圖像塊向量化為列向量，每個列向量通過減去其 均值來進行中屯、化，將參考圖像和失真圖像的所有列向量組成參考圖像和失真圖像的協方 差矩陣fBf和Xdis;
[0007] 步驟二、利用PCA對參考圖像的協方差矩陣進行特征值分解，選取M個最大的特征 值和其對應的特征向量分別組成對角矩陣D和特征矩陣E，得到白化矩陣V:V = D-i/2eT，然后 得到白化后的數據矩陣:Z = VXTBf,其中，M為選取最大特征值的個數；
[0008] 步驟S、利用化StICA稀疏編碼算法對白化后的數據矩陣Z進行學習，得到白化數 據的單細胞矩陣W"，然后由白化空間轉換為原始空間，得到單細胞矩陣W=WWy;
[0009] 步驟四、利用單細胞矩陣W分別乘W參考圖像和失真圖像的參考圖像和失真圖像， 得到參考圖像和失真圖像的輸出信息；
[0010] 步驟五、由參考圖像和失真圖像的輸出信息計算稀疏性相關度，利用稀疏性相關 度評價失真圖像的質量。
[0011] 所述利用化StICA稀疏編碼算法對白化后的數據矩陣Z進行學習，得到白化數據的 單細胞矩陣r的方法為:對白化后的數據矩陣Z，尋找其中一個最大化非高斯方向的過程， 由如下固定點迭代表示：
[001。
[0013] 其中，W"表示白化空間中單細胞矩陣的向量，k代表迭代步數，E{'}表示變量的平 均值，g代表函數:g (U) = tanh (au)，1《a《2，U表示變量，g '表示函數g的導數，函數g實際上 是函數G的導數，且
[0014] 從一個隨機的正交矩陣開始，每一次迭代利用上述公式來更新白化數據的單細胞 矩陣WW中的每一列，然后通^
W對白化數據的單細胞矩陣進行正交 化，上述過程重復直到算法收斂為止。
[0015] 所述稀疏性相關度的質量分數為：
[0016]
[0017] 其中，m和n代表矩陣元素的空間位置，媒f V端分別表示矩陣S"哺S"s第m行、n 列的元素值，玄和玄W/分別表示參考圖像和失真圖像的輸出信息STBf和Sd"的均值，N表示 參考圖像和失真圖像的圖像塊個數。
[0018] 所述滑動窗口的大小為P X P，M的大小為圖像塊總像素值個數的1/3,其中P = S。
[0019] 本發明利用自然圖像的統計模型來模擬人類視覺的信息處理過程，通過模擬視覺 皮層的信息處理來計算兩個圖像信號在視覺皮層階段(皮層視覺空間）中的相關性，依據主 視覺皮層傾向于提取圖像中的獨立特征并形成對圖像的稀疏表達，利用稀疏性相關度 (SCS,Sparse Correlation Score)評價圖像的失真度。本發明利用主成分分析(PCA)和降 維操作來模擬視網膜和側膝體的視覺信息處理;視覺皮層的信息處理則由單細胞矩陣來模 擬，單細胞矩陣則是通過利用一個稀疏編碼算法在參考圖像的樣本中學習得到;最后，參考 圖像和失真圖像經過單細胞矩陣輸出兩組信息，通過計算運兩組信息的相關度得到最終的 稀疏性相關度質量分數。本發明利用稀疏編碼(或ICA)在構建圖像信息模型的同時也完成 了對視覺模型的構建，實現驗證，其質量評判結果與人類的主觀評判更接近，同時適用于彩 色圖像的質量評價。
【附圖說明】
[0020] 為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可W 根據運些附圖獲得其他的附圖。
[0021] 圖1為本發明的流程圖。
[0022] 圖2為PSNR算法在LIVE數據庫上的散點圖。
[0023] 圖3為SSIM算法在LIVE數據庫上的散點圖。
[0024] 圖4為VSNR算法在LIVE數據庫上的散點圖。
[0025] 圖5為本發明在LIVE數據庫上的散點圖。
[0026] 圖6為本發明用于色彩失真質量評價的測試圖。
【具體實施方式】
[0027] 下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于 本發明中的實施例，本領域普通技術人員在沒有付出創造性勞動前提下所獲得的所有其他 實施例，都屬于本發明保護的范圍。
[0028] -種稀疏性相關度圖像質量評價方法，通過預處理技術來模擬初級視覺通道的視 覺信息處理；利用獨立成分分析算法和稀疏編碼算法得到一個單細胞模型一一單細胞矩 陣，來模擬視覺皮層的信息處理;利用單細胞矩陣計算圖像的稀疏度相關性。如圖1所示，其 步驟如下：
[0029] 1.預處理
[0030] 對參考圖像和待處理的失真圖像進行預處理:利用滑動窗口將參考圖像和失真圖 像劃分為不重疊的圖像塊，每個二維的圖像塊向量化為列向量，每個列向量通過減去其均 值來進行中屯、化。運樣一來，一個P XP的圖像塊變成了 一個零均值的R維的列向量X = (XI，…，xr)t，PXP為滑動窗口和圖像塊的大小。通過該向量化操作，來自每個參考圖像和其 對應的失真圖像的所有列向量則形成兩個二維矩陣，用)Tf和Xdis分別表示。
[0031] 2.模擬視網膜和側膝體上的信息處理
[0032] 去冗余理論可W很好地解釋視網膜和側膝體內神經元的響應特點。因此，本發明 利用PCA來進行降維處理W除去數據中的冗余信息。PCA還可W用來進行白化操作，也可W 描述視網膜的神經節細胞和側膝體中感受野的結構特征。
[0033] 利用PCA對參考圖像的協方差矩陣)Tf進行特征值分解，選取M個最大的特征值和 其對應的特征向量分別組成對角矩陣D和特征矩陣E，其中D = diag(di,…，dM)，E= (ei,…， GM)，山，…，dM表示協方差矩陣)Tf的M個最大的特征值，ei，…，6M分別表示協方差矩陣ref的M 個最大特征值對應的特征向量，M為選取最大特征值的個數。
[0034] 則白化矩陣V可W由下式得到
[0035] V =擴i/2eT (1)
[0036] 最后，參考圖像白化后的數據矩陣Z可W通過下式得到
[0037] Z = Vxref (2)。
[0038] 3.模擬視覺皮層上的信息處理
[0039] 白化和降維操作可W解釋視網膜到側膝體的視覺處理，同樣的，稀疏編碼和ICA則 可W模擬側膝體到視覺皮層的信息處理。本發明視覺皮層上的信息處理是通過化StICA稀 疏編碼算法來實現的。
[0040] 首先從圖像表達的基本假設說起，一個圖像向量X可W表示成一組來自矩陣A的特 征或是基向量的線性組合:x = As。系數S是一個隨機向量它隨圖像塊的不同而不同。假設圖 像向量的維數與矩陣A中特征或基的個數相等。則將運一系統逆轉，將得到S = Wx,其中W是 稀疏矩陣A的逆或偽逆。一般來說，稀疏編碼就是要尋找一個可逆的矩陣W，使得轉換后的數 據滿足一定的統計優化特性，比如獨立性和稀疏性等。
[0041] 許多研究者都將其注意力投入到了稀疏矩陣A中的基或特征向量，因為稀疏矩陣A 對應圖像中的某些組成成分，相對于矩陣W它具有更好的可視性。然而，在精神物理學的建 模上，矩陣W與主視覺皮層的神經元細胞密切相關。每個矩陣W中的加權向量可W看作是一 個單細胞感受野的模型，而系數S則代表細胞的輸出信息。
[0042] 最大化稀疏性過程實際上與獨立成分分析非常接近，因為稀疏性等同于超高斯 性。所W，一個固定點獨立成分分析算法一一FastICA被用于訓練單細胞矩陣。利用化StICA 稀疏編碼算法對白化后的數據矩陣Z進行學習的方法是:對白化后的數據矩陣Z JastICA尋 找其中一個最大化非高斯方向的過程，由如下固定點迭代表示：
[0043] 化）=E{Zg(wW化-l)Tz)}-E{g'(W"化-l)Tz)}wW化-1) (3)
[0044] 其中，W"表示白化空間中單細胞矩陣的向量，k代表迭代步數，E{'}表示變量的平 均值，g代表函數:g (U) = tanh (au)，1《a《2，U表示變量，g '表示函數g的導數，而函數g實際 上是函數G的導數，且
[0045] 從一個隨機的正交矩陣開始，每一次迭代利用上述公式來更新白化數據的單細胞 矩陣WW中的每一列，然后通過
"對白化數據的單細胞矩陣進行正交 化。上述計算過程不斷重復，當前迭代得到的結果跟上一次迭代得到的結果之間存在的差 異會逐漸變小，一般我們判斷一個迭代優化算法是否收斂的條件是運一差異是否足夠小。 本算法中的收斂判定條件為：
[0046]
(4)
[0047] 其中，不等式左邊是用于計算差異的，和W。心分別表示當前迭代和上一次迭 代過程中的矩陣r，I表示單位對角矩陣，n表示樣本個數，diag( ?)表示將矩陣對角化，sum (?)表示求矩陣中所有元素的和。簡單的說，當兩次迭代結果的差異小于nXl(T5時迭代終 止。
[0048] 由于之前的計算是基于白化后的樣本數據Z，所W，學習過程完成后，為了能將得 到的單細胞模型直接應用于圖像數據，單細胞模型還需要從白化空間轉換到原始空間：
[0049] W=TXV 巧）
[0050] 其中，WW表示在白化樣本數據上訓練得到的單細胞模型，V是變換矩陣將數據從白 化空間變換到原始空間，最終得到的單細胞矩陣W則可W直接用于原始圖像數據。
[0051 ] 4.稀疏性相關度：SCS
[0052] 通過在參考數據上訓練得到單細胞矩陣W后，利用單細胞矩陣W分別乘W參考圖像 和失真圖像的參考圖像和失真圖像，得到參考圖像和失真圖像的輸出信息：
[0053] Stef = Wxref (5)
[0054] s"s=WX"s (6)
[0055] 其中，矩陣STBf和Sdis分別表示參考圖像和失真圖像所對應的輸出信息。W的每一個 行代表一個單細胞感受野。
[0056] 由參考圖像和失真圖像的輸出信息計算稀疏性相關度，利用稀疏性相關度評價失 真圖像的質量。
[0057] 稀疏性相關度SCS的質量分數為：
[0058]
巧
[0化9]其中，111和11代表矩陣元素的空間位置，及：^{、5:^分別表示矩陣5^6*和5413第"1行、11 列的元素值，玄和玄K/分別表示參考圖像和失真圖像的輸出信息STBf和Sdls的均值，矩陣 STBf和Sdis的大小為MXN，N表示參考圖像和失真圖像的圖像塊個數，M表示系數向量的維度 (或經過降維后的圖像向量的維度）。
[0060] 具體實例：
[0061] 1圖像塊大小
[0062] 本發明采用的標準圖像塊大小為8 X8,即P = 8,因為運個大小是JPEG壓縮和其他 圖像處理中所常用的圖像塊尺寸。實際上，8X8的圖像塊尺寸會產生最好的圖像評估結果。 所W，一個圖像塊的RGBS個圖像通道就產生了R = 3X8X8 = 192個像素值。
[0063] 2降維比例
[0064] SCS對降維比例非常敏感。經過大量的實驗，發現當降維比例處于0.3125左右時 SCS會給出更為精確的評估結果。令M表示降維后保留的維數，則經過降維操作后，圖像塊向 量的維數由R= 192變為M=60。
[0065] 由于圖像質量評價的研究目的是為了能更精準地計算出符合人類主觀感受的圖 像質量分數。因此，圖像質量評價研究極大地依賴于人類觀察者對圖像的主觀評測實驗，運 些實驗能為研究提供準確的質量分數來檢驗客觀圖像質量評價方法的性能，并輔助質量評 價方法的參數調試和校準。此外，由于感知系統會受到各種主觀因素的影響導致觀察者個 體對圖像的感知評價結果并不穩定。因此，圖像質量評價研究必須建立在大量的圖像數據 和主觀評測者的基礎上。
[0066] 研究圖像質量評價標準的許多學術團隊大都有自己的圖像質量數據庫，數據庫中 不僅有各種可供實驗的失真圖像，而且，數據庫對每一個失真圖像都提供了較為精確的主 觀質量分數，運些人類主觀評判分數都是在大量觀測者評出的質量分數基礎上得出的。在 主觀評判實驗中，針對每一幅失真圖像將得到大量評測者給出的原始質量分數，運些原始 分數通過一定的統計方法最終得到一個平均主觀評分(Mean化inion Score，M0S)或差異 平均主觀評分化ifference Mean Opinion Score，DM0S)，并W此作為該圖像最終的主觀質 量分數。當需要檢查一個客觀圖像質量評價方法是否符合人類視覺的主觀判斷時就可W將 該方法在圖像數據庫上所得出的客觀質量評價分數與數據庫中對應的主觀評判分數相比 較，并看他們的符合程度。由于LIVE數據庫是知名度和權威性較高的一個數據庫。因此，本 發明在LIVE數據庫上進行對比和評測。
[0067] 為了便于比較，選取了其他S種方法(PSNR，VSNR和SSIM)與本發明一同進行對比 評測。其中，VSNR(Visual Signal-t〇-Noise Ratio)算法是有美國的Damon M.化andler于 2007年提出，SSIM(Structural Similarity)算法是由Zhou Wang于2004年提出，SSIM是該 領域知名度最高的算法，目前已應用在很多圖像處理相關領域。
[0068] 評測參數包括：皮爾遜相關系數(Pearson Linear Correlation Coefficient, 化CC)、斯皮爾曼等級相關系數（Spearman Rank-order Correlation Coefficient，SRCC)、 肯德爾等級相關系數化endall Rank-order Correlation Coefficient，KRCC)、均方根誤 差（Root Mean Squared E；;r;ro;r，RM沈）、平均絕對誤差（Mean Absolute terror,MAE)和異常 值比例（Outlier Ratio,OR)。6個評估參數中，PLCC，RMSE和MAE主要評估方法的預測精確 性；SRCC和KRCC主要評估方法的預測單調性;而OR主要評估方法的預測一致性。PLCC，SRCC 和KRCC的值越大，且OR，RMSE和MAE的值越小，則說明該方法的評價結果越好。
[0069] 四種方法在LIVE數據庫上的運行結果如表1所示。由表1可知，本發明的SCS方法在 各項評估參數上均表現優異，不僅優于傳統的PSNR還優于著名的SSIM和VSNR方法。
[0070] 表1四種方法在LIVE數據庫上的性能評價結果
[0071]
[0072] 為了能更直觀地對比圖像質量評價方法的性能，還可W采用散點圖。每一個質量 評價方法在LIVE數據庫上通過計算得到全部圖像的客觀質量分數，運樣，關于數據庫中的 每一個圖像就有對應的兩個分數：由人類觀測者得出的主觀質量分數(Sub jecti ve Score) 和由算法得到的客觀質量分數(Objective Score)。然后，將每個圖像所對應的運兩個分數 全部顯示在一個二維的平面坐標內，最終，數據庫中所有圖像的分數就形成一個散點圖，橫 軸標定客觀質量分數，縱軸標定主觀質量分數。如果散點圖中的數據點比較集中并且分布 趨近于直線則說明該方法得到的結果更接近人類視覺的主觀判定，同時說明，該圖像質量 評價方法較好。
[007引圖2-圖5分別顯示了PSNR、SSIM、VSNR和本發明四種方法的散點圖，圖中每個點代 表著一幅圖像的質量數據，其橫軸數據是由方法得出，縱軸數據由人類的評判得出。通過對 比可W看到，本發明SCS的散點圖更集中且分別呈直線，運說明SCS方法的評價結果相對于 其他算法更精確。
[0074] 本發明與當前的一些其他主要算法的另一個不同在于，SCS基于所有紅綠藍色彩 通道信息，而其他算法多數是基于彩色圖像的亮度分量的，例如，SSIM，PSNR等。所Wscs能 更好地檢測到圖像的色彩失真。
[0075] 如圖6所示，圖6(a)是LIVE數據庫中的一個參考圖局部，圖6(b)是一幅JPEG-2000 壓縮圖，圖6(c)是一幅白色噪聲失真圖，圖6(d)是在一幅色彩失真圖像，其中，藍綠色通道 的像素信息被隨機的減小，為了保持圖像的整體亮度信息不變，紅色通道的像素數值將通 過圖像原有的亮度減去改變后的藍色和綠色像素值得到。可W預見，只基于圖像亮度信息 的算法根本無法檢測到嚴重的色彩失真，因為亮度信息與原圖幾乎相同。
[0076] 用PSNR、SSIM和本發明SCSS種算法計算圖6中的S幅失真圖像的質量，得到的結 果如表2所示。
[0077] 表2色彩失真評價結果(原始分數）
[007引
[0079] 通過對比發現，失真最嚴重的圖6(d) ,SSIM竟給出了較高的質量分數，PSNR雖然也 利用了全部色彩信息計算，但對于圖6(d)的判斷仍不夠準確。然而，SCS給出的分數則很好 地反應了 S幅失真圖像的感知質量結果。運說明SCS算法對于彩色圖像的失真判斷地更精 確。
[0080] 總的來說，通過參考運些圖表可W看到，SCS可W提供更穩定、更精確的圖像質量 評價結果。而且，在彩色圖像質量評價方面SCS還有較大的優勢。
[0081] W上所述，僅為本發明較佳的【具體實施方式】，但本發明的保護范圍并不局限于此， 任何熟悉本技術領域的技術人員在本發明掲露的技術范圍內，可輕易想到的變化或替換， 都應涵蓋在本發明的保護范圍之內。
【主權項】
1. 一種稀疏性相關度圖像質量評價方法，其特征在于，通過預處理技術來模擬初級視 覺通道的視覺信息處理;利用獨立成分分析算法和稀疏編碼算法得到一個單細胞模型一一 單細胞矩陣，來模擬視覺皮層的信息處理;參考圖像和失真圖像數據經過單細胞矩陣得出 接近視覺感知特性的兩組輸出信息，然后在此基礎上計算兩組視覺輸出信號的相關度，從 而得到符合視覺主觀判斷的圖像質量分數，其步驟如下： 步驟一、對參考圖像和待處理的失真圖像進行預處理:利用滑動窗口將參考圖像和失 真圖像劃分為不重疊的圖像塊，每個圖像塊向量化為列向量，每個列向量通過減去其均值 來進行中心化，將參考圖像和失真圖像的所有列向量組成參考圖像和失真圖像的協方差矩 陣)rqpx dis; 步驟二、利用PCA對參考圖像的協方差矩陣進行特征值分解，選取M個最大的特征值和 其對應的特征向量分別組成對角矩陣D和特征矩陣E，得到白化矩陣V: V = Tv2Et，然后得到 白化后的數據矩陣:Z = VXraf，其中，M為選取最大特征值的個數； 步驟三、利用FastICA稀疏編碼算法對白化后的數據矩陣Z進行學習，得到白化數據的 單細胞矩陣Ww，然后由白化空間轉換為原始空間，得到單細胞矩陣W=WwV; 步驟四、利用單細胞矩陣W分別乘以參考圖像和失真圖像的參考圖像和失真圖像，得到 參考圖像和失真圖像的輸出信息； 步驟五、由參考圖像和失真圖像的輸出信息計算稀疏性相關度，利用稀疏性相關度評 價失真圖像的質量。2. 根據權利要求1所述的稀疏性相關度圖像質量評價方法，其特征在于，所述利用 FastICA稀疏編碼算法對白化后的數據矩陣Z進行學習，得到白化數據的單細胞矩陣W w的方 法為:對白化后的數據矩陣Z，尋找其中一個最大化非高斯方向的過程，由如下固定點迭代 表7K:其中，^^表示白化空間中單細胞矩陣的向量，k代表迭代步數，E{ ·}表示變量的平均值， g代表函數:g(u) = tanh(au)，l<a<2，u表示變量，g'表示函數g的導數，函數g實際上是函 數6的導數，且(;("）=丄丨〇8奶[1{^"); a 從一個隨機的正交矩陣開始，每一次迭代利用上述公式來更新白化數據的單細胞矩陣 Ww中的每一列，然后通過Wlt ^ 白化數據的單細胞矩陣進行正交化，上述 過程重復直到算法收斂為止。3. 根據權利要求1所述的稀疏性相關度圖像質量評價方法，其特征在于，所述稀疏性相 關度的質量分數為：其中，m和η代表矩陣元素的空間位置，S=、S=分別表示矩陣Slrrf和5(113第 111行、η列的元 素值，Yfe和友#分別表示參考圖像和失真圖像的輸出信息SM和Sdls的均值，N表示參考圖像 和失真圖像的圖像塊個數。4.根據權利要求1所述的稀疏性相關度圖像質量評價方法，其特征在于，所述滑動窗口 的大小為P X P，M的大小為圖像塊總像素值個數的1 /3，其中P = 8。
【文檔編號】G06T7/40GK106023267SQ201610343134
【公開日】2016年10月12日
【申請日】2016年5月23日
【發明人】常化文, 楊華, 張秋聞, 吳慶崗, 李曄
【申請人】鄭州輕工業學院