论文研究基于稀疏表示与能量分解的无参考图像质量评价.pdf

针对基于稀疏表示的图像质量评价算法特征信息挖掘不充分、忽略稀疏特性等问题进行了研究，提出了一种基于稀疏表示与能量分解的无参考图像质量评价方法。首先利用L1范数作为稀疏惩罚项学习稀疏编码字典，并计算待评价图像的稀疏表示系数；然后对稀疏系数矩阵进行奇异值分解，并重建若干个等能量的子矩阵；最后联合max-pooling和L1范数描述稀疏系数矩阵及其子矩阵特征，L1范数刻画了稀疏性，子矩阵丰富了特征信息。实验结果表明，该算法能在无参考的情况下更好地评价图像质量，主客观分值一致性好，且时间复杂度较低，具有较好的应用价值。