买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：宁波大学

摘要：本发明公开了一种基于KLT技术的超分辨率重建图像质量评价方法，其通过颜色空间转换，将RGB颜色空间转换到与人眼颜色感知相关程度更高的颜色空间，利用MSCN技术计算三个颜色通道的MSCN系数图；对MSCN系数图进行分块并向量化，得到MSCN系数图对应的向量化矩阵；根据向量化矩阵和构建的KLT核计算MSCN系数图的KLT系数矩阵；利用矩匹配方法对KLT系数矩阵进行AGGD参数估计获得每个颜色通道的第一特征向量；通过计算KLT系数矩阵的的能量系数获得每个颜色通道的第二特征向量；进而得到超分辨率重建图像的特征向量；将特征向量作为输入，结合SVM回归机，得到超分辨率重建图像的最终客观质量预测分数；优点是能够有效地提高客观评价结果与人眼主观感知的一致性。

主权项：1.一种基于KLT技术的超分辨率重建图像质量评价方法，其特征在于包括以下步骤：步骤1：将失真的超分辨率重建图像记为I，将I的红色通道、绿色通道和蓝色通道对应记为IR、IG、IB，将IR中坐标位置为a,b的像素点的像素值记为IRa,b，将IG中坐标位置为a,b的像素点的像素值记为IGa,b，将IB中坐标位置为a,b的像素点的像素值记为IBa,b；其中，1≤a≤W，1≤b≤H，W表示I的宽度，H表示I的高度；步骤2：对I进行颜色空间转换，得到对应的三通道图像，记为O，将O的第1个颜色通道、第2个颜色通道、第3个颜色通道对应记为O1、O2、O3，将O1中坐标位置为a,b的像素点的像素值记为O1a,b，将O2中坐标位置为a,b的像素点的像素值记为O2a,b，将O3中坐标位置为a,b的像素点的像素值记为O3a,b，然后利用MSCN技术，计算O1、O2、O3各自的MSCN系数图，对应记为其中，O、O1、O2、O3、的宽度均为W且高度均为H，符号“[]”为向量或矩阵表示符号；步骤3：将分别分割成S个互不重叠的尺寸大小为的图像块；然后对各自中的每个图像块进行向量化处理；再将各自中的所有图像块经向量化处理后得到的向量化结果拼接成一个向量化矩阵，将中的所有图像块经向量化处理后得到的向量化结果拼接成的向量化矩阵记为Z1，Z1中的每一列为中的一个图像块经向量化处理后得到的维数为K×1的向量化结果，将中的所有图像块经向量化处理后得到的向量化结果拼接成的向量化矩阵记为Z2，Z2中的每一列为中的一个图像块经向量化处理后得到的维数为K×1的向量化结果，将中的所有图像块经向量化处理后得到的向量化结果拼接成的向量化矩阵记为Z3，Z3中的每一列为中的一个图像块经向量化处理后得到的维数为K×1的向量化结果；其中，符号为向下取整运算符号，K的值为4、9、16、25、36、49或64，Z1、Z2、Z3的维数均为K×S；步骤4：采用离线的方式，利用若干幅原始高分辨率图像获取与步骤3中获得的三通道图像相同的三个颜色通道各自的KLT核，将第1个颜色通道的KLT核、第2个颜色通道的KLT核、第3个颜色通道的KLT核对应记为P1、P2、P3；其中，P1、P2、P3的维数均为K×K；步骤5：计算各自的KLT系数矩阵，对应记为A1、A2、A3，A1＝P1TZ1，A2＝P2TZ2，A3＝P3TZ3；其中，上标“T”表示向量或矩阵的转置，A1、A2、A3的维数均为K×S；步骤6：获取O1的第一特征向量，记为fa1，fa1的获取过程为：利用矩匹配方法对A1中的每个行向量及所有行向量拼接成的行向量按先后顺序依次进行非对称广义高斯分布参数估计，得到K+1组AGGD参数，第1组AGGD参数对应A1中的第1个行向量，第2组AGGD参数对应A1中的第2个行向量，依次类推，第K组AGGD参数对应A1中的第K个行向量，第K+1组AGGD参数对应A1中的所有行向量拼接成的行向量，每组AGGD参数由形状参数、左尺度参数、右尺度参数组成，形状参数、左尺度参数、右尺度参数均大于0；然后将A1对应的K+1组AGGD参数按序排列构成的列向量作为O1的第一特征向量fa1，fa1＝[Aggd11Aggd12…Aggd1KAggd1K+1]T；其中，Aggd11表示A1对应的第1组AGGD参数，Aggd12表示A1对应的第2组AGGD参数，Aggd1K表示A1对应的第K组AGGD参数，Aggd1K+1表示A1对应的第K+1组AGGD参数，fa1的维数为3K+1×1；同样，获取O2的第一特征向量，记为fa2，fa2的获取过程为：利用矩匹配方法对A2中的每个行向量及所有行向量拼接成的行向量按先后顺序依次进行非对称广义高斯分布参数估计，得到K+1组AGGD参数，第1组AGGD参数对应A2中的第1个行向量，第2组AGGD参数对应A2中的第2个行向量，依次类推，第K组AGGD参数对应A2中的第K个行向量，第K+1组AGGD参数对应A2中的所有行向量拼接成的行向量，每组AGGD参数由形状参数、左尺度参数、右尺度参数组成，形状参数、左尺度参数、右尺度参数均大于0；然后将A2对应的K+1组AGGD参数按序排列构成的列向量作为O2的第一特征向量fa2，fa2＝[Aggd21Aggd22…Aggd2KAggd2K+1]T；其中，Aggd21表示A2对应的第1组AGGD参数，Aggd22表示A2对应的第2组AGGD参数，Aggd2K表示A2对应的第K组AGGD参数，Aggd2K+1表示A2对应的第K+1组AGGD参数，fa2的维数为3K+1×1；获取O3的第一特征向量，记为fa3，fa3的获取过程为：利用矩匹配方法对A3中的每个行向量及所有行向量拼接成的行向量按先后顺序依次进行非对称广义高斯分布参数估计，得到K+1组AGGD参数，第1组AGGD参数对应A3中的第1个行向量，第2组AGGD参数对应A3中的第2个行向量，依次类推，第K组AGGD参数对应A3中的第K个行向量，第K+1组AGGD参数对应A3中的所有行向量拼接成的行向量，每组AGGD参数由形状参数、左尺度参数、右尺度参数组成，形状参数、左尺度参数、右尺度参数均大于0；然后将A3对应的K+1组AGGD参数按序排列构成的列向量作为O3的第一特征向量fa3，fa3＝[Aggd31Aggd32…Aggd3KAggd3K+1]T；其中，Aggd31表示A3对应的第1组AGGD参数，Aggd32表示A3对应的第2组AGGD参数，Aggd3K表示A3对应的第K组AGGD参数，Aggd3K+1表示A3对应的第K+1组AGGD参数，fa3的维数为3K+1×1；步骤7：获取O1的第二特征向量，记为fe1，fe1的获取过程为：计算A1中的每个行向量的能量系数，将A1中的第h个行向量的能量系数记为e1h，然后将A1中的所有行向量的能量系数按序排列构成的列向量作为O1的第二特征向量fe1，fe1＝[e11…e1h…e1K]T；其中，1≤h≤K，1≤s≤S，A1h,s表示A1中第h行的第s列元素，e11表示A1中的第1个行向量的能量系数，e1K表示A1中的第K个行向量的能量系数，fe1的维数为K×1；同样，获取O2的第二特征向量，记为fe2，fe2的获取过程为：计算A2中的每个行向量的能量系数，将A2中的第h个行向量的能量系数记为e2h，然后将A2中的所有行向量的能量系数按序排列构成的列向量作为O2的第二特征向量fe2，fe2＝[e21…e2h…e2K]T；其中，A2h,s表示A2中第h行的第s列元素，e21表示A2中的第1个行向量的能量系数，e2K表示A2中的第K个行向量的能量系数，fe2的维数为K×1；获取O3的第二特征向量，记为fe3，fe3的获取过程为：计算A3中的每个行向量的能量系数，将A3中的第h个行向量的能量系数记为e3h，然后将A3中的所有行向量的能量系数按序排列构成的列向量作为O3的第二特征向量fe3，fe3＝[e31…e3h…e3K]T；其中，A3h,s表示A3中第h行的第s列元素，e31表示A3中的第1个行向量的能量系数，e3K表示A3中的第K个行向量的能量系数，fe3的维数为K×1；步骤8：将fa1和fe1拼接成O1的特征向量，记为f1，f1＝[fa1Tfe1T]T；同样，将fa2和fe2拼接成O2的特征向量，记为f2，f2＝[fa2Tfe2T]T；将fa3和fe3拼接成O3的特征向量，记为f3，f3＝[fa3Tfe3T]T；再将f1、f2、f3拼接成I的特征向量，记为fea，其中，f1的维数为4K+3×1，f2的维数为4K+3×1，f3的维数为4K+3×1，fea的维数为34K+3×1；步骤9：将失真的超分辨率重建图像的特征向量作为输入，结合SVM回归机，计算得到失真的超分辨率重建图像的最终客观质量预测分数，最终客观质量预测分数越大，说明输入的特征向量对应的失真的超分辨率重建图像的质量越好；反之，说明输入的特征向量对应的失真的超分辨率重建图像的质量越差。

全文数据：

权利要求：

百度查询： 宁波大学 一种基于KLT技术的超分辨率重建图像质量评价方法