基于稀疏表示与能量分解的无参考图像质量评价
Application Research of Computers（2018）
摘要
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.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要