论文部分内容阅读
现有的无参考图像质量评价算法多采用支持向量回归、神经网络等作为映射,训练过程需要大量样本,且泛化性能差(即在一个数据集上的训练识别效果好,在另一个数据集上可能很差),从而提出了基于稀疏表示的无参考图像质量评价算法。利用梯度幅值与拉普拉斯变换图像的联合统计信息和小波变换子带相关性组成特征字典,并对测试图像特征进行稀疏表示,最后综合稀疏系数与字典图像DMOS值获得预测质量得分。多数据库中大量实验结果表明,新算法在少量训练样本条件下即可获得优良而稳定的结果,且具有更好的泛化性能和稳定性。