图像质量评估IQA--稀疏表示（spare）

1、基于稀疏表达联合迁移学习的盲图像质量评价_冯天鹏

一篇2017年武汉大学的博士论文，主要写了三个方法，简单记录。

1、基于显著性稀疏特征的质量评价

两种显著性检测方法:

      a.谱残差算法

                傅里叶变换的振幅谱A(频谱图), Ｌ=log(A)，res= L-h*L，用res和原来的相位谱求逆傅里叶变换即可。

      b.上下文感知法

                只考虑了与i区别度最小的前（Ｋ=６５）个图像块，采用。

采用显著性排序方式代替ＣＯＲＮＩＡ方法通过图像块随机抽取的方式，得到显著性局部特征描述子，对其稀疏编码。

2、基于双尺度稀疏系数分解的盲图像质量评价

四叉树（Ｑｕａｄｔｒｅｅ）分解结构

为了最大化的从稀疏系数中提取有效信息，利用基于奇异值的能量拆分法对图像的双尺度稀疏系数集

3、特征联合迁移学习的盲图像质量评价方法

     a.样本实例归纳式迁移方法：需要对ＶＣＸ：２００７－Ｄｉｓｔｏｒｔｉｏｎ的样本进行标注处理，标注信息为图像的客观质量得分

      b.无监督特征重建方法：从辅助领域的大量无标签特征集乂Ｓ上学习特征字典，目标领域样本特征在字典上表达系数，最后利用表达系数和标签进行有监督学习（ＳＶＭ等）。

对ＭSCN组成的36维图像空域特征进行特征重建的监督学习。

总结：稀疏系数的特征提取模型过于简单，研究稀疏系数的统计特性能，从理论角度分析失真对图像质量的影响