CN106023267A - 稀疏性相关度图像质量评价方法 - Google Patents

Abstract

本发明公开了一种稀疏性相关度图像质量评价方法，通过预处理技术来模拟初级视觉通道的视觉信息处理；利用PCA和稀疏编码算法得到单细胞矩阵来模拟视觉皮层的信息处理；利用单细胞矩阵计算图像的视觉输出信息，计算输出信息的相关性得图像稀疏相关度。本发明利用主成分分析和降维来模拟视网膜和侧膝体的视觉信息处理；视觉皮层的信息处理由单细胞矩阵来模拟，单细胞矩阵利用稀疏编码算法在参考图像的样本中学习得到；参考图像和失真图像经过单细胞矩阵输出两组信息，计算其相关度得到稀疏性相关度质量分数。本发明利用稀疏编码在构建图像信息模型的同时完成对视觉模型的构建，质量评判结果与人类的主观评判更接近，适用于彩色图像的质量评价。

Description

稀疏性相关度图像质量评价方法

技术领域

本发明涉及图像质量评价的技术领域，具体涉及一种稀疏性相关度(SCS，SparseCorrelation Score)图像质量评价方法。

背景技术

主观图像质量评价方法需要人类观察者来评估一幅图像相对于参考图像的差别从而得出图像的质量分数。主观图像质量评价方法固然可以得到精确的图像评估结果，但是这一方法费时费力，也不适用于实时环境。因此，需要设计出客观图像质量评价方法，让其自动地计算出接近人类评价结果的图像质量分数。目前，多数的客观质量评价方法都为全参考算法，它需要一个没有失真的参考图像来辅助评价其他对应的失真图像的质量。现今，最为常用的全参考评价方法是峰值信噪比(PSNR,peak signal-to-noise ratio)或是与其对应的均方误差(MSE,mean squared error)。但是MSE和PSNR得到的评价结果与人类的评价结果之间的相关性较差，尤其在处理一些以感知为主的声音和图像信号时，上述方法的缺点就暴露的更为明显。感知质量评价研究的目标就是设计出能精确地符合人类感知结果的评价方法。由于MSE和PSNR存在很大缺陷，所以许多研究者开始研究新的感知质量评价方法，实现对图像精确的质量评价。

稀疏编码可以对视觉皮层的信息处理提供精确的定量描述。Field和Olshausen指出，稀疏编码可以解释视觉皮层中单细胞的响应特点。稀疏编码的含义是：对于一个给定的图像，通常只用一组基函数中的少数基向量来表示这一图像，而其他的基向量上的系数都为零或几乎为零。利用稀疏编码在数千个图像块上经过训练后得到的一组神经元模型与主视觉皮层中单细胞感受野的空间特性非常相似，即空间上的局部性、方向性和带通性均非常相似。Bell和Sejnowski利用一个被称作独立成分分析(ICA)的相似学习目标得到了相同的结果。显然，稀疏编码是人类视觉系统和自然图像之间的一座桥梁。在设计图像质量评价方法时，可以利用这样一个自然图像的统计模型来模拟视觉皮层中细胞的响应特性。但是，事实上，只有少数研究将稀疏编码或独立成分分析直接应用到质量评判领域中。

发明内容

为了解决上述技术问题，本发明提供了一种稀疏性相关度图像质量评价方法，利用稀疏编码和视觉感知理论来创建图像质量感知模型，可以更精确地计算出失真图像的视觉感知质量；可以用于图像设备的校准，以便图像设备能输出高质量图像数据，还可以用于图像处理系统及算法的性能评定，为相关的图像处理技术提供基准和评判依据。

为了达到上述目的，本发明的技术方案是：一种稀疏性相关度图像质量评价方法，通过预处理技术来模拟初级视觉通道的视觉信息处理；利用独立成分分析算法和稀疏编码算法得到一个单细胞模型——单细胞矩阵，来模拟视觉皮层的信息处理；参考图像和失真图像数据经过单细胞矩阵得出接近视觉感知特性的两组输出信息，然后在此基础上计算两组视觉输出信号的相关度，从而得到符合视觉主观判断的图像质量分数(简称SCS分数)，其步骤如下：

步骤一、对参考图像和待处理的失真图像进行预处理：利用滑动窗口将参考图像和失真图像划分为不重叠的图像块，每个图像块向量化为列向量，每个列向量通过减去其均值来进行中心化，将参考图像和失真图像的所有列向量组成参考图像和失真图像的协方差矩阵X^ref和X^dis；

步骤二、利用PCA对参考图像的协方差矩阵进行特征值分解，选取M个最大的特征值和其对应的特征向量分别组成对角矩阵D和特征矩阵E，得到白化矩阵V：V＝D^-1/2E^T，然后得到白化后的数据矩阵：Z＝VX^ref，其中，M为选取最大特征值的个数；

步骤三、利用FastICA稀疏编码算法对白化后的数据矩阵Z进行学习，得到白化数据的单细胞矩阵W^w，然后由白化空间转换为原始空间，得到单细胞矩阵W＝W^wV；

步骤四、利用单细胞矩阵W分别乘以参考图像和失真图像的参考图像和失真图像，得到参考图像和失真图像的输出信息；

步骤五、由参考图像和失真图像的输出信息计算稀疏性相关度，利用稀疏性相关度评价失真图像的质量。

所述利用FastICA稀疏编码算法对白化后的数据矩阵Z进行学习，得到白化数据的单细胞矩阵W^w的方法为：对白化后的数据矩阵Z，寻找其中一个最大化非高斯方向的过程，由如下固定点迭代表示：

w^w(k)＝E{Zg(w^w(k-1)^TZ)}-E{g′(w^w(k-1)^TZ)}w^w(k-1)

其中，w^w表示白化空间中单细胞矩阵的向量，k代表迭代步数，E{^·}表示变量的平均值，g代表函数：g(u)＝tanh(au)，1≤a≤2，u表示变量，g’表示函数g的导数，函数g实际上是函数G的导数，且

从一个随机的正交矩阵开始，每一次迭代利用上述公式来更新白化数据的单细胞矩阵W^w中的每一列，然后通过对白化数据的单细胞矩阵进行正交化，上述过程重复直到算法收敛为止。

所述稀疏性相关度的质量分数为：

$SCS=\frac{\underset{m=1}{\overset{M}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}(S_{mn}^{ref}-{\stackrel{\‾}{S}}^{ref})(S_{mn}^{dis}-{\stackrel{\‾}{S}}^{dis})}{\sqrt{\left(\underset{m=1}{\overset{M}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}{\left(S_{mn}^{ref}-{\stackrel{\‾}{S}}^{ref}\right)}^2\right)\left(\underset{m=1}{\overset{M}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}{\left(S_{mn}^{dis}-{\stackrel{\‾}{S}}^{dis}\right)}^2\right)}}$

其中，m和n代表矩阵元素的空间位置，分别表示矩阵S^ref和S^dis第m行、n列的元素值，和分别表示参考图像和失真图像的输出信息S^ref和S^dis的均值，N表示参考图像和失真图像的图像块个数。

所述滑动窗口的大小为P×P，M的大小为图像块总像素值个数的1/3，其中P＝8。

本发明利用自然图像的统计模型来模拟人类视觉的信息处理过程，通过模拟视觉皮层的信息处理来计算两个图像信号在视觉皮层阶段(皮层视觉空间)中的相关性，依据主视觉皮层倾向于提取图像中的独立特征并形成对图像的稀疏表达，利用稀疏性相关度(SCS,Sparse Correlation Score)评价图像的失真度。本发明利用主成分分析(PCA)和降维操作来模拟视网膜和侧膝体的视觉信息处理；视觉皮层的信息处理则由单细胞矩阵来模拟，单细胞矩阵则是通过利用一个稀疏编码算法在参考图像的样本中学习得到；最后，参考图像和失真图像经过单细胞矩阵输出两组信息，通过计算这两组信息的相关度得到最终的稀疏性相关度质量分数。本发明利用稀疏编码(或ICA)在构建图像信息模型的同时也完成了对视觉模型的构建，实现验证，其质量评判结果与人类的主观评判更接近，同时适用于彩色图像的质量评价。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图。

图2为PSNR算法在LIVE数据库上的散点图。

图3为SSIM算法在LIVE数据库上的散点图。

图4为VSNR算法在LIVE数据库上的散点图。

图5为本发明在LIVE数据库上的散点图。

图6为本发明用于色彩失真质量评价的测试图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种稀疏性相关度图像质量评价方法，通过预处理技术来模拟初级视觉通道的视觉信息处理；利用独立成分分析算法和稀疏编码算法得到一个单细胞模型——单细胞矩阵，来模拟视觉皮层的信息处理；利用单细胞矩阵计算图像的稀疏度相关性。如图1所示，其步骤如下：

1.预处理

对参考图像和待处理的失真图像进行预处理：利用滑动窗口将参考图像和失真图像划分为不重叠的图像块，每个二维的图像块向量化为列向量，每个列向量通过减去其均值来进行中心化。这样一来，一个P×P的图像块变成了一个零均值的R维的列向量x＝(x₁,…,x_R)^T，P×P为滑动窗口和图像块的大小。通过该向量化操作，来自每个参考图像和其对应的失真图像的所有列向量则形成两个二维矩阵，用X^ref和X^dis分别表示。

2.模拟视网膜和侧膝体上的信息处理

去冗余理论可以很好地解释视网膜和侧膝体内神经元的响应特点。因此，本发明利用PCA来进行降维处理以除去数据中的冗余信息。PCA还可以用来进行白化操作，也可以描述视网膜的神经节细胞和侧膝体中感受野的结构特征。

利用PCA对参考图像的协方差矩阵X^ref进行特征值分解，选取M个最大的特征值和其对应的特征向量分别组成对角矩阵D和特征矩阵E，其中D＝diag(d₁,…,d_M)，E＝(e₁,…,e_M)，d₁,…,d_M表示协方差矩阵X^ref的M个最大的特征值，e₁,…,e_M分别表示协方差矩阵X^ref的M个最大特征值对应的特征向量，M为选取最大特征值的个数。

则白化矩阵V可以由下式得到

V＝D^-1/2E^T (1)

最后，参考图像白化后的数据矩阵Z可以通过下式得到

Z＝VX^ref (2)。

3.模拟视觉皮层上的信息处理

白化和降维操作可以解释视网膜到侧膝体的视觉处理，同样的，稀疏编码和ICA则可以模拟侧膝体到视觉皮层的信息处理。本发明视觉皮层上的信息处理是通过FastICA稀疏编码算法来实现的。

首先从图像表达的基本假设说起，一个图像向量x可以表示成一组来自矩阵A的特征或是基向量的线性组合：x＝As。系数s是一个随机向量它随图像块的不同而不同。假设图像向量的维数与矩阵A中特征或基的个数相等。则将这一系统逆转，将得到s＝Wx，其中W是稀疏矩阵A的逆或伪逆。一般来说，稀疏编码就是要寻找一个可逆的矩阵W，使得转换后的数据满足一定的统计优化特性，比如独立性和稀疏性等。

许多研究者都将其注意力投入到了稀疏矩阵A中的基或特征向量，因为稀疏矩阵A对应图像中的某些组成成分，相对于矩阵W它具有更好的可视性。然而，在精神物理学的建模上，矩阵W与主视觉皮层的神经元细胞密切相关。每个矩阵W中的加权向量可以看作是一个单细胞感受野的模型，而系数s则代表细胞的输出信息。

最大化稀疏性过程实际上与独立成分分析非常接近，因为稀疏性等同于超高斯性。所以，一个固定点独立成分分析算法——FastICA被用于训练单细胞矩阵。利用FastICA稀疏编码算法对白化后的数据矩阵Z进行学习的方法是：对白化后的数据矩阵Z，FastICA寻找其中一个最大化非高斯方向的过程，由如下固定点迭代表示：

w^w(k)＝E{Zg(w^w(k-1)^TZ)}-E{g′(w^w(k-1)^TZ)}w^w(k-1) (3)

其中，w^w表示白化空间中单细胞矩阵的向量，k代表迭代步数，E{^·}表示变量的平均值，g代表函数：g(u)＝tanh(au)，1≤a≤2，u表示变量，g’表示函数g的导数，而函数g实际上是函数G的导数，且

从一个随机的正交矩阵开始，每一次迭代利用上述公式来更新白化数据的单细胞矩阵W^w中的每一列，然后通过对白化数据的单细胞矩阵进行正交化。上述计算过程不断重复，当前迭代得到的结果跟上一次迭代得到的结果之间存在的差异会逐渐变小，一般我们判断一个迭代优化算法是否收敛的条件是这一差异是否足够小。本算法中的收敛判定条件为：

$\sqrt{sum\left(diag\right({\left|W_{new}^w\&times;{\left(W_{old}^w\right)}^T-I\right|}^T\&times;\left|W_{new}^w\&times;{\left(W_{old}^w\right)}^T-I\right|\left)\right)}<n\&times;{10}^{-5}---\left(4\right)$

其中，不等式左边是用于计算差异的，和分别表示当前迭代和上一次迭代过程中的矩阵W^w，I表示单位对角矩阵，n表示样本个数，diag(·)表示将矩阵对角化，sum(·)表示求矩阵中所有元素的和。简单的说，当两次迭代结果的差异小于n×10^-5时迭代终止。

由于之前的计算是基于白化后的样本数据Z，所以，学习过程完成后，为了能将得到的单细胞模型直接应用于图像数据，单细胞模型还需要从白化空间转换到原始空间：

W＝W^w×V (5)

其中，W^w表示在白化样本数据上训练得到的单细胞模型，V是变换矩阵将数据从白化空间变换到原始空间，最终得到的单细胞矩阵W则可以直接用于原始图像数据。

4.稀疏性相关度：SCS

通过在参考数据上训练得到单细胞矩阵W后，利用单细胞矩阵W分别乘以参考图像和失真图像的参考图像和失真图像，得到参考图像和失真图像的输出信息：

S^ref＝WX^ref (5)

S^dis＝WX^dis (6)

其中，矩阵S^ref和S^dis分别表示参考图像和失真图像所对应的输出信息。W的每一个行代表一个单细胞感受野。

由参考图像和失真图像的输出信息计算稀疏性相关度，利用稀疏性相关度评价失真图像的质量。

稀疏性相关度SCS的质量分数为：

$SCS=\frac{\underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}(S_{mn}^{ref}-{\stackrel{\&OverBar;}{S}}^{ref})(S_{mn}^{dis}-{\stackrel{\&OverBar;}{S}}^{dis})}{\sqrt{\left(\underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}{\left(S_{mn}^{ref}-{\stackrel{\&OverBar;}{S}}^{ref}\right)}^2\right)\left(\underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}{\left(S_{mn}^{dis}-{\stackrel{\&OverBar;}{S}}^{dis}\right)}^2\right)}}---\left(7\right)$

其中，m和n代表矩阵元素的空间位置，分别表示矩阵S^ref和S^dis第m行、n列的元素值，和分别表示参考图像和失真图像的输出信息S^ref和S^dis的均值，矩阵S^ref和S^dis的大小为M×N，N表示参考图像和失真图像的图像块个数，M表示系数向量的维度(或经过降维后的图像向量的维度)。

具体实例：

1图像块大小

本发明采用的标准图像块大小为8×8，即P＝8，因为这个大小是JPEG压缩和其他图像处理中所常用的图像块尺寸。实际上，8×8的图像块尺寸会产生最好的图像评估结果。所以，一个图像块的RGB三个图像通道就产生了R＝3×8×8＝192个像素值。

2降维比例

SCS对降维比例非常敏感。经过大量的实验，发现当降维比例处于0.3125左右时SCS会给出更为精确的评估结果。令M表示降维后保留的维数，则经过降维操作后，图像块向量的维数由R＝192变为M＝60。

由于图像质量评价的研究目的是为了能更精准地计算出符合人类主观感受的图像质量分数。因此，图像质量评价研究极大地依赖于人类观察者对图像的主观评测实验，这些实验能为研究提供准确的质量分数来检验客观图像质量评价方法的性能，并辅助质量评价方法的参数调试和校准。此外，由于感知系统会受到各种主观因素的影响导致观察者个体对图像的感知评价结果并不稳定。因此，图像质量评价研究必须建立在大量的图像数据和主观评测者的基础上。

研究图像质量评价标准的许多学术团队大都有自己的图像质量数据库，数据库中不仅有各种可供实验的失真图像，而且，数据库对每一个失真图像都提供了较为精确的主观质量分数，这些人类主观评判分数都是在大量观测者评出的质量分数基础上得出的。在主观评判实验中，针对每一幅失真图像将得到大量评测者给出的原始质量分数，这些原始分数通过一定的统计方法最终得到一个平均主观评分(Mean Opinion Score，MOS)或差异平均主观评分(Difference Mean Opinion Score，DMOS)，并以此作为该图像最终的主观质量分数。当需要检查一个客观图像质量评价方法是否符合人类视觉的主观判断时就可以将该方法在图像数据库上所得出的客观质量评价分数与数据库中对应的主观评判分数相比较，并看他们的符合程度。由于LIVE数据库是知名度和权威性较高的一个数据库。因此，本发明在LIVE数据库上进行对比和评测。

为了便于比较，选取了其他三种方法(PSNR，VSNR和SSIM)与本发明一同进行对比评测。其中，VSNR(Visual Signal-to-Noise Ratio)算法是有美国的Damon M.Chandler于2007年提出，SSIM(Structural Similarity)算法是由Zhou Wang于2004年提出，SSIM是该领域知名度最高的算法，目前已应用在很多图像处理相关领域。

评测参数包括：皮尔逊相关系数(Pearson Linear Correlation Coefficient，PLCC)、斯皮尔曼等级相关系数(Spearman Rank-order Correlation Coefficient，SRCC)、肯德尔等级相关系数(Kendall Rank-order Correlation Coefficient，KRCC)、均方根误差(Root Mean Squared Error，RMSE)、平均绝对误差(Mean Absolute Error,MAE)和异常值比例(Outlier Ratio，OR)。6个评估参数中，PLCC，RMSE和MAE主要评估方法的预测精确性；SRCC和KRCC主要评估方法的预测单调性；而OR主要评估方法的预测一致性。PLCC，SRCC和KRCC的值越大，且OR，RMSE和MAE的值越小，则说明该方法的评价结果越好。

四种方法在LIVE数据库上的运行结果如表1所示。由表1可知，本发明的SCS方法在各项评估参数上均表现优异，不仅优于传统的PSNR还优于著名的SSIM和VSNR方法。

表1四种方法在LIVE数据库上的性能评价结果

为了能更直观地对比图像质量评价方法的性能，还可以采用散点图。每一个质量评价方法在LIVE数据库上通过计算得到全部图像的客观质量分数，这样，关于数据库中的每一个图像就有对应的两个分数：由人类观测者得出的主观质量分数(Subjective Score)和由算法得到的客观质量分数(Objective Score)。然后，将每个图像所对应的这两个分数全部显示在一个二维的平面坐标内，最终，数据库中所有图像的分数就形成一个散点图，横轴标定客观质量分数，纵轴标定主观质量分数。如果散点图中的数据点比较集中并且分布趋近于直线则说明该方法得到的结果更接近人类视觉的主观判定，同时说明，该图像质量评价方法较好。

图2-图5分别显示了PSNR、SSIM、VSNR和本发明四种方法的散点图，图中每个点代表着一幅图像的质量数据，其横轴数据是由方法得出，纵轴数据由人类的评判得出。通过对比可以看到，本发明SCS的散点图更集中且分别呈直线，这说明SCS方法的评价结果相对于其他算法更精确。

本发明与当前的一些其他主要算法的另一个不同在于，SCS基于所有红绿蓝色彩通道信息，而其他算法多数是基于彩色图像的亮度分量的，例如，SSIM，PSNR等。所以SCS能更好地检测到图像的色彩失真。

如图6所示，图6(a)是LIVE数据库中的一个参考图局部，图6(b)是一幅JPEG-2000压缩图，图6(c)是一幅白色噪声失真图，图6(d)是在一幅色彩失真图像，其中，蓝绿色通道的像素信息被随机的减小，为了保持图像的整体亮度信息不变，红色通道的像素数值将通过图像原有的亮度减去改变后的蓝色和绿色像素值得到。可以预见，只基于图像亮度信息的算法根本无法检测到严重的色彩失真，因为亮度信息与原图几乎相同。

用PSNR、SSIM和本发明SCS三种算法计算图6中的三幅失真图像的质量，得到的结果如表2所示。

表2色彩失真评价结果(原始分数)

通过对比发现，失真最严重的图6(d)，SSIM竟给出了较高的质量分数，PSNR虽然也利用了全部色彩信息计算，但对于图6(d)的判断仍不够准确。然而，SCS给出的分数则很好地反应了三幅失真图像的感知质量结果。这说明SCS算法对于彩色图像的失真判断地更精确。

总的来说，通过参考这些图表可以看到，SCS可以提供更稳定、更精确的图像质量评价结果。而且，在彩色图像质量评价方面SCS还有较大的优势。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种稀疏性相关度图像质量评价方法，其特征在于，通过预处理技术来模拟初级视觉通道的视觉信息处理；利用独立成分分析算法和稀疏编码算法得到一个单细胞模型——单细胞矩阵，来模拟视觉皮层的信息处理；参考图像和失真图像数据经过单细胞矩阵得出接近视觉感知特性的两组输出信息，然后在此基础上计算两组视觉输出信号的相关度，从而得到符合视觉主观判断的图像质量分数，其步骤如下：

步骤一、对参考图像和待处理的失真图像进行预处理：利用滑动窗口将参考图像和失真图像划分为不重叠的图像块，每个图像块向量化为列向量，每个列向量通过减去其均值来进行中心化，将参考图像和失真图像的所有列向量组成参考图像和失真图像的协方差矩阵X^ref和X^dis；

步骤二、利用PCA对参考图像的协方差矩阵进行特征值分解，选取M个最大的特征值和其对应的特征向量分别组成对角矩阵D和特征矩阵E，得到白化矩阵V：V＝D^-1/2E^T，然后得到白化后的数据矩阵：Z＝VX^ref，其中，M为选取最大特征值的个数；

步骤三、利用FastICA稀疏编码算法对白化后的数据矩阵Z进行学习，得到白化数据的单细胞矩阵W^w，然后由白化空间转换为原始空间，得到单细胞矩阵W＝W^wV；

步骤四、利用单细胞矩阵W分别乘以参考图像和失真图像的参考图像和失真图像，得到参考图像和失真图像的输出信息；

步骤五、由参考图像和失真图像的输出信息计算稀疏性相关度，利用稀疏性相关度评价失真图像的质量。

2.根据权利要求1所述的稀疏性相关度图像质量评价方法，其特征在于，所述利用FastICA稀疏编码算法对白化后的数据矩阵Z进行学习，得到白化数据的单细胞矩阵W^w的方法为：对白化后的数据矩阵Z，寻找其中一个最大化非高斯方向的过程，由如下固定点迭代表示：

w^w(k)＝E{Zg(w^w(k-1)^TZ)}-E{g′(w^w(k-1)^TZ)}w^w(k-1)

其中，w^w表示白化空间中单细胞矩阵的向量，k代表迭代步数，E{·}表示变量的平均值，g代表函数：g(u)＝tanh(au)，1≤a≤2，u表示变量，g’表示函数g的导数，函数g实际上是函数G的导数，且

从一个随机的正交矩阵开始，每一次迭代利用上述公式来更新白化数据的单细胞矩阵W^w中的每一列，然后通过W^w对白化数据的单细胞矩阵进行正交化，上述过程重复直到算法收敛为止。

3.根据权利要求1所述的稀疏性相关度图像质量评价方法，其特征在于，所述稀疏性相关度的质量分数为：

$SCS=\frac{\underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}(S_{mn}^{ref}-{\stackrel{\&OverBar;}{S}}^{ref})(S_{mn}^{dis}-{\stackrel{\&OverBar;}{S}}^{dis})}{\sqrt{\left(\underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}{(S_{mn}^{ref}-{\stackrel{\&OverBar;}{S}}^{ref})}^2\right)\left(\underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}{(S_{mn}^{dis}-{\stackrel{\&OverBar;}{S}}^{dis})}^2\right)}}$

其中，m和n代表矩阵元素的空间位置，分别表示矩阵S^ref和S^dis第m行、n列的元素值，和分别表示参考图像和失真图像的输出信息S^ref和S^dis的均值，N表示参考图像和失真图像的图像块个数。

4.根据权利要求1所述的稀疏性相关度图像质量评价方法，其特征在于，所述滑动窗口的大小为P×P，M的大小为图像块总像素值个数的1/3，其中P＝8。