稀疏表示提升卫星立体图像失真质量评价精度

本文主要探讨了"基于稀疏表示的失真卫星立体图像全参考质量评价"这一主题。该研究针对建筑物检测这类具体应用场景，提出了一个新颖的方法来评估卫星立体图像的质量。首先，作者构建了一个专门用于失真卫星立体图像的数据库，该数据库利用角点检测技术以及数字表面模型获取的高程信息，精确地定位和识别图像中的建筑物。通过比较失真前后图像中角点的变化，设计了一种检测准确率指标，作为衡量图像失真程度的重要标准。 接着，研究者引入了稀疏表示的概念，这是一种有效的信号处理工具，它能在保持信息完整性的同时，通过寻找数据中的关键模式实现高效表示。该方法分别从原始图像和失真图像中提取尺度不变特征转换（Scale-Invariant Feature Transform, SIFT）和二进制稳健不变尺度特征（Binary Robust Invariant Scalable Keypoints, BRISK），并将这些特征用于字典学习，以便更好地捕捉图像特征的内在结构。 通过稀疏表示，研究人员计算出原始图像与失真图像之间的相似度，从而得到四个不同的质量分数。这些分数反映了图像在不同方面的质量状况。最后，利用支持向量回归（Support Vector Regression, SVR）算法将这四个分数整合，得出综合的客观评价值。这种方法的评价效果被通过实验验证，结果显示，该方法的皮尔逊线性相关系数达到了0.90以上，斯皮尔曼等级相关系数更是超过了0.87，这表明相较于现有评价方法，该方法能够更准确地反映卫星立体图像的质量变化。 这篇论文的核心贡献在于开发了一种基于稀疏表示的全参考质量评价框架，专用于失真卫星立体图像的评估，有效地提高了图像质量评估的精度和可靠性，对于卫星遥感、城市规划等领域的应用具有重要意义。