中国矿业大学李雷达教授作了一场题为“由稀疏表示的图像清晰度评价”的讲座，中国矿业大学有采矿工程、矿物加工工程、安全工程、地质工程、电气工程与自动化、土木工程、工程力学、环境工程、机械工程及自动化、测绘工程、会计学、信息工程、材料科学与工程(能源材料方向)、化学工程与工艺(能源化工方向)等国家级特色专业。在职研究生讲座的主要内容是：

　　在稀疏表示的最新进展表明，超完备的字典，从自然的图像学可以为图像分析捕获的高级特性。由于原子在词典通常边缘图案和图像模糊的特征在于边缘的传播，一个完备字典可以被用来测量模糊的程度。这个启发，我们提出了一个无参考稀疏表示基于图像的清晰度(SPARISH)指数。在一个完整的词典第一次学会用自然的图像。模糊的图像，然后使用字典中的块的方式来表示，并且该块的能量是使用稀疏系数计算的。清晰度分数被定义为方差归能量在一组选定的高方差块，它是通过使用块方差的总和的总块能量归一实现。该方法不训练图像敏感，所以金妮通用开词典可用于评估不同的影像实验结果上都模糊图像的清晰度和繁殖的扭曲图像证明了该方法的优点。

　　原文：Recentadvances in sparse representation show that overcomplete dictionaries learnedfrom natural images can capture higher-level features for image analysis. Sinceatoms in the dictionaries are typically edge patterns and image blur ischaracterized by the spread of edges, an overcomplete dictionary can be used tomeasure the extent of blur. Motivated by this, we present a no-reference SPArseRepresentation based Image SHarpness (SPARISH) index. An overcompletedictionary is first learned using natural images. The blurred image is thenrepresented using the dictionary in a block manner, and the block energy is computedusing the sparse coefficients. The sharpness score is defined as thevariance-normalized energy over a set of selected high-variance blocks, whichis achieved by normalizing the total block energy using the sum of blockvariances. The proposed method is not sensitive to training images, so auniversal dictionary can be used to evaluate the sharpness of different images.Experimental results on both blurred images and multiply distorted imagesdemonstrate the advantages of the proposed method.