一種基于機(jī)器學(xué)習(xí)的無參考立體圖像質(zhì)量客觀評價(jià)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種圖像質(zhì)量評價(jià)方法，尤其是涉及一種基于機(jī)器學(xué)習(xí)的無參考立體 圖像質(zhì)量客觀評價(jià)方法。
【背景技術(shù)】
[0002] 隨著圖像編碼技術(shù)和立體顯示技術(shù)的迅速發(fā)展，立體圖像技術(shù)受到了越來越廣泛 的關(guān)注與應(yīng)用，已成為當(dāng)前的一個(gè)研究熱點(diǎn)。立體圖像技術(shù)利用人眼的雙目視差原理，雙目 各自獨(dú)立地接收來自同一場景的左視點(diǎn)圖像和右視點(diǎn)圖像，通過大腦融合形成雙目視差， 從而欣賞到具有深度感和逼真感的立體圖像。與單通道圖像相比，立體圖像需要同時(shí)保證 兩個(gè)通道的圖像質(zhì)量，因此對其進(jìn)行質(zhì)量評價(jià)具有非常重要的意義。然而，目前對立體圖像 質(zhì)量缺乏有效的客觀評價(jià)方法進(jìn)行評價(jià)。因此，建立有效的立體圖像質(zhì)量客觀評價(jià)模型具 有十分重要的意義。
[0003] 由于影響立體圖像質(zhì)量的因素較多，如左視點(diǎn)和右視點(diǎn)質(zhì)量失真情況、立體感知 情況、觀察者視覺疲勞等，因此如何有效地進(jìn)行立體圖像質(zhì)量評價(jià)是亟需解決的難點(diǎn)問題。 現(xiàn)有的方法主要是通過機(jī)器學(xué)習(xí)來預(yù)測評價(jià)模型的，但針對立體圖像，現(xiàn)有的立體圖像評 價(jià)方法還是平面圖像評價(jià)方法的簡單擴(kuò)展，并沒有考慮雙目視覺特性，因此，如何在在評價(jià) 過程中有效地提取圖像特征信息，如果在評價(jià)過程中進(jìn)行雙目結(jié)合，使得客觀評價(jià)結(jié)果更 加感覺符合人類視覺系統(tǒng)，是在對立體圖像進(jìn)行客觀質(zhì)量評價(jià)過程中需要研究解決的問 題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是提供一種基于機(jī)器學(xué)習(xí)的無參考立體圖像質(zhì)量客 觀評價(jià)方法，其能夠有效地提高客觀評價(jià)結(jié)果與主觀感知之間的相關(guān)性。
[0005] 本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種基于機(jī)器學(xué)習(xí)的無參考立體 圖像質(zhì)量客觀評價(jià)方法，其特征在于包括以下步驟：
[0006] ①選取N幅原始的無失真立體圖像的左視點(diǎn)圖像構(gòu)成訓(xùn)練圖像集，記為 1彡i彡N}，其中，N彡1，I^ rg表示{L i，?！?彡i彡N}中的第i幅圖像；
[0007] ②利用高斯差分濾波器對ILi^gI 1彡i彡N}中的每幅圖像實(shí)施高斯差分濾波，得 到ILi^gI 1彡i彡N}中的每幅圖像在不同尺度下的濾波圖像；
[0008] ③對ILi^gI 1彡i彡N}中的每幅圖像在不同尺度下的濾波圖像進(jìn)行非重疊的分 塊處理；然后采用K-SVD方法對由每個(gè)尺度下的N幅濾波圖像中的所有子塊構(gòu)成的集合進(jìn) 行字典訓(xùn)練操作，獲得每個(gè)尺度下的目標(biāo)訓(xùn)練字典；再將每個(gè)尺度下的目標(biāo)訓(xùn)練字典作為 該尺度下的N幅濾波圖像的視覺字典表，構(gòu)造得到IL i^gI 1彡i彡N}的視覺字典表，記為 D，D =狀_| 1彡j彡S}，其中，j的初始值為1，S表示高斯差分濾波器的尺度個(gè)數(shù)，W表示 第j個(gè)尺度下的目標(biāo)訓(xùn)練字典，W亦表示第j個(gè)尺度下的N幅濾波圖像的視覺字典表，V亦 表示D中的第j個(gè)視覺字典；
[0009] ④將待評價(jià)的失真立體圖像的左視點(diǎn)圖像記為lA(x，y)}，將待評價(jià)的立體圖像 的右視點(diǎn)圖像記為{IK(x，y)}，其中，此處（x，y)表示!A(x，y)}和{IK(x，y)}中的像素點(diǎn)的 坐標(biāo)位置，I < X < W'，I < y < H'，W'表示待評價(jià)的失真立體圖像的寬度，H'表示待 評價(jià)的失真立體圖像的高度，Ijx，y)表示！A(x，y)}中坐標(biāo)位置為（x，y)的像素點(diǎn)的像素 值，l K(x，y)表示UK(x，y)}中坐標(biāo)位置為（x，y)的像素點(diǎn)的像素值；
[0010] ⑤利用高斯差分濾波器對!Λ(χ，y)}實(shí)施高斯差分濾波，得到!Λ(χ，y)}在不同尺 度下的濾波圖像；然后對！A(x，y)}在每個(gè)尺度下的濾波圖像進(jìn)行非重疊的分塊處理；接 著根據(jù)！A(x，y)}在每個(gè)尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個(gè)元素和在訓(xùn) 練階段構(gòu)造得到的視覺字典表D，獲取{lj x，y)}在每個(gè)尺度下的濾波圖像中的所有子塊構(gòu) 成的集合中的每個(gè)元素的稀疏系數(shù)矩陣；再采用最大池化方法，獲取!A(x，y)}在每個(gè)尺度 下的濾波圖像中的所有子塊構(gòu)成的集合中的每個(gè)元素的稀疏系數(shù)矩陣經(jīng)最大池化后得到 的稀疏系數(shù)矩陣；最后根據(jù)!A(x，y)}對應(yīng)的所有經(jīng)最大池化后得到的稀疏系數(shù)矩陣，獲得 !A(x，y)}的特征矢量，記為Fp
【主權(quán)項(xiàng)】
1. 一種基于機(jī)器學(xué)習(xí)的無參考立體圖像質(zhì)量客觀評價(jià)方法，其特征在于包括以下步 驟： ① 選取N幅原始的無失真立體圖像的左視點(diǎn)圖像構(gòu)成訓(xùn)練圖像集，記為 1彡i彡N}，其中，N彡1，表示{Li，?！?彡i彡N}中的第i幅圖像； ② 利用高斯差分濾波器對{kOTg| 1 <i<N}中的每幅圖像實(shí)施高斯差分濾波，得到 {Li，?！? <i<N}中的每幅圖像在不同尺度下的濾波圖像； ③ 對1 <i<N}中的每幅圖像在不同尺度下的濾波圖像進(jìn)行非重疊的分塊處 理；然后采用K-SVD方法對由每個(gè)尺度下的N幅濾波圖像中的所有子塊構(gòu)成的集合進(jìn)行字 典訓(xùn)練操作，獲得每個(gè)尺度下的目標(biāo)訓(xùn)練字典；再將每個(gè)尺度下的目標(biāo)訓(xùn)練字典作為該尺 度下的N幅濾波圖像的視覺字典表，構(gòu)造得到{Li，?！? <i<N}的視覺字典表，記為D，D ={以_|1 <j<S}，其中，j的初始值為1，S表示高斯差分濾波器的尺度個(gè)數(shù)，爐表示第j 個(gè)尺度下的目標(biāo)訓(xùn)練字典，爐亦表示第j個(gè)尺度下的N幅濾波圖像的視覺字典表，W亦表 示D中的第j個(gè)視覺字典； ④ 將待評價(jià)的失真立體圖像的左視點(diǎn)圖像記為！A(x，y)}，將待評價(jià)的立體圖像的右 視點(diǎn)圖像記為{IK(x，y)}，其中，此處（x，y)表示lA(x，y)}和{IK(x，y)}中的像素點(diǎn)的坐標(biāo) 位置，1 <x<W'，1 <y<H'，W'表示待評價(jià)的失真立體圖像的寬度，H'表示待評價(jià)的失真 立體圖像的高度，Ijx，y)表示{Ijx，y)}中坐標(biāo)位置為（x，y)的像素點(diǎn)的像素值，IK(x，y) 表示{IK(x，y)}中坐標(biāo)位置為（x，y)的像素點(diǎn)的像素值； ⑤ 利用高斯差分濾波器對！A(x，y)}實(shí)施高斯差分濾波，得到！A(x，y)}在不同尺度 下的濾波圖像；然后對！A(x，y)}在每個(gè)尺度下的濾波圖像進(jìn)行非重疊的分塊處理；接著 根據(jù){IJx，y)}在每個(gè)尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個(gè)元素和在訓(xùn)練 階段構(gòu)造得到的視覺字典表D，獲取{IJX，y)}在每個(gè)尺度下的濾波圖像中的所有子塊構(gòu) 成的集合中的每個(gè)元素的稀疏系數(shù)矩陣；再采用最大池化方法，獲取!A(x，y)}在每個(gè)尺度 下的濾波圖像中的所有子塊構(gòu)成的集合中的每個(gè)元素的稀疏系數(shù)矩陣經(jīng)最大池化后得到 的稀疏系數(shù)矩陣；最后根據(jù)!A(x，y)}對應(yīng)的所有經(jīng)最大池化后得到的稀疏系數(shù)矩陣，獲得 !A(x，y)}的特征矢量，記為Fp
，其中，j的初始值為1，S表示高斯差分濾波 器的尺度個(gè)數(shù)，在此M'表示{IJX，y)}在每個(gè)尺度下的濾波圖像中包含的子塊的總個(gè)數(shù)， 表示由！A(x，y)}在第j個(gè)尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的第t'個(gè)元 素的稀疏系數(shù)矩陣經(jīng)最大池化后得到的稀疏系數(shù)矩陣； 同樣，利用高斯差分濾波器對{IK(x，y)}實(shí)施高斯差分濾波，得到{IK(x，y)}在不同尺 度下的濾波圖像；然后對{IK(x，y)}在每個(gè)尺度下的濾波圖像進(jìn)行非重疊的分塊處理；接 著根據(jù){IK(x，y)}在每個(gè)尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個(gè)元素和在訓(xùn) 練階段構(gòu)造得到的視覺字典表D，獲取{IK(x，y)}在每個(gè)尺度下的濾波圖像中的所有子塊構(gòu) 成的集合中的每個(gè)元素的稀疏系數(shù)矩陣；再采用最大池化方法，獲取{IK(x，y)}在每個(gè)尺度 下的濾波圖像中的所有子塊構(gòu)成的集合中的每個(gè)元素的稀疏系數(shù)矩陣經(jīng)最大池化后得到 的稀疏系數(shù)矩陣；最后根據(jù){IK(x，y)}對應(yīng)的所有經(jīng)最大池化后得到的稀疏系數(shù)矩陣，獲得 {IK(x，y)}的特征矢量，記為Fk，<