一種基于雙目感知的無參考立體圖像質(zhì)量評價方法
【技術(shù)領域】
[0001] 本發(fā)明設及一種圖像質(zhì)量評價方法，特別設及一種基于雙目感知的無參考立體圖 像質(zhì)量評價方法，屬于圖像分析領域。
【背景技術(shù)】
[0002] 在過去的十年左右的時間里，人們可W接觸的立體圖像/視頻資源的數(shù)量急劇增 長。已經(jīng)可W說立體圖像/視頻資源已經(jīng)變的平民化、大眾化、潮流化。隨著立體資源的逐 步普及，隨之而來的副作用是參差不齊的視覺質(zhì)量。立體圖像/視頻在場景采集、編碼、網(wǎng) 絡傳輸、解碼、后期處理、壓縮存儲和放映的各個階段都會不可避免的引入失真。例如，在場 景采集過程中由于設備參數(shù)設定、鏡頭晃動等因素引起的模糊失真；立體圖像壓縮存儲引 起的壓縮失真，尤其是非對稱壓縮編碼引入的雙目競爭和抑制效應；立體電影在后期處理 過程中，由于對于人眼立體感知理論的認識不足，處理后的立體效果會引起人眼的疲勞和 精神的萎靡，進而影響人類的身屯、健康。
[0003] 因此，如何評價立體圖像/視頻資源的視覺質(zhì)量已經(jīng)成為了一個急需解決的問 題?，F(xiàn)實的應用系統(tǒng)迫切需要獲得可W自動評價立體媒體質(zhì)量的能力，進而能夠提升媒體 的視覺質(zhì)量。具體來說，本研究具有W下應用價值：
[0004] (1)可W嵌入實際的應用系統(tǒng)（比如立體電影的放映系統(tǒng)、網(wǎng)絡傳輸系統(tǒng)等）中， 實時的監(jiān)控立體圖像/視頻的質(zhì)量；
[0005] (2)可W用于評價各種圖像/視頻處理算法、工具（比如立體圖像的非對稱壓縮編 碼、立體圖像/視頻采集工具等）的優(yōu)劣；
[0006] (3)可W用于立體圖像/視頻作品的質(zhì)量審核，防止劣質(zhì)立體制品危害觀眾的身 屯、健康。
[0007] 綜上所述，對于客觀的無參考立體圖像質(zhì)量評價模型的研究具有重要的理論價值 和現(xiàn)實意義。本發(fā)明提出了一種基于雙目感知的無參考立體圖像質(zhì)量評價方法，其參考的 已有技術(shù)為Moorthy等人在文南犬《Atwo-stepframeworkforconstructin邑blindimage qualityindices》中提出的圖像質(zhì)量評價的兩步框架，設及的基礎【背景技術(shù)】主要自然場 景統(tǒng)計特征。
[0008](一）圖像質(zhì)量評價的兩步框架
[0009]Moorthy等人提出無參考圖像質(zhì)量評價的兩步框架，即對失真圖像依次進行失真 分類和特定失真類型的質(zhì)量評價。
[0010] (1)失真分類：給定圖像的訓練集合和對應的失真類型，用圖像的特征向量和正 確的分類作為輸入來訓練一個分類器。得到分類器之后，輸入一幅圖像，就可W對圖像中的 失真類型進行概率估計，運個估計表明圖像中含有每一種失真類型的多少。運樣對于一個 圖像特征向量，分類器會輸出一個n維的向量P。
[0011] (2)特定失真類型的質(zhì)量評價：對于n種失真類型，分別在訓練集合上訓練各自的 回歸模型來把圖像特征向量映射到質(zhì)量分數(shù)上。得到n個擬合器之后，輸入一幅圖像，就可 W利用n個擬合器分別對圖像進行質(zhì)量評價，得到圖像關于某種失真的質(zhì)量估計q，q也是n維的。
[0012] (3)質(zhì)量匯總：根據(jù)得到的兩個向量P和q，每一個基于特定失真質(zhì)量的分數(shù)都用 圖像中失真出現(xiàn)的概率加權(quán)，可W得到客觀預測分數(shù)
[0013] (1)
[0014] 其中，Pi表示向量P的第i維分量，q1表示向量q的第i維分量，n表示失真的種 類數(shù)目。
[0015] (二）自然場景統(tǒng)計特征
[0016] 自然場景統(tǒng)計建模是指對立體圖像的某個或者某些系數(shù)域的系數(shù)值分布情況進 行分析，根據(jù)其分布的規(guī)律，利用參數(shù)分布函數(shù)對其進行擬合，擬合的參數(shù)作為圖像的特征 值，用于質(zhì)量評價。利用自然場景統(tǒng)計特性來進行質(zhì)量評價是一個最為有效、最為前沿的想 法，自然場景統(tǒng)計模型的合適與否直接決定了質(zhì)量評價算法性能的優(yōu)劣。本文中用到的自 然場景統(tǒng)計特征包括對稱廣義高斯分布特征和非對稱的廣義高斯分布特征。
[0017] 零均值的對稱廣義高斯分布可W描述為：
[0021] r(?)為伽馬函數(shù)，a為形狀參數(shù)特征，0為尺度參數(shù)特征。[0022] 零均值的非對稱廣義高斯分布可W描述為： (I) (2)
[0027]a為形狀參數(shù)特征和01和0f分別為左右兩側(cè)的尺度參數(shù)特征。

【發(fā)明內(nèi)容】

[0028] 本發(fā)明的目的是為了解決無參考立體圖像質(zhì)量評價技術(shù)的性能低，主觀一致性 差，而且時間復雜度和空間復雜度大的問題，提供一種基于雙目感知的無參考立體自然圖 像質(zhì)量評價方法。
[0029] 本發(fā)明方法是通過下述技術(shù)方案實現(xiàn)的。
[0030] 一種基于雙目感知的無參考立體圖像質(zhì)量評價方法，步驟如下：
[0031] 步驟一、對于待測圖像的左、右視圖，計算其視差圖山然后分別計算左右視圖在空 間位置i的信息量，利用信息量合成計算單眼圖像C= {ci:iG1};
[0032] 計算方法如下：
[0033] 步驟1. 1，利用高斯混合模型，把左、右視圖分解為兩個隨機場。
[0034] V=S?U， (6) 陽03引其中，V=K:/e/;.，表示左、右視圖，i為空間索引。S= {si:iGU為非負尺度 隨機場，y= / ^為均值為0,協(xié)方差為C。的高斯向量。
[0036] 步驟1. 2,計算左、右視圖在空間位置i的信息量//;(。。[0037]
(7) (8)
[0038] 步驟1.3,基于雙目感知特性，利用左、右視圖的信息賭，合成單眼圖像C= (ci:iG1}。
[0039] (9) W40] 其中，M;:。為左視圖在空間位置i上的信息賭，Gki為左視圖在空間位置i上的 灰度值，di為空間位置i處的水平視差，e為一個很小的正數(shù)W確保系數(shù)大于0,a是一個 經(jīng)驗參數(shù)。
[0041] 步驟二、根據(jù)視差圖和左、右視圖，計算點積圖P=巧i:iE1}; 陽0創(chuàng)計算方法如下：
[0043] (10) W44] 其中，Gki為左視圖在空間位置i上的灰度值，d1為空間位置i處的水平視差。
[0045]步驟S、特征提取。
[0046] 分別在左視圖、右視圖、單眼圖像和點積圖上提取自然場景統(tǒng)計特征。
[0047] 步驟四、采用步驟一和步驟二的方法對數(shù)據(jù)庫中的每一幅立體圖像進行處理，計 算得到每一幅立體圖像對應的質(zhì)量特征向量。然后利用基于學習的機器學習方法，在訓練 集上進行訓練，在測試集上進行測試，把質(zhì)量特征向量映射為對應的質(zhì)量分數(shù)。進而利用現(xiàn) 有的算法性能指標（SROCC、PCC等）對算法的優(yōu)劣進行評估。
[0048] 步驟=中的自然場景統(tǒng)計特征還可W用圖像的各種全局特征、局部特征、顏色特 征、紋理特征等特征替換。 W例步驟四中的機器學習方法可W采用支持向量機（SVM)，神經(jīng)網(wǎng)絡等機器學習方法。
[0050] 有益效果
[0051] 本發(fā)明提出的基于雙目感知的無參考立體圖像質(zhì)量評價方法，與已有技術(shù)相比具 有主觀一致性高；可W嵌入到立體圖像/視頻處理相關的應用系統(tǒng)中，具有很強的應用價 值。
【附圖說明】
[0052] 圖1是本發(fā)明的基于雙目感知特性的無參考立體圖像質(zhì)量評價方法的流程圖；
[0053]圖2是本發(fā)明具體實施例1中待測圖像的左視圖； 圖3是本發(fā)明具體實施例1中待測圖像的右視圖； 圖4是本發(fā)明具體實施例1中待測圖像的單眼圖像； 圖5是本發(fā)明具體實施例1中待測圖像的點積圖。
【具體實施方式】
[0054] 下面結(jié)合附圖和具體實施例對本發(fā)明方法的實施方式做詳細說明。 陽055] 實施例
[0056] 本方法的流程如圖1所示，具體實施過程為