一种立体图像质量客观评价方法
【技术领域】
[0001] 本发明设及图像处理领域，尤其是设及OLPP(正交局部保留投影）和GA-ELM(遗 传算法优化的极端学习机）在立体图像质量客观评价中的应用。
【背景技术】
[0002] 随着多媒体技术的快速发展，立体成像技术已成为该领域的新型显示技术之一。 立体图像的获取、处理、存储、传输与显示等过程，会不可避免地引入一些失真，如何有效评 估立体图像的质量已成为国内外学者的研究热点之一W。
[0003] 现阶段，国内外对立体图像质量客观评价进行了广泛的研究。文献[2]结合空间 感知信息与绝对差值信息，提出了一种基于结构相似度（Struc化ralSimilarity,SSIM)
[3] 的立体图像质量客观评价方法；文献[4]考虑了人类观看立体图像的双目融合特性，基 于传统平面图像质量评价方法，提出了改进的立体图像质量评价方法；文献[引利用视差 空间图建立了一种立体图像质量客观评价模型；文献[6]提出了一种基于稀疏表示的立体 图像质量客观评价方法；文献[7]通过模拟人眼视觉系统中初级视皮层的简单和复杂细胞 行为，构造了一个信号处理模型对立体图像质量进行客观评价；文献[引根据单目闭塞与 双目竞争特性，提出了一种感知调整特征相似度评价方法；文献[9]提出了一种基于双目 质量感知模型的无参考立体图像质量客观评价方法；文献[10]提出了一种基于=维结构 张量的立体图像质量评价方法。W上具有代表性的文献均是基于人眼视觉特性建立的立体 图像质量评价模型。
[0004] 然而，迄今为止，由于人类对人眼视觉系统的认知水平还很有限，现有的人类视觉 特性未必能够全面反映人的视觉感受。因此，一些文献提出了神经网络方法来模拟人脑特 性，建立立体图像质量评价模型。文献[11]提出了一种基于遗传神经网络的立体图像客观 质量评价模型；文献[12]通过独立成分分析（IndependentComponentAnalysis,ICA)对 立体图像进行预处理，结合基于二叉树的支持向量机方法，建立一种立体图像质量评价模 型。而传统神经网络存在学习速度缓慢、泛化能力差、极易陷入局部极小值等缺点，因此，文 献[13]在使用主成分分析（PrincipalComponentAnalysis,PCA)进行预处理的基础上， 引入了极端学习机巧xtremeLearningMachine,ELM) [14-16]对立体图像质量进行客观评 价。然而，ELM网络的输入权值和隐藏层节点的偏移量是随机给定的，对于具有相同隐藏层 神经元个数的ELM网络，输入权值矩阵和偏移量的取值不同，网络的性能有很大差异，进而 影响立体图像质量评价的准确性。
【发明内容】
[0005] 本发明提供了一种立体图像质量客观评价方法，本发明提高了立体图像质量评价 的准确性，为立体图像质量客观评价的实时环境及系统的推广提供了有效途径，详见下文 描述：
[0006] 一种立体图像质量客观评价方法，所述方法基于正交局部保留投影和遗传算法优 化的极端学习机，对立体图像质量进行客观评价，所述方法包括w下步骤：
[0007] 利用正交局部保留投影法分别对训练样本、测试样本进行特征提取和降维，获得 训练样本投影系数、测试样本投影系数；
[0008] 将所述样本投影系数、所述样本投影系数输入极端学习机，训练过程中采用遗传 算法优化的极端学习机进行优化并确定网络结构，对测试样本进行测试，对立体图像质量 进行客观评价。
[0009] 其中，所述利用正交局部保留投影法分别对训练样本、测试样本进行特征提取和 降维，获得训练样本投影系数、测试样本投影系数的步骤具体为；
[0010] 在训练样本中选取训练子集获取相应的正交局部保留投影子空间，并将训练样本 和测试样本投影到所述正交局部保留投影子空间中，分别获得所述样本投影系数和所述样 本的投影系数。
[0011] 进一步地，所述在训练样本中选取训练子集获取相应的正交局部保留投影子空 间，并将训练样本和测试样本投影到所述正交局部保留投影子空间中，分别获得所述样本 投影系数和所述样本的投影系数的步骤具体为：
[0012] 每一幅立体图像投影到PCA子空间中，得到变换矩阵；
[0013] 对投影到PCA子空间的训练子集构建邻接图，为邻接图的边选择权重；
[0014] 通过所述权重计算正交基函数；
[0015] 通过所述变换矩阵和所述正交基函数计算投影矩阵，获取投影系数。
[0016] 其中，所述将所述样本投影系数、所述样本投影系数输入极端学习机，训练过程中 采用遗传算法优化的极端学习机进行优化并确定网络结构的步骤具体为：
[0017] 1)读入训练样本，并将训练样本随机分成训练集和测试集两部分；
[0018] 2)初始化种群，种群中的个体包含了极端学习机网络结构的输入层权值和隐藏层 节点偏移量；
[0019] 3)优化产生极端学习机网络输入层权值和隐藏层节点偏移量；
[0020] 4)将遗传算法的优化结果返回极端学习机网络，用优化后的极端学习机网络输入 层权值和隐藏层节点偏移量计算产生输出层权值矩阵，W此确定网络结构。
[0021] 本发明提供的技术方案的有益效果是；本发明通过〇LPP[17]对立体图像样本进 行特征降维，然后通过GA优化ELM网络结构的初始权重与隐藏层节点偏移量，使优化后的 ELM网络能够具有更好的分类识别效果，建立能准确有效地评价立体图像质量的客观评价 模型，为立体图像质量客观评价的实时环境及系统的推广提供了有效途径。另外，本方法还 比较了GA-ELM算法和ELM、SVM算法的性能，从中可知，本方法在立体图像质量客观评价方 面整体性能优于ELM、SVM，具有实际可行性。
【附图说明】
[00巧图1为源图像"family"的示意图；
[002引图2为源图像"girl"的示意图；
[0024]图3为源图像"river"的示意图；
[002引 图4为源图像"flower"的示意图；
[0026]图5为降质图像"family"的示意图；
[0027]图6为降质图像"girl"的示意图；
[002引图7为降质图像"river"的示意图；
[0029] 图8为降质图像"flower"的示意图；
[0030] 图9为立体图像质量客观评价框图；
[0031] 图10为一种立体图像质量客观评价方法的流程图。
【具体实施方式】
[0032] 为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步 地详细描述。
[0033] 本发明提供一种立体图像质量客观评价方法，该模型利用正交局部保留投影法提 取立体图像的有效特征，将立体图像的有效特征输入极端学习机网络中，对ELM进行训练、 测试，并采用遗传算法对极端学习机的网络参数进行优化。同时也比较了本发明算法与相 关算法关于立体图像质量评价方面的性能优劣。
[0034] 实施例1
[0035] 101 ;选取训练样本和测试样本；
[0036] 102 ;利用0LPP算法分别对训练样本、测试样本进行特征提取和降维，获得训练样 本投影系数、测试样本投影系数；
[0037] 其中，该步骤102具体为；在训练样本中选取训练子集获取相应的化PP子空间，并 将所有样本（训练样本和测试样本）投影到0LPP子空间中，分别获得训练样本投影系数和 测试样本的投影系数。
[003引即，将每一幅立体图像投影到PCA子空间中，得到变换矩阵；对投影到PCA子空间 的训练子集构建邻接图，为邻接图的边选择权重；通过所述权重计算正交基函数；通过变 换矩阵和正交基函数计算投影矩阵，获取投影系数。
[0039] 103;将样本投影系数、样本投影系数输入极端学习机，训练过程中采用遗