的像素点的像素值。3. 根据权利要求1或2所述的基于双目视觉感知的无参考立体图像质量客观评价方 法，其特征在于所述的步骤②中的其中，0含/化（x，y)1，P咕"（x，.v)隶示L"s中坐标位置为（X，y)的像素点与成化中坐标位 置为（X，y)的像素点之间的结构相似度值，〇'三;含1K!')表示Rdu中坐标位 置为（x，y)的像素点与中坐标位置为（x，y)的像素点之间的结构相似度值。4. 根据权利要求3所述的基于双目视觉感知的无参考立体图像质量客观评价方法，其 特征在于所述的步骤②中的//α(x，j，；)的获取过程为： ②-1、计算公的能量图，记为町dw将Euu中坐标位置为（x，y)的像素点的像素值记朱计算的能量图，记为Emu，将Emu中坐标位置 为（X，y)的像素点的像素值记为其中，p4''"（.Y，·)')表 示易中坐标位置为（x，y)的像素点的像素值，'表示&W。中坐标位置为（x，y) 的像素点的像素值，符号"II"为取绝对值符号； ②-2、计算爲和的总能量图，记为EDdu，将EDdu中坐标位置为（X，y)的像素点的 像素值记巧②-3、根据能量比重对和与"。进行线性加化得到会聚独眼图Ice，5.根据权利要求4所述的基于双目视觉感知的无参考立体图像质量客观评价方法，其 特征在于所述的步骤③-1的具体过程为：al、采用尺寸大小为ηXη的滑动窗口，在I。。中W 逐像素点移动的方式滑动，将lee分割成（W-n+1)X(Η-η+1)个重叠的尺寸大小为ηΧη的图 像块，其中，η= 256 ;a2、对I。。中的每个图像块进行曲波变换，使I中的每个图像块转换 成S层不同尺度上的曲波系数，其中，S=log2(n)-3 = 1〇邑2(256)-3 = 5 ; 所述的步骤③-2的具体过程为：bl、将Icc中当前待处理的第g个图像块定义为当前图 像块，其中，1《g《（W-n+1)X(H-n+1) ;b2、将当前图像块记为增d'g，将屬ft'gi对应的第5 层尺度上的曲波系数记为0B'5;b3、计算ΘB'5包含的一个矩阵中的所有系数的幅值的对数 的经验概率分布函数，记为h(ΘB'5) ;b4、利用非对称广义高斯分布拟合h(ΘB'5)，得到拟合 后的非对称广义高斯分布的幅值、均值、左标准偏差和右标准偏差，对应记为沪5、μB'5、却'5 和cf;b5、令g=g+1，然后将Icc中下一个待处理的图像块作为当前图像块，再返回步骤b2继续执行，直至Icc中的所有图像块处理完毕，其中，g=g+1中的"="为赋值符号；b6、 获取I。。在曲波域的尺度系数特征向量其中，fws的维 数为4，所述的步骤③-3的具体过程为：cl、将Icc中当前待处理的第g个图像块定义为当前 图像块；c2、将当前图像块记为，将塔对应的第4层尺度上的曲波系数记为ΘB'4; c3、从0B'4包含的64个方向矩阵中提取出前32个方向矩阵，将从ΘB'4包含的64个方向 矩阵中提取出的第t个方向矩阵记为批A'，其中，1《t《32,於的维数为?"0S4X??0S.4; c4、计算从θ-4包含的64个方向矩阵中提取出的每个方向矩阵的方向能量，将的 方向能量记为气其中，；V,u(p，g)表示护'心中坐标位置 为（P，q)的系数，1^/^"·',,. 符号"II"为取绝对值符号；c5、将从0B'4包 含的64个方向矩阵中提取出的水平方向和垂直方向的方向矩阵作为主要方向矩阵，且将 从ΘB'4包含的64个方向矩阵中提取出的其余方向的方向矩阵作为非主要方向矩阵；然 后计算从ΘB'4包含的64个方向矩阵中提取出的2个主要方向矩阵的方向能量的均值， 记为//1%并计算从ΘB'4包含的64个方向矩阵中提取出的30个非主要方向矩阵的方向 能量的均值，记为//：1_"。;;〇6、计算从08'4包含的64个方向矩阵中提取出的3〇个非主要 方向矩阵的方向能量的标准偏差，记为巧然后计算从0B'4包含的64个方向矩阵中 提取出的30个非主要方向矩阵的方向能量的变化系数，记为令g=g+1，然后将Ice中下一个待处理的图像块作为当前图像块，再返回步骤c2继续 执行，直至lee中的所有图像块处理完毕，其中，g=g+1中的"="为赋值符号；c8、获取 Icc在曲波域的方向能量分布特征向量其中，fwD的维数为2，符号"[]"为向量表示符 号； 所述的步骤③-4的具体过程为：dl、将Icc中当前待处理的第g个图像块定义为当前图 像块；d2、将当前图像块记为/算As，将对应的第j层尺度上的曲波系数记为0 '，其 中，1《j《S;d3、计算i沒As对应的每层尺度上的曲波系数包含的每个矩阵中的每个系数 的幅值的对数；然后计算指对应的每层尺度上的曲波系数包含的所有矩阵中的系数的 幅值的对数的均值；d4、根据/,苦t's对应的每层尺度上的曲波系数包含的所有矩阵中的系 数的幅值的对数的均值，获取/您对应的每层尺度上的标量能量，将/斧对应的第j层 尺度上的标量能量记为沪-';d5、计算/毀对应的相邻的两层尺度之间的能量差，将 对应的第j'+1层尺度与第j'层尺度之间的能量差记为cP，'，沪，'=eB'，'"-沪，';并计算 巧对应的间隔的两层尺度之间的能量差，将/,&自4'g对应的第r-1层尺度与第r-3层 尺度之间的能量差记为ef'i''，eB'i"i-eB'i" 3;其中，1《j'《4,5《j"《6 ;d6、令g =g+1，然后将Icc中下一个待处理的图像块作为当前图像块，再返回步骤d2继续执行，直 至Ic冲的所有图像块处理完毕，其中，g=g+1中的"="为赋值符号；d7、获取IC庙曲波 域的标量能量分布特征向量fw￡胃二万j，其中，fsED的维 数为6，j*《6,符号"[]"为向量表示符号； 所述的步骤③-5的具体过程为：el、对化du的直方图进行归一化处理，得到归一化后 的左视差图直方图，记为与1:";e2、采用零均值的广义高斯分布拟合巧Γ，得到零均值的广 义高斯分布的形状参数和方差，对应记为构成化du的 特征向量，其中，fuL的维数为2,符号"[]"为向量表示符号； 所述的步骤③-6的具体过程为：fl、对Dmu的直方图进行归一化处理，得到归一化后 的左视差图直方图，记为公這^f2、采用零均值的广义高斯分布拟合巧；1"，得到零均值的广 义高斯分布的形状参数和方差，对应记关构成Dmu的 特征向量，其中，fDu的维数为2,符号"[]"为向量表示符号； 所述的步骤③-7的具体过程为：gl、将U,du的直方图记为巧;g2、采用对数正态分 布拟合公'、，得到对数正态分布的位置参数和尺度参数，对应记为聋;和為:?;的、将Z篇，和 城；构成lUs的特征向量fV，其中，勺维数为2,符号"[]"为向量表 不符号； 所述的步骤③-8的具体过程为：hl、将U,du的直方图记为巧I;h2、采用对数正态分 布拟合，得到对数正态分布的位置参数和尺度参数，对应记为邊J和《自:；h3、将和 趨构成IW的特征向量fV;.，其中，fuK的维数为2,符号"[]"为向量表 不符号。6.根据权利要求5所述的基于双目视觉感知的无参考立体图像质量客观评价方法，其 特征在于所述的步骤⑥中构造针对不同失真类型的失真立体图像的支持向量回归模型的 具体过程为： ⑥-1、采用Μ幅原始的无失真的立体图像，建立其在不同失真类型不同失真程度下 的失真立体图像集，该失真立体图像集共包括庚，幅失真立体图像，其中，Ν>1;然后利用 主观质量评价方法获得该失真立体图像集中的每幅失真立体图像的平均主观评分差值， 将该失真立体图像集中的第k幅失真立体图像的平均主观评分差值记为D/W'aS'l，庚中， 1<皮《邸';再按照步骤①至步骤④的过程，W相同的方式获取该失真立体图像集中的每幅 失真立体图像的特征向量，将该失真立体图像集中的第k幅失真立体图像的特征向量记为 巧。; ⑥-2、选取该失真立体图像集中属于第Z种失真类型的所有失真立体图像，并将选取 的所有失真立体图像的特征向量和平均主观评分差值构成的集合定义为当前立体图像训 练集，其中，1空;z:《送，1表示该失真立体图像集中的失真立体图像的失真类型的种类数，Z>1; ⑥-3、将当前立体图像训练集记为Ω,:其中，拽表示选取的第k' 幅失真立体图像的特征向量，-??亦表示Ω,中的第k'个特征向量，义;表示选取的第 k'幅失真立体图像的平均主观评分差值，m/(巧亦表示Ω,中的第k'个平均主观评分差 值，1《k'《氏，氏表示该失真立体图像集中属于第Z种失真类型的失真立体图像的总幅 数； ⑥-4、构造Ω,中的每个特征向量的支持向量回归模型，将巧;的支持向量回归模 型记为其中，f,()为针对第Z种失真类型的失 真立体图像的特征向量的支持向量回归模型的函数表示形式，1《1《K,，ω为权重 矢量，b为常数项，巧:表示Ω,中的第1个特征向量，W巧;，吃）表示乂巧的核函数，，exp()表示W自然基数e为底的指数函数，符号"IIII"为 求欧式距离符号，γ为核参数； ⑥-5、采用支持向量回归对Ω,中的所有特征向量进行训练，使得经过训练 得到的回归函数值与对应的平均主观评分差值之间的误差最小，拟合得到最优 的权重矢量ω。。,和最优的常数项bwt，将ω。。,和bwt的组合记为（ω。。。bwt)，其中，Ψ表示对Ω,中的所有特征向量进行训 练的所有的权重矢量和常数项的组合的集合，表示取使得的值最小的ω和b的值；然后利用得到的最优的权重矢量和 最优的常数项bwt构造支持向量回归模型，记为，其 中，ΡΓ为支持向量回归模型的输入向量，； ⑥-6、令Z=Z+1，然后选取该失真立体图像集中属于下一种失真类型的所有失真立体 图像，并将选取的所有失真立体图像的特征向量和平均主观评分差值构成的集合作为当前 立体图像训练集，再返回步骤⑥-3继续执行，直至该失真立体图像集中属于每种失真类型 的所有失真立体图像均处理完毕，构造得到针对不同失真类型的失真立体图像的支持向量 回归模型，其中，Z=Z+1中的"="为赋值符号。
【专利摘要】本发明公开了一种基于双目视觉感知的无参考立体图像质量客观评价方法，其利用能量增益控制模型构建失真立体图像的会聚独眼图，利用左、右视点图像构建左、右视差图及不确定左、右图；然后，对会聚独眼图提取曲波域特征，并分别在左、右视差图及不确定左、右图上提取广义高斯拟合参数特征和对数正态分布拟合参数特征，将这三部分特征作为立体图像特征信息；最后通过支持向量回归建立立体图像特征与平均主观评分差值之间的关系，得到失真立体图像的客观质量评价预测值；优点在于获得的失真立体图像的特征向量具有较强的稳定性且能够反映失真立体图像的质量变化情况，与人眼的主观感知具有很好的一致性，提高了客观评价结果与主观感知之间的相关性。
【IPC分类】H04N17/00, H04N13/00
【公开号】CN105407349
【申请号】CN201510855619
【发明人】郁梅, 王颖, 陈芬, 刘姗姗
【申请人】宁波大学
【公开日】2016年3月16日
【申请日】2015年11月30日