一種基于雙目競爭的全盲立體圖像質量評價方法技術

本發明專利技術公開了一種基于雙目競爭的全盲立體圖像質量評價方法，其包括訓練階段和測試階段，在訓練階段和測試階段均充分利用了雙目競爭的特性，即獲取了左視點圖像和右視點圖像各自的幅值圖像中坐標位置相對應的子塊的雙目競爭能量、雙目競爭方差和雙目競爭熵，因此充分考慮到了立體視覺感知特性，有效地提高了客觀評價結果與主觀感知之間的相關性；通過無監督學習方式構造無失真高斯分布模型和失真高斯分布模型，這樣避免了復雜的機器學習訓練過程，降低了計算復雜度，并且本發明專利技術方法在訓練階段不需要預知各訓練失真立體圖像及其主觀評價值，因此更加適用于實際的應用場合。

【技術實現步驟摘要】
一種基于雙目競爭的全盲立體圖像質量評價方法
本專利技術涉及一種立體圖像質量評價方法，尤其是涉及一種基于雙目競爭的全盲立體圖像質量評價方法。
技術介紹
進入二十一世紀以來，隨著立體圖像/視頻系統處理技術的日趨成熟，以及計算機網絡與通信技術的快速發展，已引起人們對立體圖像/視頻系統的強烈需求。相比傳統的單視點圖像/視頻系統，立體圖像/視頻系統由于能夠提供深度信息來增強視覺的真實感，給用戶以身臨其境的全新視覺體驗而越來越受到人們的歡迎，已被認為是下一代媒體主要的發展方向，已引發了學術界、產業界的廣泛關注。然而，人們為了獲得更好的立體臨場感和視覺體驗，對立體視覺主觀感知質量提出了更高的要求。在立體圖像/視頻系統中，采集、編碼、傳輸、解碼及顯示等處理環節都會引入一定失真，這些失真將對立體視覺主觀感知質量產生不同程度的影響，因此如何有效地進行無參考質量評價是亟需解決的難點問題。綜上，評價立體圖像質量，并建立與主觀質量評價相一致的客觀評價模型顯得尤為重要。目前，研究人員提出了不少針對單視點圖像質量的無參考評價方法，然而由于缺乏系統理論深入研究立體視覺感知特性，因此還沒有有效地無參考立體圖像質量評價方法。現有的無參考立體圖像質量評價方法主要是通過機器學習來預測立體圖像質量，不僅計算復雜度較高，而且需要測試數據庫(包括大量不同失真類型的失真立體圖像及相應的主觀評價值)，使得該無參考立體圖像質量評價方法并不適用于實際的應用場合，存在一定的局限性。因此，如何在評價過程中根據立體視覺感知特性有效地提取特征信息，使得客觀評價結果更加符合人類視覺感知系統；以及如何在無參考模型構建中采用全盲方法；都是在無參考質量評價研究中需要重點解決的技術問題。
技術實現思路
本專利技術所要解決的技術問題是提供一種基于雙目競爭的全盲立體圖像質量評價方法，其能夠充分考慮到立體視覺感知特性，從而能夠有效地提高客觀評價結果與主觀感知之間的相關性。本專利技術解決上述技術問題所采用的技術方案為：一種基于雙目競爭的全盲立體圖像質量評價方法，其特征在于包括訓練階段和測試階段；所述的訓練階段包括以下步驟：①-1、選取K幅原始的無失真立體圖像，將第k幅原始的無失真立體圖像的左視點圖像和右視點圖像對應記為{Sk,org,L(m,n)}和{Sk,org,R(m,n)}，其中，K≥1，1≤k≤K，(m,n)表示原始的無失真立體圖像中的像素點的坐標位置，1≤m≤M，1≤n≤N，M表示原始的無失真立體圖像的寬度，N表示原始的無失真立體圖像的高度，Sk,org,L(m,n)表示{Sk,org,L(m,n)}中坐標位置為(m,n)的像素點的像素值，Sk,org,R(m,n)表示{Sk,org,R(m,n)}中坐標位置為(m,n)的像素點的像素值；①-2、對每幅原始的無失真立體圖像的左視點圖像實施log-Gabor濾波，得到每幅原始的無失真立體圖像的左視點圖像的幅值圖像，將{Sk,org,L(m,n)}的幅值圖像記為{Mk,org,L(m,n)}，其中，Mk,org,L(m,n)表示{Mk,org,L(m,n)}中坐標位置為(m,n)的像素點的像素值；同樣，對每幅原始的無失真立體圖像的右視點圖像實施log-Gabor濾波，得到每幅原始的無失真立體圖像的右視點圖像的幅值圖像，將{Sk,org,R(m,n)}的幅值圖像記為{Mk,org,R(m,n)}，其中，Mk,org,R(m,n)表示{Mk,org,R(m,n)}中坐標位置為(m,n)的像素點的像素值；①-3、將每幅原始的無失真立體圖像的左視點圖像的幅值圖像劃分成個互不重疊的尺寸大小為mb×nb的子塊；然后計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊的能量、方差和熵，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊的能量、方差和熵對應記為Ek,org,L(i,j)、Vk,org,L(i,j)和Qk,org,L(i,j)；同樣，將每幅原始的無失真立體圖像的右視點圖像的幅值圖像劃分成個互不重疊的尺寸大小為mb×nb的子塊；然后計算每幅原始的無失真立體圖像的右視點圖像的幅值圖像中的每個子塊的能量、方差和熵，將{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的能量、方差和熵對應記為Ek,org,R(i,j)、Vk,org,R(i,j)和Qk,org,R(i,j)；其中，mb和nb對應表示每個子塊的寬度和高度，符號為向下取整符號；①-4、計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子塊的雙目競爭能量，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊與{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的雙目競爭能量記為Ek,org,B(i,j)，并，計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子塊的雙目競爭方差，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊與{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的雙目競爭方差記為Vk,org,B(i,j)，計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子塊的雙目競爭熵，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊與{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的雙目競爭熵記為Qk,org,B(i,j)，①-5、將所有原始的無失真立體圖像的左視點圖像的幅值圖像與右視點圖像的幅值圖像中所有坐標位置對應的子塊的雙目競爭能量的均值、雙目競爭方差的均值及雙目競爭熵的均值作為輸入參數，輸入到高斯分布模型中，得到所有原始的無失真立體圖像對應的無失真高斯分布模型；所述的測試階段包括以下步驟：②-1、對于任意一幅尺寸大小與選取的原始的無失真立體圖像的尺寸大小一致的失真立體圖像，將該失真立體圖像作為待評價的失真立體圖像，將待評價的失真立體圖像的左視點圖像和右視點圖像對應記為{Sdis,L(m,n)}和{Sdis,R(m,n)}，其中，Sdis,L(m,n)表示{Sdis,L(m,n)}中坐標位置為(m,n)的像素點的像素值，Sdis,R(m,n)表示{Sdis,R(m,n)}中坐標位置為(m,n)的像素點的像素值；②-2、對{Sdis,L(m,n)}實施log-Gabor濾波，得到{Sdis,L(m,n)}的幅值圖像，記為{Mdis,L(m,n)}，其中，Mdis,L(m,n)表示{Mdis,L(m,n)}中坐標位置為(m,n)的像素點的像素值；同樣，對{Sdis,R(m,n)}實施log-Gabor濾波，得到{Sdis,R(m,n)}的幅值圖像，記為{Mdis,R(m,n)}，其中，Mdis,R(m,n)表示{Mdis,R(m,n)}中坐標位置為(m,n)的像素點的像素值；②-3、將{Mdis,L(m,n)}劃分成個互不重疊的尺寸大小為mb×nb的子塊；然后計算{Mdis,L(m,n)}中的每個子塊的能量、方差和熵，將{Mdis,L(m,n)}中坐標位置為(i,j)的子塊的能量、方差和熵對應記為Edis,L(i,j)、Vdis,L(i,j)和本文檔來自技高網...

【技術保護點】
一種基于雙目競爭的全盲立體圖像質量評價方法，其特征在于包括訓練階段和測試階段；所述的訓練階段包括以下步驟：①?1、選取K幅原始的無失真立體圖像，將第k幅原始的無失真立體圖像的左視點圖像和右視點圖像對應記為{Sk,org,L(m,n)}和{Sk,org,R(m,n)}，其中，K≥1，1≤k≤K，(m,n)表示原始的無失真立體圖像中的像素點的坐標位置，1≤m≤M，1≤n≤N，M表示原始的無失真立體圖像的寬度，N表示原始的無失真立體圖像的高度，Sk,org,L(m,n)表示{Sk,org,L(m,n)}中坐標位置為(m,n)的像素點的像素值，Sk,org,R(m,n)表示{Sk,org,R(m,n)}中坐標位置為(m,n)的像素點的像素值；①?2、對每幅原始的無失真立體圖像的左視點圖像實施log?Gabor濾波，得到每幅原始的無失真立體圖像的左視點圖像的幅值圖像，將{Sk,org,L(m,n)}的幅值圖像記為{Mk,org,L(m,n)}，其中，Mk,org,L(m,n)表示{Mk,org,L(m,n)}中坐標位置為(m,n)的像素點的像素值；同樣，對每幅原始的無失真立體圖像的右視點圖像實施log?Gabor濾波，得到每幅原始的無失真立體圖像的右視點圖像的幅值圖像，將{Sk,org,R(m,n)}的幅值圖像記為{Mk,org,R(m,n)}，其中，Mk,org,R(m,n)表示{Mk,org,R(m,n)}中坐標位置為(m,n)的像素點的像素值；①?3、將每幅原始的無失真立體圖像的左視點圖像的幅值圖像劃分成個互不重疊的尺寸大小為mb×nb的子塊；然后計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊的能量、方差和熵，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊的能量、方差和熵對應記為Ek,org,L(i,j)、Vk,org,L(i,j)和Qk,org,L(i,j)；同樣，將每幅原始的無失真立體圖像的右視點圖像的幅值圖像劃分成個互不重疊的尺寸大小為mb×nb的子塊；然后計算每幅原始的無失真立體圖像的右視點圖像的幅值圖像中的每個子塊的能量、方差和熵，將{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的能量、方差和熵對應記為Ek,org,R(i,j)、Vk,org,R(i,j)和Qk,org,R(i,j)；其中，mb和nb對應表示每個子塊的寬度和高度，符號為向下取整符號；①?4、計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子塊的雙目競爭能量，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊與{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的雙目競爭能量記為Ek,org,B(i,j)，Ek,org,B(i,j)=Vk,org,L(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Ek,org,L(i,j)+Vk,org,R(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Ek,org,L(i,j);]]>并，計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子塊的雙目競爭方差，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊與{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的雙目競爭方差記為Vk,org,B(i,j)，Vk,org,B(i,j)=Vk,org,L(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Vk,org,L(i,j)+Vk,org,R(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Vk,org,L(i,j);]]>計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子塊的雙目競爭熵，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊與{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的雙目競爭熵記為Qk,org,B(i,j)，Qk,org,B(i,j)=Vk,org,L(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Qk,org,L(i,j)+Vk,org,R(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Qk,org,L(i,j);]]>①?5、將所有原始的無失真立體圖像的左視點圖像的幅值圖像與右視點圖像的幅值圖像中所有坐標位置對應的子塊的雙目競爭能量的均值、雙目競爭方差的均值及雙目競爭熵的均值作為輸入參數，輸入到高斯分布模型中，得到所有原始的無失真立體圖像對應的無失真高斯分布模型；所述的測試階段包括...

【技術特征摘要】
1.一種基于雙目競爭的全盲立體圖像質量評價方法，其特征在于包括訓練階段和測試階段；所述的訓練階段包括以下步驟：①-1、選取K幅原始的無失真立體圖像，將第k幅原始的無失真立體圖像的左視點圖像和右視點圖像對應記為{Sk,org,L(m,n)}和{Sk,org,R(m,n)}，其中，K≥1，1≤k≤K，(m,n)表示原始的無失真立體圖像中的像素點的坐標位置，1≤m≤M，1≤n≤N，M表示原始的無失真立體圖像的寬度，N表示原始的無失真立體圖像的高度，Sk,org,L(m,n)表示{Sk,org,L(m,n)}中坐標位置為(m,n)的像素點的像素值，Sk,org,R(m,n)表示{Sk,org,R(m,n)}中坐標位置為(m,n)的像素點的像素值；①-2、對每幅原始的無失真立體圖像的左視點圖像實施log-Gabor濾波，得到每幅原始的無失真立體圖像的左視點圖像的幅值圖像，將{Sk,org,L(m,n)}的幅值圖像記為{Mk,org,L(m,n)}，其中，Mk,org,L(m,n)表示{Mk,org,L(m,n)}中坐標位置為(m,n)的像素點的像素值；同樣，對每幅原始的無失真立體圖像的右視點圖像實施log-Gabor濾波，得到每幅原始的無失真立體圖像的右視點圖像的幅值圖像，將{Sk,org,R(m,n)}的幅值圖像記為{Mk,org,R(m,n)}，其中，Mk,org,R(m,n)表示{Mk,org,R(m,n)}中坐標位置為(m,n)的像素點的像素值；①-3、將每幅原始的無失真立體圖像的左視點圖像的幅值圖像劃分成個互不重疊的尺寸大小為mb×nb的子塊；然后計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊的能量、方差和熵，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊的能量、方差和熵對應記為Ek,org,L(i,j)、Vk,org,L(i,j)和Qk,org,L(i,j)；同樣，將每幅原始的無失真立體圖像的右視點圖像的幅值圖像劃分成個互不重疊的尺寸大小為mb×nb的子塊；然后計算每幅原始的無失真立體圖像的右視點圖像的幅值圖像中的每個子塊的能量、方差和熵，將{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的能量、方差和熵對應記為Ek,org,R(i,j)、Vk,org,R(i,j)和Qk,org,R(i,j)；其中，mb和nb對應表示每個子塊的寬度和高度，符號為向下取整符號；①-4、計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子塊的雙目競爭能量，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊與{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的雙目競爭能量記為Ek,org,B(i,j)，計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子塊的雙目競爭方差，將{Mk,org,L(m,n)}中坐標位置為(i,j)的子塊與{Mk,org,R(m,n)}中坐標位置為(i,j)的子塊的雙目競爭方差記為Vk,org,B(i,j)，計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子塊的雙目競爭熵，將{Mk,o...

【專利技術屬性】
技術研發人員：周武杰，王中鵬，吳茗蔚，邱薇薇，翁劍楓，葛丁飛，王新華，孫麗慧，陳壽法，鄭衛紅，李鑫，吳潔雯，文小軍，
申請(專利權)人：浙江科技學院，
類型：發明
國別省市：浙江;33