CN102547368A - 一种立体图像质量客观评价方法 - Google Patents
一种立体图像质量客观评价方法 Download PDFInfo
- Publication number
- CN102547368A CN102547368A CN2011104223715A CN201110422371A CN102547368A CN 102547368 A CN102547368 A CN 102547368A CN 2011104223715 A CN2011104223715 A CN 2011104223715A CN 201110422371 A CN201110422371 A CN 201110422371A CN 102547368 A CN102547368 A CN 102547368A
- Authority
- CN
- China
- Prior art keywords
- dis
- image
- distorted
- mrow
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 172
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013441 quality evaluation Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000012886 linear function Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 229910044991 metal oxide Inorganic materials 0.000 claims description 6
- 150000004706 metal oxides Chemical class 0.000 claims description 6
- 239000004065 semiconductor Substances 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 25
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 241001182632 Akko Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- YYJNOYZRYGDPNH-MFKUBSTISA-N fenpyroximate Chemical compound C=1C=C(C(=O)OC(C)(C)C)C=CC=1CO/N=C/C=1C(C)=NN(C)C=1OC1=CC=CC=C1 YYJNOYZRYGDPNH-MFKUBSTISA-N 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了一种立体图像质量客观评价方法,首先通过分别提取立体图像的反映图像质量的高斯模糊失真程度的特征矢量、反映图像质量的白噪声失真程度的特征矢量、反映图像质量的JPEG失真程度的特征矢量和反映图像质量的JPEG2000失真程度的特征矢量,得到立体图像的特性矢量,并利用支持向量回归训练模型对同一失真类型的每幅失真的立体图像进行测试,得到每幅失真的立体图像的客观质量评价预测值,优点在于由于本方法根据不同失真类型对失真的立体图像的影响,通过提取不同失真类型的特征信息并形成立体图像的特征矢量,因此获得的立体图像的特征矢量信息具有较强的稳定性且能够较好地反映立体图像的质量变化情况,提高了客观评价结果与主观感知的相关性。
Description
技术领域
本发明涉及一种图像质量评价方法,尤其是涉及一种立体图像质量客观评价方法。
背景技术
随着图像编码技术和立体显示技术的迅速发展,立体图像技术受到了越来越广泛的关注与应用,已成为当前的一个研究热点。立体图像技术利用人眼的双目视差原理,双目各自独立地接收来自同一场景的左右视点图像,通过大脑融合形成双目视差,从而欣赏到具有深度感和逼真感的立体图像。由于受到采集系统、存储压缩及传输设备的影响,立体图像会不可避免地引入一系列的失真,而与单通道图像相比,立体图像需要同时保证两个通道的图像质量,对其进行质量评价具有非常重要的意义。然而,目前对立体图像质量进行评价缺乏有效的客观评价方法。因此,建立有效的立体图像质量客观评价模型具有十分重要的意义。
目前的立体图像质量客观评价方法是假定原始无失真图像是存在的,这种评价方法是目前比较成熟的评价方法,往往能获得较为满意的评价效果,但是在实际应用中,往往无法获得测试图像的原始无失真图像,因此,对其进行质量评价需要解决以下几方面的问题:1)如何提取反映不同失真程度的立体图像特征来评价立体图像质量,使得特征的大小能正确反映立体图像的失真程度;2)如何提取反映不同失真类型的立体图像特征来评价立体图像质量,使得描述的特征能正确反映各种失真类型的信息。
发明内容
本发明所要解决的技术问题是提供一种能够有效提高客观评价结果与主观感知的相关性的立体图像质量客观评价方法。
本发明解决上述技术问题所采用的技术方案为:一种立体图像质量客观评价方法,其特征在于包括以下步骤:
①令Sdis为待评价的失真的立体图像,将待评价的失真的立体图像Sdis的左视点图像记为{Ldis(x,y)},将待评价的失真的立体图像Sdis的右视点图像记为{Rdis(x,y)},其中,(x,y)表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}中像素点的坐标位置,1≤x≤W,1≤y≤H,W表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}的宽度,H表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}的高度,Ldis(x,y)表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值,Rdis(x,y)表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值;
②通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}的梯度直方图,获得待评价的失真的立体图像Sdis的用于反映图像质量的高斯模糊失真程度的特征矢量,记为Fgblur;
③通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}中的所有像素点的频谱幅度和所有互不重叠的8×8子块的方差值,获得待评价的失真的立体图像Sdis的用于反映图像质量的白噪声失真程度的特征矢量,记为Fwn;
④通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}中的所有互不重叠的8×8子块的对比度和所有互不重叠的8×8子块的中高频系数均值,获得待评价的失真的立体图像Sdis的用于反映图像质量的JPEG失真程度的特征矢量,记为Fjpeg;
⑤通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}实施小波变换后得到的各子带的小波系数矩阵的标准差和形状参数,获得待评价的失真的立体图像Sdis的用于反映图像质量的JPEG2000失真程度的特征矢量,记为Fjp2k;
⑥将待评价的失真的立体图像Sdis的用于反映图像质量的高斯模糊失真程度的特征矢量Fgblur、用于反映图像质量的白噪声失真程度的特征矢量Fwn、用于反映图像质量的JPEG失真程度的特征矢量Fjpeg及用于反映图像质量的JPEG2000失真程度的特征矢量Fjp2k连接起来形成一个新的特征矢量,作为待评价的失真的立体图像Sdis的特征矢量,记为X,X=[Fgblur,Fwn,Fjpeg,Fjp2k],其中,“[]”为矢量表示符号,[Fgblur,Fwn,Fjpeg,Fjp2k]表示将Fgblur、Fwn、Fjpeg和Fjp2k连接起来形成一个新的特征矢量;
⑦采用n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合,该失真立体图像集合包括多幅失真的立体图像,利用主观质量评价方法分别获取失真立体图像集合中每幅失真的立体图像的平均主观评分差值,记为DMOS,DMOS=100-MOS,其中,MOS表示主观评分均值,DMOS∈[0,100],n≥1;
⑧按照步骤①至步骤⑥计算Sdis的特征矢量X的操作,分别计算失真立体图像集合中每幅失真的立体图像的特征矢量,对于失真立体图像集合中的第i幅失真的立体图像的特征矢量,将其记为Xi,其中,1≤i≤n′,n′表示失真立体图像集合中包含的失真的立体图像的幅数;
⑨采用支持向量回归对失真立体图像集合中相同失真类型的所有的失真的立体图像的特征矢量进行训练,并利用训练得到的支持向量回归训练模型对同一失真类型的每幅失真的立体图像进行测试,计算得到失真立体图像集合中相同失真类型的每幅失真的立体图像的客观质量评价预测值,对于失真立体图像集合中的第i幅失真的立体图像的客观质量评价预测值,将其记为Qi,Qi=f(Xi),再计算经过N次迭代的每幅失真的立体图像的客观质量评价预测值的平均值,并将计算得到的平均值作为对应那幅失真的立体图像的最终客观质量评价预测值,其中,f()为函数表示形式,Qi=f(Xi)表示Qi为Xi的函数,1≤i≤n′,n′表示失真立体图像集合中包含的失真的立体图像的幅数,N≥1。
所述的步骤②的具体过程为:
②-1、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的梯度图像,记为 其中,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的梯度图像中坐标位置为(x,y)的像素点的梯度值,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中坐标位置为(x,y)的像素点的水平梯度值,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中坐标位置为(x,y)的像素点的垂直梯度值,“||”为求绝对值符号;
②-2、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的梯度图像的梯度直方图,记为{HL(k)|0≤k≤255},然后将{HL(k)|0≤k≤255}中的所有元素按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的高斯模糊失真程度的特征矢量,记为其中,HL(k)表示中梯度值为k的所有像素点的个数,的维数为256;
②-3、计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的梯度图像,记为 其中,表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的梯度图像中坐标位置为(x,y)的像素点的梯度值,表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中坐标位置为(x,y)的像素点的水平梯度值,表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中坐标位置为(x,y)的像素点的垂直梯度值,“||”为求绝对值符号;
②-4、计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的梯度图像的梯度直方图,记为{HR(k)|0≤k≤255},然后将{HR(k)|0≤k≤255}中的所有元素按顺序进行排列得到待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的高斯模糊失真程度的特征矢量,记为其中,HR(k)表示中梯度值为k的所有像素点的个数,的维数为256;
所述的步骤③的具体过程为:
③-1、对待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}进行傅里叶变换,得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像,记为然后计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像中的所有像素点的频谱幅度的均值,记为 其中,(x1,y1)表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像中像素点的坐标位置,1≤x1≤W,1≤y1≤H,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像中坐标位置为(x1,y1)的像素点的频谱幅度,“||”为求绝对值符号;
③-3、定义待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的第l个8×8子块为当前子块,记为{fl(x2,y2)},然后计算当前子块{fl(x2,y2)}的方差值,记为σl, 其中, (x2,y2)表示当前子块{fl(x2,y2)}中像素点的坐标位置,1≤x2≤8,1≤y2≤8,fl(x2,y2)表示当前子块{fl(x2,y2)}中坐标位置为(x2,y2)的像素点的像素值;
③-4、令l″=l+1,l=l″,将待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的下一个8×8子块作为当前子块,返回步骤③-3继续执行,直至待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的个互不重叠的8×8子块均处理完毕,得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的方差值集合,记为其中,l″的初始值为0;
③-5、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的方差值集合中所有元素的平均值,记为然后将和按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的白噪声失真程度的特征矢量,记为其中,的维数为2;
③-6、按照步骤③-1至步骤③-5计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的白噪声失真程度的特征矢量的操作,计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的白噪声失真程度的特征矢量,记为其中,的维数为2;
所述的步骤④的具体过程为:
④-2、定义待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的第l个8×8子块为当前子块,记为{fl(x2,y2)},其中,(x2,y2)表示当前子块{fl(x2,y2)}中像素点的坐标位置,1≤x2≤8,1≤y2≤8,fl(x2,y2)表示当前子块{fl(x2,y2)}中坐标位置为(x2,y2)的像素点的像素值;
④-3、对当前子块{fl(x2,y2)}进行余弦离散变换,得到当前子块{fl(x2,y2)}的DCT系数矩阵,记为{Dl(x3,y3)},其中,(x3,y3)表示当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}中的DCT系数值的坐标位置,1≤x3≤8,1≤y3≤8,Dl(x3,y3)表示当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}中坐标位置为(x3,y3)的DCT系数值;
④-4、计算当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}的对比度和中高频系数均值,分别记为λl和ηl, 其中,Dl(1,1)表示当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}中坐标位置为(1,1)的DCT系数值;
④-5、令l″=l+1,l=l″,将待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的下一个8×8子块作为当前子块,返回步骤④-2继续执行,直至待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的个互不重叠的8×8子块均处理完毕,得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的对比度集合和中高频系数均值集合,分别记为和其中,l″的初始值为0;
④-6、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的对比度集合中所有元素的平均值和中高频系数均值集合中所有元素的平均值,分别记为和然后将和按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG失真程度的特征矢量,记为其中,的维数为2;
④-7、按照步骤④-1至步骤④-6计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG失真程度的特征矢量的操作,计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的JPEG失真程度的特征矢量,记为其中,的维数为2;
所述的步骤⑤的具体过程为:
⑤-1、对待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换,得到9个子带的小波系数矩阵,其中,9个子带包括3个水平方向子带、3个垂直方向子带和3个对角方向子带,将{Ldis(x,y)}实施第m级小波变换后得到的第m个水平方向子带的小波系数矩阵记为将{Ldis(x,y)}实施第m级小波变换后得到的第m个垂直方向子带的小波系数矩阵记为将{Ldis(x,y)}实施第m级小波变换后得到的第m个对角方向子带的小波系数矩阵记为其中,1≤m≤3;
⑤-2、分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的小波系数矩阵的标准差,其中,将{Ldis(x,y)}实施3级小波变换后得到的第m个水平方向子带的小波系数矩阵的标准差记为将{Ldis(x,y)}实施3级小波变换后得到的第m个垂直方向子带的小波系数矩阵的标准差记为将{Ldis(x,y)}实施3级小波变换后得到的第m个对角方向子带的小波系数矩阵的标准差记为
⑤-3、分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的小波系数矩阵的形状参数,其中,将{Ldis(x,y)}实施3级小波变换后得到的第m个水平方向子带的小波系数矩阵的形状参数记为将{Ldis(x,y)}实施3级小波变换后得到的第m个垂直方向子带的小波系数矩阵的形状参数记为将{Ldis(x,y)}实施3级小波变换后得到的第m个对角方向子带的小波系数矩阵的形状参数记为
⑤-4、将待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的标准差和形状参数按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG2000失真程度的特征矢量,记为其中,的维数为18;
⑤-5、按照步骤⑤-1至步骤⑤-4计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG2000失真程度的特征矢量的操作,计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的JPEG2000失真程度的特征矢量,记为其中,的维数为18;
⑤-6、计算待评价的失真的立体图像Sdis的用于反映图像质量的JPEG2000失真程度的特征矢量,记为Fjp2k,其中,max()为取最大值函数,Fjp2k的维数为18。
所述的步骤⑨的具体过程为:
⑨-1、随机选择失真立体图像集合中(5×n)/6幅原始的无失真的立体图像对应的相同失真类型的所有的失真的立体图像构成训练样本数据集合,记为Ωq,{Xk′,DMOSk′}∈Ωq,其中,n表示原始的无失真的立体图像的幅数,q表示训练样本数据集合Ωq中包含的失真的立体图像的幅数,Xk′表示训练样本数据集合Ωq中的第k′幅失真的立体图像的特征矢量,DMOSk′表示训练样本数据集合Ωq中的第k′幅失真的立体图像的平均主观评分差值,1≤k′≤q;
⑨-2、构造Xk′的回归函数f(Xk′),其中,f()为函数表示形式,w为权重矢量,wT为w的转置矩阵,b为偏置项,表示训练样本数据集合Ωq中的第k′幅失真的立体图像的特征矢量Xk′的线性函数,D(Xk′,Xl′)为支持向量回归中的核函数,Xl′为训练样本数据集合Ωq中的第l′幅失真的立体图像的特征矢量,γ为核参数,用于反映输入样本值的范围,样本值的范围越大,γ值也就越大,exp()表示以e为底的指数函数,e=2.71828183,“||||”为求欧式距离符号;
⑨-3、采用支持向量回归对训练样本数据集合Ωq中的所有的失真的立体图像的特征矢量进行训练,使得经过训练得到的回归函数值与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wopt和最优的偏置项bopt,将最优的权重矢量wopt和最优的偏置项bopt的组合记为(wopt,bopt), 利用得到的最优的权重矢量wopt和最优的偏置项bopt构造支持向量回归训练模型,记为其中,Ψ表示对训练样本数据集合Ωq中的所有的失真的立体图像的特征矢量进行训练的所有的权重矢量和偏置项的组合的集合,表示最小化概率密度函数,Xinp表示支持向量回归训练模型的输入矢量,(wopt)T为wopt的转置矩阵,表示支持向量回归训练模型的输入矢量Xinp的线性函数;
⑨-4、根据支持向量回归训练模型,对剩余n/6幅原始的无失真的立体图像对应的相同失真类型的所有失真的立体图像进行测试,预测得到该组子集中的每幅失真的立体图像的客观质量评价预测值,对于该组子集中第i幅失真的立体图像的客观质量评价预测值,将其记为Qi,Qi=f(Xi),其中,Xi表示该组子集中第i幅失真的立体图像的特征矢量,表示该组子集中第i幅失真的立体图像的线性函数;
⑨-5、计算经过N次迭代的每幅失真的立体图像的客观质量评价预测值的平均值,并将计算得到的平均值作为对应那幅失真的立体图像的最终客观质量评价预测值,其中,N≥1;
⑨-6、根据步骤⑨-1至步骤⑨-5的过程,对失真立体图像集合中不同失真类型的所有的失真的立体图像进行训练,得到失真立体图像集合中每幅失真的立体图像的最终客观质量评价预测值。
与现有技术相比,本发明的优点在于:
1)本发明方法首先通过分别提取立体图像的反映图像质量的高斯模糊失真程度的特征矢量、反映图像质量的白噪声失真程度的特征矢量、反映图像质量的JPEG失真程度的特征矢量和反映图像质量的JPEG2000失真程度的特征矢量,得到立体图像的特性矢量,并利用支持向量回归训练模型对同一失真类型的每幅失真的立体图像进行测试,得到每幅失真的立体图像的客观质量评价预测值,由于本发明方法根据不同失真类型对失真的立体图像的影响,通过提取不同失真类型的特征信息并形成立体图像的特征矢量,因此获得的立体图像的特征矢量信息具有较强的稳定性且能够较好地反映立体图像的质量变化情况,有效提高了客观评价结果与主观感知的相关性。
2)本发明方法提取的立体图像的特征信息无需参考原始的无失真的立体图像,能够得到符合人类视觉系统的评价结果,并且提取的特征信息能够反映各种失真类型的信息。
附图说明
图1为本发明方法的总体实现框图;
图2a为Akko(尺寸为640×480)立体图像的左视点图像;
图2b为Akko(尺寸为640×480)立体图像的右视点图像;
图3a为Altmoabit(尺寸为1024×768)立体图像的左视点图像;
图3b为Altmoabit(尺寸为1024×768)立体图像的右视点图像;
图4a为Balloons(尺寸为1024×768)立体图像的左视点图像;
图4b为Balloons(尺寸为1024×768)立体图像的右视点图像;
图5a为Doorflower(尺寸为1024×768)立体图像的左视点图像;
图5b为Doorflower(尺寸为1024×768)立体图像的右视点图像;
图6a为Kendo(尺寸为1024×768)立体图像的左视点图像;
图6b为Kendo(尺寸为1024×768)立体图像的右视点图像;
图7a为LeaveLaptop(尺寸为1024×768)立体图像的左视点图像;
图7b为LeaveLaptop(尺寸为1024×768)立体图像的右视点图像;
图8a为Lovebierd1(尺寸为1024×768)立体图像的左视点图像;
图8b为Lovebierd1(尺寸为1024×768)立体图像的右视点图像;
图9a为Newspaper(尺寸为1024×768)立体图像的左视点图像;
图9b为Newspaper(尺寸为1024×768)立体图像的右视点图像;
图10a为Puppy(尺寸为720×480)立体图像的左视点图像;
图10b为Puppy(尺寸为720×480)立体图像的右视点图像;
图11a为Soccer2(尺寸为720×480)立体图像的左视点图像;
图11b为Soccer2(尺寸为720×480)立体图像的右视点图像;
图12a为Horse(尺寸为720×480)立体图像的左视点图像;
图12b为Horse(尺寸为720×480)立体图像的右视点图像;
图13a为Xmas(尺寸为640×480)立体图像的左视点图像;
图13b为Xmas(尺寸为640×480)立体图像的右视点图像。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种立体图像质量客观评价方法,其总体实现框图如图1所示,其主要包括以下步骤:
①令Sdis为待评价的失真的立体图像,将待评价的失真的立体图像Sdis的左视点图像记为{Ldis(x,y)},将待评价的失真的立体图像Sdis的右视点图像记为{Rdis(x,y)},其中,(x,y)表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}中像素点的坐标位置,1≤x≤W,1≤y≤H,W表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}的宽度,H表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}的高度,Ldis(x,y)表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值,Rdis(x,y)表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值。
②由于图像的梯度直方图信息能够较好地反映图像的模糊程度,随着模糊失真程度的增加,图像的梯度直方图的分布越集中在低值端,因此本发明通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}的梯度直方图,获得待评价的失真的立体图像Sdis的用于反映图像质量的高斯模糊失真程度的特征矢量,记为Fgblur。
在此具体实施例中,步骤②的具体过程为:
②-1、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的梯度图像,记为 其中,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的梯度图像中坐标位置为(x,y)的像素点的梯度值,表示待评价的失真的立体图像Sdis的左视点图像中坐标位置为(x,y)的像素点的水平梯度值,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中坐标位置为(x,y)的像素点的垂直梯度值,“||”为求绝对值符号。
②-2、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的梯度图像的梯度直方图,记为{HL(k)|0≤k≤255},然后将{HL(k)|0≤k≤255}中的所有元素按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的高斯模糊失真程度的特征矢量,记为其中,HL(k)表示中梯度值为k的所有像素点的个数,的维数为256。
②-3、计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的梯度图像,记为 其中,表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的梯度图像中坐标位置为(x,y)的像素点的梯度值,表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中坐标位置为(x,y)的像素点的水平梯度值,表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中坐标位置为(x,y)的像素点的垂直梯度值,“||”为求绝对值符号。
②-4、计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的梯度图像的梯度直方图,记为{HR(k)|0≤k≤255},然后将{HR(k)|0≤k≤255}中的所有元素按顺序进行排列得到待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的高斯模糊失真程度的特征矢量,记为其中,HR(k)表示中梯度值为k的所有像素点的个数,的维数为256。
③对于白噪声失真图像,随着失真程度的增加,图像的方差值也就比较大,并且图像的频域信息可以很好地衡量白噪声对图像质量的影响,因此本发明通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}中的所有像素点的频谱幅度和所有互不重叠的8×8子块的方差值,获得待评价的失真的立体图像Sdis的用于反映图像质量的白噪声失真程度的特征矢量,记为Fwn。
在此具体实施例中,步骤③的具体过程为:
③-1、对待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}进行傅里叶变换,得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像,记为然后计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像中的所有像素点的频谱幅度的均值,记为 其中,(x1,y1)表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像中像素点的坐标位置,1≤x1≤W,1≤y1≤H,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像中坐标位置为(x1,y1)的像素点的频谱幅度,“||”为求绝对值符号。
③-3、定义待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的第l个8×8子块为当前子块,记为{fl(x2,y2)},然后计算当前子块{fl(x2,y2)}的方差值,记为σl, 其中, (x2,y2)表示当前子块{fl(x2,y2)}中像素点的坐标位置,1≤x2≤8,1≤y2≤8,fl(x2,y2)表示当前子块{fl(x2,y2)}中坐标位置为(x2,y2)的像素点的像素值。
③-4、令l″=l+1,l=l″,将待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的下一个8×8子块作为当前子块,返回步骤③-3继续执行,直至待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的个互不重叠的8×8子块均处理完毕,得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的方差值集合,记为其中,l″的初始值为0。
③-5、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的方差值集合中所有元素的平均值,记为然后将和按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的白噪声失真程度的特征矢量,记为其中,的维数为2。
③-6、按照步骤③-1至步骤③-5计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的白噪声失真程度的特征矢量的操作,计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的白噪声失真程度的特征矢量,记为其中,的维数为2。即计算的具体过程为:a、对待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}进行傅里叶变换,得到待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的频谱图像,记为然后计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的频谱图像中的所有像素点的频谱幅度的均值,记为 在此(x1,y1)表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的频谱图像中像素点的坐标位置,1≤x1≤W,1≤y1≤H,表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的频谱图像中坐标位置为(x1,y1)的像素点的频谱幅度。b、将待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}划分成个互不重叠的8×8子块。
c、定义待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中的第l个8×8子块为当前子块,记为{fl(x2,y2)},然后计算当前子块{fl(x2,y2)}的方差值,记为σl, d、令l″=l+1,l=l″,将待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中的下一个8×8子块作为当前子块,返回步骤c继续执行,直至待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中的个互不重叠的8×8子块均处理完毕,得到待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中的所有互不重叠的8×8子块的方差值集合,记为其中,l″的初始值为0。e、计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中的所有互不重叠的8×8子块的方差值集合中所有元素的平均值,记为然后将和按顺序进行排列得到待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的白噪声失真程度的特征矢量,记为
④由于JPEG失真图像采用余弦离散变换(DCT)进行编码,DCT系数矩阵的对比度可以用来衡量JPEG失真对图像感知的影响,而DCT系数矩阵的中高频系数可以用于衡量JPEG失真对图像细节的影响,因此本发明通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}中的所有互不重叠的8×8子块的对比度和所有互不重叠的8×8子块的中高频系数均值,获得待评价的失真的立体图像Sdis的用于反映图像质量的JPEG失真程度的特征矢量,记为Fjpeg。
在此具体实施例中,步骤④的具体过程为:
④-2、定义待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的第l个8×8子块为当前子块,记为{fl(x2,y2)},其中,(x2,y2)表示当前子块{fl(x2,y2)}中像素点的坐标位置,1≤x2≤8,1≤y2≤8,fl(x2,y2)表示当前子块{fl(x2,y2)}中坐标位置为(x2,y2)的像素点的像素值。
④-3、对当前子块{fl(x2,y2)}进行余弦离散变换,得到当前子块{fl(x2,y2)}的DCT系数矩阵,记为{Dl(x3,y3)},其中,(x3,y3)表示当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}中的DCT系数值的坐标位置,1≤x3≤8,1≤y3≤8,Dl(x3,y3)表示当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}中坐标位置为(x3,y3)的DCT系数值。
④-4、计算当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}的对比度和中高频系数均值,分别记为λl和ηl, 其中,Dl(1,1)表示当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}中坐标位置为(1,1)的DCT系数值。
④-5、令l″=l+1,l=l″,将待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的下一个8×8子块作为当前子块,返回步骤④-2继续执行,直至待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的个互不重叠的8×8子块均处理完毕,得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的对比度集合和中高频系数均值集合,分别记为和其中,l″的初始值为0。
④-6、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的对比度集合中所有元素的平均值和中高频系数均值集合中所有元素的平均值,分别记为和然后将和按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG失真程度的特征矢量,记为其中,的维数为2。
④-7、按照步骤④-1至步骤④-6计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG失真程度的特征矢量的操作,计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的JPEG失真程度的特征矢量,记为其中,的维数为2。即计算的具体过程为:a、将待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}划分成个互不重叠的8×8子块。b、定义待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中的第l个8×8子块为当前子块,记为{fl(x2,y2)}。c、对当前子块{fl(x2,y2)}进行余弦离散变换,得到当前子块{fl(x2,y2)}的DCT系数矩阵,记为{Dl(x3,y3)}。d、计算当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}的对比度和中高频系数均值,分别记为λl和ηl, 其中,Dl(1,1)表示当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}中坐标位置为(1,1)的DCT系数值。e、令l″=l+1,l=l″,将待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中的下一个8×8子块作为当前子块,返回步骤b继续执行,直至待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中的个互不重叠的8×8子块均处理完毕,得到待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中的所有互不重叠的8×8子块的对比度集合和中高频系数均值集合,分别记为和其中,l″的初始值为0。f、计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中的所有互不重叠的8×8子块的对比度集合中所有元素的平均值和中高频系数均值集合中所有元素的平均值,分别记为和然后将和按顺序进行排列得到待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的JPEG失真程度的特征矢量,记为
⑤由于JPEG2000失真图像采用小波变换进行编码,各子带的小波系数矩阵的标准差和形状参数可以用来衡量JPEG2000失真对图像质量的影响,因此本发明通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}实施小波变换后得到的各子带的小波系数矩阵的标准差和形状参数,获得待评价的失真的立体图像Sdis的用于反映图像质量的JPEG2000失真程度的特征矢量,记为Fjp2k。
在此具体实施例中,步骤⑤的具体过程为:
⑤-1、对待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换,得到9个子带的小波系数矩阵,其中,9个子带包括3个水平方向子带、3个垂直方向子带和3个对角方向子带,将{Ldis(x,y)}实施第m级小波变换后得到的第m个水平方向子带的小波系数矩阵记为将{Ldis(x,y)}实施第m级小波变换后得到的第m个垂直方向子带的小波系数矩阵记为将{Ldis(x,y)}实施第m级小波变换后得到的第m个对角方向子带的小波系数矩阵记为其中,1≤m≤3。
⑤-2、分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的小波系数矩阵的标准差,其中,将{Ldis(x,y)}实施3级小波变换后得到的第m个水平方向子带的小波系数矩阵的标准差记为将{Ldis(x,y)}实施3级小波变换后得到的第m个垂直方向子带的小波系数矩阵的标准差记为将{Ldis(x,y)}实施3级小波变换后得到的第m个对角方向子带的小波系数矩阵的标准差记为
⑤-3、分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的小波系数矩阵的形状参数,其中,将{Ldis(x,y)}实施3级小波变换后得到的第m个水平方向子带的小波系数矩阵的形状参数记为将{Ldis(x,y)}实施3级小波变换后得到的第m个垂直方向子带的小波系数矩阵的形状参数记为将{Ldis(x,y)}实施3级小波变换后得到的第m个对角方向子带的小波系数矩阵的形状参数记为
⑤-4、将待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的标准差和形状参数按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG2000失真程度的特征矢量,记为其中,的维数为18。
⑤-5、按照步骤⑤-1至步骤⑤-4计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG2000失真程度的特征矢量的操作,计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的JPEG2000失真程度的特征矢量,记为其中,的维数为18。即计算的具体过程为:a、对待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}实施3级小波变换,得到9个子带的小波系数矩阵。b、分别计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的小波系数矩阵的标准差。c、分别计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的小波系数矩阵的形状参数。d、将待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的标准差和形状参数按顺序进行排列得到待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的JPEG2000失真程度的特征矢量,记为
⑥将待评价的失真的立体图像Sdis的用于反映图像质量的高斯模糊失真程度的特征矢量Fgblur、用于反映图像质量的白噪声失真程度的特征矢量Fwn、用于反映图像质量的JPEG失真程度的特征矢量Fjpeg及用于反映图像质量的JPEG2000失真程度的特征矢量Fjp2k连接起来形成一个新的特征矢量,作为待评价的失真的立体图像Sdis的特征矢量,记为X,X=[Fgblur,Fwn,Fjpeg,Fjp2k],其中,“[]”为矢量表示符号,[Fgblur,Fwn,Fjpeg,Fjp2k]表示将Fgblur、Fwn、Fjpeg和Fjp2k连接起来形成一个新的特征矢量。由于H.264编码采用整数DCT变换技术,因此可以采用用于反映图像质量的JPEG失真程度的特征矢量对H.264编码的失真的立体图像进行描述。
⑦采用n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合,该失真立体图像集合包括多幅失真的立体图像,利用主观质量评价方法分别获取失真立体图像集合中每幅失真的立体图像的平均主观评分差值,记为DMOS,DMOS=100-MOS,其中,MOS表示主观评分均值,DMOS∈[0,100],n≥1。
在本实施例中,利用如图2a和图2b构成的立体图像、图3a和图3b构成的立体图像、图4a和图4b构成的立体图像、图5a和图5b构成的立体图像、图6a和图6b构成的立体图像、图7a和图7b构成的立体图像、图8a和图8b构成的立体图像、图9a和图9b构成的立体图像、图10a和图10b构成的立体图像、图11a和图11b构成的立体图像、图12a和图12b构成的立体图像、图13a和图13b构成的立体图像共12幅(n=12)无失真的立体图像建立了其在不同失真类型不同失真程度下的失真立体图像集合,该失真立体图像集合共包括5种失真类型的312幅失真的立体图像,其中JPEG压缩的失真的立体图像共60幅,JPEG2000压缩的失真的立体图像共60幅,高斯模糊(Gaussian Blur)的失真的立体图像共60幅,白噪声(White Noise)的失真的立体图像共60幅,H.264编码的失真的立体图像共72幅。
由于H.264编码采用整数DCT变换技术,因此可以采用用于反映图像质量的JPEG失真程度的特征矢量对H.264编码的失真的立体图像进行描述。
⑧按照步骤①至步骤⑥计算Sdis的特征矢量X的操作,分别计算失真立体图像集合中每幅失真的立体图像的特征矢量,对于失真立体图像集合中的第i幅失真的立体图像的特征矢量,将其记为Xi,其中,1≤i≤n′,n′表示失真立体图像集合中包含的失真的立体图像的幅数。
⑨由于失真的立体图像的特征矢量为高维空间矢量,需要在高维空间中构造线性决策函数来实现原空间中的非线性决策函数,支持向量回归(Support Vector Regression,SVR)是一种比较好的实现非线性高维空间转换的方法。采用支持向量回归对失真立体图像集合中相同失真类型的所有的失真的立体图像的特征矢量进行训练,并利用训练得到的支持向量回归训练模型对同一失真类型的每幅失真的立体图像进行测试,计算得到失真立体图像集合中相同失真类型的每幅失真的立体图像的客观质量评价预测值,对于失真立体图像集合中的第i幅失真的立体图像的客观质量评价预测值,将其记为Qi,Qi=f(Xi),再计算经过N次迭代的每幅失真的立体图像的客观质量评价预测值的平均值,并将计算得到的平均值作为对应那幅失真的立体图像的最终客观质量评价预测值,其中,f()为函数表示形式,Qi=f(Xi)表示Qi为Xi的函数,1≤i≤n′,n′表示失真立体图像集合中包含的失真的立体图像的幅数,N≥1。
在此具体实施例中,步骤⑨的具体过程为:
⑨-1、随机选择失真立体图像集合中(5×n)/6幅原始的无失真的立体图像对应的相同失真类型的所有的失真的立体图像构成训练样本数据集合,记为Ωq,{Xk′,DMOSk′}∈Ωq,其中,n表示原始的无失真的立体图像的幅数,q表示训练样本数据集合Ωq中包含的失真的立体图像的幅数,Xk′表示训练样本数据集合Ωq中的第k′幅失真的立体图像的特征矢量,DMOSk′表示训练样本数据集合Ωq中的第k′幅失真的立体图像的平均主观评分差值,1≤k′≤q。
⑨-2、构造Xk′的回归函数f(Xk′),其中,f()为函数表示形式,w为权重矢量,wT为w的转置矩阵,b为偏置项,表示训练样本数据集合Ωq中的第k′幅失真的立体图像的特征矢量Xk′的线性函数,D(Xk′,Xl′)为支持向量回归中的核函数,Xl′为训练样本数据集合Ωq中的第l′幅失真的立体图像的特征矢量,γ为核参数,用于反映输入样本值的范围,样本值的范围越大,γ值也就越大,exp()表示以e为底的指数函数,e=2.71828183,“||||”为求欧式距离符号。
在本实施例中,JPEG压缩失真、JPEG 2000压缩失真、高斯模糊失真、白噪声失真和H.264编码失真的γ值分别取42、52、54、130和116。
⑨-3、采用支持向量回归对训练样本数据集合Ωq中的所有的失真的立体图像的特征矢量进行训练,使得经过训练得到的回归函数值与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wopt和最优的偏置项bopt,将最优的权重矢量wopt和最优的偏置项bopt的组合记为(wopt,bopt), 利用得到的最优的权重矢量wopt和最优的偏置项bopt构造支持向量回归训练模型,记为其中,Ψ表示对训练样本数据集合Ωq中的所有的失真的立体图像的特征矢量进行训练的所有的权重矢量和偏置项的组合的集合,表示最小化概率密度函数,Xinp表示支持向量回归训练模型的输入矢量,(wopt)T为wopt的转置矩阵,表示支持向量回归训练模型的输入矢量Xinp的线性函数。
⑨-4、根据支持向量回归训练模型,对剩余n/6幅原始的无失真的立体图像对应的相同失真类型的所有失真的立体图像进行测试,预测得到该组子集中的每幅失真的立体图像的客观质量评价预测值,对于该组子集中第i幅失真的立体图像的客观质量评价预测值,将其记为Qi,Qi=f(Xi),其中,Xi表示该组子集中第i幅失真的立体图像的特征矢量,表示该组子集中第i幅失真的立体图像的线性函数。
⑨-5、计算经过N次迭代的每幅失真的立体图像的客观质量评价预测值的平均值,并将计算得到的平均值作为对应那幅失真的立体图像的最终客观质量评价预测值,其中,N≥1,在本实施例中,取N=1000。
⑨-6、根据步骤⑨-1至步骤⑨-5的过程,对失真立体图像集合中不同失真类型的所有的失真的立体图像进行训练,得到失真立体图像集合中每幅失真的立体图像的最终客观质量评价预测值。
采用图2a至图13b所示的12幅无失真的立体图像在不同程度的JPEG压缩、JPEG2000压缩、高斯模糊、白噪声和H.264编码失真情况下的312幅失真的立体图像来分析本实施例得到的失真的立体图像的客观图像质量评价预测值与平均主观评分差值之间的相关性。这里,利用评估图像质量评价方法的4个常用客观参量作为评价指标,即非线性回归条件下的Pearson相关系数(Correlation Coefficient,CC)、Spearman相关系数(Rank-Order Correlation Coefficient,ROCC),异常值比率指标(Outlier Ratio,OR),均方根误差(Root Mean Squared Error,RMSE),CC反映失真的立体图像评价客观模型的准确性,ROCC反映其单调性,OR反映其离散程度,RMSE反映模型预测的准确性。将按本实施例计算得到的失真的立体图像的客观图像评价质量预测值做四参数Logistic函数非线性拟合,CC和ROCC值越高、OR和RMSE值越小说明客观评价方法与平均主观评分差值相关性越好。反映立体图像客观评价模型性能的CC、ROCC、OR、RMSE系数如表1所示,从表1所列的数据可知,按本实施例得到的失真的立体图像的最终的客观质量评价预测值与平均主观评分差值之间的相关性是很高的,表明客观评价结果与人眼主观感知的结果较为一致,足以说明本发明方法的有效性。
表1本实施例得到的失真的立体图像的客观质量评价预测值与平均主观评分差值之间的相关性
Claims (6)
1.一种立体图像质量客观评价万法,其特征在于包括以下步骤:
①令Sdis为待评价的失真的立体图像,将待评价的失真的立体图像Sdis的左视点图像记为{Ldis(x,y)},将待评价的失真的立体图像Sdis的右视点图像记为{Rdis(x,y)},其中,(x,y)表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}中像素点的坐标位置,1≤x≤W,1≤y≤H,W表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}的宽度,H表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}的高度,Ldis(x,y)表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值,Rdis(x,y)表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值;
②通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}的梯度直方图,获得待评价的失真的立体图像Sdis的用于反映图像质量的高斯模糊失真程度的特征矢量,记为Fgblur;
③通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}中的所有像素点的频谱幅度和所有互不重叠的8×8子块的方差值,获得待评价的失真的立体图像Sdis的用于反映图像质量的白噪声失真程度的特征矢量,记为Fwn;
④通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}中的所有互不重叠的8×8子块的对比度和所有互不重叠的8×8子块的中高频系数均值,获得待评价的失真的立体图像Sdis的用于反映图像质量的JPEG失真程度的特征矢量,记为Fjpeg;
⑤通过分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}和右视点图像{Rdis(x,y)}实施小波变换后得到的各子带的小波系数矩阵的标准差和形状参数,获得待评价的失真的立体图像Sdis的用于反映图像质量的JPEG2000失真程度的特征矢量,记为Fjp2k;
⑥将待评价的失真的立体图像Sdis的用于反映图像质量的高斯模糊失真程度的特征矢量Fgblur、用于反映图像质量的白噪声失真程度的特征矢量Fwn、用于反映图像质量的JPEG失真程度的特征矢量Fjpeg及用于反映图像质量的JPEG2000失真程度的特征矢量Fjp2k连接起来形成一个新的特征矢量,作为待评价的失真的立体图像Sdis的特征矢量,记为X,X=[Fgblur,Fwn,Fjpeg,Fjp2k],其中,“[]”为矢量表示符号,[Fgblur,Fwn,Fjpeg,Fjp2k]表示将Fgblur、Fwn、Fjpeg和Fjp2k连接起来形成一个新的特征矢量;
⑦采用n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合,该失真立体图像集合包括多幅失真的立体图像,利用主观质量评价方法分别获取失真立体图像集合中每幅失真的立体图像的平均主观评分差值,记为DMOS,DMOS=100-MOS,其中,MOS表示主观评分均值,DMOS∈[0,100],n≥1;
⑧按照步骤①至步骤⑥计算Sdis的特征矢量X的操作,分别计算失真立体图像集合中每幅失真的立体图像的特征矢量,对于失真立体图像集合中的第i幅失真的立体图像的特征矢量,将其记为Xi,其中,1≤i≤n′,n′表示失真立体图像集合中包含的失真的立体图像的幅数;
⑨采用支持向量回归对失真立体图像集合中相同失真类型的所有的失真的立体图像的特征矢量进行训练,并利用训练得到的支持向量回归训练模型对同一失真类型的每幅失真的立体图像进行测试,计算得到失真立体图像集合中相同失真类型的每幅失真的立体图像的客观质量评价预测值,对于失真立体图像集合中的第i幅失真的立体图像的客观质量评价预测值,将其记为Qi,Qi=f(Xi),再计算经过N次迭代的每幅失真的立体图像的客观质量评价预测值的平均值,并将计算得到的平均值作为对应那幅失真的立体图像的最终客观质量评价预测值,其中,f()为函数表示形式,Qi=f(Xi)表示Qi为Xi的函数,1≤i≤n′,n′表示失真立体图像集合中包含的失真的立体图像的幅数,N≥1。
2.根据权利要求1所述的一种立体图像质量客观评价方法,其特征在于所述的步骤②的具体过程为:
②-1、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的梯度图像,记为 其中,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的梯度图像中坐标位置为(x,y)的像素点的梯度值,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中坐标位置为(x,y)的像素点的水平梯度值,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中坐标位置为(x,y)的像素点的垂直梯度值,“||”为求绝对值符号;
②-2、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的梯度图像的梯度直方图,记为{HL(k)|0≤k≤255},然后将{HL(k)|0≤k≤255}中的所有元素按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的高斯模糊失真程度的特征矢量,记为其中,HL(k)表示中梯度值为k的所有像素点的个数,的维数为256;
②-3、计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的梯度图像,记为 其中,表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的梯度图像中坐标位置为(x,y)的像素点的梯度值,表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中坐标位置为(x,y)的像素点的水平梯度值,表示待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}中坐标位置为(x,y)的像素点的垂直梯度值,“||”为求绝对值符号;
②-4、计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的梯度图像的梯度直方图,记为{HR(k)|0≤k≤255},然后将{HR(k)|0≤k≤255}中的所有元素按顺序进行排列得到待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的高斯模糊失真程度的特征矢量,记为其中,HR(k)表示中梯度值为k的所有像素点的个数,的维数为256;
3.根据权利要求1或2所述的一种立体图像质量客观评价方法,其特征在于所述的步骤③的具体过程为:
③-1、对待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}进行傅里叶变换,得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像,记为然后计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像中的所有像素点的频谱幅度的均值,记为 其中,(x1,y1)表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像中像素点的坐标位置,1≤x1≤W,1≤y1≤H,表示待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的频谱图像中坐标位置为(x1,y1)的像素点的频谱幅度,“||”为求绝对值符号;
③-3、定义待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的第l个8×8子块为当前子块,记为{fl(x2,y2)},然后计算当前子块{fl(x2,y2)}的方差值,记为σl, 其中, (x2,y2)表示当前子块{fl(x2,y2)}中像素点的坐标位置,1≤x2≤8,1≤y2≤8,fl(x2,y2)表示当前子块{fl(x2,y2)}中坐标位置为(x2,y2)的像素点的像素值;
③-4、令l″=l+1,l=l″,将待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的下一个8×8子块作为当前子块,返回步骤③-3继续执行,直至待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的个互不重叠的8×8子块均处理完毕,得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的方差值集合,记为其中,l″的初始值为0;
③-5、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的方差值集合中所有元素的平均值,记为然后将和按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的白噪声失真程度的特征矢量,记为其中,的维数为2;
③-6、按照步骤③-1至步骤③-5计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的白噪声失真程度的特征矢量的操作,计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的白噪声失真程度的特征矢量,记为其中,的维数为2;
③-7、计算待评价的失真的立体图像Sdis的用于反映图像质量的白噪声失真程度的特征矢量,记为Fwn,其中,max()为取最大值函数,Fwn的维数为2。
4.根据权利要求3所述的一种立体图像质量客观评价方法,其特征在于所述的步骤④的具体过程为:
④-2、定义待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的第l个8×8子块为当前子块,记为{fl(x2,y2)},其中,(x2,y2)表示当前子块{fl(x2,y2)}中像素点的坐标位置,1≤x2≤8,1≤y2≤8,fl(x2,y2)表示当前子块{fl(x2,y2)}中坐标位置为(x2,y2)的像素点的像素值;
④-3、对当前子块{fl(x2,y2)}进行余弦离散变换,得到当前子块{fl(x2,y2)}的DCT系数矩阵,记为{Dl(x3,y3)},其中,(x3,y3)表示当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}中的DCT系数值的坐标位置,1≤x3≤8,1≤y3≤8,Dl(x3,y3)表示当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}中坐标位置为(x3,y3)的DCT系数值;
④-4、计算当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}的对比度和中高频系数均值,分别记为λl和ηl, 其中,Dl(1,1)表示当前子块{fl(x2,y2)}的DCT系数矩阵{Dl(x3,y3)}中坐标位置为(1,1)的DCT系数值;
④-5、令l″=l+1,l=l″,将待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的下一个8×8子块作为当前子块,返回步骤④-2继续执行,直至待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的个互不重叠的8×8子块均处理完毕,得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的对比度集合和中高频系数均值集合,分别记为和其中,l″的初始值为0;
④-6、计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}中的所有互不重叠的8×8子块的对比度集合中所有元素的平均值和中高频系数均值集合中所有元素的平均值,分别记为和然后将和按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG失真程度的特征矢量,记为其中,的维数为2;
④-7、按照步骤④-1至步骤④-6计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG失真程度的特征矢量的操作,计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的JPEG失真程度的特征矢量,记为其中,的维数为2;
5.根据权利要求4所述的一种立体图像质量客观评价方法,其特征在于所述的步骤⑤的具体过程为:
⑤-1、对待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换,得到9个子带的小波系数矩阵,其中,9个子带包括3个水平方向子带、3个垂直方向子带和3个对角方向子带,将{Ldis(x,y)}实施第m级小波变换后得到的第m个水平方向子带的小波系数矩阵记为将{Ldis(x,y)}实施第m级小波变换后得到的第m个垂直方向子带的小波系数矩阵记为将{Ldis(x,y)}实施第m级小波变换后得到的第m个对角方向子带的小波系数矩阵记为其中,1≤m≤3;
⑤-2、分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的小波系数矩阵的标准差,其中,将{Ldis(x,y)}实施3级小波变换后得到的第m个水平方向子带的小波系数矩阵的标准差记为将{Ldis(x,y)}实施3级小波变换后得到的第m个垂直方向子带的小波系数矩阵的标准差记为将{Ldis(x,y)}实施3级小波变换后得到的第m个对角方向子带的小波系数矩阵的标准差记为
⑤-3、分别计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的小波系数矩阵的形状参数,其中,将{Ldis(x,y)}实施3级小波变换后得到的第m个水平方向子带的小波系数矩阵的形状参数记为将{Ldis(x,y)}实施3级小波变换后得到的第m个垂直方向子带的小波系数矩阵的形状参数记为将{Ldis(x,y)}实施3级小波变换后得到的第m个对角方向子带的小波系数矩阵的形状参数记为
⑤-4、将待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}实施3级小波变换后得到的3个水平方向子带、3个垂直方向子带、3个对角方向子带的标准差和形状参数按顺序进行排列得到待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG2000失真程度的特征矢量,记为其中,的维数为18;
⑤-5、按照步骤⑤-1至步骤⑤-4计算待评价的失真的立体图像Sdis的左视点图像{Ldis(x,y)}的用于反映图像质量的JPEG2000失真程度的特征矢量的操作,计算待评价的失真的立体图像Sdis的右视点图像{Rdis(x,y)}的用于反映图像质量的JPEG2000失真程度的特征矢量,记为其中,的维数为18;
6.根据权利要求5所述的一种立体图像质量客观评价方法,其特征在于所述的步骤⑨的具体过程为:
⑨-1、随机选择失真立体图像集合中(5×n)/6幅原始的无失真的立体图像对应的相同失真类型的所有的失真的立体图像构成训练样本数据集合,记为Ωq,{Xk′,DMOSk′}∈Ωq,其中,n表示原始的无失真的立体图像的幅数,q表示训练样本数据集合Ωq中包含的失真的立体图像的幅数,Xk′表示训练样本数据集合Ωq中的第k′幅失真的立体图像的特征矢量,DMOSk′表示训练样本数据集合Ωq中的第k′幅失真的立体图像的平均主观评分差值,1≤k′≤q;
⑨-2、构造Xk′的回归函数f(Xk′),其中,f()为函数表示形式,w为权重矢量,wT为w的转置矩阵,b为偏置项,表示训练样本数据集合Ωq中的第k′幅失真的立体图像的特征矢量Xk′的线性函数,D(Xk′,Xl′)为支持向量回归中的核函数,Xl′为训练样本数据集合Ωq中的第l′幅失真的立体图像的特征矢量,γ为核参数,用于反映输入样本值的范围,样本值的范围越大,γ值也就越大,exp()表示以e为底的指数函数,e=2.71828183,“||||”为求欧式距离符号;
⑨-3、采用支持向量回归对训练样本数据集合Ωq中的所有的失真的立体图像的特征矢量进行训练,使得经过训练得到的回归函数值与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wopt和最优的偏置项bopt,将最优的权重矢量wopt和最优的偏置项bopt的组合记为(wopt,bopt), 利用得到的最优的权重矢量wopt和最优的偏置项bopt构造支持向量回归训练模型,记为其中,Ψ表示对训练样本数据集合Ωq中的所有的失真的立体图像的特征矢量进行训练的所有的权重矢量和偏置项的组合的集合,表示最小化概率密度函数,Xinp表示支持向量回归训练模型的输入矢量,(wopt)T为wopt的转置矩阵,表示支持向量回归训练模型的输入矢量Xinp的线性函数;
⑨-4、根据支持向量回归训练模型,对剩余n/6幅原始的无失真的立体图像对应的相同失真类型的所有失真的立体图像进行测试,预测得到该组子集中的每幅失真的立体图像的客观质量评价预测值,对于该组子集中第i幅失真的立体图像的客观质量评价预测值,将其记为Qi,Qi=f(Xi),其中,Xi表示该组子集中第i幅失真的立体图像的特征矢量,表示该组子集中第i幅失真的立体图像的线性函数;
⑨-5、计算经过N次迭代的每幅失真的立体图像的客观质量评价预测值的平均值,并将计算得到的平均值作为对应那幅失真的立体图像的最终客观质量评价预测值,其中,N≥1;
⑨-6、根据步骤⑨-1至步骤⑨-5的过程,对失真立体图像集合中不同失真类型的所有的失真的立体图像进行训练,得到失真立体图像集合中每幅失真的立体图像的最终客观质量评价预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110422371.5A CN102547368B (zh) | 2011-12-16 | 2011-12-16 | 一种立体图像质量客观评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110422371.5A CN102547368B (zh) | 2011-12-16 | 2011-12-16 | 一种立体图像质量客观评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102547368A true CN102547368A (zh) | 2012-07-04 |
CN102547368B CN102547368B (zh) | 2014-05-07 |
Family
ID=46353125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110422371.5A Expired - Fee Related CN102547368B (zh) | 2011-12-16 | 2011-12-16 | 一种立体图像质量客观评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102547368B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982532A (zh) * | 2012-10-31 | 2013-03-20 | 宁波大学 | 一种基于矩阵分解的立体图像客观质量评价方法 |
CN102999911A (zh) * | 2012-11-27 | 2013-03-27 | 宁波大学 | 一种基于能量图的立体图像质量客观评价方法 |
CN103281556A (zh) * | 2013-05-13 | 2013-09-04 | 宁波大学 | 一种基于图像分解的立体图像质量客观评价方法 |
CN103491375A (zh) * | 2013-05-29 | 2014-01-01 | 东南大学 | 基于binDCT算法的JPEG压缩系统 |
CN104361583A (zh) * | 2014-10-27 | 2015-02-18 | 浙江科技学院 | 一种非对称失真立体图像客观质量评价方法 |
CN104658002A (zh) * | 2015-03-10 | 2015-05-27 | 浙江科技学院 | 一种无参考图像客观质量评价方法 |
CN105225222A (zh) * | 2014-06-26 | 2016-01-06 | 西门子公司 | 对不同图像集的感知视觉质量的自动评估 |
CN105282543A (zh) * | 2015-10-26 | 2016-01-27 | 浙江科技学院 | 一种基于立体视觉感知的全盲立体图像质量客观评价方法 |
CN105357519A (zh) * | 2015-12-02 | 2016-02-24 | 浙江科技学院 | 基于自相似度特征的无参考立体图像质量客观评价方法 |
CN106127741A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 基于改良自然场景统计模型的无参考图像质量评价方法 |
CN107945154A (zh) * | 2017-11-10 | 2018-04-20 | 西安电子科技大学 | 基于四元数离散余弦变换的彩色图像质量评价方法 |
CN110415207A (zh) * | 2019-04-30 | 2019-11-05 | 杭州电子科技大学 | 一种基于图像失真类型的图像质量评估的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872479A (zh) * | 2010-06-09 | 2010-10-27 | 宁波大学 | 一种立体图像客观质量评价方法 |
CN102209257A (zh) * | 2011-06-17 | 2011-10-05 | 宁波大学 | 一种立体图像质量客观评价方法 |
-
2011
- 2011-12-16 CN CN201110422371.5A patent/CN102547368B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872479A (zh) * | 2010-06-09 | 2010-10-27 | 宁波大学 | 一种立体图像客观质量评价方法 |
CN102209257A (zh) * | 2011-06-17 | 2011-10-05 | 宁波大学 | 一种立体图像质量客观评价方法 |
Non-Patent Citations (2)
Title |
---|
叶小琼: "《基于失真效应的图像质量评价与分类》", 《华中科技大学2011年硕士学位论文》, 1 January 2011 (2011-01-01), pages 7 - 29 * |
杨春玲,陈冠豪,谢胜利: "《基于梯度信息的图像质量评判方法的研究》", 《电子学报》, 30 July 2007 (2007-07-30), pages 1313 - 1317 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982532A (zh) * | 2012-10-31 | 2013-03-20 | 宁波大学 | 一种基于矩阵分解的立体图像客观质量评价方法 |
CN102982532B (zh) * | 2012-10-31 | 2015-06-17 | 宁波大学 | 一种基于矩阵分解的立体图像客观质量评价方法 |
CN102999911A (zh) * | 2012-11-27 | 2013-03-27 | 宁波大学 | 一种基于能量图的立体图像质量客观评价方法 |
CN102999911B (zh) * | 2012-11-27 | 2015-06-03 | 宁波大学 | 一种基于能量图的立体图像质量客观评价方法 |
CN103281556A (zh) * | 2013-05-13 | 2013-09-04 | 宁波大学 | 一种基于图像分解的立体图像质量客观评价方法 |
CN103491375A (zh) * | 2013-05-29 | 2014-01-01 | 东南大学 | 基于binDCT算法的JPEG压缩系统 |
CN103491375B (zh) * | 2013-05-29 | 2018-11-02 | 东南大学 | 基于binDCT算法的JPEG压缩系统 |
CN105225222A (zh) * | 2014-06-26 | 2016-01-06 | 西门子公司 | 对不同图像集的感知视觉质量的自动评估 |
CN104361583A (zh) * | 2014-10-27 | 2015-02-18 | 浙江科技学院 | 一种非对称失真立体图像客观质量评价方法 |
CN104658002B (zh) * | 2015-03-10 | 2017-03-22 | 浙江科技学院 | 一种无参考图像客观质量评价方法 |
CN104658002A (zh) * | 2015-03-10 | 2015-05-27 | 浙江科技学院 | 一种无参考图像客观质量评价方法 |
CN105282543A (zh) * | 2015-10-26 | 2016-01-27 | 浙江科技学院 | 一种基于立体视觉感知的全盲立体图像质量客观评价方法 |
CN105357519A (zh) * | 2015-12-02 | 2016-02-24 | 浙江科技学院 | 基于自相似度特征的无参考立体图像质量客观评价方法 |
CN105357519B (zh) * | 2015-12-02 | 2017-05-24 | 浙江科技学院 | 基于自相似度特征的无参考立体图像质量客观评价方法 |
CN106127741A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 基于改良自然场景统计模型的无参考图像质量评价方法 |
CN106127741B (zh) * | 2016-06-17 | 2019-01-15 | 西安电子科技大学 | 基于改良自然场景统计模型的无参考图像质量评价方法 |
CN107945154A (zh) * | 2017-11-10 | 2018-04-20 | 西安电子科技大学 | 基于四元数离散余弦变换的彩色图像质量评价方法 |
CN110415207A (zh) * | 2019-04-30 | 2019-11-05 | 杭州电子科技大学 | 一种基于图像失真类型的图像质量评估的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102547368B (zh) | 2014-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102547368B (zh) | 一种立体图像质量客观评价方法 | |
CN102209257B (zh) | 一种立体图像质量客观评价方法 | |
CN103581661B (zh) | 一种立体图像视觉舒适度评价方法 | |
CN104036501B (zh) | 一种基于稀疏表示的立体图像质量客观评价方法 | |
CN102333233B (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN103517065B (zh) | 一种质降参考立体图像质量客观评价方法 | |
CN104581143B (zh) | 一种基于机器学习的无参考立体图像质量客观评价方法 | |
CN104036502B (zh) | 一种无参考模糊失真立体图像质量评价方法 | |
CN104658001A (zh) | 一种无参考非对称失真立体图像客观质量评价方法 | |
CN104376565A (zh) | 基于离散余弦变换和稀疏表示的无参考图像质量评价方法 | |
CN102843572B (zh) | 一种基于相位的立体图像质量客观评价方法 | |
CN103338379B (zh) | 一种基于机器学习的立体视频客观质量评价方法 | |
CN102903107B (zh) | 一种基于特征融合的立体图像质量客观评价方法 | |
CN107040775B (zh) | 一种基于局部特征的色调映射图像质量客观评价方法 | |
CN103413298A (zh) | 一种基于视觉特性的立体图像质量客观评价方法 | |
CN104240248A (zh) | 一种无参考立体图像质量客观评价方法 | |
CN105894522A (zh) | 一种多失真立体图像质量客观评价方法 | |
CN102708568B (zh) | 一种基于结构失真的立体图像客观质量评价方法 | |
CN103841411B (zh) | 一种基于双目信息处理的立体图像质量评价方法 | |
CN102737380B (zh) | 一种基于梯度结构张量的立体图像质量客观评价方法 | |
CN104361583A (zh) | 一种非对称失真立体图像客观质量评价方法 | |
CN103200420B (zh) | 一种基于三维视觉注意力的立体图像质量客观评价方法 | |
CN105321175B (zh) | 一种基于结构纹理稀疏表示的立体图像质量客观评价方法 | |
CN102271279B (zh) | 一种立体图像的最小可察觉变化步长的客观分析方法 | |
CN102982532B (zh) | 一种基于矩阵分解的立体图像客观质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140507 Termination date: 20171216 |
|
CF01 | Termination of patent right due to non-payment of annual fee |