CN102982532A - 一种基于矩阵分解的立体图像客观质量评价方法 - Google Patents
一种基于矩阵分解的立体图像客观质量评价方法 Download PDFInfo
- Publication number
- CN102982532A CN102982532A CN2012104273901A CN201210427390A CN102982532A CN 102982532 A CN102982532 A CN 102982532A CN 2012104273901 A CN2012104273901 A CN 2012104273901A CN 201210427390 A CN201210427390 A CN 201210427390A CN 102982532 A CN102982532 A CN 102982532A
- Authority
- CN
- China
- Prior art keywords
- org
- dis
- coordinate position
- matrix
- pixel
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于矩阵分解的立体图像客观质量评价方法,其从结构失真的角度出发,有效地利用了奇异值稳定,能较好地表征立体图像的结构信息的特性,利用了海赛矩阵能较好地表征图像的纹理或凹凸特性,利用了奇异值能较好地表征绝对差值图的结构信息特性,以及充分地考虑了人眼对区域的敏感度,融合了立体图像画质质量以及深度感知质量,从而有效地提高了立体图像客观质量评价结果与主观感知之间的相关性,并准确衡量了立体图像的失真程度,为立体系统中的各种编码方法、绘制方法、错误隐藏方法等提供了性能优劣的评判准则。
Description
技术领域
本发明涉及一种图像质量评价方法,尤其是涉及一种基于矩阵分解的立体图像客观质量评价方法。
背景技术
随着互联网、通信、多媒体信息以及图像处理技术的快速发展,立体图像技术的应用越来越广泛,如应用于立体数字电视、三维视频会议系统、消费电子等诸多领域。然而,具有深度感和临场感的立体图像在图像采集、编码压缩、网络传输等领域中都会引起质量的损失,因此如何衡量这种失真程度就显得非常重要。目前,用于评价图像质量的方法主要有:利用平面的峰值信噪比进行图像质量评价的方法和利用结构相似度线性加权进行图像质量评价的方法。这两种图像质量评价方法主要用于评价平面图像的质量,由于它们缺乏考虑立体图像的深度感知问题,因此如果用它们来评价立体图像的质量,则客观评价结果与主观感知之间的一致性会很差。
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地提高客观评价结果与主观感知之间的相关性,能够准确衡量立体图像的失真程度的基于矩阵分解的立体图像客观质量评价方法。
本发明解决上述技术问题所采用的技术方案为:一种基于矩阵分解的立体图像客观质量评价方法,其特征在于包括以下步骤:
①令Sorg为原始的无失真的立体图像,令Sdis为待评价的失真的立体图像,将Sorg的左视点图像记为Lorg,将Sorg的右视点图像记为Rorg,将Sdis的左视点图像记为Ldis,将Sdis的右视点图像记为Rdis;
②将Lorg、Rorg、Ldis和Rdis4幅图像分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块;
然后对Lorg、Rorg、Ldis和Rdis4幅图像中的每个图像块实施海赛矩阵分解,得到Lorg、Rorg、Ldis和Rdis4幅图像中的每个图像块对应的用于表示图像块凹凸特性的海赛系数矩阵,将Lorg中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为将Rorg中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为将Ldis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为将Rdis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为
再对Lorg、Rorg、Ldis和Rdis4幅图像中的每个图像块对应的海赛系数矩阵实施奇异值矩阵分解,得到Lorg、Rorg、Ldis和Rdis4幅图像中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵,将实施奇异值矩阵分解后得到的奇异值系数矩阵记为将实施奇异值矩阵分解后得到的奇异值系数矩阵记为将实施奇异值矩阵分解后得到的奇异值系数矩阵记为将实施奇异值矩阵分解后得到的奇异值系数矩阵记为
其中,W表示Lorg、Rorg、Ldis和Rdis的宽度,H表示Lorg、Rorg、Ldis和Rdis的高度,0<x≤W-3,0<y≤H-3;
③根据Lorg和Ldis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵,计算Lorg和Ldis中所有坐标位置相同的两个图像块之间的结构失真程度值,将Lorg和Ldis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为 其中,0<x≤W-3,0<y≤H-3,表示内坐标位置为(i,j)处的奇异值系数,表示内坐标位置为(i,j)处的奇异值系数,0≤i ≤3,0≤j ≤3;
根据Rorg和Rdis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵,计算Rorg和Rdis中所有坐标位置相同的两个图像块之间的结构失真程度值,将Rorg和Rdis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为 其中,0<x≤W-3,0<y≤H-3,表示内坐标位置为(i,j)处的奇异值系数,表示内坐标位置为(i,j)处的奇异值系数,0≤i ≤3,0≤j ≤3;
④对Lorg实施区域划分,得到Lorg对应的区域划分系数矩阵,记为ZL,将ZL中坐标位置为(p,q)处的区域划分系数记为ZL(p,q),如果Lorg中坐标位置为(p,q)的像素点属于非边缘区域,则ZL(p,q)=0,如果Lorg中坐标位置为(p,q)的像素点属于边缘区域,则ZL(p,q)=1,其中,0<p≤W,0<q≤H;
对Rorg实施区域划分,得到Rorg对应的区域划分系数矩阵,记为ZR,将ZR中坐标位置为(p,q)处的区域划分系数记为ZR(p,q),如果Rorg中坐标位置为(p,q)的像素点属于非边缘区域,则ZR(p,q)=0,如果Rorg中坐标位置为(p,q)的像素点属于边缘区域,则ZR(p,q)=1,其中,0<p≤W,0<q≤H;
⑤将ZL划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵,将ZL中坐标位置为(x,y)的单元矩阵记为其中,0<x≤W-3,0<y≤H-3;然后根据Lorg和Ldis中所有坐标位置相同的两个图像块之间的结构失真程度值和ZL中的所有单元矩阵,计算Lorg和Ldis之间的左视点图像质量评价指标,记为QL,QL=ω×Qe,L+(1-ω)×Qn,L ,
将ZR划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵,将ZR中坐标位置为(x,y)的单元矩阵记为其中,0<x≤W-3,0<y≤H-3;然后根据Rorg和Rdis中所有坐标位置相同的两个图像块之间的结构失真程度值和ZR中的所有单元矩阵,计算Rorg和Rdis之间的右视点图像质量评价指标,记为QR,QR=ω'×Qe,R+(1-ω')×Qn,R, 其中,ω'表示Qe,R的权值,表示内坐标位置为(i,j)处的区域划分系数;
⑥根据QL和QR,计算待评价的失真的立体图像Sdis相对于原始的无失真的立体图像Sorg的左右视点图像质量评价指标,记为Qs,Qs=ωl×QL+(1-ωl)×QR,其中,ωl表示QL的权值;
⑦计算Lorg与Rorg的绝对差值图像,记为Dorg,LR,Dorg,LR=|Rorg-Lorg|,计算Ldis与Rdis的绝对差值图像,记为Ddis,LR,Ddis,LR=|Rdis-Ldis|,其中,“||”为取绝对值符号;
⑧对Dorg,LR和Ddis,LR分别实施区域划分,得到Dorg,LR和Ddis,LR对应的区域划分系数矩阵,记为ZLR,将ZLR中坐标位置为(p,q)处的区域划分系数记为ZLR(p,q),如果Dorg,LR和Ddis,LR中坐标位置均为(p,q)的像素点均属于非边缘区域,则ZLR(p,q)=0,如果Dorg,LR和Ddis,LR中坐标位置均为(p,q)的像素点均属于边缘区域,则ZLR(p,q)=1,其中,0<p≤W,0<q≤H;
⑨将Dorg,LR和Dorg,LR分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块,然后对Dorg,LR和Ddis,LR中的每个图像块实施特征值分解,得到Dorg,LR和Ddis,LR中每个图像块的特征值矩阵和特征向量矩阵,将Dorg,LR中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为和将Ddis,R中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为和其中,0<x≤W-3,0<y≤H-3;
⑩计算Dorg,LR和Ddis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标,将Dorg,LR和Ddis,LR中坐标位置均为(x,y)的两个图像块的特征值失真指标和特征向量失真指标分别记为 和 其中, 表示 内坐标位置为(i,j)处的特征值,表示内坐标位置为(i,j)处的特征向量,表示内坐标位置为(i,j)处的特征值,表示内坐标位置为(i,j)处的特征向量;
将ZLR划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵,将ZLR中坐标位置为(x,y)的单元矩阵记为其中,0<x≤W-3,0<y≤H-3;然后根据Dorg,LR和Ddis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标及ZLR中的所有单元矩阵,计算待评价的失真的立体图像Sdis相对于原始的无失真的立体图像Sorg的立体感知评价度量,记为Qd,其中,表示内坐标位置为(i,j)处的区域划分系数;
根据待评价的失真的立体图像Sdis相对于原始的无失真的立体图像Sorg的左右视点图像质量评价指标Qs和立体感知评价度量Qd,计算待评价的失真的立体图像Sdis的图像质量评价分值,记为Q,Q=Qs×(Qd)-λ,其中,λ为常数,且λ>0。
所述的步骤④的具体过程为:
④-1、采用Sobel算子的水平方向模板分别提取Lorg中红色分量、绿色分量以及蓝色分量的水平方向梯度矩阵,将Lorg中红色分量的水平方向梯度矩阵记为Rh,将Lorg中绿色分量的水平方向梯度矩阵记为Gh,将Lorg中蓝色分量的水平方向梯度矩阵记为Bh;
采用Sobel算子的垂直方向模板分别提取Lorg中红色分量、绿色分量以及蓝色分量的垂直方向梯度矩阵,将Lorg中红色分量的垂直方向梯度矩阵记为Rv,将Lorg中绿色分量的垂直方向梯度矩阵记为Gv,将Lorg中蓝色分量的垂直方向梯度矩阵记为Bv;
④-2、计算Lorg的方向变化率矩阵,记为U,将U中坐标位置为(x',y')处的矩阵系数记为U(x',y'), g(x',y')=(Rh(x',y'))2+(Gh(x',y'))2+(Bh(x',y'))2+(Rv(p,q))2+(Gv(x',y'))2+(Bv(x',y'))2,f(x',y')=(Rh(x',y'))2+(Gh(x',y'))2+(Bh(x',y'))2-(Rv(x',y'))2-(Gv(x',y'))2-(Bv(x',y'))2,h(x',y')=(Rv(x',y'))2+(Gv(x',y'))2+(Bv(x',y'))2,
④-3、根据U确定Lorg的区域划分阈值,记为T, 其中,α表示阈值调节因子;
④-4、比较U中的每个矩阵系数与T的大小,确定Lorg中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域,然后根据已确定区域的像素点确定Lorg中剩余的每个像素点是否属于边缘区域,以完成区域划分,获得Lorg对应的区域划分系数矩阵ZL;对于Lorg中坐标位置为(p,q)的像素点,当0<p≤W-2且0<q≤H-2时,判断U(p,q)<T是否成立,如果成立,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,否则,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1,当W-2<p≤W且0<q≤H-2时,参照前一行对应坐标位置的每个像素点确定最后两行对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点,即如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1,当0<p≤W-2且H-2<q≤H时,参照前一列对应坐标位置的每个像素点确定最后两列对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点,即如果Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,如果Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1,当W-2<p≤W且H-2<q≤H时,即对于剩余的最后四个像素点由前一行或前一列对应坐标位置的像素点确定剩余的最后四个像素点为非边缘像素点还是为边缘像素点,即如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1;
④-5、按照步骤④-1至步骤④-4获取Lorg对应的区域划分系数矩阵ZL的操作过程,以相同的方式获取Rorg对应的区域划分系数矩阵ZR。
所述的步骤④-3中取α=5。
所述的步骤⑤中取ω=0.6,ω'=0.6。
所述的步骤⑥中ωl的获取过程为:
⑥-1、采用n幅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,该失真立体图像集包括多幅失真的立体图像,其中,n≥1;
⑥-2、采用主观质量评价方法,获取失真立体图像集中的每幅失真的立体图像的平均主观评分差值,将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOSj′,其中,1≤j'≤J,J表示失真立体图像集中包含的失真的立体图像的幅数,n'表示有效的测试人员数,n'≥1,ri'ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值,ri′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值;
⑥-3、按照步骤①至步骤⑤的操作过程,计算得到失真立体图像集中的每幅失真的立体图像的左视点图像和对应的无失真的立体图像的左视点图像之间的左视点图像质量评价指标,及失真立体图像集中的每幅失真的立体图像的右视点图像和对应的无失真的立体图像的右视点图像之间的右视点图像质量评价指标;
⑥-4、采用线性拟合加权的方法拟合失真立体图像集中的每幅失真的立体图像的平均主观评分差值DMOS、每幅失真的立体图像对应的左视点图像质量评价指标和右视点图像质量评价指标,得到ωl的值。
所述的步骤⑧的具体过程为:
⑧-2、采用Sobel算子的水平方向模板提取Dorg,LR的水平方向梯度矩阵,记为Prh,将Prh中坐标位置为(x',y')处的矩阵系数记为Prh(x',y′), 采用Sobel算子的垂直方向模板提取Dorg,LR的垂直方向梯度矩阵,记为Prv,将Prv中坐标位置为(x',y')处的矩阵系数记为Prv(x',y'), 其中,0<x'≤W-2,0<y'≤H-2, 分别表示中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值;
⑧-3、根据Dorg,LR的水平方向梯度矩阵Prh和垂直方向梯度矩阵Prv,计算Dorg,LR的梯度幅值矩阵,记为Pr,将Pr中坐标位置为(x',y')处的矩阵系数记为Pr(x',y'),
⑧-5、采用Sobel算子的水平方向模板提取Ddis,LR的水平方向梯度矩阵,记为Pdh,将Pdh中坐标位置为(x',y')处的矩阵系数记为Pdh(x',y'), 采用Sobel算子的垂直方向模板提取Ddis,LR的垂直方向梯度矩阵,记为Pdv,将Pdv中坐标位置为(x',y′)处的矩阵系数记为Pdv(x',y'), 其中, 分别表示中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值;
⑧-6、根据Ddis,LR的水平方向梯度矩阵Pdh和垂直方向梯度矩阵Pdv,计算Ddis,LR的梯度幅值矩阵,记为Pd,将Pd中坐标位置为(x',y')处的矩阵系数记为Pd(x',y'),
⑧-7、根据Dorg,LR的梯度幅值矩阵Pr确定Dorg,LR和Ddis,LR的区域分割阈值,记为TT,TT=0.12×max(Pr),其中,max(Pr)表示求Pr中的最大值;
⑧-8、比较Pr或Pd中的每个矩阵系数与TT的大小,确定Dorg,LR和Ddis,LR中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域,然后根据已确定区域的像素点确定Dorg,LR和Ddis,LR中剩余的每个像素点是否属于边缘区域,以完成区域划分,获得Dorg,LR和Ddis,LR对应的区域划分系数矩阵ZLR;对于Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点,当0<p≤W-2且0<q≤H-2时,判断Pr(p,q)≥TT or Pd(p,q)≥TT是否成立,如果成立,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点均为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1,否则,确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点均为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,当W-2<p≤W且0<q≤H-2时,参照前一行对应坐标位置的每个像素点确定最后两行对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点,即如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1,当0<p≤W-2且H-2<q≤H时,参照前一列对应坐标位置的每个像素点确定最后两列对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点,即如果Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,如果Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1,当W-2<p≤W且H-2<q≤H时,即对于剩余的最后四个像素点由前一行或前一列对应坐标位置的像素点确定剩余的最后四个像素点为非边缘像素点还是为边缘像素点,即如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1。
采用主观质量评价方法获取失真立体图像集中的每幅失真的立体图像的平均主观评分差值,将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOSj′,其中,1≤j'≤J,J表示失真立体图像集中包含的失真的立体图像的幅数,n'表示有效的测试人员数,n'≥1,ri′ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值,ri′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值;
采用乘性加权的数学拟合方法Q=Qs×(Qd )-λ拟合失真立体图像集中的每幅失真的立体图像的平均主观评分差值及对应的左右视点图像质量评价指标和立体感知评价度量,得到λ的值。
与现有技术相比,本发明的优点在于:其从结构失真的角度出发,有效地利用了奇异值稳定,能较好地表征立体图像的结构信息的特性,利用了海赛矩阵能较好地表征图像的纹理或凹凸特性,利用了奇异值能较好地表征绝对差值图的结构信息特性,以及充分地考虑了人眼对区域的敏感度,融合了立体图像画质质量以及深度感知质量,从而有效地提高了立体图像客观质量评价结果与主观感知之间的相关性,并准确衡量了立体图像的失真程度,为立体系统中的各种编码方法、绘制方法、错误隐藏方法等提供了性能优劣的评判准则。
附图说明
图1为本发明方法的总体实现框图;
图2a为Akko&Kayo(640×480)立体图像;
图2b为Alt Moabit(1024×768)立体图像;
图2c为Balloons(1024×768)立体图像;
图2d为Door Flowers (1024×768)立体图像;
图2e为Kendo(1024×768)立体图像;
图2f为Leaving Laptop(1024×768)立体图像;
图2g为Lovebird1(1024×768)立体图像;
图2h为Newspaper(1024×768)立体图像;
图2i为Xmas (640×480)立体图像;
图2j为Puppy(720×480)立体图像;
图2k为Soccer2(720×480)立体图像;
图2l为Horse(480×270)立体图像;
图3a为Sobel算子的垂直方向模板的示意图;
图3b为Sobel算子的水平方向模板的示意图;
图4a为左视点图像画质质量的α和ω与评价指标CC的拟合曲线;
图4b为左视点图像画质质量的α和ω与评价指标SROCC的拟合曲线;
图4c为左视点图像画质质量的α和ω与评价指标RMSE的拟合曲线;
图5a为右视点图像画质质量的α和ω'与评价指标CC的拟合曲线;
图5b为右视点图像画质质量的α和ω'与评价指标SROCC的拟合曲线;
图5c为右视点图像画质质量的α和ω'与评价指标RMSE的拟合曲线;
图6a为左右视点画质质量的ωl与评价指标CC的拟合曲线;
图6b为左右视点画质质量的ωl与评价指标SROCC的拟合曲线;
图6c为左右视点画质质量的ωl与评价指标RMSE的拟合曲线;
图7a为λ与评价指标CC的拟合曲线;
图7b为λ与评价指标SROCC的拟合曲线;
图7c为λ与评价指标RMSE的拟合曲线。
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。
本发明提出的一种基于矩阵分解的立体图像客观质量评价方法,其由左右视点图像的图像画质质量评价和立体图像深度感知评价两部分非线性组合得到立体图像质量评价指标,其总体实现框图如图1所示,具体包括以下步骤:
①令Sorg为原始的无失真的立体图像,令Sdis为待评价的失真的立体图像,将Sorg的左视点图像记为Lorg,将Sorg的右视点图像记为Rorg,将Sdis的左视点图像记为Ldis,将Sdis的右视点图像记为Rdis。
②将Lorg、Rorg、Ldis和Rdis4幅图像分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块,在此,为了尽可能地利用图像之间的相关性,一个4×4的图像块和它最相邻的左图像块或右图像块之间有3列是重叠的,同样,该4×4的图像块和它最相邻的上图像块或下图像块之间有3行是重叠的。此处,W表示Lorg、Rorg、Ldis和Rdis的宽度,H表示Lorg、Rorg、Ldis和Rdis的高度。
然后对Lorg、Rorg、Ldis和Rdis4幅图像中的每个图像块实施海赛矩阵分解,得到Lorg、Rorg、Ldis和Rdis4幅图像中的每个图像块对应的用于表示图像块凹凸特性的海赛系数矩阵,将Lorg中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为将Rorg中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为将Ldis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为将Rdis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为其中,(x,y)表示Lorg、Rorg、Ldis和Rdis中的图像块的坐标位置,0<x≤W-3,0<y≤H-3。
再对Lorg、Rorg、Ldis和Rdis4幅图像中的每个图像块对应的海赛系数矩阵实施奇异值矩阵分解,得到Lorg、Rorg、Ldis和Rdis4幅图像中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵,将实施奇异值矩阵分解后得到的奇异值系数矩阵记为将实施奇异值矩阵分解后得到的奇异值系数矩阵记为将实施奇异值矩阵分解后得到的奇异值系数矩阵记为将实施奇异值矩阵分解后得到的奇异值系数矩阵记为
③根据Lorg和Ldis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵,计算Lorg和Ldis中所有坐标位置相同的两个图像块之间的结构失真程度值,将Lorg和Ldis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为 其中,0<x≤W-3,0<y≤H-3,表示内坐标位置为(i,j)处的奇异值系数,表示内坐标位置为(i,j)处的奇异值系数,0≤i ≤3,0≤j ≤3。
根据Rorg和Rdis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵,计算Rorg和Rdis中所有坐标位置相同的两个图像块之间的结构失真程度值,将Rorg和Rdis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为 其中,0<x≤W-3,0<y≤H-3,表示内坐标位置为(i,j)处的奇异值系数,表示内坐标位置为(i,j)处的奇异值系数,0≤i ≤3,0≤j ≤3。
④对Lorg实施区域划分,得到Lorg对应的区域划分系数矩阵,记为ZL,将ZL中坐标位置为(p,q)处的区域划分系数记为ZL(p,q),如果Lorg中坐标位置为(p,q)的像素点属于非边缘区域,则ZL(p,q)=0,如果Lorg中坐标位置为(p,q)的像素点属于边缘区域,则ZL(p,q)=1,其中,0<p≤W,0<q≤H。
对Rorg实施区域划分,得到Rorg对应的区域划分系数矩阵,记为ZR,将ZR中坐标位置为(p,q)处的区域划分系数记为ZR(p,q),如果Rorg中坐标位置为(p,q)的像素点属于非边缘区域,则ZR(p,q)=0,如果Rorg中坐标位置为(p,q)的像素点属于边缘区域,则ZR(p,q)=1,其中,0<p≤W,0<q≤H。
在此具体实施例中,步骤④的具体过程为:
④-1、采用Sobel算子的水平方向模板分别提取Lorg中红色分量、绿色分量以及蓝色分量的水平方向梯度矩阵,将Lorg中红色分量的水平方向梯度矩阵记为Rh,将Lorg中绿色分量的水平方向梯度矩阵记为Gh,将Lorg中蓝色分量的水平方向梯度矩阵记为Bh。
采用Sobel算子的垂直方向模板分别提取Lorg中红色分量、绿色分量以及蓝色分量的垂直方向梯度矩阵,将Lorg中红色分量的垂直方向梯度矩阵记为Rv,将Lorg中绿色分量的垂直方向梯度矩阵记为Gv,将Lorg中蓝色分量的垂直方向梯度矩阵记为Bv。
④-2、计算Lorg的方向变化率矩阵,记为U,将U中坐标位置为(x',y')处的矩阵系数记为U(x',y'), g(x',y')=(Rh(x',y'))2+(Gh(x',y'))2+(Bh(x',y'))2+(Rv(p,q))2+(Gv(x',y'))2+(Bv(x',y'))2,f(x',y')=(Rh(x',y'))2+(Gh(x',y'))2+(Bh(x',y'))2-(Rv(x',y'))2-(Gv(x',y'))2-(Bv(x',y'))2,h(x',y')=(Rv(x',y'))2+(Gv(x',y'))2+(Bv(x',y'))2,
④-3、根据U确定Lorg的区域划分阈值,记为T, 其中,α表示阈值调节因子,在此参数α的取值大小决定图像区域划分时边缘区域和非边缘区域的分界线,如果α的取值过小,则会把边缘像素点误判为非边缘像素点,如果α的取值过大,则会把非边缘像素点误判为边缘像素点,因此进行了大量的实验,实验结果表明当取α=5时能够取得很好的区域划分效果。
④-4、比较U中的每个矩阵系数与T的大小,确定Lorg中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域,然后根据已确定区域的像素点确定Lorg中剩余的每个像素点是否属于边缘区域,以完成区域划分,获得Lorg对应的区域划分系数矩阵ZL;对于Lorg中坐标位置为(p,q)的像素点,当0<p≤W-2且0<q≤H-2时,判断U(p,q)<T是否成立,如果成立,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,否则,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1,当W-2<p≤W且0<q≤H-2时,参照前一行对应坐标位置的每个像素点确定最后两行对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点,即如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1,当0<p≤W-2且H-2<q≤H时,参照前一列对应坐标位置的每个像素点确定最后两列对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点,即如果Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,如果Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1,当W-2<p≤W且H-2<q≤H时,即对于剩余的最后四个像素点由前一行或前一列对应坐标位置的像素点确定剩余的最后四个像素点为非边缘像素点还是为边缘像素点,即如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1。
④-5、按照步骤④-1至步骤④-4获取Lorg对应的区域划分系数矩阵ZL的操作过程,以相同的方式获取Rorg对应的区域划分系数矩阵ZR,即获取Rorg对应的区域划分系数矩阵ZR的过程为:a、采用Sobel算子的水平方向模板分别提取Rorg中红色分量、绿色分量以及蓝色分量的水平方向梯度矩阵,及采用Sobel算子的垂直方向模板分别提取Rorg中红色分量、绿色分量以及蓝色分量的垂直方向梯度矩阵;b、计算Rorg的方向变化率矩阵;c、根据Rorg的方向变化率矩阵确定Rorg的区域划分阂值;d、比较Rorg的方向变化率矩阵中的每个矩阵系数与Rorg的区域划分阂值的大小,确定Rorg中的每个像素点是否属于边缘区域以完成区域划分,获得Rorg对应的区域划分系数矩阵ZR。
在本实施例中,为了避免由于某一色彩分量通道所得较大梯度边缘对其它通道所得小梯度边缘的掩盖造成边缘检测精度不高的问题,因此直接在彩色向量空间中提取图像边缘。对图2a、图2b、图2c、图2d、图2e、图2f、图2g、图2h、图2i、图2j、图2k、图2l所示的12幅无失真的立体图像,利用图3a所示的Sobel算子的垂直方向模板和图3b所示的Sobel算子的水平方向模板,分别计算这12幅无失真的立体图像的红色分量、绿色分量及蓝色分量的垂直和水平方向梯度矩阵,然后分别计算12幅无失真的立体图像中的左视点图像和右视点图像的方向变化率矩阵;再分别获得12幅无失真的立体图像中的左视点图像和右视点图像的区域划分阂值;最后根据12幅无失真的立体图像中的左视点图像和右视点图像的方向变化率矩阵与区域划分阈值的关系,分别确定12幅无失真的立体图像中的左视点图像和右视点图像的边缘像素点和非边缘像素点。
⑤将ZL划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵,将ZL中坐标位置为(x,y)的单元矩阵记为其中,0<x≤W-3,O<y≤H-3;然后根据Lorg和Ldis中所有坐标位置相同的两个图像块之间的结构失真程度值和ZL中的所有单元矩阵,计算Lorg和Ldis之间的左视点图像质量评价指标,记为QL,QL:ω×Qe,L+(1-ω)×Qn,L, 其中,ω表示Qe,L的权值,表示内坐标位置为(i,j)处的区域划分系数。
将ZR划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵,将ZR中坐标位置为(x,y)的单元矩阵记为其中,0<x≤W-3,O<y≤H-3;然后根据Rorg和Rdis中所有坐标位置相同的两个图像块之间的结构失真程度值和ZR中的所有单元矩阵,计算Rorg和Rdis之间的右视点图像质量评价指标,记为QR,QR=ω′×Qe,R+(1-ω′)×Qn,R, 其中,ω′表示Qe,R的权值,表示内坐标位置为(i,j)处的区域划分系数。
在步骤④-3中参数α的取值大小决定图像区域划分时边缘区域和非边缘区域的分界线,如果α的取值过小,则会把边缘像素点误判为非边缘像素点,如果α的取值过大,则会把非边缘像素点误判为边缘像素点。在此,ω决定边缘区域的评价指标在左视点图像质量评价时所起的贡献,ω′决定边缘区域的评价指标在右视点图像质量评价时所起的贡献。因此,α和ω共同影响了边缘区域评价值对左视点图像质量评价所起的贡献,α和ω′共同影响了边缘区域评价值对右视点图像质量评价所起的贡献。利用图2a、图2b、图2c、图2d、图2e、图2f、图2g、图2h、图2i、图2j、图2k、图2l所示的12幅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,失真类型包括JPEG压缩、JPEG 2000压缩、白噪声失真、高斯模糊失真、H.264编码失真,该失真立体图像集共包括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,白噪声失真的立体图像共60幅,高斯模糊失真的立体图像共60幅,H.264编码失真的立体图像共72幅。对上述312幅失真的立体图像采用公知的主观质量评价方法进行主观质量评价,得到这312幅失真的立体图像各自的平均主观评分差值(DMOS,Difference Mean Opinion Scores),即每幅失真的立体图像的主观质量评分值。这里,利用评估图像质量评价方法的3个常用客观参量作为评价指标,即非线性回归条件下的相关系数(CC)、秩排序相关系数(SROCC)及均方误差指标(RMSE)。CC和RMSE反映了立体图像客观评价模型与主观感知质量之间的准确性,SROCC反映了立体图像客观评价模型与主观感知质量之间的单调性。CC、SROCC值越大,说明评价性能越好,RMSE值越小,说明评价性能越好,反之亦然。图4a、图4b及图4c给出了在不同α和ω取值下的312幅失真的立体图像中的左视点图像质量评价值QL与主观感知的评价值之间的曲线图;图5a、图5b及图5c给出了在不同α和ω′取值下的312幅失真的立体图像中的右视点图像质量评价指标QR与主观感知的评价值之间的曲线图。从图4a、图4b、图4c、图5a、图5b及图5c中可以看出,α和ω的取值对左视点图像质量评价值与主观感知相关性存在一定的影响,且影响程度相近;α和ω'的取值对右视点图像质量评价值与主观感知相关性存在一定的影响,且影响程度相近。在ω和ω'取值很小时,CC、SROCC的值较小,RMSE的值较大。当α=5及ω=0.6和ω'=0.6时,左视点图像质量评价、右视点图像质量评价与主观感知都存在较好的一致性。因此在本实施例中取α=5、ω=0.6、ω'=0.6。
⑥根据QL和QR,计算待评价的失真的立体图像Sdis相对于原始的无失真的立体图像Sorg的左右视点图像质量评价指标,记为Qs,Qs=ωl×QL+(1-ωl)×QR,其中,ωl表示QL的权值。
在此具体实施例中,ωl的获取过程为:
⑥-1、采用n幅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,该失真立体图像集包括多幅失真的立体图像,其中,n≥1。
⑥-2、采用主观质量评价方法,获取失真立体图像集中的每幅失真的立体图像的平均主观评分差值,将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOSj′,其中,1≤j'≤J,J表示失真立体图像集中包含的失真的立体图像的幅数,n'表示有效的测试人员数,n'≥1,ri′ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值,ri′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值。
⑥-3、按照步骤①至步骤⑤的操作过程,计算得到失真立体图像集中的每幅失真的立体图像的左视点图像和对应的无失真的立体图像的左视点图像之间的左视点图像质量评价指标,及失真立体图像集中的每幅失真的立体图像的右视点图像和对应的无失真的立体图像的右视点图像之间的右视点图像质量评价指标。
⑥-4、采用线性拟合加权的方法拟合失真立体图像集中的每幅失真的立体图像的平均主观评分差值DMOS、每幅失真的立体图像对应的左视点图像质量评价指标和右视点图像质量评价指标,得到ωl的值。
在本实施例中,对上述312幅失真的立体图像按本发明方法的步骤①至步骤⑤分别计算312幅失真的立体图像的左视点图像质量评价值QL和右视点图像质量评价指标QR;然后采用线性拟合加权方法拟合这312幅失真的立体图像的DMOS、左视点图像质量评价值QL和右视点图像质量评价指标QR,拟合结果如图6a、图6b和图6c所示,图6a、图6b和图6c的横坐标为ωl的值,纵坐标分别为CC、SROCC和RMSE的值。ωl的值越大,说明QL对左右视点图像质量评价值Qs的贡献越大,反之亦然。从图6a、图6b和图6c中可以看出,ωl的取值变化对Qs和主观感知的评价指标CC、SROCC和RMSE值变化不是很大,都是在百分位上波动,主要原因是由于这312幅失真的立体图像的左右视点图像都是同时同程度失真,因此左右视点图像的质量差不多。在本实施例中取ωl=0.6。
⑦计算Lorg与Rorg的绝对差值图像,记为Dorg,LR,Dorg,LR=|Rorg-Lorg|,计算Ldis与Rdis的绝对差值图像,记为Ddis,LR,Ddis,LR=|Rdis-Ldis|,其中,“||”为取绝对值符号。
⑧对Dorg,LR和Ddis,LR分别实施区域划分,得到Dorg,LR和Ddis,LR对应的区域划分系数矩阵,记为ZLR,将ZLR中坐标位置为(p,q)处的区域划分系数记为ZLR(p,q),如果Dorg,LR和Ddis,LR中坐标位置均为(p,q)的像素点均属于非边缘区域,则ZLR(p,q)=0,如果Dorg,LR和Ddis,LR中坐标位置均为(p,q)的像素点均属于边缘区域,则ZLR(p,q)=1,其中,0<p≤W,0<q≤H。
在此具体实施例中,步骤⑧的具体过程为:
⑧-2、采用Sobel算子的水平方向模板提取Dorg,LR的水平方向梯度矩阵,记为Prh,将Prh中坐标位置为(x',y')处的矩阵系数记为Prh(x',y′), 采用Sobel算子的垂直方向模板提取Dorg,LR的垂直方向梯度矩阵,记为Prv,将Prv中坐标位置为(x',y')处的矩阵系数记为Prv(x',y'), 其中,0<x'≤W-2,0<y'≤H-2, 分别表示中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值。
⑧-3、根据Dorg,LR的水平方向梯度矩阵Prh和垂直方向梯度矩阵Prv,计算Dorg,LR的梯度幅值矩阵,记为Pr,将Pr中坐标位置为(x',y')处的矩阵系数记为Pr(x',y'),
⑧-5、采用Sobel算子的水平方向模板提取Ddis,LR的水平方向梯度矩阵,记为Pdh,将Pdh中坐标位置为(x',y')处的矩阵系数记为Pdh(x',y'), 采用Sobel算子的垂直方向模板提取Ddis,LR的垂直方向梯度矩阵,记为Pdv,将Pdv中坐标位置为(x',y′)处的矩阵系数记为Pdv(x',y'), 其中, 分别表示中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值。
⑧-6、根据Ddis,LR的水平方向梯度矩阵Pdh和垂直方向梯度矩阵Pdv,计算Ddis,LR的梯度幅值矩阵,记为Pd,将Pd中坐标位置为(x',y')处的矩阵系数记为Pd(x',y'),
⑧-7、根据Dorg,LR的梯度幅值矩阵Pr确定Dorg,LR和Ddis,LR的区域分割阈值,记为TT,TT=0.12×max(Pr),其中,max(Pr)表示求Pr中的最大值,即取出Pr中的最大矩阵系数值。
⑧-8、比较Pr或Pd中的每个矩阵系数与TT的大小,确定Dorg,LR和Ddis,LR中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域,然后根据已确定区域的像素点确定Dorg,LR和Ddis,LR中剩余的每个像素点是否属于边缘区域,以完成区域划分,获得Dorg,LR和Ddis,LR对应的区域划分系数矩阵ZLR;对于Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点,当0<p≤W-2且0<q≤H-2时,判断Pr(p,q)≥TT or Pd(p,q)≥TT是否成立,如果成立,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点均为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1,否则,确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点均为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,当W-2<p≤W且0<q≤H-2时,参照前一行对应坐标位置的每个像素点确定最后两行对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点,即如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1,当0<p≤W-2且H-2<q≤H时,参照前一列对应坐标位置的每个像素点确定最后两列对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点,即如果Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,如果Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1,当W-2<p≤W且H-2<q≤H时,即对于剩余的最后四个像素点由前一行或前一列对应坐标位置的像素点确定剩余的最后四个像素点为非边缘像素点还是为边缘像素点,即如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1。
此处,实际上Dorg,LR和Ddis,LR分别实施区域划分后,得到的是各自对应的区域划分系数矩阵,只是两者的区域划分系数矩阵是相同的。
在本实施例中,对图2a至图2l所示的12幅无失真的立体图像建立起的312幅失真的立体图像,利用图3a和图3b所示的Sobel算子的模板,计算这312幅失真的立体图像的绝对差值图的垂直和水平方向梯度矩阵,进而计算立体图像的绝对差值图的梯度幅值矩阵,然后根据图像内容分别得到12幅无失真的立体图像的分割阈值,根据Dorg,LR和Ddis,LR的梯度幅值矩阵与分割阈值的关系,得到312幅失真的立体图像的绝对差值图的区域划分系数矩阵。
⑨将Dorg,LR和Ddis,LR分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块,然后对Dorg,LR和Ddis,LR中的每个图像块实施特征值分解,得到Dorg,LR和Ddis,LR中每个图像块的特征值矩阵和特征向量矩阵,将Dorg,LR中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为和将Ddis,LR中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为和其中,0<x≤W-3,0<y≤H-3。
⑩计算Dorg,LR和Ddis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标,将Dorg,LR和Ddis,LR中坐标位置均为(x,y)的两个图像块的特征值失真指标和特征向量失真指标分别记为和 其中,表示内坐标位置为(i,j)处的特征值,表示内坐标位置为(i,j)处的特征向量,表示内坐标位置为(i,j)处的特征值,表示内坐标位置为(i,j)处的特征向量。
将ZLR划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵,将ZLR中坐标位置为(x,y)的单元矩阵记为其中,0<x≤W-3,0<y≤H-3;然后根据Dorg,LR和Ddis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标及ZLR中的所有单元矩阵,计算待评价的失真的立体图像Sdis相对于原始的无失真的立体图像Sorg的立体感知评价度量,记为Qd,其中,表示内坐标位置为(i,j)处的区域划分系数。
根据待评价的失真的立体图像Sdis相对于原始的无失真的立体图像Sorg的左右视点图像质量评价指标Qs和立体感知评价度量Qd,计算待评价的失真的立体图像Sdis的图像质量评价分值,记为Q,Q=Qs×(Qd)-λ,其中,λ为常数,且λ>0。
在此具体实施例中,λ的获取过程为:
采用主观质量评价方法获取失真立体图像集中的每幅失真的立体图像的平均主观评分差值,将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOSj',其中,1≤j'≤J,J表示失真立体图像集中包含的失真的立体图像的幅数,n'表示有效的测试人员数,n'≥1,ri′ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值,ri′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值。
在本实施例中,利用图2a至图2l所示的12幅无失真的立体图像建立了312幅失真的立体图像,对上述312幅失真的立体图像和12幅无失真的立体图像按本发明方法的步骤①至步骤相同的操作计算得到每幅失真的立体图像相应的左右视点图像质量评价指标Qs和立体图像深度感知质量评价指标Qd;然后采用乘性加权得到这312幅失真的立体图像的DMOS与左右视点图像质量评价指标Qs及立体图像深度感知质量评价指标Qd之间的相关性分析、单调性及误差分析。结果如图7a、图7b和图7c所示,图7a、图7b和图7c中的横坐标表示λ的变化值,纵坐标分别表示相关系数(CC)、秩排序相关系数(SROCC)及均方误差指标(RMSE)的值,λ值大小决定左右视点图像质量评价指标Qs和立体图像深度感知质量评价指标Qd对立体图像最终的评价值Q的贡献大小。从图7a、图7b和图7c中可以看出,λ取值的变化对该立体图像质量客观模型与主观感知之间的评价性能影响不是很大,都是在百分位上进行波动,在图中都存在一个极值点。当λ取值为0.08时,立体图像质量客观评价模型与主观感知之间的一致性达到最佳,因此在本实施例中拟合得到的λ=0.08。
分析本实施例得到的失真的立体图像的图像质量评价函数Q=Qs×(Qd)0.08的最终评价结果与主观评分DMOS之间的相关性。按本实施例计算得到的失真的立体图像的图像质量评价指标Q做四参数Logistic函数非线性拟合,然后分析拟合后的预测值与主观感知之间的相关特性。实验结果如表1所示。CC和SROCC值的取值范围为[0,1],其值越高说明客观评价方法与DMOS相关性越好,RMSE值越低说明客观评价方法与DMOS相关性越好。根据表1所列的数据可见,CC和SROCC值都超过0.92,RMSE低于6.5,说明最终评价结果的输出值Q与主观评分DMOS之间的相关性是很好,与人眼主观感知的结果一致,说明了本发明方法的有效性。
表1失真的立体图像的图像质量评价分值与主观评分之间的相关性
Claims (7)
1.一种基于矩阵分解的立体图像客观质量评价方法,其特征在于包括以下步骤:
①令Sorg为原始的无失真的立体图像,令Sdis为待评价的失真的立体图像,将Sorg的左视点图像记为Lorg,将Sorg的右视点图像记为Rorg,将Sdis的左视点图像记为Ldis,将Sdis的右视点图像记为Rdis;
②将Lorg、Rorg、Ldis和Rdis4幅图像分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块;
然后对Lorg、Rorg、Ldis和Rdis4幅图像中的每个图像块实施海赛矩阵分解,得到Lorg、Rorg、Ldis和Rdis4幅图像中的每个图像块对应的用于表示图像块凹凸特性的海赛系数矩阵,将Lorg中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为将Rorg中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为将Ldis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为将Rdis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为
再对Lorg、Rorg、Ldis和Rdis 4幅图像中的每个图像块对应的海赛系数矩阵实施奇异值矩阵分解,得到Lorg、Rorg、Ldis和Rdis 4幅图像中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵,将实施奇异值矩阵分解后得到的奇异值系数矩阵记为将实施奇异值矩阵分解后得到的奇异值系数矩阵记为将实施奇异值矩阵分解后得到的奇异值系数矩阵记为将实施奇异值矩阵分解后得到的奇异值系数矩阵记为
其中,W表示Lorg、Rorg、Ldis和Rdis的宽度,H表示Lorg、Rorg、Ldis和Rdis的高度,0<x≤W-3,0<y≤H-3;
③根据Lorg和Ldis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵,计算Lorg和Ldis中所有坐标位置相同的两个图像块之间的结构失真程度值,将Lorg和Ldis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为 其中,0<x≤W-3,0<y≤H-3,表示内坐标位置为(i,j)处的奇异值系数,表示内坐标位置为(i,j)处的奇异值系数,0≤i ≤3,0≤j ≤3;
根据Rorg和Rdis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵,计算Rorg和Rdis中所有坐标位置相同的两个图像块之间的结构失真程度值,将Rorg和Rdis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为 其中,0<x≤W-3,0<y≤H-3,表示内坐标位置为(i,j)处的奇异值系数,表示内坐标位置为(i,j)处的奇异值系数,0≤i ≤3,0≤j ≤3;
④对Lorg实施区域划分,得到Lorg对应的区域划分系数矩阵,记为ZL,将ZL中坐标位置为(p,q)处的区域划分系数记为ZL(p,q),如果Lorg中坐标位置为(p,q)的像素点属于非边缘区域,则ZL(p,q)=0,如果Lorg中坐标位置为(p,q)的像素点属于边缘区域,则ZL(p,q)=1,其中,0<p≤W,0<q≤H;
对Rorg实施区域划分,得到Rorg对应的区域划分系数矩阵,记为ZR,将ZR中坐标位置为(p,q)处的区域划分系数记为ZR(p,q),如果Rorg中坐标位置为(p,q)的像素点属于非边缘区域,则ZR(p,q)=0,如果Rorg中坐标位置为(p,q)的像素点属于边缘区域,则ZR(p,q)=1,其中,0<p≤W,0<q≤H;
⑤将ZL划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵,将ZL中坐标位置为(x,y)的单元矩阵记为其中,0<x≤W-3,0<y≤H-3;然后根据Lorg和Ldis中所有坐标位置相同的两个图像块之间的结构失真程度值和ZL中的所有单元矩阵,计算Lorg和Ldis之间的左视点图像质量评价指标,记为QL,QL=ω×Qe,L+(1-ω)×Qn,L, 其中,ω表示Qe,L的权值,表示内坐标位置为(i,j)处的区域划分系数;
将ZR划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵,将ZR中坐标位置为(x,y)的单元矩阵记为其中,0<x≤W-3,0<y≤H-3;然后根据Rorg和Rdis中所有坐标位置相同的两个图像块之间的结构失真程度值和ZR中的所有单元矩阵,计算Rorg和Rdis之间的右视点图像质量评价指标,记为QR,QR=ω'×Qe,R+(1-ω')×Qn,R, 其中,ω'表示Qe,R的权值,表示内坐标位置为(i,j)处的区域划分系数;
⑥根据QL和QR,计算待评价的失真的立体图像Sdis相对于原始的无失真的立体图像Sorg的左右视点图像质量评价指标,记为Qs,Qs=ωl×QL+(1-ωl)×QR,其中,ωl表示QL的权值;
⑦计算Lorg与Rorg的绝对差值图像,记为Dorg,LR,Dorg,LR=|Rorg-Lorg|,计算Ldis与Rdis的绝对差值图像,记为Ddis,LR,Ddis,LR=|Rdis-Ldis|,其中,“||”为取绝对值符号;
⑧对Dorg,LR和Ddis,LR分别实施区域划分,得到Dorg,LR和Ddis,LR对应的区域划分系数矩阵,记为ZLR,将ZLR中坐标位置为(p,q)处的区域划分系数记为ZLR(p,q),如果Dorg,LR和Ddis,LR中坐标位置均为(p,q)的像素点均属于非边缘区域,则ZLR(p,q)=0,如果Dorg,LR和Ddis,LR中坐标位置均为(p,q)的像素点均属于边缘区域,则ZLR(p,q)=1,其中,0<p≤W,0<q≤H;
⑨将Dorg,LR和Ddis,LR分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块,然后对Dorg,LR和Ddis,LR中的每个图像块实施特征值分解,得到Dorg,LR和Ddis,LR中每个图像块的特征值矩阵和特征向量矩阵,将Dorg,LR中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为和将Ddis,LR中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为和其中,0<x≤W-3,0<y≤H-3;
⑩计算Dorg,LR和Ddis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标,将Dorg,LR和Ddis,LR中坐标位置均为(x,y)的两个图像块的特征值失真指标和特征向量失真指标分别记为和 其中,表示内坐标位置为(i,j)处的特征值,表示内坐标位置为(i,j)处的特征向量,表示内坐标位置为(i,j)处的特征值,表示内坐标位置为(i,j)处的特征向量;
将ZLR划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵,将ZLR中坐标位置为(x,y)的单元矩阵记为其中,0<x≤W-3,0<y≤H-3;然后根据Dorg,LR和Ddis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标及ZLR中的所有单元矩阵,计算待评价的失真的立体图像Sdis相对于原始的无失真的立体图像Sorg的立体感知评价度量,记为Qd,其中,表示内坐标位置为(i,j)处的区域划分系数;
2.根据权利要求1所述的一种基于矩阵分解的立体图像客观质量评价方法,其特征在于所述的步骤④的具体过程为:
④-1、采用Sobel算子的水平方向模板分别提取Lorg中红色分量、绿色分量以及蓝色分量的水平方向梯度矩阵,将Lorg中红色分量的水平方向梯度矩阵记为Rh,将Lorg中绿色分量的水平方向梯度矩阵记为Gh,将Lorg中蓝色分量的水平方向梯度矩阵记为Bh;
采用Sobel算子的垂直方向模板分别提取Lorg中红色分量、绿色分量以及蓝色分量的垂直方向梯度矩阵,将Lorg中红色分量的垂直方向梯度矩阵记为Rv,将Lorg中绿色分量的垂直方向梯度矩阵记为Gv,将Lorg中蓝色分量的垂直方向梯度矩阵记为Bv;
④-2、计算Lorg的方向变化率矩阵,记为U,将U中坐标位置为(x',y')处的矩阵系数记为U(x',y'), g(x',y')=(Rh(x',y'))2+(Gh(x',y'))2+(Bh(x',y'))2+(Rv(p,q))2+(Gv(x',y'))2+(Bv(x',y'))2,f(x',y')=(Rh(x',y'))2+(Gh(x',y'))2+(Bh(x',y'))2-(Rv(x',y'))2-(Gv(x',y'))2-(Bv(x',y'))2,h(x',y')=(Rv(x',y'))2+(Gv(x',y'))2+(Bv(x',y'))2,
④-3、根据U确定Lorg的区域划分阈值,记为T, 其中,α表示阈值调节因子;
④-4、比较U中的每个矩阵系数与T的大小,确定Lorg中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域,然后根据已确定区域的像素点确定Lorg中剩余的每个像素点是否属于边缘区域,以完成区域划分,获得Lorg对应的区域划分系数矩阵ZL;对于Lorg中坐标位置为(p,q)的像素点,当0<p≤W-2且0<q≤H-2时,判断U(p,q)<T是否成立,如果成立,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,否则,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1,当W-2<p≤W且0<q≤H-2时,如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1,当0<p≤W-2且H-2<q≤H时,如果Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,如果Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1,当W-2<p≤W且H-2<q≤H时,如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=0,如果Lorg的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Lorg的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Lorg中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZL中坐标位置为(p,q)处的区域划分系数ZL(p,q)=1;
④-5、按照步骤④-1至步骤④-4获取Lorg对应的区域划分系数矩阵ZL的操作过程,以相同的方式获取Rorg对应的区域划分系数矩阵ZR。
3.根据权利要求2所述的一种基于矩阵分解的立体图像客观质量评价方法,其特征在于所述的步骤④-3中取α=5。
4.根据权利要求1至3中任一项所述的一种基于矩阵分解的立体图像客观质量评价方法,其特征在于所述的步骤⑤中取ω=0.6,ω'=0.6。
5.根据权利要求4所述的一种基于矩阵分解的立体图像客观质量评价方法,其特征在于所述的步骤⑥中ωl的获取过程为:
⑥-1、采用n幅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,该失真立体图像集包括多幅失真的立体图像,其中,n≥1;
⑥-2、采用主观质量评价方法,获取失真立体图像集中的每幅失真的立体图像的平均主观评分差值,将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOSj',其中,1≤j'≤J,J表示失真立体图像集中包含的失真的立体图像的幅数,n'表示有效的测试人员数,n'≥1,ri′ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值,ri′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值;
⑥-3、按照步骤①至步骤⑤的操作过程,计算得到失真立体图像集中的每幅失真的立体图像的左视点图像和对应的无失真的立体图像的左视点图像之间的左视点图像质量评价指标,及失真立体图像集中的每幅失真的立体图像的右视点图像和对应的无失真的立体图像的右视点图像之间的右视点图像质量评价指标;
⑥-4、采用线性拟合加权的方法拟合失真立体图像集中的每幅失真的立体图像的平均主观评分差值DMOS、每幅失真的立体图像对应的左视点图像质量评价指标和右视点图像质量评价指标,得到ωl的值。
6.根据权利要求5所述的一种基于矩阵分解的立体图像客观质量评价方法,其特征在于所述的步骤⑧的具体过程为:
⑧-2、采用Sobel算子的水平方向模板提取Dorg,LR的水平方向梯度矩阵,记为Rrh,将Prh中坐标位置为(x',y')处的矩阵系数记为Prh(x',y′),
⑧-3、根据Dorg,LR的水平方向梯度矩阵Prh和垂直方向梯度矩阵Prv,计算Dorg,LR的梯度幅值矩阵,记为Pr,将Pr中坐标位置为(x',y')处的矩阵系数记为Pr(x',y'),
⑧-5、采用Sobel算子的水平方向模板提取Ddis,LR的水平方向梯度矩阵,记为Pdh,将Pdh中坐标位置为(x',y')处的矩阵系数记为Pdh(x',y′), 采用Sobel算子的垂直方向模板提取Ddis,LR的垂直方向梯度矩阵,记为Pdv,将Pdv中坐标位置为(x',y′)处的矩阵系数记为Pdv(x',y'), 其中, 分别表示中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值;
⑧-6、根据Ddis,LR的水平方向梯度矩阵Pdh和垂直方向梯度矩阵Pdv,计算Ddis,LR的梯度幅值矩阵,记为Pd,将Pd中坐标位置为(x',y')处的矩阵系数记为Pd(x',y'),
⑧-7、根据Dorg,LR的梯度幅值矩阵Pr确定Dorg,LR和Ddis,LR的区域分割阈值,记为TT,TT=0.12×max(Pr),其中,max(Pr)表示求Pr中的最大值;
⑧-8、比较Pr或Pd中的每个矩阵系数与TT的大小,确定Dorg,LR和Ddis,LR中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域,然后根据已确定区域的像素点确定Dorg,LR和Ddis,LR中剩余的每个像素点是否属于边缘区域,以完成区域划分,获得Dorg,LR和Ddis,LR对应的区域划分系数矩阵ZLR;对于Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点,当0<p≤W-2且0<q≤H-2时,判断Pr(p,q)≥TT or Pd(p,q)≥TT是否成立,如果成立,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点均为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1,否则,确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点均为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,当W-2<p≤W且0<q≤H-2时,如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1,当0<p≤W-2且H-2<q≤H时,如果Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,如果Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1,当W-2<p≤W且H-2<q≤H时,如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=0,如果Dorg,LR和Ddis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或Dorg,LR和Ddis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点,则确定Dorg,LR和Ddis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域,并令ZLR中坐标位置为(p,q)处的区域划分系数ZLR(p,q)=1。
采用主观质量评价方法获取失真立体图像集中的每幅失真的立体图像的平均主观评分差值,将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOSj',其中,1≤j'≤J,J表示失真立体图像集中包含的失真的立体图像的幅数,n'表示有效的测试人员数,n'≥1,ri′ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值,ri′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210427390.1A CN102982532B (zh) | 2012-10-31 | 2012-10-31 | 一种基于矩阵分解的立体图像客观质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210427390.1A CN102982532B (zh) | 2012-10-31 | 2012-10-31 | 一种基于矩阵分解的立体图像客观质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102982532A true CN102982532A (zh) | 2013-03-20 |
CN102982532B CN102982532B (zh) | 2015-06-17 |
Family
ID=47856474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210427390.1A Expired - Fee Related CN102982532B (zh) | 2012-10-31 | 2012-10-31 | 一种基于矩阵分解的立体图像客观质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102982532B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103475897A (zh) * | 2013-09-09 | 2013-12-25 | 宁波大学 | 一种基于失真类型判断的自适应图像质量评价方法 |
CN107147906A (zh) * | 2017-06-12 | 2017-09-08 | 中国矿业大学 | 一种虚拟视角合成视频质量的无参考评价方法 |
CN109671044A (zh) * | 2018-12-04 | 2019-04-23 | 重庆邮电大学 | 一种基于可变图像分解的多曝光图像融合方法 |
CN113099117A (zh) * | 2021-04-08 | 2021-07-09 | 巩臣 | 一种基于像素点分辨率变化分析的内源性信号成像技术 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142145A (zh) * | 2011-03-22 | 2011-08-03 | 宁波大学 | 一种基于人眼视觉特性的图像质量客观评价方法 |
CN102547368A (zh) * | 2011-12-16 | 2012-07-04 | 宁波大学 | 一种立体图像质量客观评价方法 |
CN102663747A (zh) * | 2012-03-23 | 2012-09-12 | 宁波大学 | 一种基于视觉感知的立体图像客观质量评价方法 |
-
2012
- 2012-10-31 CN CN201210427390.1A patent/CN102982532B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142145A (zh) * | 2011-03-22 | 2011-08-03 | 宁波大学 | 一种基于人眼视觉特性的图像质量客观评价方法 |
CN102547368A (zh) * | 2011-12-16 | 2012-07-04 | 宁波大学 | 一种立体图像质量客观评价方法 |
CN102663747A (zh) * | 2012-03-23 | 2012-09-12 | 宁波大学 | 一种基于视觉感知的立体图像客观质量评价方法 |
Non-Patent Citations (2)
Title |
---|
WUJIE ZHOU ET AL: "《Research on Stereoscopic Images Quality Assessment Methods》", 《INTERNATIONAL CONFERENCE OF CHINA COMMUNICATION AND INFORMATION TECHNOLOGY》, 1 October 2010 (2010-10-01), pages 273 - 279 * |
顾珊波等: "《一种基于最小可察觉失真的立体图像质量客观评价方法》", 《光电子·激光》, no. 5, 31 May 2012 (2012-05-31), pages 999 - 1004 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103475897A (zh) * | 2013-09-09 | 2013-12-25 | 宁波大学 | 一种基于失真类型判断的自适应图像质量评价方法 |
CN107147906A (zh) * | 2017-06-12 | 2017-09-08 | 中国矿业大学 | 一种虚拟视角合成视频质量的无参考评价方法 |
CN107147906B (zh) * | 2017-06-12 | 2019-04-02 | 中国矿业大学 | 一种虚拟视角合成视频质量的无参考评价方法 |
CN109671044A (zh) * | 2018-12-04 | 2019-04-23 | 重庆邮电大学 | 一种基于可变图像分解的多曝光图像融合方法 |
CN113099117A (zh) * | 2021-04-08 | 2021-07-09 | 巩臣 | 一种基于像素点分辨率变化分析的内源性信号成像技术 |
Also Published As
Publication number | Publication date |
---|---|
CN102982532B (zh) | 2015-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578404B (zh) | 基于视觉显著特征提取的全参考立体图像质量客观评价方法 | |
CN101872479B (zh) | 一种立体图像客观质量评价方法 | |
CN102750695B (zh) | 一种基于机器学习的立体图像质量客观评价方法 | |
CN106462771A (zh) | 一种3d图像的显著性检测方法 | |
CN106650770A (zh) | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 | |
CN102663747B (zh) | 一种基于视觉感知的立体图像客观质量评价方法 | |
CN107578403A (zh) | 基于梯度信息指导双目视图融合的立体图像质量评价方法 | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN109345502B (zh) | 一种基于视差图立体结构信息提取的立体图像质量评价方法 | |
CN104811691B (zh) | 一种基于小波变换的立体视频质量客观评价方法 | |
CN104869421B (zh) | 基于全局运动估计的视频显著性检测方法 | |
CN104954778B (zh) | 一种基于感知特征集的立体图像质量客观评价方法 | |
CN111563418A (zh) | 一种基于注意力机制的非对称多模态融合显著性检测方法 | |
CN105654142B (zh) | 基于自然场景统计的无参考立体图像质量评价方法 | |
CN107392950A (zh) | 一种基于弱纹理检测的跨尺度代价聚合立体匹配方法 | |
CN105049838B (zh) | 一种用于压缩立体视频质量的客观评价方法 | |
WO2021248966A1 (zh) | 点云质量评估方法、编码器、解码器及存储介质 | |
CN104902268B (zh) | 基于局部三元模式的无参考立体图像客观质量评价方法 | |
CN102982532B (zh) | 一种基于矩阵分解的立体图像客观质量评价方法 | |
CN110246111A (zh) | 基于融合图像和强化图像的无参考立体图像质量评价方法 | |
CN105282543A (zh) | 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 | |
CN102708568A (zh) | 一种基于结构失真的立体图像客观质量评价方法 | |
CN104853175B (zh) | 一种新的合成虚拟视点客观质量评价方法 | |
CN104144339B (zh) | 一种基于人眼感知的质降参考立体图像质量客观评价方法 | |
CN103108209B (zh) | 基于视觉阈值与通道融合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: 20150617 Termination date: 20181031 |
|
CF01 | Termination of patent right due to non-payment of annual fee |