发明内容
本发明所要解决的技术问题是提供一种基于单双目特征学习的无参考立体图像质量评价方法,其能够充分考虑到立体视觉感知特性,并采用特征学习方法,从而能够有效地提高客观评价结果与主观感知之间的相关性。
本发明解决上述技术问题所采用的技术方案为:一种基于单双目特征学习的无参考立体图像质量评价方法,其特征在于包括两个阶段,第一个阶段为构造每幅无失真立体图像的单目codebook和双目codebook;第二个阶段为先构造待评价的失真立体图像的左视点codebook、右视点codebook和双目codebook,然后根据所有原始的无失真立体图像的单目codebook和待评价的失真立体图像的左视点codebook、所有原始的无失真立体图像的单目codebook和待评价的失真立体图像的右视点codebook、所有原始的无失真立体图像的双目codebook和待评价的失真立体图像的双目codebook,并利用支持向量回归,获取待评价的失真立体图像的客观质量评价预测值;
其中,所述的第一个阶段的具体步骤如下:
①_1、选取K幅宽度为W且高度为H的原始的无失真立体图像,将第k幅原始的无失真立体图像记为Sorg,k,将Sorg,k的左视点图像和右视点图像对应记为{Lorg,k(x,y)}和{Rorg,k(x,y)},其中,K≥1,1≤k≤K,1≤x≤W,1≤y≤H,Lorg,k(x,y)表示{Lorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值,Rorg,k(x,y)表示{Rorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值;
①_2、对每幅原始的无失真立体图像的左视点图像和右视点图像进行双目融合,得到每幅原始的无失真立体图像的双目融合图像,将Sorg,k的双目融合图像记为{LRorg,k(x,y)},其中,LRorg,k(x,y)表示{LRorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值;
①_3、根据每幅原始的无失真立体图像的左视点图像或右视点图像,并先后采用分裂归一化操作和相成分分析,获得每幅原始的无失真立体图像的单目归一化特征图,将Sorg,k的单目归一化特征图记为{Morg,k(x,y)},其中,Morg,k(x,y)表示{Morg,k(x,y)}中坐标位置为(x,y)的像素点的像素值;
并根据每幅原始的无失真立体图像的双目融合图像,并先后采用分裂归一化操作和相成分分析,获得每幅原始的无失真立体图像的双目融合图像的双目归一化特征图,将{LRorg,k(x,y)}的双目归一化特征图记为{Borg,k(x,y)},其中,Borg,k(x,y)表示{Borg,k(x,y)}中坐标位置为(x,y)的像素点的像素值;
①_4、对每幅原始的无失真立体图像的单目归一化特征图进行聚类操作,得到每幅原始的无失真立体图像的单目归一化特征图的聚类后单目特征图,将{Morg,k(x,y)}的聚类后单目特征图记为{Morg,k,c(x,y)},其中,Morg,k,c(x,y)表示{Morg,k,c(x,y)}中坐标位置为(x,y)的像素点的像素值;
并对每幅原始的无失真立体图像的双目融合图像的双目归一化特征图进行聚类操作,得到每幅原始的无失真立体图像的双目融合图像的双目归一化特征图的聚类后双目特征图,将{Borg,k(x,y)}的聚类后双目特征图记为{Borg,k,c(x,y)},其中,Borg,k,c(x,y)表示{Borg,k,c(x,y)}中坐标位置为(x,y)的像素点的像素值;
①_5、计算每幅原始的无失真立体图像的单目归一化特征图的聚类后单目特征图中的所有像素点的像素值的均值,作为每幅原始的无失真立体图像的单目一阶特征值,将Sorg,k的单目一阶特征值记为μm,org,k;并计算每幅原始的无失真立体图像的单目归一化特征图的聚类后单目特征图中的所有像素点的像素值的方差,作为每幅原始的无失真立体图像的单目二阶特征值,将Sorg,k的单目二阶特征值记为计算每幅原始的无失真立体图像的单目归一化特征图的聚类后单目特征图中的所有像素点的像素值的偏斜度,作为每幅原始的无失真立体图像的单目三阶特征值,将Sorg,k的单目三阶特征值记为γm,org,k;然后将每幅原始的无失真立体图像的单目一阶特征值、单目二阶特征值和单目三阶特征值的组合作为每幅原始的无失真立体图像的单目codebook,将Sorg,k的单目codebook记为
同样,计算每幅原始的无失真立体图像的双目融合图像的双目归一化特征图的聚类后双目特征图中的所有像素点的像素值的均值,作为每幅原始的无失真立体图像的双目一阶特征值,将Sorg,k的双目一阶特征值记为μb,org,k;并计算每幅原始的无失真立体图像的双目融合图像的双目归一化特征图的聚类后双目特征图中的所有像素点的像素值的方差,作为每幅原始的无失真立体图像的双目二阶特征值,将Sorg,k的双目二阶特征值记为计算每幅原始的无失真立体图像的双目融合图像的双目归一化特征图的聚类后双目特征图中的所有像素点的像素值的偏斜度,作为每幅原始的无失真立体图像的双目三阶特征值,将Sorg,k的双目三阶特征值记为γb,org,k;然后将每幅原始的无失真立体图像的双目一阶特征值、双目二阶特征值和双目三阶特征值的组合作为每幅原始的无失真立体图像的双目codebook,将Sorg,k的双目codebook记为
所述的第二个阶段的具体步骤如下:
②_1、将宽度为W且高度为H的待评价的失真立体图像记为Sdis,将Sdis的左视点图像和右视点图像对应记为{Ldis(x,y)}和{Rdis(x,y)},其中,1≤x≤W,1≤y≤H,Ldis(x,y)表示{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值,Rdis(x,y)表示{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值;
②_2、对{Ldis(x,y)}和{Rdis(x,y)}进行双目融合,得到Sdis的双目融合图像,记为{LRdis(x,y)},其中,LRdis(x,y)表示{LRdis(x,y)}中坐标位置为(x,y)的像素点的像素值,其中,对{Ldis(x,y)}和{Rdis(x,y)}进行双目融合所采用的方法与步骤①_2中对每幅原始的无失真立体图像的左视点图像和右视点图像进行双目融合所采用的方法一致;
②_3、根据{Ldis(x,y)},并先后采用分裂归一化操作和相成分分析,获得Sdis的左视点归一化特征图,记为{ML,dis(x,y)},其中,ML,dis(x,y)表示{ML,dis(x,y)}中坐标位置为(x,y)的像素点的像素值;
并根据{Rdis(x,y)},并先后采用分裂归一化操作和相成分分析,获得Sdis的右视点归一化特征图,记为{MR,dis(x,y)},其中,MR,dis(x,y)表示{MR,dis(x,y)}中坐标位置为(x,y)的像素点的像素值;
根据{LRdis(x,y)},并先后采用分裂归一化操作和相成分分析,获得{LRdis(x,y)}的双目归一化特征图,记为{Bdis(x,y)},其中,Bdis(x,y)表示{Bdis(x,y)}中坐标位置为(x,y)的像素点的像素值;
②_4、计算{ML,dis(x,y)}中的所有像素点的像素值的均值,作为Sdis的左视点一阶特征值,记为μm,L,dis;并计算{ML,dis(x,y)}中的所有像素点的像素值的方差,作为Sdis的左视点二阶特征值,记为计算{ML,dis(x,y)}中的所有像素点的像素值的偏斜度,作为Sdis的左视点三阶特征值,记为γm,L,dis;然后将μm,L,dis、和γm,L,dis的组合作为Sdis的左视点codebook,记为
同样,计算{MR,dis(x,y)}中的所有像素点的像素值的均值,作为Sdis的右视点一阶特征值,记为μm,R,dis;并计算{MR,dis(x,y)}中的所有像素点的像素值的方差,作为Sdis的右视点二阶特征值,记为计算{MR,dis(x,y)}中的所有像素点的像素值的偏斜度,作为Sdis的右视点三阶特征值,记为γm,R,dis;然后将μm,R,dis、和γm,R,dis的组合作为Sdis的右视点codebook,记为
计算{Bdis(x,y)}中的所有像素点的像素值的均值,作为Sdis的双目一阶特征值,记为μb,dis;并计算{Bdis(x,y)}中的所有像素点的像素值的方差,作为Sdis的双目二阶特征值,记为计算{Bdis(x,y)}中的所有像素点的像素值的偏斜度,作为Sdis的双目三阶特征值,记为γb,dis;然后将μb,dis、和γb,dis的组合作为Sdis的双目codebook,记为
②_5、根据所有原始的无失真立体图像的单目codebook,以及获取Sdis的左视点一阶统计特征值、左视点二阶统计特征值和左视点三阶统计特征值,对应记为μm,org,L,dis、和γm,org,L,dis,
并根据所有原始的无失真立体图像的单目codebook,以及获取Sdis的右视点一阶统计特征值、右视点二阶统计特征值和右视点三阶统计特征值,对应记为μm,org,R,dis、和γm,org,R,dis,
根据所有原始的无失真立体图像的双目codebook,以及获取Sdis的双目一阶统计特征值、双目二阶统计特征值和双目三阶统计特征值,对应记为μb,org,dis、和γb,org,dis,
②_6、对μm,org,L,dis和μm,org,R,dis进行融合,得到Sdis的融合一阶统计特征值,记为μm,org,LR,dis;并对和进行融合,得到Sdis的融合二阶统计特征值,记为对γm,org,L,dis和γm,org,R,dis进行融合,得到Sdis的融合三阶统计特征值,记为γm,org,LR,dis;
②_7、采用n”幅原始的无失真立体图像,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立体图像,将该失真立体图像集合作为训练集;然后利用主观质量评价方法分别评价出训练集中的每幅失真立体图像的主观评分,将训练集中的第j幅失真立体图像的主观评分记为DMOSj;再按照步骤②_1至步骤②_6的操作,以相同的方式获取训练集中的每幅失真立体图像的融合一阶统计特征值、融合二阶统计特征值、融合三阶统计特征值、双目一阶统计特征值、双目二阶统计特征值和双目三阶统计特征值,将训练集中的第j幅失真立体图像的融合一阶统计特征值、融合二阶统计特征值、融合三阶统计特征值、双目一阶统计特征值、双目二阶统计特征值和双目三阶统计特征值对应记为μm,LR,j、γm,LR,j、μb,j、和γb,j;其中,n”>1,1≤j≤N',N'表示训练集中包含的失真立体图像的总幅数,0≤DMOSj≤100;
②_8、利用支持向量回归对训练集中的所有失真立体图像的主观评分及融合一阶统计特征值、融合二阶统计特征值、融合三阶统计特征值、双目一阶统计特征值、双目二阶统计特征值和双目三阶统计特征值进行训练,使得经过训练得到的回归函数值与主观评分之间的误差最小,拟合得到最优的权值矢量Wopt和最优的偏置项bopt;接着利用Wopt和bopt构造得到支持向量回归训练模型;再根据支持向量回归训练模型,对μm,org,LR,dis、γm,org,LR,dis、μb,org,dis、和γb,org,dis进行测试,预测得到Sdis的客观质量评价预测值,记为Q,Q=f(x),其中,Q是x的函数,f()为函数表示形式,x为输入,x表示μm,org,LR,dis、γm,org,LR,dis、μb,org,dis、和γb,org,dis,(Wopt)T为Wopt的转置矢量,为x的线性函数。
所述的步骤①_2中采用对比度增益控制理论模型对每幅原始的无失真立体图像的左视点图像和右视点图像进行双目融合。
所述的步骤①_4中采用K均值聚类方法对每幅原始的无失真立体图像的单目归一化特征图进行聚类操作,同样采用K均值聚类方法对每幅原始的无失真立体图像的双目融合图像的双目归一化特征图进行聚类操作。
所述的步骤②_6中采用视觉权重模型对μm,org,L,dis和μm,org,R,dis进行融合,同样采用视觉权重模型对和进行融合,采用视觉权重模型对γm,org,L,dis和γm,org,R,dis进行融合。
与现有技术相比,本发明的优点在于:
1)本发明方法利用特征学习方法得到融合一阶统计特征值、融合二阶统计特征值、融合三阶统计特征值、双目一阶统计特征值、双目二阶统计特征值和双目三阶统计特征值,再利用这些特征值来获得待评价的失真立体图像的客观质量评价预测值,由于这些统计特征能很好地反应视觉质量变化情况,因此能够有效地提高客观质量评价预测值与主观感知之间的相关性。
2)本发明方法在训练阶段,采用了高效的机器学习方法即支持向量回归,很好地模拟了人眼视觉特性,因此能够有效地提高客观质量评价预测值与主观感知之间的相关性。
3)本发明方法采用对比度增益控制理论模型对失真立体图像的左视点图像和右视点图像进行融合得到失真立体图像的双目融合图像,很好地模拟了双目视觉融合特性,能有效地提高客观评价结果与主观感知之间的相关性。
4)本发明方法采用了视觉权重模型对左视点一阶统计特征值和右视点一阶统计特征值进行融合、对左视点二阶统计特征值和右视点二阶统计特征值进行融合、对左视点三阶统计特征值和右视点三阶统计特征值进行融合,能进一步有效地提高客观评价结果与主观感知之间的相关性。
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单双目特征学习的无参考立体图像质量评价方法,其总体实现框图如图1所示,其特征在于包括两个阶段,第一个阶段为构造每幅无失真立体图像的单目codebook和双目codebook;第二个阶段为先构造待评价的失真立体图像的左视点codebook、右视点codebook和双目codebook,然后根据所有原始的无失真立体图像的单目codebook和待评价的失真立体图像的左视点codebook、所有原始的无失真立体图像的单目codebook和待评价的失真立体图像的右视点codebook、所有原始的无失真立体图像的双目codebook和待评价的失真立体图像的双目codebook,并利用支持向量回归,获取待评价的失真立体图像的客观质量评价预测值。
其中,所述的第一个阶段的具体步骤如下:
①_1、选取K幅宽度为W且高度为H的原始的无失真立体图像,将第k幅原始的无失真立体图像记为Sorg,k,将Sorg,k的左视点图像和右视点图像对应记为{Lorg,k(x,y)}和{Rorg,k(x,y)},其中,K≥1,在本实施例中取K=100,1≤k≤K,1≤x≤W,1≤y≤H,Lorg,k(x,y)表示{Lorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值,Rorg,k(x,y)表示{Rorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值。
①_2、对每幅原始的无失真立体图像的左视点图像和右视点图像进行双目融合,得到每幅原始的无失真立体图像的双目融合图像,将Sorg,k的双目融合图像记为{LRorg,k(x,y)},{LRorg,k(x,y)}即为对{Lorg,k(x,y)}和{Rorg,k(x,y)}进行双目融合得到,其中,LRorg,k(x,y)表示{LRorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值。
在此具体实施例中,步骤①_2中采用现有的对比度增益控制理论模型(Contrastgain-control model)对每幅原始的无失真立体图像的左视点图像和右视点图像进行双目融合。
①_3、根据每幅原始的无失真立体图像的左视点图像或右视点图像,并先后采用现有的分裂归一化操作(Divisive Normalization Transform,DNT)和现有的相成分分析(Phase Component Analysis,PCA),获得每幅原始的无失真立体图像的单目归一化特征图,将Sorg,k的单目归一化特征图记为{Morg,k(x,y)},其中,Morg,k(x,y)表示{Morg,k(x,y)}中坐标位置为(x,y)的像素点的像素值。
并根据每幅原始的无失真立体图像的双目融合图像,并先后采用现有的分裂归一化操作和现有的相成分分析,获得每幅原始的无失真立体图像的双目融合图像的双目归一化特征图,将{LRorg,k(x,y)}的双目归一化特征图记为{Borg,k(x,y)},其中,Borg,k(x,y)表示{Borg,k(x,y)}中坐标位置为(x,y)的像素点的像素值。
①_4、对每幅原始的无失真立体图像的单目归一化特征图进行聚类操作,得到每幅原始的无失真立体图像的单目归一化特征图的聚类后单目特征图,将{Morg,k(x,y)}的聚类后单目特征图记为{Morg,k,c(x,y)},其中,Morg,k,c(x,y)表示{Morg,k,c(x,y)}中坐标位置为(x,y)的像素点的像素值。
并对每幅原始的无失真立体图像的双目融合图像的双目归一化特征图进行聚类操作,得到每幅原始的无失真立体图像的双目融合图像的双目归一化特征图的聚类后双目特征图,将{Borg,k(x,y)}的聚类后双目特征图记为{Borg,k,c(x,y)},其中,Borg,k,c(x,y)表示{Borg,k,c(x,y)}中坐标位置为(x,y)的像素点的像素值。
在此具体实施例中,步骤①_4中采用现有的K均值聚类方法(K-meaningclustering)对每幅原始的无失真立体图像的单目归一化特征图进行聚类操作,同样采用现有的K均值聚类方法对每幅原始的无失真立体图像的双目融合图像的双目归一化特征图进行聚类操作。
①_5、计算每幅原始的无失真立体图像的单目归一化特征图的聚类后单目特征图中的所有像素点的像素值的均值,作为每幅原始的无失真立体图像的单目一阶特征值,将Sorg,k的单目一阶特征值记为μm,org,k,μm,org,k的值为{Morg,k,c(x,y)}中的所有像素点的像素值的均值;并计算每幅原始的无失真立体图像的单目归一化特征图的聚类后单目特征图中的所有像素点的像素值的方差,作为每幅原始的无失真立体图像的单目二阶特征值,将Sorg,k的单目二阶特征值记为 的值为{Morg,k,c(x,y)}中的所有像素点的像素值的方差;计算每幅原始的无失真立体图像的单目归一化特征图的聚类后单目特征图中的所有像素点的像素值的偏斜度,作为每幅原始的无失真立体图像的单目三阶特征值,将Sorg,k的单目三阶特征值记为γm,org,k,γm,org,k的值为{Morg,k,c(x,y)}中的所有像素点的像素值的偏斜度;然后将每幅原始的无失真立体图像的单目一阶特征值、单目二阶特征值和单目三阶特征值的组合作为每幅原始的无失真立体图像的单目codebook,将Sorg,k的单目codebook记为
同样,计算每幅原始的无失真立体图像的双目融合图像的双目归一化特征图的聚类后双目特征图中的所有像素点的像素值的均值,作为每幅原始的无失真立体图像的双目一阶特征值,将Sorg,k的双目一阶特征值记为μb,org,k,μb,org,k的值为{Borg,k,c(x,y)}中的所有像素点的像素值的均值;并计算每幅原始的无失真立体图像的双目融合图像的双目归一化特征图的聚类后双目特征图中的所有像素点的像素值的方差,作为每幅原始的无失真立体图像的双目二阶特征值,将Sorg,k的双目二阶特征值记为 的值为{Borg,k,c(x,y)}中的所有像素点的像素值的方差;计算每幅原始的无失真立体图像的双目融合图像的双目归一化特征图的聚类后双目特征图中的所有像素点的像素值的偏斜度,作为每幅原始的无失真立体图像的双目三阶特征值,将Sorg,k的双目三阶特征值记为γb,org,k,γb,org,k的值为{Borg,k,c(x,y)}中的所有像素点的像素值的偏斜度;然后将每幅原始的无失真立体图像的双目一阶特征值、双目二阶特征值和双目三阶特征值的组合作为每幅原始的无失真立体图像的双目codebook,将Sorg,k的双目codebook记为
所述的第二个阶段的具体步骤如下:
②_1、将宽度为W且高度为H的待评价的失真立体图像记为Sdis,将Sdis的左视点图像和右视点图像对应记为{Ldis(x,y)}和{Rdis(x,y)},其中,1≤x≤W,1≤y≤H,Ldis(x,y)表示{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值,Rdis(x,y)表示{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值。
②_2、对{Ldis(x,y)}和{Rdis(x,y)}进行双目融合,得到Sdis的双目融合图像,记为{LRdis(x,y)},其中,LRdis(x,y)表示{LRdis(x,y)}中坐标位置为(x,y)的像素点的像素值,其中,对{Ldis(x,y)}和{Rdis(x,y)}进行双目融合所采用的方法与步骤①_2中对每幅原始的无失真立体图像的左视点图像和右视点图像进行双目融合所采用的方法一致。
②_3、根据{Ldis(x,y)},并先后采用现有的分裂归一化操作和现有的相成分分析,获得Sdis的左视点归一化特征图,记为{ML,dis(x,y)},其中,ML,dis(x,y)表示{ML,dis(x,y)}中坐标位置为(x,y)的像素点的像素值。
并根据{Rdis(x,y)},并先后采用现有的分裂归一化操作和现有的相成分分析,获得Sdis的右视点归一化特征图,记为{MR,dis(x,y)},其中,MR,dis(x,y)表示{MR,dis(x,y)}中坐标位置为(x,y)的像素点的像素值。
根据{LRdis(x,y)},并先后采用现有的分裂归一化操作和现有的相成分分析,获得{LRdis(x,y)}的双目归一化特征图,记为{Bdis(x,y)},其中,Bdis(x,y)表示{Bdis(x,y)}中坐标位置为(x,y)的像素点的像素值。
②_4、计算{ML,dis(x,y)}中的所有像素点的像素值的均值,作为Sdis的左视点一阶特征值,记为μm,L,dis;并计算{ML,dis(x,y)}中的所有像素点的像素值的方差,作为Sdis的左视点二阶特征值,记为计算{ML,dis(x,y)}中的所有像素点的像素值的偏斜度,作为Sdis的左视点三阶特征值,记为γm,L,dis;然后将μm,L,dis、和γm,L,dis的组合作为Sdis的左视点codebook,记为
同样,计算{MR,dis(x,y)}中的所有像素点的像素值的均值,作为Sdis的右视点一阶特征值,记为μm,R,dis;并计算{MR,dis(x,y)}中的所有像素点的像素值的方差,作为Sdis的右视点二阶特征值,记为计算{MR,dis(x,y)}中的所有像素点的像素值的偏斜度,作为Sdis的右视点三阶特征值,记为γm,R,dis;然后将μm,R,dis、和γm,R,dis的组合作为Sdis的右视点codebook,记为
计算{Bdis(x,y)}中的所有像素点的像素值的均值,作为Sdis的双目一阶特征值,记为μb,dis;并计算{Bdis(x,y)}中的所有像素点的像素值的方差,作为Sdis的双目二阶特征值,记为计算{Bdis(x,y)}中的所有像素点的像素值的偏斜度,作为Sdis的双目三阶特征值,记为γb,dis;然后将μb,dis、和γb,dis的组合作为Sdis的双目codebook,记为
②_5、根据所有原始的无失真立体图像的单目codebook,以及获取Sdis的左视点一阶统计特征值、左视点二阶统计特征值和左视点三阶统计特征值,对应记为μm,org,L,dis、和γm,org,L,dis,
并根据所有原始的无失真立体图像的单目codebook,以及获取Sdis的右视点一阶统计特征值、右视点二阶统计特征值和右视点三阶统计特征值,对应记为μm,org,R,dis、和γm,org,R,dis,
根据所有原始的无失真立体图像的双目codebook,以及获取Sdis的双目一阶统计特征值、双目二阶统计特征值和双目三阶统计特征值,对应记为μb,org,dis、和γb,org,dis,
②_6、对μm,org,L,dis和μm,org,R,dis进行融合,得到Sdis的融合一阶统计特征值,记为μm,org,LR,dis;并对和进行融合,得到Sdis的融合二阶统计特征值,记为对γm,org,L,dis和γm,org,R,dis进行融合,得到Sdis的融合三阶统计特征值,记为γm,org,LR,dis。
在此具体实施例中,步骤②_6中采用现有的视觉权重模型(Eye-weightingmodel)对μm,org,L,dis和μm,org,R,dis进行融合,同样采用现有的视觉权重模型对和进行融合,采用现有的视觉权重模型对γm,org,L,dis和γm,org,R,dis进行融合。
②_7、采用n”幅原始的无失真立体图像,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立体图像,将该失真立体图像集合作为训练集;然后利用现有的主观质量评价方法分别评价出训练集中的每幅失真立体图像的主观评分,将训练集中的第j幅失真立体图像的主观评分记为DMOSj;再按照步骤②_1至步骤②_6的操作,以相同的方式获取训练集中的每幅失真立体图像的融合一阶统计特征值、融合二阶统计特征值、融合三阶统计特征值、双目一阶统计特征值、双目二阶统计特征值和双目三阶统计特征值,将训练集中的第j幅失真立体图像的融合一阶统计特征值、融合二阶统计特征值、融合三阶统计特征值、双目一阶统计特征值、双目二阶统计特征值和双目三阶统计特征值对应记为μm,LR,j、γm,LR,j、μb,j、和γb,j;其中,n”>1,如取n”=10,1≤j≤N',N'表示训练集中包含的失真立体图像的总幅数,0≤DMOSj≤100。
②_8、支持向量回归(Support Vector Regression,SVR)是基于结构风险最小化准则的新型机器学习方法和统计学理论,其可以有效地抑制过拟合问题,因此本发明利用支持向量回归对训练集中的所有失真立体图像的主观评分及融合一阶统计特征值、融合二阶统计特征值、融合三阶统计特征值、双目一阶统计特征值、双目二阶统计特征值和双目三阶统计特征值进行训练,使得经过训练得到的回归函数值与主观评分之间的误差最小,拟合得到最优的权值矢量Wopt和最优的偏置项bopt;接着利用Wopt和bopt构造得到支持向量回归训练模型;再根据支持向量回归训练模型,对μm,org,LR,dis、γm,org,LR,dis、μb,org,dis、和γb,org,dis进行测试,预测得到Sdis的客观质量评价预测值,记为Q,Q=f(x),其中,Q是x的函数,f()为函数表示形式,x为输入,x表示μm,org,LR,dis、γm,org,LR,dis、μb,org,dis、和γb,org,dis,(Wopt)T为Wopt的转置矢量,为x的线性函数。
为了进一步验证本发明方法的可行性和有效性,进行实验。
在此,采用LIVE立体图像失真库来分析利用本发明方法得到的失真立体图像的客观质量评价预测值与主观评分之间的相关性。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Pearson相关系数(Pearson linearcorrelation coefficient,PLCC)、Spearman相关系数(Spearman rank ordercorrelation coefficient,SROCC)、均方误差(root mean squared error,RMSE),PLCC和RMSE反映失真立体图像的客观质量评价预测值的准确性,SROCC反映其单调性。
利用本发明方法计算LIVE立体图像失真库中的每幅失真立体图像的客观质量评价预测值,再利用现有的主观质量评价方法获得LIVE立体图像失真库中的每幅失真立体图像的主观评分。将按本发明方法计算得到的失真立体图像的客观质量评价预测值做五参数Logistic函数非线性拟合,PLCC和SROCC值越高,RMSE值越低说明客观评价方法的客观评价结果与主观评分之间的相关性越好。反映本发明方法的质量评价性能的PLCC、SROCC和RMSE相关系数如表1所列。从表1所列的数据可知,按本发明方法得到的失真立体图像的客观质量评价预测值与主观评分之间的相关性是很好的,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可行性和有效性。
表1利用本发明方法得到的失真立体图像的客观质量评价预测值与主观评分之间的相关性