CN112165615B - 一种立体图像观看舒适性客观评价方法 - Google Patents
一种立体图像观看舒适性客观评价方法 Download PDFInfo
- Publication number
- CN112165615B CN112165615B CN202011072094.5A CN202011072094A CN112165615B CN 112165615 B CN112165615 B CN 112165615B CN 202011072094 A CN202011072094 A CN 202011072094A CN 112165615 B CN112165615 B CN 112165615B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- comfort
- extracting
- stereo image
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
- H04N13/106—Processing image signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N2013/0074—Stereoscopic image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种立体图像观看舒适性客观评价方法,其特征在于:首先,提取立体图像的感兴趣区域;然后,分析感兴趣区域图像,获取各种特征;有效提取各特征信息,采用ε‑SVR支持向量回归模型,确立核函数;最后选取标准立体图像库训练并测试模型,实现舒适性评价;其引入立体视觉舒适度的多种影响因素,采用机器学习方法实现立体图像的舒适度评价,从而避免了主观方法中大量人力、物力、时间的消耗,实现了更为准确的自动评价;并充分考虑深度、图像等各方面信息的影响,基于视差角、宽度角、区域对比度、空间频率、以及亮度色度饱和度等多种特征训练SVR模型,实现了立体图像舒适度客观评价。
Description
技术领域
本发明涉及一种立体图像观看舒适性客观评价方法,属于图像信号处理技术领域。
背景技术
3D立体显示越来越流行,它可以提供比传统2D视频更加炫酷刺激的观看体验。然而,立体画面在为观众带来具有临场感和真实感的视觉体验的同时,常常会给观看者带来一些不舒服的观赏感受,如头晕、头疼、眼睛干涩和疲劳等,甚至会产生恶心反胃等强烈反应。因此,为了提升立体视频的观看体验效果,对立体视频进行舒适度评价是必要的。
目前,立体视频评价方法主要包括主观评价方法和客观评价方法两种。主观评价方法需要专业的评价环境,且耗费人力、时间资源,无法自动执行。鉴于此,研究人员研究并提出了许多客观评价方法,以期在没有人参与下自动地评价3D图像的舒适情况。现有研究表明:前景对象的刺激宽度、双目视差数值、图像的组成要素(亮度、色度、对比度、饱和度)等均会对视觉舒适度产生影响,而仅基于一种或几种特定特征进行分析,会导致客观舒适性评价效果不佳。立体图像的观看舒适性程度是多维因素综合影响的结果,仅考虑某一个特定方面,基于几个特定因素进行舒适性评价,并不能满足舒适度评价的需求,也会导致舒适度评价效果不佳。
发明内容
本发明的目的在于提供一种立体图像观看舒适性客观评价方法,其引入立体视觉舒适度的多种影响因素,采用机器学习方法实现立体图像的舒适度评价,从而避免了主观方法中大量人力、物力、时间的消耗,实现了更为准确的自动评价;并充分考虑深度、图像等各方面信息的影响,基于视差角、宽度角、区域对比度、空间频率、以及亮度色度饱和度等多种特征训练SVR模型,实现了立体图像舒适度客观评价。
本发明的技术方案是这样实现的:一种立体图像观看舒适性客观评价方法,其特征在于:首先,提取立体图像的感兴趣区域;然后,分析感兴趣区域图像,获取各种特征;有效提取各特征信息,采用ε-SVR支持向量回归模型,确立核函数;最后选取标准立体图像库训练并测试模型,实现舒适性评价;其具体步骤如下:
步骤1:计算左右眼图像的视差图DR(x,y);
步骤2:采用GBVS显著性检测算法以右眼图像为主视眼提取显著区域,得到显著图ISR(x,y),结合视差图计算立体显著图IIS(x,y),对立体显著图进行阈值T分割,得到掩膜图IM(x,y),其中,α1,α2为系数,且α1+α2=1;
IIS(x,y)=α1ISR(x,y)+α2DR(x,y)
步骤3:将掩膜图与右眼图像相乘得到立体图像感兴趣区域of;
步骤4:提取感兴趣区域的舒适度影响特征,包括如下子步骤:
步骤401:通过下面公式计算感兴趣区域的平均视差值Dmean与平均视差角dθ:
其中,d(x,y)为视差图中(x,y)处的视差值,|of|表示感兴趣区域内像素总数,k为放映放大率,D表示视差,L为观看立体图像时距屏幕的距离;
步骤402:提取前景区域宽度Wmean与宽度角Wθ,公式如下:
步骤403:根据水平方向和垂直方向的空间频率Rf、Cf,按照下面公式计算图像空间频率v,其中,M和N为图像的宽和高,I(x,y)为图像(x,y)点的像素值;
步骤404:通过下面公式计算图像视角β,得到归一化的空间频率f,其中r表示栅条与人眼的距离,S为光栅图像宽度;
步骤405:按下面公式计算基于空间加权的区域对比度其中,dr(r1,r2)为区域r1和区域r2的空间颜色距离,f(c1,i)表示第i个颜色c1,i在第1个区域r1的所有颜色n1中出现的概率,f(c2,j)表示第j个颜色c2,j在第2个区域r2的所有颜色n2中出现的概率,d(c1,i,c2,j)表示区域1中的i个颜色与区域2中第j个颜色在Lab空间内的颜色距离,Sr(ri,rj)表示区域ri与区域rj之间的空间距离,γ0用于控制空间权值的强度;
步骤406:提取亮度V、色度H、饱和度特征S,公式如下:
V=max(R',G',B')
其中,R'、G'、B'为红、绿、蓝三个颜色通道分量的归一化值;
步骤407:计算左右眼视图显著区域的亮度差异Δv(x,y),色度差异Δh(x,y),饱和度差异Δs(x,y),公式如下,其中,vL(x,y)表示左眼图像的亮度特征,vR(x,y)表示右眼图像的亮度特征,hL(x,y)表示左眼图像的色度特征,hR(x,y)表示右眼图像的色度特征,sL(x,y)表示左眼图像的饱和度,sR(x,y)表示右眼图像的饱和度;
Δv(x,y)=|vL(x,y)-vR(x,y)|
Δh(x,y)=|hL(x,y)-hR(x,y)|
Δs(x,y)=|sL(x,y)-sR(x,y)|
步骤5:采用ε-SVR支持向量回归模型建立预测函数f(X),其定义形式如下:
本发明的积极效果是:充分分析立体图像深度、自身特性相关信息,提取感兴趣区域的各项深度特征、图像空间频域特征、对比度特征、以及左右眼视图的亮度、色度、饱和度差异等,基于支持向量回归模型实现了立体图像的舒适性客观评价;避免了人工舒适性评价实施所需的人力、时间、资源成本,同时了改善了基于单一或几种特征进行评价建模的效果不佳问题,得到了更为接近标准MOS值的预测结果。
附图说明
图1(a)为原始图像右眼图像,图1(b)为提取的感兴趣区域。
图2为空间频率归一化计算示意图。
图3为实验用标准立体图像数据集的部分图像数据。
图4为模型预测值与标准主观MOS值的关系。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明;如图1-4所示,一种立体图像观看舒适性客观评价方法,完成立体图像舒适度客观评价,具体步骤如下:
步骤1:计算左右眼图像的视差图DR(x,y);
步骤2:立体图像的右眼图像如图1(a)所示,用GBVS显著性检测算法为其提取显著区域,得到显著图ISR(x,y),结合视差图计算立体显著图IIS(x,y),对立体显著图进行阈值T分割,得到掩膜图IM(x,y),式中α1+α2=1,这里取α1=α2=0.5;
IIS(x,y)=α1ISR(x,y)+α2DR(x,y)
步骤3:将掩膜图与右眼图像相乘得到立体图像感兴趣区域of,如图1(b)所示;
步骤4:提取感兴趣区域的舒适度影响特征,包括如下子步骤:
步骤401:通过下面公式计算感兴趣区域的平均视差值Dmean与平均视差角dθ:
其中,d(x,y)为视差图中(x,y)处的视差值,|of|表示感兴趣区域内像素总数,k为放映放大率,D表示视差,L为观看立体图像时距屏幕的距离;
步骤402:提取前景区域宽度Wmean与宽度角Wθ,公式如下:
步骤403:根据水平方向和垂直方向的空间频率Rf、Cf,按照下面公式计算图像空间频率v,其中,M和N为图像的宽和高,I(x,y)为图像(x,y)点的像素值;
步骤404:通过下面公式计算图像视角β,得到归一化的空间频率f,其中r表示栅条与人眼的距离,此处取值r=4S,S为光栅图像宽度,如图2所示;
步骤405:按下面公式计算基于空间加权的区域对比度其中,dr(r1,r2)为区域r1和区域r2的空间颜色距离,f(c1,i)表示第i个颜色c1,i在第1个区域r1的所有颜色n1中出现的概率,f(c2,j)表示第j个颜色c2,j在第2个区域r2的所有颜色n2中出现的概率,d(c1,i,c2,j)表示区域1中的i个颜色与区域2中第j个颜色在Lab空间内的颜色距离,Sr(ri,rj)表示区域ri与区域rj之间的空间距离,γ0用于控制空间权值的强度;此处取值γ0 2=0.4;
步骤406:提取亮度V、色度H、饱和度特征S,公式如下:
V=max(R',G',B')
其中,R'、G'、B'为红、绿、蓝三个颜色通道分量的归一化值;
步骤407:计算左右眼视图显著区域的亮度差异Δv(x,y),色度差异Δh(x,y),饱和度差异Δs(x,y),公式如下,其中,vL(x,y)表示左眼图像的亮度特征,vR(x,y)表示右眼图像的亮度特征,hL(x,y)表示左眼图像的色度特征,hR(x,y)表示右眼图像的色度特征,sL(x,y)表示左眼图像的饱和度,sR(x,y)表示右眼图像的饱和度;
Δv(x,y)=|vL(x,y)-vR(x,y)|
Δh(x,y)=|hL(x,y)-hR(x,y)|
Δs(x,y)=|sL(x,y)-sR(x,y)|
步骤5:采用ε-SVR支持向量回归模型建立预测函数f(X),其定义形式如下:
步骤6:选取IVY数据集,部分图像如图3所示,提取的每幅立体图像对的感知特征并进行归一化处理,同样将其标准MOS值进行归一化处理,选取数据集中80%的图像用来训练,剩余20%用作测试,基于预测函数进行模型训练,从而实现舒适性预测,对结果反归一化处理得到舒适度预测值,模型预测值与主观评价值的关系如图4所示。
Claims (1)
1.一种立体图像观看舒适性客观评价方法,其特征在于:首先,提取立体图像的感兴趣区域;然后,分析感兴趣区域图像,获取各种特征;有效提取各特征信息,采用ε-SVR支持向量回归模型,确立核函数;最后选取标准立体图像库训练并测试模型,实现舒适性评价;其具体步骤如下:
步骤1:计算左右眼图像的视差图DR(x,y);
步骤2:采用GBVS显著性检测算法以右眼图像为主视眼提取显著区域,得到显著图ISR(x,y),结合视差图计算立体显著图IIS(x,y),对立体显著图进行阈值T分割,得到掩膜图IM(x,y),其中,α1,α2为系数,且α1+α2=1;
IIS(x,y)=α1ISR(x,y)+α2DR(x,y)
步骤3:将掩膜图与右眼图像相乘得到立体图像感兴趣区域of;
步骤4:提取感兴趣区域的舒适度影响特征,包括如下子步骤:
步骤401:通过下面公式计算感兴趣区域的平均视差值Dmean与平均视差角dθ:
其中,d(x,y)为视差图中(x,y)处的视差值,|of|表示感兴趣区域内像素总数,k为放映放大率,D表示视差,L为观看立体图像时距屏幕的距离;
步骤402:提取前景区域宽度Wmean与宽度角Wθ,公式如下:
步骤403:根据水平方向和垂直方向的空间频率Rf、Cf,按照下面公式计算图像空间频率v,其中,M和N为图像的宽和高,I(x,y)为图像(x,y)点的像素值;
步骤404:通过下面公式计算图像视角β,得到归一化的空间频率f,其中r表示栅条与人眼的距离,S为光栅图像宽度;
步骤405:按下面公式计算基于空间加权的区域对比度其中,dr(r1,r2)为区域r1和区域r2的空间颜色距离,f(c1,i)表示第i个颜色c1,i在第1个区域r1的所有颜色n1中出现的概率,f(c2,j)表示第j个颜色c2,j在第2个区域r2的所有颜色n2中出现的概率,d(c1,i,c2,j)表示区域1中的i个颜色与区域2中第j个颜色在Lab空间内的颜色距离,Sr(ri,rj)表示区域ri与区域rj之间的空间距离,γ0用于控制空间权值的强度;
步骤406:提取亮度V、色度H、饱和度特征S,公式如下:
V=max(R',G',B')
其中,R'、G'、B'为红、绿、蓝三个颜色通道分量的归一化值;
步骤407:计算左右眼视图显著区域的亮度差异Δv(x,y),色度差异Δh(x,y),饱和度差异Δs(x,y),公式如下,其中,vL(x,y)表示左眼图像的亮度特征,vR(x,y)表示右眼图像的亮度特征,hL(x,y)表示左眼图像的色度特征,hR(x,y)表示右眼图像的色度特征,sL(x,y)表示左眼图像的饱和度,sR(x,y)表示右眼图像的饱和度;
Δv(x,y)=|vL(x,y)-vR(x,y)|
Δh(x,y)=|hL(x,y)-hR(x,y)|
Δs(x,y)=|sL(x,y)-sR(x,y)|
步骤5:采用ε-SVR支持向量回归模型建立预测函数f(X),其定义形式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072094.5A CN112165615B (zh) | 2020-10-09 | 2020-10-09 | 一种立体图像观看舒适性客观评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072094.5A CN112165615B (zh) | 2020-10-09 | 2020-10-09 | 一种立体图像观看舒适性客观评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112165615A CN112165615A (zh) | 2021-01-01 |
CN112165615B true CN112165615B (zh) | 2023-03-24 |
Family
ID=73866386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011072094.5A Active CN112165615B (zh) | 2020-10-09 | 2020-10-09 | 一种立体图像观看舒适性客观评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112165615B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104469355A (zh) * | 2014-12-11 | 2015-03-25 | 西安电子科技大学 | 基于显著自适应的视觉舒适预测及非线性映射的视觉舒适增强方法 |
CN104811693A (zh) * | 2015-04-14 | 2015-07-29 | 宁波大学 | 一种立体图像视觉舒适度客观评价方法 |
CN109167988A (zh) * | 2018-08-29 | 2019-01-08 | 长春理工大学 | 一种基于d+w模型和对比度的立体图像视觉舒适度评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015162718A (ja) * | 2014-02-26 | 2015-09-07 | ソニー株式会社 | 画像処理方法、画像処理装置及び電子機器 |
-
2020
- 2020-10-09 CN CN202011072094.5A patent/CN112165615B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104469355A (zh) * | 2014-12-11 | 2015-03-25 | 西安电子科技大学 | 基于显著自适应的视觉舒适预测及非线性映射的视觉舒适增强方法 |
CN104811693A (zh) * | 2015-04-14 | 2015-07-29 | 宁波大学 | 一种立体图像视觉舒适度客观评价方法 |
CN109167988A (zh) * | 2018-08-29 | 2019-01-08 | 长春理工大学 | 一种基于d+w模型和对比度的立体图像视觉舒适度评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112165615A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | CID: IQ–a new image quality database | |
US8488868B2 (en) | Generation of a depth map from a monoscopic color image for rendering stereoscopic still and video images | |
US8953874B2 (en) | Conversion of monoscopic visual content using image-depth database | |
TWI524734B (zh) | 產生深度圖的方法及裝置 | |
CN101699512B (zh) | 一种基于背景差异抠图和稀疏光流法的深度的生成方法 | |
CN102215423B (zh) | 用于测量视听参数的方法和设备 | |
CN102595185B (zh) | 一种立体图像质量客观评价方法 | |
JP2015156607A (ja) | 画像処理装置、画像処理装置、及び電子機器 | |
US9467677B2 (en) | Image processing method, image processing device, and electronic apparatus | |
CN103096106A (zh) | 图像处理设备和方法 | |
CN106875389B (zh) | 基于运动显著性的立体视频质量评价方法 | |
CN103780895B (zh) | 一种立体视频质量评价方法 | |
US10277877B2 (en) | 3D system including a neural network | |
CN110706196B (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
CN106886992A (zh) | 一种基于饱和度的彩色多曝光融合图像的质量评价方法 | |
JP2015095779A (ja) | 画像処理装置、画像処理方法及び電子機器 | |
CN111641822A (zh) | 一种重定位立体图像质量评价方法 | |
Opozda et al. | The survey of subjective and objective methods for quality assessment of 2D and 3D images | |
Yasakethu et al. | Predicting sensation of depth in 3D video | |
Wan et al. | Depth perception assessment of 3D videos based on stereoscopic and spatial orientation structural features | |
CN109167988B (zh) | 一种基于d+w模型和对比度的立体图像视觉舒适度评价方法 | |
CN112165615B (zh) | 一种立体图像观看舒适性客观评价方法 | |
CN110060291B (zh) | 一种考虑人因的立体视在距离解算方法 | |
US8295539B2 (en) | Method and system of immersive sensation enhancement for video sequence displaying | |
Liu et al. | Comfort evaluation of stereo images based on machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |