CN113256590A - 一种基于Gabor自相似度特征的无参考3D合成图像质量评价方法 - Google Patents
一种基于Gabor自相似度特征的无参考3D合成图像质量评价方法 Download PDFInfo
- Publication number
- CN113256590A CN113256590A CN202110614970.0A CN202110614970A CN113256590A CN 113256590 A CN113256590 A CN 113256590A CN 202110614970 A CN202110614970 A CN 202110614970A CN 113256590 A CN113256590 A CN 113256590A
- Authority
- CN
- China
- Prior art keywords
- image
- gabor
- similarity
- self
- gradient
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于Gabor自相似度特征的无参考3D合成图像质量评价方法,该方法将彩色图像转换成灰度图像后,对灰度图像进行Gabor变换得到不同方向和不同尺度的Gabor滤波系数,再对Gabor滤波系数计算不同尺度下Gabor滤波系数的Gabor自相似度;然后计算失真灰度图像以及各级高斯模糊后的灰度失真图像之间的梯度自相似度,并采用Harr小波变换计算失真灰度图像的图像复杂度;最后融合Gabor自相似度、梯度自相似度和图像复杂度得到总的3D合成图像质量评价结果,该方法计算方便,综合考虑了图像的结构特征、梯度特征和图像复杂度特征,提高了3D合成图像质量评价精度。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种基于Gabor自相似度特征的无参考3D合成图像质量评价方法。
背景技术
随着三维技术的发展,自由视点视频技术在三维电视、虚拟现实和三维视频会议等领域得到广泛应用,自由视点视频技术促进了基于深度图的绘制(Depth-Image BasedRender,DIBR)技术的发展,DIBR技术根据已有的视点图像生成3D合成图像,减少了三维图像和视频的存储和传输数据量。由于不精确的深度图估计、遮挡和合成算法等原因,采用DBIR技术合成的3D合成图像存在着失真,与自然图像失真不同的是,这些失真主要由几何失真构成,传统的图像质量评价方法主要针对自然图像失真进行评价,针对3D合成图像失真效果不佳。因此有必要开发专门针对3D合成图像失真进行评价的图像质量评价方法。
针对3D合成图像质量评价,国内外学者提出了一些方法;Battisti[F.Battisti,E.Bosc,M.Carli,P.Le Callet,and S.Perugia,Objective image quality assessmentof 3D synthesized views,Signal Processing and Image Communication,vol.30,2015.]采用参考图像和失真图像的小波系数统计特征相似度进行3D合成图像质量评价;Sandic-Stankovic[D.Sandic-Stankovic,D.Kukolj,and P.LeCallet,DIBR-synthesizedimage quality assessment based on morpho-logical wavelets,In Proc.IEEEInt.Workshop Quality Multimedia Experience,2015.]采用形态小波分解,并计算参考图像和失真图像分解系数的PSNR(峰值信噪比)进行3D合成图像质量评价;Yue[G.Yue,C.Hou,K.Gu,T.Zhou,and G.Zhai,Combining local and global measures for DIBR-synthesized image quality evaluation,IEEE Transaction on Image Processing,2018.]通过计算遮挡区域中心像素和邻域像素的相似度来衡量几何失真,同时计算失真图像和其下采样图像之间的距离来衡量模糊失真,结合几何失真和模糊失真得到总的客观图像质量评价结果;Gu[K.Gu,V.Jakhetiya,J.F.Qiao,X.Li,W.Lin and D.Thalmann,Model-based referenceless quality metric of 3D synthesized images using local imagedescription,IEEE Transaction on Image Processing,27(1):394-405,2018.]采用自相关模型检测几何失真,并结合视觉显著度进行3D合成图像质量评价。
以上方法在进行3D合成图像质量评价时,只考虑了局部失真,但3D合成图像除了局部失真外,也存在全局结构失真和梯度失真,此外,图像复杂度对3D合成图像质量评价结果也有一定影响,所以这些方法与主观评价结果之间仍存在差距;因此需要一种计算方便和更高图像质量评价精度的基于Gabor自相似度特征的无参考3D合成图像质量评价方法。
发明内容
本发明的目的是提供一种计算方便和图像质量评价精度更高的基于Gabor自相似度特征的无参考3D合成图像质量评价方法。
基于Gabor特征自相似度的无参考3D合成图像质量评价方法,包括:
步骤(1):从输入DBIR失真图像集中输入彩色失真图像,将彩色失真图像转换为灰度失真图像I;
步骤(2):采用不同尺度和不同方向的二维Gabor滤波器对灰度失真图像I进行变换,具体子步骤如下:
步骤(2.1):建立L个二维Gabor滤波器,二维Gabor滤波器有M个尺度和N个方向,因此有L=M×N,其中,M为Gabor滤波器的尺度个数,N为Gabor滤波器的方向个数,L为Gabor滤波器的总个数;
L个二维离散Gabor滤波器的构建公式如下:
x'=x cosθn+y sinθn
y'=y cosθn-x sinθn
其中,x和y分别为像素在图像中的横坐标和纵坐标,m为Gabor滤波器的尺度索引,m=0,1,...,M-1,n为Gabor滤波器的方向索引,n=0,1,...,N-1,θn=2πn/N,θn为第n个方向的角度参数,fm=a-mfmax,fm为第m个尺度的频率参数,其中fmax为最高频率,x'和y'为中间变量,γ为θn角度方向的标准差参数,η为与θn角度垂直方向的标准差参数;
步骤(2.2):用步骤(2.1)构建的L个Gabor滤波器对灰度失真图像I进行滤波,得到Gabor系数G(m,n,x,y),计算公式如下:
其中,I(x,y)为输入灰度失真图像在(x,y)像素处的灰度取值,x和y分别为像素在图像中的横坐标和纵坐标,x=1,2,...,W,y=1,2,...,H,W和H分别为灰度图像I的宽度和高度;f(x,y,fm,θn)为第m个尺度和第n个方向的Gabor滤波器,符号为卷积操作,G(x,y,m,n)为灰度失真图像I经Gabor滤波后得到的Gabor滤波系数,其中0≤m≤M-1,0≤n≤N-1;
步骤(3):计算灰度失真图像I的Gabor自相似度R,计算子步骤如下:
步骤(3.1):计算同一尺度下各个方向的Gabor系数之和,采用公式如下:
其中,B(m,x,y)为第m个尺度(x,y)位置的N个方向的Gabor系数之和;
步骤(3.2):计算相邻尺度下Gabor自相似度,以m尺度和m+1尺度之间的Gabor自相似度计算为例,采用公式如下:
其中,S(m,x,y)为(x,y)像素位置的m尺度和m+1尺度之间的Gabor自相似度,C1为避免分母为0而设的常数;
步骤(3.3):对所有相邻尺度和不同像素位置的Gabor系数相似度求平均,得到总的Gabor自相似度,采用公式如下:
其中,W为灰度图像I的宽度,H为灰度图像I的高度,M为Gabor滤波器的尺度个数,Q(x,y)为(x,y)像素位置的Gabor自相似度,R为灰度失真图像I的总的Gabor自相似度;
步骤(4):对灰度失真图像I计算梯度自相似度P,采用子步骤如下:
步骤(4.1):构建水平梯度算子GH和垂直梯度算子GV;
步骤(4.2):采用水平梯度算子GH和垂直梯度算子GV对灰度失真图像I进行滤波,采用公式如下:
步骤(4.3):计算灰度失真图像I的梯度U,计算公式如下:
步骤(4.4):将灰度失真图像I用高斯算子进行卷积,得到高斯模糊后的图像I1,具体公式如下:
步骤(4.5):同样按步骤(4.1)到步骤(4.3)的方法对高斯模糊后的图像I1计算梯度U1,并计算灰度失真图像I的梯度U和高斯模糊后的图像I1的梯度U1之间的梯度自相似度,计算公式如下:
其中,T1(x,y)为(x,y)像素位置的梯度U和梯度U1之间的梯度自相似度,W和H分别为灰度图像的宽度和高度,C2为避免分母为0而设的常数;
步骤(4.6):对灰度失真图像I按步骤(4.4)的方法进行k次高斯模糊得到图像Ik,对灰度失真图像I按步骤(4.4)的方法进行k+1次高斯模糊得到图像Ik+1,采用与步骤(4.5)类似的方法计算Ik的梯度Uk和高斯模糊后的图像Ik+1的梯度Uk+1之间的梯度自相似度Pk;
步骤(4.7):将步骤(4.6)重复K-1次得到K-1个梯度自相似度Pk,其中求取各个梯度自相似度Pk的均值,得到总的梯度自相似度P,计算公式如下:
其中,K为对图像I进行高斯模糊的总次数,P为总的梯度自相似度;
步骤(5):计算灰度失真图像I的图像复杂度E,具体步骤如下:
步骤(5.1):对灰度失真图像I进行一级Harr小波变换,得到LL、HL、LH和HH四个子带;
步骤(5.2):并计算LH和HL两个子带的平均能量,计算公式如下:
其中,QLH(i,j)为像素(i,j)位置LH子带的Harr小波系数,QHL(i,j)为像素(i,j)位置HL子带的Harr小波系数,W1为LH子带或HL子带的宽度,H1为LH子带或HL子带的高度,其中W1=W/2,H1=H/2,W为灰度图像I的宽度,H为灰度图像I的高度;ELH为LH子带的平均能量,EHL为HL子带的平均能量,E为灰度失真图像I的图像复杂度;
步骤(6):融合步骤(3)得到的Gabor自相似度R和步骤(4)得到的梯度自相似度P,以及步骤(5)得到的图像复杂度E,融合得到总的3D合成图像质量评价结果Z,采用公式如下:
其中,α为Gabor自相似度R的指数,β为梯度自相似度P的指数,λ为图像复杂度Z的指数。
所述C1取值为0.01。
所述C2取值为0.01。
所述高斯滤波器采用的均值为0,方差为1。
所述α取值为0.9,β取值为0.1,λ取值为1。
本发明的有益效果是:该方法采用Gabor变换计算不同尺度下的Gabor自相似度,采用梯度算子计算不同尺度的梯度自相似度,并采用Harr小波变换计算图像复杂度,接着采用Gabor自相似度和梯度自相似度融合得到初步的图像质量评价结果,并采用图像复杂度对初步的图像质量评价结果进行校正,得到最终的图像质量评价结果;该方法计算方便,综合考虑了图像的结构特征、梯度特征和图像复杂度特征,获得的特征更好地反映3D合成失真图像的质量变化情况,提高了3D合成图像质量评价精度。
附图说明
图1为基于Gabor自相似度特征的无参考3D合成图像质量评价方法流程图。
具体实施方式
以下结合附图和具体实施例,对本发明做进一步说明;本发明采用IRCCyN/IVC合成图像数据库作为实验数据库,该数据库包含12幅参考图像和84幅综合图像,所有图像分辨率为1024×768,其中,综合图像由7种不同的DBIR算法生成,同时IRCCyN/IVC数据库提供了每一幅图像的主观查分平均意见分值(DMOS);
基于Gabor自相似度特征的无参考3D合成图像质量评价方法,包括:
步骤(1):从输入IRCCyN/IVC合成图像数据库图像集中输入彩色失真图像,将彩色失真图像转换为灰度失真图像I;
步骤(2):采用不同尺度和不同方向的二维Gabor滤波器对灰度失真图像I进行变换,具体子步骤如下:
步骤(2.1):建立L个二维Gabor滤波器,二维Gabor滤波器有M个尺度和N个方向,因此有L=M×N,其中,M为Gabor滤波器的尺度个数,N为Gabor滤波器的方向个数,L为Gabor滤波器的总个数,N取值为4,M取值为3,L取值为12;
L个二维离散Gabor滤波器的构建公式如下:
x'=x cosθn+y sinθn
y'=y cosθn-x sinθn
其中,x和y分别为像素在图像中的横坐标和纵坐标,m为Gabor滤波器的尺度索引,m=0,1,...,M-1,n为Gabor滤波器的方向索引,n=0,1,...,N-1,θn=2πn/N,θn为第n个方向的角度参数,fm=a-mfmax,fm为第m个尺度的频率参数,其中fmax为最高频率,fmax取值为1,x'和y'为中间变量,γ为θn角度方向的标准差参数,η为与θn角度垂直方向的标准差参数,γ取值为1,η取值为2;
步骤(2.2):用步骤(2.1)构建的L个Gabor滤波器对灰度失真图像I进行滤波,得到Gabor系数G(m,n,x,y),计算公式如下:
其中,I(x,y)为输入灰度失真图像在(x,y)像素处的灰度取值,x和y分别为像素在图像中的横坐标和纵坐标,x=1,2,...,W,y=1,2,...,H,W和H分别为灰度图像I的宽度和高度;f(x,y,fm,θn)为第m个尺度和第n个方向的Gabor滤波器,符号为卷积操作,G(x,y,m,n)为灰度失真图像I经Gabor滤波后得到的Gabor滤波系数,其中0≤m≤M-1,0≤n≤N-1;
步骤(3):计算灰度失真图像I的Gabor自相似度R,计算子步骤如下:
步骤(3.1):计算同一尺度下各个方向的Gabor系数之和,采用公式如下:
其中,K(m,x,y)为第m个尺度(x,y)位置的N个方向的Gabor系数之和;
步骤(3.2):计算相邻尺度下Gabor自相似度,以m尺度和m+1尺度之间的Gabor自相似度计算为例,采用公式如下:
其中,S(m,x,y)为(x,y)像素位置的m尺度和m+1尺度之间的Gabor自相似度,C1为避免分母为0而设的常数,C1取值为0.01;
步骤(3.3):对所有相邻尺度和不同像素位置的Gabor系数相似度求平均,得到总的Gabor自相似度,采用公式如下:
其中,W为灰度图像I的宽度,H为灰度图像I的高度,M为Gabor滤波器的尺度个数,Q(x,y)为(x,y)像素位置的Gabor相似度,R为灰度失真图像I的总的Gabor自相似度;
步骤(4):对灰度失真图像I计算梯度自相似度P,采用子步骤如下:
步骤(4.1):构建水平梯度算子GH和垂直梯度算子GV;
步骤(4.2):采用水平梯度算子GH和垂直梯度算子GV对灰度失真图像I进行滤波,采用公式如下:
步骤(4.3):计算灰度失真图像I的梯度U,计算公式如下:
步骤(4.4):将灰度失真图像I用高斯算子进行卷积,得到高斯模糊后的图像I1,具体公式如下:
步骤(4.5):同样按步骤(4.1)到步骤(4.3)的方法对高斯模糊后的图像I1计算梯度U1,并计算灰度失真图像I的梯度U和高斯模糊后的图像I1的梯度U1之间的梯度自相似度,计算公式如下:
其中,T1(x,y)为(x,y)像素位置的梯度U和梯度U1之间的梯度自相似度,W和H分别为灰度图像的宽度和高度,C2为避免分母为0而设的常数,C2取值为0.01;
步骤(4.6):对灰度失真图像I按步骤(4.4)的方法进行k次高斯模糊得到图像Ik,对灰度失真图像I按步骤(4.4)的方法进行k+1次高斯模糊得到图像Ik+1,采用与步骤(4.5)类似的方法计算Ik的梯度Uk和高斯模糊后的图像Ik+1的梯度Uk+1之间的梯度自相似度Pk;
步骤(4.7):将步骤(4.6)重复K-1次得到K-1个梯度自相似度Pk,其中求取各个梯度自相似度Pk的均值,得到总的梯度自相似度P,计算公式如下:
其中,K为对图像I进行高斯模糊的总次数,K取值为4,P为总的梯度自相似度;
步骤(5):计算灰度失真图像I的图像复杂度E,具体步骤如下:
步骤(5.1):对灰度失真图像I进行一级Harr小波变换,得到LL、HL、LH和HH四个子带;
步骤(5.2):并计算LH和HL两个子带的平均能量,计算公式如下:
其中,QLH(i,j)为像素(i,j)位置LH子带的Harr小波系数,QHL(i,j)为像素(i,j)位置HL子带的Harr小波系数,W1为LH子带或HL子带的宽度,H1为LH子带或HL子带的高度,其中W1=W/2,H1=H/2,W为灰度图像I的宽度,H为灰度图像I的高度;ELH为LH子带的平均能量,EHL为HL子带的平均能量,E为灰度失真图像I的图像复杂度;
步骤(6):融合步骤(3)得到的Gabor自相似度R和步骤(4)得到的梯度自相似度P,以及步骤(5)得到的图像复杂度E,得到总的3D合成图像质量评价结果Z,采用公式如下:
其中,α为Gabor自相似度R的指数,β为梯度自相似度P的指数,λ为图像复杂度E的指数,其中α取值为0.9,β取值为0.1,λ取值为1。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.基于Gabor自相似度特征的无参考3D合成图像质量评价方法,其特征在于,包括:
步骤(1):从输入3D合成图像失真图像集中输入彩色失真图像,将彩色失真图像转换为灰度失真图像I;
步骤(2):采用不同尺度和不同方向的二维Gabor滤波器对灰度失真图像I进行变换,具体子步骤如下:
步骤(2.1):建立L个二维Gabor滤波器,二维Gabor滤波器有M个尺度和N个方向,因此有L=M×N,其中,M为Gabor滤波器的尺度个数,N为Gabor滤波器的方向个数,L为Gabor滤波器的总个数;
L个二维离散Gabor滤波器的构建公式如下:
x'=x cosθn+y sinθn
y'=y cosθn-x sinθn
其中,x和y分别为像素在图像中的横坐标和纵坐标,m为Gabor滤波器的尺度索引,m=0,1,...,M-1,n为Gabor滤波器的方向索引,n=0,1,...,N-1,θn=2πn/N,θn为第n个方向的角度参数,fm=a-mfmax,fm为第m个尺度的频率参数,其中fmax为最高频率,x'和y'为中间变量,γ为θn角度方向的标准差参数,η为与θn角度垂直方向的标准差参数;
步骤(2.2):用步骤(2.1)构建的L个Gabor滤波器对灰度失真图像I进行滤波,得到Gabor系数G(m,n,x,y),计算公式如下:
其中,I(x,y)为输入灰度失真图像在(x,y)像素处的灰度取值,x和y分别为像素在图像中的横坐标和纵坐标,x=1,2,...,W,y=1,2,...,H,W和H分别为灰度图像I的宽度和高度;f(x,y,fm,θn)为第m个尺度和第n个方向的Gabor滤波器,符号为卷积操作,G(x,y,m,n)为灰度失真图像I经Gabor滤波后得到的Gabor滤波系数,其中0≤m≤M-1,0≤n≤N-1;
步骤(3):计算灰度失真图像I的Gabor自相似度R,计算子步骤如下:
步骤(3.1):计算同一尺度下各个方向的Gabor系数之和,采用公式如下:
其中,B(m,x,y)为第m个尺度(x,y)位置的N个方向的Gabor系数之和;
步骤(3.2):计算相邻尺度下的Gabor自相似度,以m尺度和m+1尺度之间的Gabor自相似度计算为例,采用公式如下:
其中,S(m,x,y)为(x,y)像素位置的m尺度和m+1尺度之间的Gabor自相似度,C1为避免分母为0而设的常数;
步骤(3.3):对所有相邻尺度和不同像素位置的Gabor系数相似度求平均,得到总的Gabor自相似度,采用公式如下:
其中,W为灰度图像I的宽度,H为灰度图像I的高度,M为Gabor滤波器的尺度个数,Q(x,y)为(x,y)像素位置的Gabor相似度,R为灰度失真图像I的总的Gabor自相似度;
步骤(4):对灰度失真图像I计算梯度自相似度P,采用子步骤如下:
步骤(4.1):构建水平梯度算子GH和垂直梯度算子GV;
步骤(4.2):采用水平梯度算子GH和垂直梯度算子GV对灰度失真图像I进行滤波,采用公式如下:
步骤(4.3):计算灰度失真图像I的梯度U,计算公式如下:
步骤(4.4):将灰度失真图像I用高斯算子进行卷积,得到高斯模糊后的图像I1,具体公式如下:
步骤(4.5):同样按步骤(4.1)到步骤(4.3)的方法对高斯模糊后的图像I1计算梯度U1,并计算灰度失真图像I的梯度U和高斯模糊后的图像I1的梯度U1之间的梯度自相似度,计算公式如下:
其中,T1(x,y)为(x,y)像素位置的梯度U和梯度U1之间的梯度自相似度,W和H分别为灰度图像的宽度和高度,C2为避免分母为0而设的常数;
步骤(4.6):对灰度失真图像I按步骤(4.4)的方法进行k次高斯模糊得到图像Ik,对灰度失真图像I按步骤(4.4)的方法进行k+1次高斯模糊得到图像Ik+1,采用与步骤(4.5)类似的方法计算Ik的梯度Uk和高斯模糊后的图像Ik+1的梯度Uk+1之间的梯度自相似度Pk;
步骤(4.7):将步骤(4.6)重复K-1次得到K-1个梯度自相似度Pk,其中求取各个梯度自相似度Pk的均值,得到总的梯度自相似度P,计算公式如下:
其中,K为对图像I进行高斯模糊的总次数,P为总的梯度自相似度;
步骤(5):计算灰度失真图像I的图像复杂度E,具体步骤如下:
步骤(5.1):对灰度失真图像I进行一级Harr小波变换,得到LL(低频)、HL(水平高频)、LH(垂直高频)和HH(对角高频)四个子带;
步骤(5.2):并计算LH和HL两个子带的平均能量,计算公式如下:
其中,QLH(i,j)为像素(i,j)位置LH子带的Harr小波系数,QHL(i,j)为像素(i,j)位置HL子带的Harr小波系数,W1为LH子带或HL子带的宽度,H1为LH子带或HL子带的高度,其中W1=W/2,H1=H/2,W为灰度图像I的宽度,H为灰度图像I的高度;ELH为LH子带的平均能量,EHL为HL子带的平均能量,E为灰度失真图像I的图像复杂度;
步骤(6):融合步骤(3)得到的Gabor自相似度R和步骤(4)得到的梯度自相似度P,以及步骤(5)得到的图像复杂度E,融合得到总的3D合成图像质量评价结果Z,采用公式如下:
其中,α为Gabor自相似度R的指数,β为梯度自相似度P的指数,λ为图像复杂度E的指数。
2.根据权利要求1所述的基于Gabor自相似度特征的无参考3D合成图像质量评价方法,其特征在于,所述C1取值为0.01。
3.根据权利要求1所述的基于Gabor自相似度特征的无参考3D合成图像质量评价方法,其特征在于,所述C2取值为0.01。
4.根据权利要求1所述的基于Gabor自相似度特征的无参考3D合成图像质量评价方法,其特征在于,所述高斯滤波器采用的均值为0,方差为1。
5.根据权利要求1所述的基于Gabor自相似度特征的无参考3D合成图像质量评价方法,其特征在于,所述α取值为0.9,β取值为0.1,λ取值为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110614970.0A CN113256590A (zh) | 2021-06-02 | 2021-06-02 | 一种基于Gabor自相似度特征的无参考3D合成图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110614970.0A CN113256590A (zh) | 2021-06-02 | 2021-06-02 | 一种基于Gabor自相似度特征的无参考3D合成图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256590A true CN113256590A (zh) | 2021-08-13 |
Family
ID=77186093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110614970.0A Withdrawn CN113256590A (zh) | 2021-06-02 | 2021-06-02 | 一种基于Gabor自相似度特征的无参考3D合成图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256590A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763380A (zh) * | 2021-09-29 | 2021-12-07 | 江苏信息职业技术学院 | 基于矢量梯度的无参考图像清晰度评价方法 |
-
2021
- 2021-06-02 CN CN202110614970.0A patent/CN113256590A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763380A (zh) * | 2021-09-29 | 2021-12-07 | 江苏信息职业技术学院 | 基于矢量梯度的无参考图像清晰度评价方法 |
CN113763380B (zh) * | 2021-09-29 | 2023-05-02 | 江苏信息职业技术学院 | 基于矢量梯度的无参考图像清晰度评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767251B (zh) | 基于多尺度细节特征融合神经网络的图像超分辨率方法 | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN102136144B (zh) | 图像配准可靠性模型和超分辨率图像的重构方法 | |
CN106169174B (zh) | 一种图像放大方法 | |
CN104504676A (zh) | 一种多视觉敏感特征相似度的全参考图像质量评价方法 | |
CN104881847A (zh) | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 | |
Bhataria et al. | A review of image fusion techniques | |
CN113256590A (zh) | 一种基于Gabor自相似度特征的无参考3D合成图像质量评价方法 | |
CN103903239B (zh) | 一种视频超分辨率重建方法及其系统 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
CN105303544A (zh) | 一种基于最小边界距离的视频拼接方法 | |
CN116109520B (zh) | 一种基于光线追踪算法的深度图像优化方法 | |
CN102769745B (zh) | 插值依赖的图像自适应下采样方法 | |
CN109801273B (zh) | 一种基于极平面线性相似度的光场图像质量评价方法 | |
CN113298891A (zh) | 基于四元数小波变换的全参考3d合成图像质量评价方法 | |
CN107767342B (zh) | 一种基于积分平差模型的小波变换超分辨率图像重建方法 | |
CN108921785B (zh) | 基于小波包的超分辨率重建方法 | |
CN108416770B (zh) | 一种基于视觉显著性的图像质量评价方法 | |
CN102831583B (zh) | 基于分形分析的图像视频超分辨率与增强方法 | |
CN113506212B (zh) | 一种改进的基于pocs的高光谱图像超分辨率重建方法 | |
CN115631223A (zh) | 基于自适应学习和聚合的多视图立体重建方法 | |
CN108776958A (zh) | 混合降质图像的图像质量评价方法和装置 | |
CN111524104B (zh) | 基于多尺度轮廓波特征的全参考光场图像质量评价方法 | |
Zhu et al. | A novel method for quality assessment of image stitching based on the Gabor filtering | |
CN112927169A (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210813 |