一種基于雙目競爭的全盲立體圖像質量評價方法
【技術領域】
[0001] 本發(fā)明涉及一種立體圖像質量評價方法，尤其是涉及一種基于雙目競爭的全盲立 體圖像質量評價方法。
【背景技術】
[0002] 進入二十一世紀以來，隨著立體圖像/視頻系統(tǒng)處理技術的日趨成熟，以及計算 機網(wǎng)絡與通信技術的快速發(fā)展，已引起人們對立體圖像/視頻系統(tǒng)的強烈需求。相比傳統(tǒng) 的單視點圖像/視頻系統(tǒng)，立體圖像/視頻系統(tǒng)由于能夠提供深度信息來增強視覺的真實 感，給用戶以身臨其境的全新視覺體驗而越來越受到人們的歡迎，已被認為是下一代媒體 主要的發(fā)展方向，已引發(fā)了學術界、產(chǎn)業(yè)界的廣泛關注。然而，人們?yōu)榱双@得更好的立體臨 場感和視覺體驗，對立體視覺主觀感知質量提出了更高的要求。在立體圖像/視頻系統(tǒng)中， 采集、編碼、傳輸、解碼及顯示等處理環(huán)節(jié)都會引入一定失真，這些失真將對立體視覺主觀 感知質量產(chǎn)生不同程度的影響，因此如何有效地進行無參考質量評價是亟需解決的難點問 題。綜上，評價立體圖像質量，并建立與主觀質量評價相一致的客觀評價模型顯得尤為重 要。
[0003] 目前，研究人員提出了不少針對單視點圖像質量的無參考評價方法，然而由于缺 乏系統(tǒng)理論深入研究立體視覺感知特性，因此還沒有有效地無參考立體圖像質量評價方 法?，F(xiàn)有的無參考立體圖像質量評價方法主要是通過機器學習來預測立體圖像質量，不僅 計算復雜度較高，而且需要測試數(shù)據(jù)庫（包括大量不同失真類型的失真立體圖像及相應的 主觀評價值），使得該無參考立體圖像質量評價方法并不適用于實際的應用場合，存在一定 的局限性。因此，如何在評價過程中根據(jù)立體視覺感知特性有效地提取特征信息，使得客觀 評價結果更加符合人類視覺感知系統(tǒng)；以及如何在無參考模型構建中采用全盲方法；都是 在無參考質量評價研究中需要重點解決的技術問題。

【發(fā)明內容】

[0004] 本發(fā)明所要解決的技術問題是提供一種基于雙目競爭的全盲立體圖像質量評價 方法，其能夠充分考慮到立體視覺感知特性，從而能夠有效地提高客觀評價結果與主觀感 知之間的相關性。
[0005] 本發(fā)明解決上述技術問題所采用的技術方案為：一種基于雙目競爭的全盲立體圖 像質量評價方法，其特征在于包括訓練階段和測試階段；
[0006] 所述的訓練階段包括以下步驟：
[0007] ①-1、選取K幅原始的無失真立體圖像，將第k幅原始的無失真立體圖像的左視 點圖像和右視點圖像對應記為隊。1^〇11，11)}和隊。 1^(111，11)}，其中，1(彡1，1彡1^彡1(， (m,n)表示原始的無失真立體圖像中的像素點的坐標位置，1彡m彡M，1彡n彡N，M表示 原始的無失真立體圖像的寬度，N表示原始的無失真立體圖像的高度，SkiOTgiJm，n)表示 {StOTg』(m，n)}中坐標位置為（m，n)的像素點的像素值，Sk^R(m，n)表示{Sk^R(m，n)}中 坐標位置為（m，n)的像素點的像素值；
[0008] ①-2、對每幅原始的無失真立體圖像的左視點圖像實施1 〇g-Gabor濾波，得到 每幅原始的無失真立體圖像的左視點圖像的幅值圖像，將{Stc]^(m，n)}的幅值圖像記為 {]\^。1^(111，11)}，其中，]^。 1^(111，11)表示{]^。1^(111，11)}中坐標位置為（111，11)的像素點的像素 值；
[0009] 同樣，對每幅原始的無失真立體圖像的右視點圖像實施Iog-Gabor濾波，得到每 幅原始的無失真立體圖像的右視點圖像的幅值圖像，將{StOT&R(m，n)}的幅值圖像記為 {MkiOTgiR(m，n)}，其中，MkiOTgiR(m，n)表示{MkiOTgiR(m，n)}中坐標位置為（m，n)的像素點的像素 值；
[0010] ①_3、將每幅原始的無失真立體圖像的左視點圖像的幅值圖像劃分成
像的左視點圖像的幅值圖像中的每個子塊的能量、方差和熵，將(m，n)}中坐標位置 為（1，」）的子塊的能量、方差和熵對應記為\。1^(1，」）、\。1^(1，」）和\。 1^(1，」）；
[0011] 同樣，將每幅原始的無失真立體圖像的右視點圖像的幅值圖像劃分成
像的右視點圖像的幅值圖像中的每個子塊的能量、方差和熵，將{MkiOTgiR(m，n)}中坐標位置 為（i，j)的子塊的能量、方差和熵對應記為Ek,"g,R(i，j)、\OTg,R(i，j)和1。^(1，j);
"L」"為向下取整符號；
[0013] ①-4、計算每幅原始的無失真立體圖像的左視點圖像的幅 值圖像中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子 塊的雙目競爭能量，將{MkiOTg4(m，n)}中坐標位置為（i，j)的子塊與 iMk,OTg,R (m,n)}中坐標位置為（i,j)的子塊的雙目競爭能量記為Ek,OTg,B (i,j)，
[0014] 并，計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像 中的每個子塊與右視點圖像的幅值圖像中坐標位置相同的子塊的雙目競 爭方差，將{Mk,OTgi(m，n)}中坐標位置為（i，j)的子塊與{Mk,OTg,R(m，n)} 中坐標位置為（i，j)的子塊的雙目競爭方差記為Vk,OTg,B(i，j)，
[0015] 計算每幅原始的無失真立體圖像的左視點圖像的幅值圖像中的每個子塊與右視 點圖像的幅值圖像中坐標位置相同的子塊的雙目競爭熵，將{Mtc]^(m，n)}中坐標位置為 (i，j)的子塊與{Mk,OTg,R(m，n)}中坐標位置為（i,j)的子塊的雙目競爭熵記為Qk,OTg,B(i，j)，
[0016] ①-5、將所有原始的無失真立體圖像的左視點圖像的幅值圖像與右視點圖像的幅 值圖像中所有坐標位置對應的子塊的雙目競爭能量的均值、雙目競爭方差的均值及雙目競 爭熵的均值作為輸入?yún)?shù)，輸入到高斯分布模型中，得到所有原始的無失真立體圖像對應 的無失真高斯分布模型；
[0017] 所述的測試階段包括以下步驟：
[0018] ②-1、對于任意一幅尺寸大小與選取的原始的無失真立體圖像的尺寸大小一致的 失真立體圖像，將該失真立體圖像作為待評價的失真立體圖像，將待評價的失真立體圖像 的左視點圖像和右視點圖像對應記為{3^〇11，11)}和隊 1;^(111，11)}，其中，5^(111，11)表示 {Sdls,L(m，n)}中坐標位置為（m，n)的像素點的像素值，Sdls,R(m，n)表示{Sdls,R(m，n)}中坐標 位置為（m，n)的像素點的像素值；
[0019] ②_2、對{Sdis』(m,n)}實施Iog-Gabor濾波，得到{Sdis』(m，n)}的幅值圖像，記為 {]?^(111，11)}，其中，]^1;^(111，11)表示{]^ 1;^(111，11)}中坐標位置為（111，11)的像素點的像素值；
[0020] 同樣，對{Sdis,R (m,n)}實施Iog-Gabor濾波，得到{Sdis,R (m,n)}的幅值圖像，記為 {]^1;^(111，11)}，其中，]^1;^(111，11)表示{]^ 1;^(111，11)}中坐標位置為（111，11)的像素點的像素值；
塊；然后計算{Md^(m，n)}中的每個子塊的能量、方差和熵，將{Md^(m，n)}中坐標位置為 (1，」）的子塊的能量、方差和熵對應記為￡^(1，」）、丨1;^(1，」）和％1;^(1，」）；
塊；然后計算{MdlSiR(m，n)}中的每個子塊的能量、方差和熵，將{MdlSiR(m，n)}中坐標位置為 (i，j)的子塊的能量、方差和熵對應記為Edls,R(i，j)、Vdls,R(i，j)和Qdls,R(i，j);
[0023] ②-4、計算{Mdis,L(m，n)}中的每個子塊與{Mdis,R(m，n)}中坐標位 置相同的子塊的雙目競爭能量，將{M^(m，n)}中坐標位置為（i，j)的子塊 與iMdis,R (m,n)}中坐標位置為（i,j)的子塊的雙目競爭能量記為Edis,B (i,j)，
[0024] 并，計算{Mdls,t(m，n)}中的每個子塊與{Mdls,R(m，n)}中坐標位置 相同的子塊的雙目競爭方差，將{Mdm(m，n)}中坐標位置為（i，j)的子塊 與iMdis,R (m,n)}中坐標位置為（i,j)的子塊的雙目競爭方差記為Vdis,B (i,j)，
[0025] 計算{Mdls』(m，n)}中的每個子塊與{Mdls,R(m，n)}中坐標位置 相同的子塊的雙目競爭熵，將{Mu(m，n)}中坐標位置為（i，j)的子塊 與iMdis,R(m，n)}中坐標位置為（i,j)的子塊的雙目競爭熵記為Qdis,B(i，j)，
[0026] ②-5、將{Mdls』(m，n)}與{Mdls,R (m，n)}中所有坐標位置對應的子塊的雙目競爭能 量的均值、雙目競爭方差的均值和雙目競爭熵的均值作為輸入?yún)?shù)，輸入到高斯分布模型 中，得到待評價的失真立體圖像對應的失真高斯分布模型；
[0027] ②-6、采用馬氏距離公式衡量步驟①-5得到的所有原始的無失真立體圖像對應 的無失真高斯分布模型與步驟②-5得到的待評價的失真立體圖像對應的失真高斯分布模 型之間的誤差，將衡量得到的誤差作為待評價的失真立體圖像的圖像質量客觀評價預測 值。
[0028] 所述的步驟①-3和所述的步驟②-3中mb的取值范圍為[16,M]，nb的取值范圍 為[16，N]。
[0029] 與現(xiàn)有技術相比，本發(fā)明的優(yōu)點在于：
[0030] 1)本發(fā)明方法由于充分利用了雙目競爭的特性，即獲取了左視點圖像和右視點 圖像各自的幅值圖像中坐標位置相對應的子塊