專利名稱：一種立體圖像質(zhì)量客觀評(píng)價(jià)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像質(zhì)量評(píng)價(jià)方法，尤其是涉及一種立體圖像質(zhì)量客觀評(píng)價(jià)方法。
背景技術(shù)：
隨著圖像編碼技術(shù)和立體顯示技術(shù)的迅速發(fā)展，立體圖像技術(shù)受到了越來越廣泛的關(guān)注與應(yīng)用，已成為當(dāng)前的一個(gè)研究熱點(diǎn)。立體圖像技術(shù)利用人眼的雙目視差原理，雙目各自獨(dú)立地接收來自同一場(chǎng)景的左右視點(diǎn)圖像，通過大腦融合形成雙目視差，從而欣賞到具有深度感和逼真感的立體圖像。由于采集系統(tǒng)、存儲(chǔ)壓縮及傳輸設(shè)備的影響，立體圖像會(huì)不可避免地引入一系列的失真，而與單通道圖像相比，立體圖像需要同時(shí)保證兩個(gè)通道的圖像質(zhì)量，對(duì)其進(jìn)行質(zhì)量評(píng)價(jià)具有非常重要的意義。然而，目前對(duì)立體圖像質(zhì)量缺乏有效的客觀評(píng)價(jià)方法進(jìn)行評(píng)價(jià)。因此，建立有效的立體圖像質(zhì)量客觀評(píng)價(jià)模型具有十分重要的意義。立體圖像質(zhì)量客觀評(píng)價(jià)方法主要可以分為兩類1)基于立體感知的左右通道圖像質(zhì)量評(píng)價(jià)，立體感知評(píng)價(jià)通過視差或深度信息來反映，然而由于目前視差/深度估計(jì)技術(shù)的局限，如何有效地對(duì)深度圖像或視差圖像質(zhì)量進(jìn)行評(píng)價(jià)以真實(shí)地表征立體感知特性， 仍然是立體圖像質(zhì)量客觀評(píng)價(jià)中的難點(diǎn)問題之一；幻將平面圖像質(zhì)量評(píng)價(jià)方法直接應(yīng)用于評(píng)價(jià)立體圖像質(zhì)量，然而對(duì)立體圖像的左右視點(diǎn)圖像進(jìn)行融合產(chǎn)生立體感的過程還難以用簡(jiǎn)單的數(shù)學(xué)方法來表示，并且左右視點(diǎn)圖像之間還存在相互影響，對(duì)左右視點(diǎn)圖像進(jìn)行簡(jiǎn)單線性加權(quán)難以有效地評(píng)價(jià)立體圖像質(zhì)量。因此，研究符合人類視覺特性的立體圖像質(zhì)量客觀評(píng)價(jià)方法是一個(gè)重要的研究問題。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種能夠有效提高客觀評(píng)價(jià)結(jié)果與主觀感知的相關(guān)性的立體圖像質(zhì)量客觀評(píng)價(jià)方法。本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為一種立體圖像質(zhì)量客觀評(píng)價(jià)方法，其特征在于包括以下步驟①令S g為原始的無失真的立體圖像，令為待評(píng)價(jià)的失真的立體圖像，將Stffg 的左視點(diǎn)圖像記為L(zhǎng) g，將Stffg的右視點(diǎn)圖像記為Rwg，將的左視點(diǎn)圖像記為L(zhǎng)dis，將Sis 的右視點(diǎn)圖像記為I^dis ；②對(duì)L g、Rorg> Ldis和I dis4幅圖像分別實(shí)施奇異值分解，分別得到L g、Rorg> Ldis和 Rdis4幅圖像各自對(duì)應(yīng)的奇異值矢量，將Ltffg的奇異值矢量記為Tt，將Rtffg的奇異值矢量記為^，將Ldis的奇異值矢量記為Il5，將Iidis的奇異值矢量記為TjL，其中，各個(gè)奇異值矢量的維數(shù)為m，m = min(M, N),min()為取最小值函數(shù)，M表示圖像的水平尺寸大小，N表示圖像的垂直尺寸大小；③計(jì)算Ltffg的奇異值矢量??；^與Ldis的奇異值矢量Ti的絕對(duì)差矢量，記為XSXi = Kirg-Til，將浐作為L(zhǎng)dis的特征矢量，計(jì)算R g的奇異值矢量Τ:與Iidis的奇異值矢量 TjL的絕對(duì)差矢量，記為xW =I1^-τΙ|，將Xe作為I^dis的特征矢量，其中，“ I I ”為取絕對(duì)值符號(hào)；④對(duì)Ldis的特征矢量X1和Iidis的特征矢量Xk進(jìn)行線性加權(quán)，得到的特征矢量， 記為X，X = IXSwkXk，其中，ι表示Ldis的權(quán)值比重，Wk表示Iidis的權(quán)值比重，= 1 ；⑤采用η幅無失真的立體圖像，建立其在不同失真類型不同失真程度下的失真立體圖像集合，該失真立體圖像集合包括多幅失真的立體圖像，利用主觀質(zhì)量評(píng)價(jià)方法分別獲取失真立體圖像集合中每幅失真的立體圖像的平均主觀評(píng)分差值，記為DMOS，DMOS = 100-M0S，其中，MOS表示主觀評(píng)分均值，DMOS e
，η彡1 ；⑥采用與計(jì)算Sdis的特征矢量X相同的方法，分別計(jì)算失真立體圖像集合中每幅失真的立體圖像的特征矢量，對(duì)于失真立體圖像集合中第i幅失真的立體圖像的特征矢量，將其記為&，其中，Ki Sn'，Π'表示失真立體圖像集合中包含的失真的立體圖像的幅數(shù)；⑦采用支持向量回歸對(duì)失真立體圖像集合中相同失真類型的所有的失真的立體圖像的特征矢量進(jìn)行訓(xùn)練，并利用訓(xùn)練得到的支持向量回歸訓(xùn)練模型對(duì)同一失真類型的每幅失真的立體圖像進(jìn)行測(cè)試，計(jì)算得到失真立體圖像集合中相同失真類型的每幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值，對(duì)于失真立體圖像集合中第i幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值，將其記為Qi,Qi = f(Xi)，f()為函數(shù)表示形式，Qi = f(Xi)表示Qi SXi的函數(shù)。所述的步驟②的具體過程為②-1、將尺寸大小為MXN的L g表示為MXN維的二維矩陣，記為，通過奇異值分解將MXN維的二維矩陣《表示為=U:StgCC)T，其中，U:表示MXM維的正交矩陣， V^表示NXN維的正交矩陣，OCg)T表示的轉(zhuǎn)置矩陣，8=表示MXN維的對(duì)角矩陣；②-2、將MXN維的對(duì)角矩陣8二的對(duì)角元素作為MXN維的二維矩陣I二的奇異值， 從MXN維的二維矩陣1=的奇異值中取出m個(gè)非零的奇異值構(gòu)成L g的奇異值矢量，記為 Torg，其中，m = min(M, N)，min()為取最小值函數(shù)；②-3、對(duì)R g、Ldis和Iidis采用與步驟②-1至②-2相同的操作，獲取R g、Ldis和Iidis 的奇異值矢量，分別記為1二、Tj^nTi。所述的步驟⑦的具體過程為⑦-1、將失真立體圖像集合中同一失真類型的所有的失真的立體圖像分成互不相交的5組子集，任意選擇其中的4組子集構(gòu)成訓(xùn)練樣本數(shù)據(jù)集合，記為Qti，{Xk， DMOSJ e Ω ^，其中，q表示訓(xùn)練樣本數(shù)據(jù)集合Ω ^中包含的失真的立體圖像的幅數(shù)，&表示訓(xùn)練樣本數(shù)據(jù)集合Qti中第k幅失真的立體圖像的特征矢量，DM0&表示訓(xùn)練樣本數(shù)據(jù)集合 Ω ,中第k幅失真的立體圖像的平均主觀評(píng)分差值，l^k^q；@_2、構(gòu)造)(1;的回歸函數(shù)€0(1;)，/(\)=評(píng)>(\) + 6，其中彳()為函數(shù)表示形式， W為權(quán)重矢量，Wt為W的轉(zhuǎn)置矩陣，b為偏置項(xiàng)，樹Xi)表示訓(xùn)練樣本數(shù)據(jù)集合Qtl中第k幅
失真的立體圖像的特征矢量灶的線性函數(shù)，樹XJ = I^(XitA)，D (Xk，X1)為支持向量回
6歸中的核函數(shù)，X/) = exp(-^fe"X/H ), 為訓(xùn)練樣本數(shù)據(jù)集合Qtl中第1幅失真的
f
立體圖像的特征矢量，Y為核參數(shù)，用于反映輸入樣本值的范圍，樣本值的范圍越大，Y值也就越大，exp()表示以e為底的指數(shù)函數(shù)，e = 2. 71828183，“ | | | | ”為求歐式距離符號(hào)；⑦_(dá)3、采用支持向量回歸對(duì)訓(xùn)練樣本數(shù)據(jù)集合Qti中所有的失真的立體圖像的特征矢量進(jìn)行訓(xùn)練，使得經(jīng)過訓(xùn)練得到的回歸函數(shù)值與平均主觀評(píng)分差值之間的誤差最小，擬合得到最優(yōu)的權(quán)重矢量w°pt和最優(yōu)的偏置項(xiàng)b°pt，將最優(yōu)的權(quán)重矢量w°pt和
最優(yōu)的偏置項(xiàng)b_的組合記為，) = argminJ(/(XJ-Z)MO^)2，利
(w 力)εΨ k=l
用得到的最優(yōu)的權(quán)重矢量w°pt和最優(yōu)的偏置項(xiàng)b°pt構(gòu)造支持向量回歸訓(xùn)練模型，記為 =+ ，其中，Ψ表示對(duì)訓(xùn)練樣本數(shù)據(jù)集合Qti中所有的失真的立體圖
像的特征矢量進(jìn)行訓(xùn)練的所有的權(quán)重矢量和偏置項(xiàng)的組合的集合，ai^minL ]表示最小化概
率密度函數(shù)，Xinp表示支持向量回歸訓(xùn)練模型的輸入矢量，(w°pt)T為w°pt的轉(zhuǎn)置矩陣表示支持向量回歸訓(xùn)練模型的輸入矢量)(inp的線性函數(shù)；⑦_(dá)4、根據(jù)支持向量回歸訓(xùn)練模型，對(duì)剩余1組子集中的每幅失真的立體圖像進(jìn)行測(cè)試，預(yù)測(cè)得到該組子集中每幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值，對(duì)于該組子集中第j幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值，將其記為Qj, Qj = f(Xj), /(X」= (Wl^X)+ V，其中，Xj表示該組子集中第j幅失真的立體圖像的特征矢量， 識(shí)(X7)表示該組子集中第j幅失真的立體圖像的線性函數(shù)；⑦_(dá)5、根據(jù)步驟⑦-1至⑦-4的過程，分別對(duì)失真立體圖像集合中不同失真類型的所有的失真的立體圖像進(jìn)行訓(xùn)練，得到失真立體圖像集合中每幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值。所述的步驟⑥中在計(jì)算JPEG壓縮失真的立體圖像的特征矢量過程中，取ι = 0. 50，wE = 0. 50 ；在計(jì)算JPEG2000壓縮失真的立體圖像的特征矢量過程中，取^ = 0. 15， wE = 0. 85 ；在計(jì)算高斯模糊失真的立體圖像的特征矢量過程中，取& = 0. 10，wE = 0. 90 ； 在計(jì)算白噪聲失真的立體圖像的特征矢量過程中，取Wl = 0. 20，wE = 0. 80 ；在計(jì)算H. 264 編碼失真的立體圖像的特征矢量過程中，取I = 0. 10，wE = 0. 90。與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于1)本發(fā)明方法通過支持向量回歸將立體圖像的特征矢量映射到一個(gè)高維特征空間中，再在高維特征空間中進(jìn)行線性估計(jì)，構(gòu)造最優(yōu)回歸函數(shù)對(duì)立體圖像的特征矢量進(jìn)行測(cè)試，避免了對(duì)人類視覺系統(tǒng)的相關(guān)特性與機(jī)理的復(fù)雜模擬過程，并且由于訓(xùn)練樣本和測(cè)試樣本是相互獨(dú)立的，可以避免測(cè)試結(jié)果對(duì)訓(xùn)練數(shù)據(jù)的過度依賴，從而能有效提高客觀評(píng)價(jià)結(jié)果與主觀感知的相關(guān)性。2)本發(fā)明方法采用奇異值分解法獲取立體圖像的左視點(diǎn)圖像和右視點(diǎn)圖像的特征矢量，再根據(jù)立體圖像的不同失真類型情況，采用不同的權(quán)值比重對(duì)其左視點(diǎn)圖像和右視點(diǎn)圖像的特征矢量進(jìn)行線性加權(quán)，獲得立體圖像的特征矢量信息，獲得的立體圖像的特征矢量信息具有較強(qiáng)的穩(wěn)定性且能夠較好地反映立體圖像的質(zhì)量變化情況，能夠很好地反映人眼的立體視覺掩蔽效應(yīng)。


圖1為本發(fā)明方法的總體實(shí)現(xiàn)框圖；圖加為Akko (尺寸為640 X 480)立體圖像的左視點(diǎn)圖像；圖2b為Akko (尺寸為640X480)立體圖像的右視點(diǎn)圖像；圖3a為Altmoabit (尺寸為10 X 768)立體圖像的左視點(diǎn)圖像；圖3b為Altmoabit (尺寸為10 X 768)立體圖像的右視點(diǎn)圖像；圖乜為Balloons(尺寸為10MX768)立體圖像的左視點(diǎn)圖像；圖4b為Balloons(尺寸為10MX768)立體圖像的右視點(diǎn)圖像；圖5a為Doorflower (尺寸為10 X 768)立體圖像的左視點(diǎn)圖像；圖5b為Doorflower (尺寸為10 X 768)立體圖像的右視點(diǎn)圖像；圖6a為Kendo (尺寸為10 X 768)立體圖像的左視點(diǎn)圖像；圖6b為Kendo (尺寸為10 X 768)立體圖像的右視點(diǎn)圖像；圖7a為L(zhǎng)eaveLaptop (尺寸為IOMX 768)立體圖像的左視點(diǎn)圖像；圖7b為L(zhǎng)eaveLaptop (尺寸為IOMX 768)立體圖像的右視點(diǎn)圖像；圖8a為L(zhǎng)ovebierdl (尺寸為0 X 768)立體圖像的左視點(diǎn)圖像；圖8b為L(zhǎng)ovebierl(尺寸為10 X 768)立體圖像的右視點(diǎn)圖像；圖9a為Newspaper (尺寸為10 X 768)立體圖像的左視點(diǎn)圖像；圖9b為Newspaper (尺寸為10 X 768)立體圖像的右視點(diǎn)圖像；圖IOa為尺寸為720X480)立體圖像的左視點(diǎn)圖像；圖IOb為尺寸為720X480)立體圖像的右視點(diǎn)圖像；圖Ila為Soccer2(尺寸為720X480)立體圖像的左視點(diǎn)圖像；圖lib為Soccer2(尺寸為720X480)立體圖像的右視點(diǎn)圖像；圖12a為Horse (尺寸為720X480)立體圖像的左視點(diǎn)圖像；圖12b為Horse (尺寸為720X480)立體圖像的右視點(diǎn)圖像；圖13a為Xmas (尺寸為640X480)立體圖像的左視點(diǎn)圖像；圖13b為Xmas (尺寸為640X480)立體圖像的右視點(diǎn)圖像；圖14為失真立體圖像集合中各個(gè)失真的立體圖像的客觀圖像質(zhì)量評(píng)價(jià)預(yù)測(cè)值與平均主觀評(píng)分差值的散點(diǎn)圖。
具體實(shí)施例方式以下結(jié)合附圖實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。本發(fā)明提出的一種立體圖像質(zhì)量客觀評(píng)價(jià)方法，其總體實(shí)現(xiàn)框圖如圖1所示，其主要包括以下步驟①令S g為原始的無失真的立體圖像，令為待評(píng)價(jià)的失真的立體圖像，將Stffg 的左視點(diǎn)圖像記為L(zhǎng) g，將Stffg的右視點(diǎn)圖像記為Rwg，將的左視點(diǎn)圖像記為L(zhǎng)dis，將Sis 的右視點(diǎn)圖像記為&is。②對(duì)L g、Rorg> Ldis和I dis4幅圖像分別實(shí)施奇異值分解，分別得到L g、Rorg> Ldis和 Rdis4幅圖像各自對(duì)應(yīng)的奇異值矢量，將Ltffg的奇異值矢量記為Tt，將Rtffg的奇異值矢量記為Kg，將Ldis的奇異值矢量記為Il5，將Iidis的奇異值矢量記為TjL，其中，各個(gè)奇異值矢量的維數(shù)為m，m = min(M, N),min()為取最小值函數(shù)，M表示圖像的水平尺寸大小，N表示圖像的垂直尺寸大小。在本實(shí)施例中，步驟②的具體過程為②-1、將尺寸大小為MXN的L g表示為MXN維的二維矩陣，記為I二，通過奇異值分解將MXN維的二維矩陣《表示為Itg =UtgStg(tg)T，其中，U二表示MXM維的正交矩陣， Vt^表示NXN維的正交矩陣，(V:g)T表示的轉(zhuǎn)置矩陣，8=表示MXN維的對(duì)角矩陣；②-2、將MXN維的對(duì)角矩陣8二的對(duì)角元素作為MXN維的二維矩陣I二的奇異值， 從MXN維的二維矩陣1=的奇異值中取出m個(gè)非零的奇異值構(gòu)成L g的奇異值矢量，記為 Torg，其中，m = min(M, N)，min()為取最小值函數(shù)；②-3、對(duì)R g、Ldis和Iidis采用與步驟②-1至②-2相同的操作，獲取R g、Ldis和Iidis 的奇異值矢量，分別記為1二、Tj^nTi。③計(jì)算Ltffg的奇異值矢量！；^與Ldis的奇異值矢量Ti的絕對(duì)差矢量，記為XS Xi = Kirg-Til，將浐作為L(zhǎng)dis的特征矢量，計(jì)算R g的奇異值矢量Τ:與Iidis的奇異值矢量
TjL的絕對(duì)差矢量，記為χκ，χΛ =In-TlI，將Xe作為I^dis的特征矢量，其中，“ 11 ”為取絕對(duì)值符號(hào)。④對(duì)Ldis的特征矢量X1和Iidis的特征矢量Xk進(jìn)行線性加權(quán)，得到的特征矢量， 記為X，X = IXSWkXk，其中，ι表示Ldis的權(quán)值比重，Wk表示Iidis的權(quán)值比重，= 1。⑤采用η幅無失真的立體圖像，建立其在不同失真類型不同失真程度下的失真立體圖像集合，該失真立體圖像集合包括多幅失真的立體圖像，利用現(xiàn)有的主觀質(zhì)量評(píng)價(jià)方法分別獲取失真立體圖像集合中每幅失真的立體圖像的平均主觀評(píng)分差值，記為DM0S， DMOS = 100-M0S，其中，MOS 表示主觀評(píng)分均值，DMOS e
，η 彡 1。在本實(shí)施例中，利用如圖加和圖2b構(gòu)成的立體圖像、圖3a和圖北構(gòu)成的立體圖像、圖如和圖4b構(gòu)成的立體圖像、圖和圖恥構(gòu)成的立體圖像、圖6a和圖6b構(gòu)成的立體圖像、圖7a和圖7b構(gòu)成的立體圖像、圖8a和圖8b構(gòu)成的立體圖像、圖9a和圖9b構(gòu)成的立體圖像、圖IOa和圖IOb構(gòu)成的立體圖像、圖Ila和圖lib構(gòu)成的立體圖像、圖1 和圖12b構(gòu)成的立體圖像、圖13a和圖1 構(gòu)成的立體圖像共12幅(n = 12)無失真的立體圖像建立了其在不同失真類型不同失真程度下的失真立體圖像集合，該失真立體圖像集合共包括5種失真類型的312幅失真的立體圖像，其中JPEG壓縮的失真的立體圖像共60幅， JPEG2000壓縮的失真的立體圖像共60幅，高斯模糊(Gaussian Blur)的失真的立體圖像共 60幅，白噪聲(White Noise)的失真的立體圖像共60幅，H. 264編碼的失真的立體圖像共 72巾畐。⑥采用與計(jì)算的特征矢量X相同的方法，分別計(jì)算失真立體圖像集合中每幅失真的立體圖像的特征矢量，對(duì)于失真立體圖像集合中第i幅失真的立體圖像的特征矢量，將其記為&，其中，1≤i ≤n'，η'表示失真立體圖像集合中包含的失真的立體圖像的幅數(shù)。在此具體實(shí)施例中，根據(jù)人眼對(duì)不同失真類型的立體視覺掩蔽效應(yīng)不一致的特性，對(duì)不同失真類型的立體圖像的左視點(diǎn)圖像和右視點(diǎn)圖像設(shè)置不同的權(quán)值比重，在計(jì)算 JPEG壓縮失真的立體圖像的特征矢量過程中，取Wl = 0. 50, We = 0. 50 ；在計(jì)算JPEG2000壓縮失真的立體圖像的特征矢量過程中，取I = 0. 15，wE = 0. 85 ；在計(jì)算高斯模糊失真的立體圖像的特征矢量過程中，取I = 0. 10，wE = 0. 90 ；在計(jì)算白噪聲失真的立體圖像的特征矢量過程中，取W = 0. 20，wE = 0. 80 ；在計(jì)算H. 264編碼失真的立體圖像的特征矢量過程中，取 wL = 0. 10, wE = 0. 90。⑦由于失真的立體圖像的特征矢量為高維空間矢量，需要在高維空間中構(gòu)造線性決策函數(shù)來實(shí)現(xiàn)原空間中的非線性決策函數(shù)，支持向量回歸(Support Vector Regression, SVR)是一種比較好的實(shí)現(xiàn)非線性高維空間轉(zhuǎn)換的方法。采用支持向量回歸對(duì)失真立體圖像集合中相同失真類型的所有的失真的立體圖像的特征矢量進(jìn)行訓(xùn)練，并利用訓(xùn)練得到的支持向量回歸訓(xùn)練模型對(duì)同一失真類型的每幅失真的立體圖像進(jìn)行測(cè)試，計(jì)算得到失真立體圖像集合中相同失真類型的每幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值，對(duì)于失真立體圖像集合中第i幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值，將其記為Qi, Qi = f (Xi)^fO為函數(shù)表示形式，Qi = f(Xi)表示Qi SXi的函數(shù)。在此具體實(shí)施例中，步驟⑦的具體過程為⑦-1、將失真立體圖像集合中同一失真類型的所有的失真的立體圖像分成互不相交的5組子集，任意選擇其中的4組子集構(gòu)成訓(xùn)練樣本數(shù)據(jù)集合，記為Qti，{Xk， DMOSJ e Ω ^，其中，q表示訓(xùn)練樣本數(shù)據(jù)集合Ω ^中包含的失真的立體圖像的幅數(shù)，&表示訓(xùn)練樣本數(shù)據(jù)集合Qti中第k幅失真的立體圖像的特征矢量，DM0&表示訓(xùn)練樣本數(shù)據(jù)集合 Ω ,中第k幅失真的立體圖像的平均主觀評(píng)分差值，l^k^q；⑦-2、構(gòu)造&的回歸函數(shù)
權(quán)利要求
1.一種立體圖像質(zhì)量客觀評(píng)價(jià)方法，其特征在于包括以下步驟①令S g為原始的無失真的立體圖像，令為待評(píng)價(jià)的失真的立體圖像，將S。rg的左視點(diǎn)圖像記為L(zhǎng) g，將S g的右視點(diǎn)圖像記為R g，將的左視點(diǎn)圖像記為L(zhǎng)dis，將的右視點(diǎn)圖像記為I^dis ；②對(duì)L g、R。rg、Ldis和Rdis4幅圖像分別實(shí)施奇異值分解，分別得到L g、R。rg、Ldis和Rdis4幅圖像各自對(duì)應(yīng)的奇異值矢量，將L g的奇異值矢量記為Tt，將R g的奇異值矢量記為T?！?將Ldis的奇異值矢量記為Il5，將Iidis的奇異值矢量記為TjL，其中，各個(gè)奇異值矢量的維數(shù)為m，m = min(M, N)，min()為取最小值函數(shù)，M表示圖像的水平尺寸大小，N表示圖像的垂直尺寸大小；③計(jì)算L g的奇異值矢量Τ:與Ldis的奇異值矢量！^么的絕對(duì)差矢量，記為XS Xi = Kirg-Til，將浐作為L(zhǎng)dis的特征矢量，計(jì)算R g的奇異值矢量Τ:與Iidis的奇異值矢量TjL的絕對(duì)差矢量，記為χκ，χΛ =In-T^I，將Xe作為I^dis的特征矢量，其中，“ 11 ”為取絕對(duì)值符號(hào)；④對(duì)Ldis的特征矢量X1和Iidis的特征矢量Xk進(jìn)行線性加權(quán)，得到的特征矢量，記為 X，X = IXSWkXk，其中，&表示Ldis的權(quán)值比重，wK表示Iidis的權(quán)值比重，= 1 ；⑤采用η幅無失真的立體圖像，建立其在不同失真類型不同失真程度下的失真立體圖像集合，該失真立體圖像集合包括多幅失真的立體圖像，利用主觀質(zhì)量評(píng)價(jià)方法分別獲取失真立體圖像集合中每幅失真的立體圖像的平均主觀評(píng)分差值，記為DMOS，DMOS = 100-M0S，其中，MOS表示主觀評(píng)分均值，DMOS e
，η彡1 ；⑥采用與計(jì)算Sdis的特征矢量X相同的方法，分別計(jì)算失真立體圖像集合中每幅失真的立體圖像的特征矢量，對(duì)于失真立體圖像集合中第i幅失真的立體圖像的特征矢量，將其記為&，其中，KiSn' ,η'表示失真立體圖像集合中包含的失真的立體圖像的幅數(shù)；⑦采用支持向量回歸對(duì)失真立體圖像集合中相同失真類型的所有的失真的立體圖像的特征矢量進(jìn)行訓(xùn)練，并利用訓(xùn)練得到的支持向量回歸訓(xùn)練模型對(duì)同一失真類型的每幅失真的立體圖像進(jìn)行測(cè)試，計(jì)算得到失真立體圖像集合中相同失真類型的每幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值，對(duì)于失真立體圖像集合中第i幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值，將其記為Qi, Qi = f OQ，f ()為函數(shù)表示形式，Qi = f OQ表示Qi為Xi的函數(shù)。
2.根據(jù)權(quán)利要求1所述的一種立體圖像質(zhì)量客觀評(píng)價(jià)方法，其特征在于所述的步驟② 的具體過程為②-1、將尺寸大小為MXN的L g表示為MXN維的二維矩陣，記為I二，通過奇異值分解將MXN維的二維矩陣表示為Itg =U二Stg(V^)T，其中，U二表示MXM維的正交矩陣，V: 表示NXN維的正交矩陣，OCg)T表示的轉(zhuǎn)置矩陣，8=表示MXN維的對(duì)角矩陣；②-2、將MXN維的對(duì)角矩陣8二的對(duì)角元素作為MXN維的二維矩陣I二的奇異值，從 MXN維的二維矩陣1=的奇異值中取出m個(gè)非零的奇異值構(gòu)成L g的奇異值矢量，記為， 其中，111 = 1^11饑沁，1^11()為取最小值函數(shù)；②-3、對(duì)R g、Ldis和Iidis采用與步驟②-1至②-2相同的操作，獲取R g、Ldis和Iidis的奇異值矢量，分別記為1二、Tj^PTjL。
3.根據(jù)權(quán)利要求1或2所述的一種立體圖像質(zhì)量客觀評(píng)價(jià)方法，其特征在于所述的步驟⑦的具體過程為⑦-1、將失真立體圖像集合中同一失真類型的所有的失真的立體圖像分成互不相交的 5組子集，任意選擇其中的4組子集構(gòu)成訓(xùn)練樣本數(shù)據(jù)集合，記為Qti，{Xk,DMOSJ e Qti，其中，q表示訓(xùn)練樣本數(shù)據(jù)集合Ω q中包含的失真的立體圖像的幅數(shù)，Xk表示訓(xùn)練樣本數(shù)據(jù)集合Ω ^中第k幅失真的立體圖像的特征矢量，DMOSk表示訓(xùn)練樣本數(shù)據(jù)集合Ω ^中第k幅失真的立體圖像的平均主觀評(píng)分差值，l^k^q；⑦-2、構(gòu)造&的回歸函數(shù)f (Xk)，/(Xi) = w>(X,) + 6，其中，f ()為函數(shù)表示形式，w為權(quán)重矢量，Wt為w的轉(zhuǎn)置矩陣，b為偏置項(xiàng)，樹Xi)表示訓(xùn)練樣本數(shù)據(jù)集合Qti中第k幅失真的立體圖像的特征矢量&的線性函數(shù)，樹='D(Xk5X1)為支持向量回歸中的核函數(shù)，X/) = exp(-^tei"X/H ), 為訓(xùn)練樣本數(shù)據(jù)集合Ω ^中第1幅失真的立體圖f像的特征矢量，Y為核參數(shù)，用于反映輸入樣本值的范圍，樣本值的范圍越大，Y值也就越大，exp()表示以e為底的指數(shù)函數(shù)，e = 2. 71828183，“ | | | | ”為求歐式距離符號(hào)；⑦-3、采用支持向量回歸對(duì)訓(xùn)練樣本數(shù)據(jù)集合Qti中所有的失真的立體圖像的特征矢量進(jìn)行訓(xùn)練，使得經(jīng)過訓(xùn)練得到的回歸函數(shù)值與平均主觀評(píng)分差值之間的誤差最小，擬合得到最優(yōu)的權(quán)重矢量w°pt和最優(yōu)的偏置項(xiàng)b°pt，將最優(yōu)的權(quán)重矢量w°pt和最優(yōu)的偏置項(xiàng)b°pt的組合記為(w°pt，b°pt) ,(w^WhargminJC/XXJ-DMO^)2，利用得到的最優(yōu)的權(quán)重矢(w 力)εΨ k=l量W°pt和最優(yōu)的偏置項(xiàng)b°pt構(gòu)造支持向量回歸訓(xùn)練模型，記為/(X-) = (yT'γ(PQimpW， 其中，Ψ表示對(duì)訓(xùn)練樣本數(shù)據(jù)集合Qti中所有的失真的立體圖像的特征矢量進(jìn)行訓(xùn)練的所有的權(quán)重矢量和偏置項(xiàng)的組合的集合，ai^minL ]表示最小化概率密度函數(shù)，Xinp表示支持向量回歸訓(xùn)練模型的輸入矢量，(w°pt)T為w°pt的轉(zhuǎn)置矩陣表示支持向量回歸訓(xùn)練模型的輸入矢量)(inp的線性函數(shù)；⑦-4、根據(jù)支持向量回歸訓(xùn)練模型，對(duì)剩余1組子集中的每幅失真的立體圖像進(jìn)行測(cè)試，預(yù)測(cè)得到該組子集中每幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值，對(duì)于該組子集中第j幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值，將其記為Qj, Qj = f(Xj), /(X」= (Wl^X)+ V，其中，Xj表示該組子集中第j幅失真的立體圖像的特征矢量， 識(shí)(X7)表示該組子集中第j幅失真的立體圖像的線性函數(shù)；⑦-5、根據(jù)步驟⑦-1至⑦-4的過程，分別對(duì)失真立體圖像集合中不同失真類型的所有的失真的立體圖像進(jìn)行訓(xùn)練，得到失真立體圖像集合中每幅失真的立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值。
4.根據(jù)權(quán)利要求3所述的一種立體圖像質(zhì)量客觀評(píng)價(jià)方法，其特征在于所述的步驟⑥ 中在計(jì)算JPEG壓縮失真的立體圖像的特征矢量過程中，取& = 0. 50，wE = 0. 50 ；在計(jì)算 JPEG2000壓縮失真的立體圖像的特征矢量過程中，取& = 0. 15, wE = 0. 85 ；在計(jì)算高斯模糊失真的立體圖像的特征矢量過程中，取I = 0. 10，wE = 0. 90 ；在計(jì)算白噪聲失真的立體圖像的特征矢量過程中，取I = 0. 20，wE = 0. 80 ；在計(jì)算H. 264編碼失真的立體圖像的特征矢量過程中，取I = 0. 10, wE = 0. 90。
全文摘要
本發(fā)明公開了一種立體圖像質(zhì)量客觀評(píng)價(jià)方法，首先對(duì)無失真的立體圖像和失真的立體圖像的左右視點(diǎn)圖像進(jìn)行奇異值分解，提取失真立體圖像的左右視點(diǎn)圖像的特征矢量，并對(duì)左右視點(diǎn)圖像的特征矢量進(jìn)行線性加權(quán)，得到失真立體圖像的特征矢量；然后通過支持向量回歸對(duì)失真立體圖像集合中相同失真類型的失真立體圖像的特征矢量進(jìn)行訓(xùn)練，并利用支持向量回歸訓(xùn)練模型對(duì)同一失真類型的每幅失真立體圖像進(jìn)行測(cè)試，得到每幅失真立體圖像的客觀圖像質(zhì)量評(píng)價(jià)預(yù)測(cè)值，優(yōu)點(diǎn)在于將原始數(shù)據(jù)映射到高維特征空間中，再在高維特征空間中進(jìn)行線性估計(jì)，構(gòu)造最優(yōu)線性函數(shù)，避免了對(duì)人類視覺系統(tǒng)的相關(guān)特性與機(jī)理的復(fù)雜模擬過程，提高了客觀評(píng)價(jià)結(jié)果與主觀感知的相關(guān)性。
文檔編號(hào)H04N13/00GK102209257SQ201110163379
公開日2011年10月5日 申請(qǐng)日期2011年6月17日 優(yōu)先權(quán)日2011年6月17日
發(fā)明者蔣剛毅, 邵楓, 郁梅, 顧珊波 申請(qǐng)人:寧波大學(xué)