一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法
【專利摘要】本發(fā)明公開了一種基于稀疏表示的立體圖像客觀質(zhì)量評價(jià)方法，其在訓(xùn)練階段，選擇多幅原始的無失真立體圖像的左視點(diǎn)圖像構(gòu)成訓(xùn)練圖像集，采用高斯差分濾波對訓(xùn)練圖像集中的每幅圖像進(jìn)行濾波得到不同尺度的濾波圖像，并采用K-SVD方法對由不同尺度的所有濾波圖像中的所有子塊構(gòu)成的集合進(jìn)行字典訓(xùn)練操作構(gòu)造視覺字典表；在測試階段，對任意一副測試立體圖像和其原始的無失真的立體圖像實(shí)施高斯差分濾波得到不同尺度的濾波圖像，然后對不同尺度的濾波圖像進(jìn)行非重疊的分塊處理，根據(jù)已構(gòu)造的視覺字典表，計(jì)算得到測試圖像的圖像質(zhì)量客觀評價(jià)預(yù)測值；優(yōu)點(diǎn)是在訓(xùn)練階段不需要復(fù)雜的機(jī)器學(xué)習(xí)訓(xùn)練過程，在測試階段只需要通過稀疏系數(shù)矩陣來計(jì)算圖像質(zhì)量客觀評價(jià)預(yù)測值，且與主觀評價(jià)值的一致性較好。
【專利說明】一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像質(zhì)量評價(jià)方法，尤其是涉及一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法。
【背景技術(shù)】
[0002]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景的左視點(diǎn)圖像和右視點(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。與單通道圖像相比，立體圖像需要同時(shí)保證兩個通道的圖像質(zhì)量，因此對其進(jìn)行質(zhì)量評價(jià)具有非常重要的意義。然而，目前對立體圖像質(zhì)量缺乏有效的客觀評價(jià)方法進(jìn)行評價(jià)。因此，建立有效的立體圖像質(zhì)量客觀評價(jià)模型具有十分重要的意義。
[0003]由于影響立體圖像質(zhì)量的因素較多，如左視點(diǎn)和右視點(diǎn)質(zhì)量失真情況、立體感知情況、觀察者視覺疲勞等，因此如何有效地進(jìn)行立體圖像質(zhì)量評價(jià)是亟需解決的難點(diǎn)問題。目前已有方法是通過機(jī)器學(xué)習(xí)來預(yù)測評價(jià)模型，但其計(jì)算復(fù)雜度較高，并且訓(xùn)練模型需要預(yù)知各評價(jià)圖像的主觀評價(jià)值，并不適用于實(shí)際的應(yīng)用場合，存在一定的局限性。稀疏表示將信號在已知的函數(shù)集上進(jìn)行分解，力求在變換域上用盡量少的基函數(shù)來對原始信號進(jìn)行逼近，目前的研究主要集中在字典構(gòu)造和稀疏分解兩方面。稀疏表示的一個關(guān)鍵問題就是如何有效地構(gòu)造字典來表征圖像的本質(zhì)特征。目前已提出的字典構(gòu)造算法包括:1)有學(xué)習(xí)過程的字典構(gòu)造方法:通過機(jī)器學(xué)習(xí)來訓(xùn)練得到字典信息，如支持向量機(jī)等；2)無學(xué)習(xí)過程的字典構(gòu)造方法:直接利用圖像的特征來構(gòu)造字典，如多尺度Gabor字典、多尺度高斯字典等。因此，如何進(jìn)行無學(xué)習(xí)過程的字典構(gòu)造，如何根據(jù)字典來進(jìn)行質(zhì)量估計(jì)，都是在立體圖像質(zhì)量評價(jià)研究中需要重點(diǎn)解決的技術(shù)問題。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問題是提供一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法，其計(jì)算復(fù)雜度低，且能夠有效地提高客觀評價(jià)結(jié)果與主觀感知的相關(guān)性。
[0005]本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為:一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法，其特征在于包括訓(xùn)練階段和測試階段兩個過程，具體步驟如下:
[0006]①選取N幅原始的無失真立體圖像的左視點(diǎn)圖像構(gòu)成訓(xùn)練圖像集，記為{Li；org|l ≤ i ≤ N}，其中，N≥1，Li;OTg表示{Li,org| 1≤i≤N}中的第i幅圖像；
[0007]②利用高斯差分濾波器對ILi^gI 1≤i≤N}中的每幅圖像實(shí)施高斯差分濾波，得到{Li,org|1 ≤i ≤ N}中的每幅圖像在不同尺度下的濾波圖像；
[0008]③對O^otsI 1≤i≤N}中的每幅圖像在不同尺度下的濾波圖像進(jìn)行非重疊的分塊處理；然后采用K-SVD方法對由每個尺度下的N幅濾波圖像中的所有子塊構(gòu)成的集合進(jìn)行字典訓(xùn)練操作，獲得每個尺度下的目標(biāo)訓(xùn)練字典；再將每個尺度下的目標(biāo)訓(xùn)練字典作為該尺度下的N幅濾波圖像的視覺字典表，構(gòu)造得到ILi^gI I≤i≤N}的視覺字典表，記為D，D = {DJ I ≤j ≤ S}，其中，j的初始值為1，I≤j≤S，S表示高斯差分濾波器的尺度個數(shù)，Dj表示第j個尺度下的目標(biāo)訓(xùn)練字典，Dj亦表示第j個尺度下的N幅濾波圖像的視覺字典表，Dj亦表示D中的第j個視覺字典；
[0009]④對于任意一副測試立體圖像Stest，假設(shè)Stest對應(yīng)的原始的無失真立體圖像為Sorg,則首先利用高斯差分濾波器對Stest的左視點(diǎn)圖像和右視點(diǎn)圖像及Sots的左視點(diǎn)圖像和右視點(diǎn)圖像分別實(shí)施高斯差分濾波，得到各自在不同尺度下的濾波圖像；然后對每幅圖像在每個尺度下的濾波圖像進(jìn)行非重疊的分塊處理；接著根據(jù)每幅圖像在每個尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個元素和在訓(xùn)練階段構(gòu)造得到的視覺字典表D，獲取每幅圖像在每個尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個元素的稀疏系數(shù)矩陣；再根據(jù)每幅圖像在每個尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個元素的稀疏系數(shù)矩陣，計(jì)算Stest的局部圖像質(zhì)量客觀評價(jià)預(yù)測值，并根據(jù)每幅圖像在每個尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個元素，計(jì)算Stest的全局圖像質(zhì)量客觀評價(jià)預(yù)測值；最后根據(jù)Stest的局部圖像質(zhì)量客觀評價(jià)預(yù)測值和全局圖像質(zhì)量客觀評價(jià)預(yù)測值，計(jì)算Stest的圖像質(zhì)量客觀評價(jià)預(yù)測值。
[0010]所述的步驟③的具體過程為：
[0011]③-I、將{Lwgll≤i≤N}中的每幅圖像在不同尺度下的濾波圖像劃分成
【權(quán)利要求】
1.一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法，其特征在于包括訓(xùn)練階段和測試階段兩個過程，具體步驟如下: ①選取N幅原始的無失真立體圖像的左視點(diǎn)圖像構(gòu)成訓(xùn)練圖像集，記為{Li；org|l ( i ( N}，其中，N≤1，Li;OTg表示ILi^gI I≤i≤N}中的第i幅圖像； ②利用高斯差分濾波器對{kOTg|I ^ i 中的每幅圖像實(shí)施高斯差分濾波，得到{Li；org|l ^ i ^ N}中的每幅圖像在不同尺度下的濾波圖像； ③對ΙΑ，_|I ^ i 中的每幅圖像在不同尺度下的濾波圖像進(jìn)行非重疊的分塊處理；然后采用K-SVD方法對由每個尺度下的N幅濾波圖像中的所有子塊構(gòu)成的集合進(jìn)行字典訓(xùn)練操作，獲得每個尺度下的目標(biāo)訓(xùn)練字典；再將每個尺度下的目標(biāo)訓(xùn)練字典作為該尺度下的N幅濾波圖像的視覺字典表，構(gòu)造得到O^otsI I ^ i ^ N}的視覺字典表，記為D，D=(Dj 11≤j≤S}，其中，j的初始值為1，I≤j≤S，S表示高斯差分濾波器的尺度個數(shù)，Dj表示第j個尺度下的目標(biāo)訓(xùn)練字典，Dj亦表示第j個尺度下的N幅濾波圖像的視覺字典表，Dj亦表示D中的第j個視覺字典； ④對于任意一副測試立體圖像Stest，假設(shè)Stest對應(yīng)的原始的無失真立體圖像為SOTg，則首先利用高斯差分濾波器對Stest的左視點(diǎn)圖像和右視點(diǎn)圖像及Sots的左視點(diǎn)圖像和右視點(diǎn)圖像分別實(shí)施高斯差分濾波，得到各自在不同尺度下的濾波圖像；然后對每幅圖像在每個尺度下的濾波圖像進(jìn)行非重疊的分塊處理；接著根據(jù)每幅圖像在每個尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個元素和在訓(xùn)練階段構(gòu)造得到的視覺字典表D，獲取每幅圖像在每個尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個元素的稀疏系數(shù)矩陣；再根據(jù)每幅圖像在每個尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個元素的稀疏系數(shù)矩陣，計(jì)算Stest的局部圖像質(zhì)量客觀評價(jià)預(yù)測值，并根據(jù)每幅圖像在每個尺度下的濾波圖像中的所有子塊構(gòu)成的集合中的每個元素，計(jì)算Stest的全局圖像質(zhì)量客觀評價(jià)預(yù)測值?’最后根據(jù)Stest的局部圖像質(zhì)量客觀評價(jià)預(yù)測值和全局圖像質(zhì)量客觀評價(jià)預(yù)測值，計(jì)算Stest的圖像質(zhì)量客觀評價(jià)預(yù)測值。
2.根據(jù)權(quán)利要求1所述的一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法，其特征在于所述的步驟③的具體過程為: ③-1、將ILi org| I≤i≤N}中的每幅圖像在不同尺度下的濾波圖像劃分成
3.根據(jù)權(quán)利要求2所述的一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法，其特征在于所述的步驟③-2中取τ =0.1。
4.根據(jù)權(quán)利要求1至3中任一項(xiàng)所述的一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法，其特征在于所述的步驟④的具體過程為:
④-1、將Stest的左視點(diǎn)圖像記為Ltest，將Stest的右視點(diǎn)圖像記為Rtest，將Sots的左視點(diǎn)圖像記為Lots，將Sots的右視點(diǎn)圖像記為Rots，然后利用高斯差分濾波器對Ltest、Rtest, Lorg和Rorg分別實(shí)施高斯差分濾波，對應(yīng)得到Ltest、Rtest、Lots和Rots各自在不同尺度下的濾波圖像，將Ltest在第j個尺度下的濾波圖像記為F/.卿?將Rtest在第j個尺度下的濾波圖像記為I7Itnl,將Lots在第j個尺度下的濾波圖像記為F“rg，將Rots在第j個尺度下的濾波圖像記為F。?其中，j的初始值為1，I < j < S，S表示高斯差分濾波器的尺度個數(shù)；



④-2、將Ltest在每個尺度下的濾波圖像劃分成
5.根據(jù)權(quán)利要求4所述的一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法，其特征在于所述的步驟④-4中取C = 0.02。
6.根據(jù)權(quán)利要求5所述的一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法，其特征在于所述的步驟④-8中取Wltjral = 0.95。
【文檔編號】G06K9/66GK104036501SQ201410243607
【公開日】2014年9月10日 申請日期:2014年6月3日 優(yōu)先權(quán)日:2014年6月3日
【發(fā)明者】邵楓, 李柯蒙, 王珊珊 申請人:寧波大學(xué)