專利名稱：一種立體圖像質(zhì)量客觀評價方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像質(zhì)量評價方法，尤其是涉及一種立體圖像質(zhì)量客觀評價方法。
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，已成為當前的一個研究熱點。立體圖像技術(shù)利用人眼的雙目視差原理，雙目各自獨立地接收來自同一場景的左右視點圖像，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)、存儲壓縮及傳輸設(shè)備的影響，立體圖像會不可避免地引入一系列的失真，而與單通道圖像相比，立體圖像需要同時保證兩個通道的圖像質(zhì)量，對其進行質(zhì)量評價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方法進行評價。因此，建立有效的立體圖像質(zhì)量客觀評價模型具有十分重要的意義。立體圖像質(zhì)量客觀評價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)量評價，立體感知評價通過視差或深度信息來反映，然而由于目前視差/深度估計技術(shù)的局限，如何有效地對深度圖像或視差圖像質(zhì)量進行評價以真實地表征立體感知特性， 仍然是立體圖像質(zhì)量客觀評價中的難點問題之一；幻將平面圖像質(zhì)量評價方法直接應(yīng)用于評價立體圖像質(zhì)量，然而對立體圖像的左右視點圖像進行融合產(chǎn)生立體感的過程還難以用簡單的數(shù)學方法來表示，并且左右視點圖像之間還存在相互影響，對左右視點圖像進行簡單線性加權(quán)難以有效地評價立體圖像質(zhì)量。因此，研究符合人類視覺特性的立體圖像質(zhì)量客觀評價方法是一個重要的研究問題。

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價結(jié)果與主觀感知的相關(guān)性的立體圖像質(zhì)量客觀評價方法。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)量客觀評價方法，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，令為待評價的失真的立體圖像，將Stffg 的左視點圖像記為L g，將Stffg的右視點圖像記為Rwg，將的左視點圖像記為Ldis，將Sis 的右視點圖像記為I^dis ；②對L g、Rorg> Ldis和I dis4幅圖像分別實施奇異值分解，分別得到L g、Rorg> Ldis和 Rdis4幅圖像各自對應(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??；③計算Ltffg的奇異值矢量?。籢與Ldis的奇異值矢量Ti的絕對差矢量，記為XSXi = Kirg-Til，將浐作為Ldis的特征矢量，計算R g的奇異值矢量Τ:與Iidis的奇異值矢量 TjL的絕對差矢量，記為xW =I1^-τΙ|，將Xe作為I^dis的特征矢量，其中，“ I I ”為取絕對值符號；④對Ldis的特征矢量X1和Iidis的特征矢量Xk進行線性加權(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)量評價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分差值，記為DMOS，DMOS = 100-M0S，其中，MOS表示主觀評分均值，DMOS e
，η彡1 ；⑥采用與計算Sdis的特征矢量X相同的方法，分別計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行訓練，并利用訓練得到的支持向量回歸訓練模型對同一失真類型的每幅失真的立體圖像進行測試，計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)量評價預測值，對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)量評價預測值，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維的對角矩陣；②-2、將MXN維的對角矩陣8二的對角元素作為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)成訓練樣本數(shù)據(jù)集合，記為Qti，{Xk， DMOSJ e Ω ^，其中，q表示訓練樣本數(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分差值，l^k^q；@_2、構(gòu)造)(1;的回歸函數(shù)€0(1;)，/(\)=評>(\) + 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，樹Xi)表示訓練樣本數(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；⑦_3、采用支持向量回歸對訓練樣本數(shù)據(jù)集合Qti中所有的失真的立體圖像的特征矢量進行訓練，使得經(jīng)過訓練得到的回歸函數(shù)值與平均主觀評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b°pt，將最優(yōu)的權(quán)重矢量w°pt和
最優(yōu)的偏置項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b°pt構(gòu)造支持向量回歸訓練模型，記為 =+ ，其中，Ψ表示對訓練樣本數(shù)據(jù)集合Qti中所有的失真的立體圖
像的特征矢量進行訓練的所有的權(quán)重矢量和偏置項的組合的集合，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)支持向量回歸訓練模型，對剩余1組子集中的每幅失真的立體圖像進行測試，預測得到該組子集中每幅失真的立體圖像的客觀質(zhì)量評價預測值，對于該組子集中第j幅失真的立體圖像的客觀質(zhì)量評價預測值，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(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行訓練，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)量評價預測值。所述的步驟⑥中在計算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高維特征空間中，再在高維特征空間中進行線性估計，構(gòu)造最優(yōu)回歸函數(shù)對立體圖像的特征矢量進行測試，避免了對人類視覺系統(tǒng)的相關(guān)特性與機理的復雜模擬過程，并且由于訓練樣本和測試樣本是相互獨立的，可以避免測試結(jié)果對訓練數(shù)據(jù)的過度依賴，從而能有效提高客觀評價結(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圖像和右視點圖像的特征矢量，再根據(jù)立體圖像的不同失真類型情況，采用不同的權(quán)值比重對其左視點圖像和右視點圖像的特征矢量進行線性加權(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)明方法的總體實現(xiàn)框圖；圖加為Akko (尺寸為640 X 480)立體圖像的左視點圖像；圖2b為Akko (尺寸為640X480)立體圖像的右視點圖像；圖3a為Altmoabit (尺寸為10 X 768)立體圖像的左視點圖像；圖3b為Altmoabit (尺寸為10 X 768)立體圖像的右視點圖像；圖乜為Balloons(尺寸為10MX768)立體圖像的左視點圖像；圖4b為Balloons(尺寸為10MX768)立體圖像的右視點圖像；圖5a為Doorflower (尺寸為10 X 768)立體圖像的左視點圖像；圖5b為Doorflower (尺寸為10 X 768)立體圖像的右視點圖像；圖6a為Kendo (尺寸為10 X 768)立體圖像的左視點圖像；圖6b為Kendo (尺寸為10 X 768)立體圖像的右視點圖像；圖7a為LeaveLaptop (尺寸為IOMX 768)立體圖像的左視點圖像；圖7b為LeaveLaptop (尺寸為IOMX 768)立體圖像的右視點圖像；圖8a為Lovebierdl (尺寸為0 X 768)立體圖像的左視點圖像；圖8b為Lovebierl(尺寸為10 X 768)立體圖像的右視點圖像；圖9a為Newspaper (尺寸為10 X 768)立體圖像的左視點圖像；圖9b為Newspaper (尺寸為10 X 768)立體圖像的右視點圖像；圖IOa為尺寸為720X480)立體圖像的左視點圖像；圖IOb為尺寸為720X480)立體圖像的右視點圖像；圖Ila為Soccer2(尺寸為720X480)立體圖像的左視點圖像；圖lib為Soccer2(尺寸為720X480)立體圖像的右視點圖像；圖12a為Horse (尺寸為720X480)立體圖像的左視點圖像；圖12b為Horse (尺寸為720X480)立體圖像的右視點圖像；圖13a為Xmas (尺寸為640X480)立體圖像的左視點圖像；圖13b為Xmas (尺寸為640X480)立體圖像的右視點圖像；圖14為失真立體圖像集合中各個失真的立體圖像的客觀圖像質(zhì)量評價預測值與平均主觀評分差值的散點圖。
具體實施例方式以下結(jié)合附圖實施例對本發(fā)明作進一步詳細描述。本發(fā)明提出的一種立體圖像質(zhì)量客觀評價方法，其總體實現(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，令為待評價的失真的立體圖像，將Stffg 的左視點圖像記為L g，將Stffg的右視點圖像記為Rwg，將的左視點圖像記為Ldis，將Sis 的右視點圖像記為&is。②對L g、Rorg> Ldis和I dis4幅圖像分別實施奇異值分解，分別得到L g、Rorg> Ldis和 Rdis4幅圖像各自對應(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維的對角矩陣；②-2、將MXN維的對角矩陣8二的對角元素作為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計算Ltffg的奇異值矢量！；^與Ldis的奇異值矢量Ti的絕對差矢量，記為XS Xi = Kirg-Til，將浐作為Ldis的特征矢量，計算R g的奇異值矢量Τ:與Iidis的奇異值矢量
TjL的絕對差矢量，記為χκ，χΛ =In-TlI，將Xe作為I^dis的特征矢量，其中，“ 11 ”為取絕對值符號。④對Ldis的特征矢量X1和Iidis的特征矢量Xk進行線性加權(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)量評價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分差值，記為DM0S， DMOS = 100-M0S，其中，MOS 表示主觀評分均值，DMOS e
，η 彡 1。在本實施例中，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采用與計算的特征矢量X相同的方法，分別計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)。在此具體實施例中，根據(jù)人眼對不同失真類型的立體視覺掩蔽效應(yīng)不一致的特性，對不同失真類型的立體圖像的左視點圖像和右視點圖像設(shè)置不同的權(quán)值比重，在計算 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)是一種比較好的實現(xiàn)非線性高維空間轉(zhuǎn)換的方法。采用支持向量回歸對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行訓練，并利用訓練得到的支持向量回歸訓練模型對同一失真類型的每幅失真的立體圖像進行測試，計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)量評價預測值，對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)量評價預測值，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)成訓練樣本數(shù)據(jù)集合，記為Qti，{Xk， DMOSJ e Ω ^，其中，q表示訓練樣本數(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)量客觀評價方法，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，令為待評價的失真的立體圖像，將S。rg的左視點圖像記為L g，將S g的右視點圖像記為R g，將的左視點圖像記為Ldis，將的右視點圖像記為I^dis ；②對L g、R。rg、Ldis和Rdis4幅圖像分別實施奇異值分解，分別得到L g、R。rg、Ldis和Rdis4幅圖像各自對應(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??；③計算L g的奇異值矢量Τ:與Ldis的奇異值矢量！^么的絕對差矢量，記為XS Xi = Kirg-Til，將浐作為Ldis的特征矢量，計算R g的奇異值矢量Τ:與Iidis的奇異值矢量TjL的絕對差矢量，記為χκ，χΛ =In-T^I，將Xe作為I^dis的特征矢量，其中，“ 11 ”為取絕對值符號；④對Ldis的特征矢量X1和Iidis的特征矢量Xk進行線性加權(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)量評價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分差值，記為DMOS，DMOS = 100-M0S，其中，MOS表示主觀評分均值，DMOS e
，η彡1 ；⑥采用與計算Sdis的特征矢量X相同的方法，分別計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行訓練，并利用訓練得到的支持向量回歸訓練模型對同一失真類型的每幅失真的立體圖像進行測試，計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)量評價預測值，對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)量評價預測值，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)量客觀評價方法，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維的對角矩陣；②-2、將MXN維的對角矩陣8二的對角元素作為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)量客觀評價方法，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)成訓練樣本數(shù)據(jù)集合，記為Qti，{Xk,DMOSJ e Qti，其中，q表示訓練樣本數(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，樹Xi)表示訓練樣本數(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；⑦-3、采用支持向量回歸對訓練樣本數(shù)據(jù)集合Qti中所有的失真的立體圖像的特征矢量進行訓練，使得經(jīng)過訓練得到的回歸函數(shù)值與平均主觀評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b°pt，將最優(yōu)的權(quán)重矢量w°pt和最優(yōu)的偏置項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b°pt構(gòu)造支持向量回歸訓練模型，記為/(X-) = (yT'γ(PQimpW， 其中，Ψ表示對訓練樣本數(shù)據(jù)集合Qti中所有的失真的立體圖像的特征矢量進行訓練的所有的權(quán)重矢量和偏置項的組合的集合，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)支持向量回歸訓練模型，對剩余1組子集中的每幅失真的立體圖像進行測試，預測得到該組子集中每幅失真的立體圖像的客觀質(zhì)量評價預測值，對于該組子集中第j幅失真的立體圖像的客觀質(zhì)量評價預測值，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(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行訓練，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)量評價預測值。
4.根據(jù)權(quán)利要求3所述的一種立體圖像質(zhì)量客觀評價方法，其特征在于所述的步驟⑥ 中在計算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)量客觀評價方法，首先對無失真的立體圖像和失真的立體圖像的左右視點圖像進行奇異值分解，提取失真立體圖像的左右視點圖像的特征矢量，并對左右視點圖像的特征矢量進行線性加權(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行訓練，并利用支持向量回歸訓練模型對同一失真類型的每幅失真立體圖像進行測試，得到每幅失真立體圖像的客觀圖像質(zhì)量評價預測值，優(yōu)點在于將原始數(shù)據(jù)映射到高維特征空間中，再在高維特征空間中進行線性估計，構(gòu)造最優(yōu)線性函數(shù)，避免了對人類視覺系統(tǒng)的相關(guān)特性與機理的復雜模擬過程，提高了客觀評價結(jié)果與主觀感知的相關(guān)性。
文檔編號H04N13/00GK102209257SQ201110163379
公開日2011年10月5日 申請日期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 申請人:寧波大學