數(shù)項(xiàng)，技i 表示構(gòu)造支持向量回歸模型時(shí)所采用的失真立體圖像集中屬于第Z種失真類型的第1幅失 真立體圖像的特征向量，A巧&，巧")為f, (FdJ的核函數(shù)。
[0074] 在此具體實(shí)施例中，步驟⑥中構(gòu)造針對(duì)不同失真類型的失真立體圖像的支持向量 回歸模型的具體過程為：
[00巧]⑥-1、采用釣幅原始的無失真的立體圖像，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，該失真立體圖像集共包括N，幅失真立體圖像，其中，N> 1;然后利用 現(xiàn)有的主觀質(zhì)量評(píng)價(jià)方法獲得該失真立體圖像集中的每幅失真立體圖像的平均主觀評(píng)分 差值，將該失真立體圖像集中的第k幅失真立體圖像的平均主觀評(píng)分差值記為IMz/OSl，其 中，1<A<N';再按照步驟①至步驟④的過程，W相同的方式獲取該失真立體圖像集中的 每幅失真立體圖像的特征向量，將該失真立體圖像集中的第k幅失真立體圖像的特征向量 記為Fi。
[0076] ⑥-2、選取該失真立體圖像集中屬于第Z種失真類型的所有失真立體圖像，并將 選取的所有失真立體圖像的特征向量和平均主觀評(píng)分差值構(gòu)成的集合定義為當(dāng)前立體圖 像訓(xùn)練集，其中，1《之玄逐，忍表示該失真立體圖像集中的失真立體圖像的失真類型的種 類數(shù)，這>1。
[0077] ⑥-3、將當(dāng)前立體圖像訓(xùn)練集記為〇z，；攻，公少似其中，巧。表示選取的 第k'幅失真立體圖像的特征向量，改亦表示Q,中的第k'個(gè)特征向量，IWD瑞表示選取 的第k'幅失真立體圖像的平均主觀評(píng)分差值，巧3化C:亦表示Q,中的第k'個(gè)平均主觀評(píng) 分差值，1《k'《氏，氏表示該失真立體圖像集中屬于第Z種失真類型的失真立體圖像的 總幅數(shù)。
[0078] ⑥-4、構(gòu)造Q,中的每個(gè)特征向量的支持向量回歸模型，將柏的支持向量回 歸模型記為/_識(shí):），/巧。= 城記)+6,其中，fz()為針對(duì)第Z種失真類型的 -1=1. 失真立體圖像的特征向量的支持向量回歸模型的函數(shù)表示形式，1《1《K,，CO為權(quán)重 矢量，b為常數(shù)項(xiàng)，段表示Qz中的第1個(gè)特征向量，《'巧F::,、）表示./;巧,;;）的核函數(shù)，
，6邱（）表示W(wǎng)自然基數(shù)e為底的指數(shù)函數(shù)，6 = 2.71828183， 符號(hào)"MII"為求歐式距離符號(hào)，丫為核參數(shù)，丫由大量統(tǒng)計(jì)得到，一般可取丫 = 0. 25。
[0079] ⑥-5、采用支持向量回歸對(duì)Q,中的所有特征向量進(jìn)行訓(xùn)練，使得經(jīng)過 訓(xùn)練得到的回歸函數(shù)值與對(duì)應(yīng)的平均主觀評(píng)分差值之間的誤差最小，擬合得到最 優(yōu)的權(quán)重矢量《Wt和最優(yōu)的常數(shù)項(xiàng)bWt,將《Wt和bWt的組合記為（W。。。bept)， (巧.,,:，、,）=。巧加11玄（./;巧;,.;）-〇'心/()式。-，其中，^表示對(duì)0,中的所有特征向量進(jìn)行訓(xùn) ' (:化叫卻.點(diǎn) 練的所有的權(quán)重矢量和常數(shù)項(xiàng)的組合的集合，argmm封./:巧.;）-0,\似&;.)-'表示取使得 {放,6)色半k'=\ 卽/;巧OWXS:;..:)'的值最小的O和6的值；然后利用得到的最優(yōu)的權(quán)重矢量COWt和 最優(yōu)的常數(shù)項(xiàng)bwt構(gòu)造支持向量回歸模型，記為乂(巧:），乂(攻'）=X&的:，巧，)+ 6。,，,:，其 中，巧為支持向量回歸模型的輸入向量，
[0080] ⑥-6、令Z=Z+1，然后選取該失真立體圖像集中屬于下一種失真類型的所有失真 立體圖像，并將選取的所有失真立體圖像的特征向量和平均主觀評(píng)分差值構(gòu)成的集合作為 當(dāng)前立體圖像訓(xùn)練集，再返回步驟⑥-3繼續(xù)執(zhí)行，直至該失真立體圖像集中屬于每種失真 類型的所有失真立體圖像均處理完畢，構(gòu)造得到針對(duì)不同失真類型的失真立體圖像的支持 向量回歸模型，其中，Z=Z+1中的"="為賦值符號(hào)。
[0081] 為進(jìn)一步說明本發(fā)明方法的可行性和有效性，對(duì)本發(fā)明方法進(jìn)行試驗(yàn)。
[0082] 采用LIVE實(shí)驗(yàn)室提供的立體圖像數(shù)據(jù)庫(kù)作為立體圖像評(píng)價(jià)庫(kù)，LIVE立體圖像數(shù) 據(jù)庫(kù)包括化aseI和化aseII兩個(gè)數(shù)據(jù)庫(kù)，其中化aseI數(shù)據(jù)庫(kù)有20幅原始的無失真的立 體圖像和365幅失真立體圖像，化aseII數(shù)據(jù)庫(kù)有8幅原始的無失真的立體圖像和360幅 失真立體圖像，兩個(gè)數(shù)據(jù)庫(kù)都包含了 5種失真類型，分別為JPEG壓縮（JPEG)、JPEG2000壓 縮（JP2K)、高斯白噪聲（Gaussianwhitenoise,WN)、高斯模糊（Gaussianblur,GBLUR)W 及快衰落（Fast-化ding,FF)，LIVE立體圖像數(shù)據(jù)庫(kù)給出了每組失真立體圖像的平均主觀 評(píng)分差值。為評(píng)價(jià)本發(fā)明方法預(yù)測(cè)得到的失真立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值與平均主觀 評(píng)分差值之間的相關(guān)性，采用3個(gè)常用的指標(biāo)來評(píng)價(jià)立體圖像質(zhì)量的客觀性能，即化arson 線性相關(guān)系數(shù)（Pearsonlinearcorrelationcoefficient,PLCC),Spearman等級(jí)相關(guān)系 數(shù)（Spearmanrankordercorrelationcoefficient，SR0CC)W及均方根誤差（RootMean Squared化ror，RISE)?；疌C和RISE指標(biāo)衡量客觀質(zhì)量評(píng)價(jià)方法的精確性，SROCC指標(biāo)衡 量客觀質(zhì)量評(píng)價(jià)方法的單調(diào)性?；疌C和SROCC的絕對(duì)值越接近1，RMSE的值越小，表明客 觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值與平均主觀評(píng)分差值之間的相關(guān)性越好。
[0083] 首先分別隨機(jī)選取LIVEPhaseI和LIVEPhaseII數(shù)據(jù)庫(kù)中的所有失真立體圖像 的80%構(gòu)成訓(xùn)練集，剩余20%的失真立體圖像構(gòu)成測(cè)試集；然后按照步驟①至步驟④的過 程，W相同的方式得到訓(xùn)練集和測(cè)試集中的每幅失真立體圖像的特征向量；再利用支持向 量回歸對(duì)訓(xùn)練集中的所有失真立體圖像的特征向量進(jìn)行訓(xùn)練，使得經(jīng)過訓(xùn)練得到的回歸函 數(shù)值與對(duì)應(yīng)的平均主觀評(píng)分差值之間的誤差最小，訓(xùn)練得到支持向量回歸模型；接著根據(jù) 訓(xùn)練得到的支持向量回歸模型，對(duì)測(cè)試集中的每幅失真立體圖像的特征向量進(jìn)行測(cè)試，預(yù) 測(cè)得到測(cè)試集中的每幅失真立體圖像的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值。
[0084] 表1和表2分別給出了本發(fā)明方法在LIVEPhaseI和化aseII數(shù)據(jù)庫(kù)中針對(duì)不 同失真類型的性能評(píng)價(jià)指標(biāo)。從表I中可W看出，本發(fā)明方法對(duì)LIVEPhaseI數(shù)據(jù)庫(kù)中的 各種失真類型，客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值與平均主觀評(píng)分差值都能達(dá)到較好的一致性。由表2 可見，本發(fā)明方法對(duì)化aseII數(shù)據(jù)庫(kù)中的各種失真類型的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值都接近最優(yōu) 評(píng)價(jià)值。利用本發(fā)明方法得到的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值與平均主觀評(píng)分差值具有很好的一致 性，能夠很好地預(yù)測(cè)人眼對(duì)失真立體圖像的主觀感知。
[00財(cái)表1本發(fā)明方法在LIVEPhaseI中針對(duì)不同失真類型的性能指標(biāo)的評(píng)價(jià)結(jié)果[0086]
[0087] 表2本發(fā)明方法在LIVEPhaseII中針對(duì)不同失真類型的性能指標(biāo)的評(píng)價(jià)結(jié)果
[0088]
【主權(quán)項(xiàng)】
1. 一種基于雙目視覺感知的無參考立體圖像質(zhì)量客觀評(píng)價(jià)方法，其特征在于包括W下 步驟： ① 令I(lǐng)du表示待評(píng)價(jià)的失真立體圖像，將Idu的左視點(diǎn)圖像和右視點(diǎn)圖像對(duì)應(yīng)記為L(zhǎng)du 和Rdu，其中，Idu的寬度和高度對(duì)應(yīng)為W和Η; ② 義用光流法獲取WLdis為參考的左視差圖，記為Duk;并義用光流法獲取WRdis為 參考的右視差圖，記為D,du;然后利用D 對(duì)Ldi進(jìn)行視差補(bǔ)償，獲得視差補(bǔ)償左圖，記為 爲(wèi)db，將易中坐標(biāo)位置為（x，y)飢象素點(diǎn)飢象素值記為公么* (Λ一）；并利用〇Ldu對(duì)Rdi進(jìn)行 視差補(bǔ)償，獲得視差補(bǔ)償右圖，記為臺(tái)&,。，將復(fù)中坐標(biāo)位置為（X，y)的像素點(diǎn)的像素值記 為戶"''（.r，.r);接著根據(jù)Ldu和度，獲取不確定左圖，記為化du，將lUs中坐標(biāo)位置為（X，y) 的像素點(diǎn)的像素值記為/'"i了，.V);并根據(jù)Rdu和臺(tái)Wb，獲取不確定右圖，記為Umw將Umu 中坐標(biāo)位置為（X，y)的像素點(diǎn)的像素值記為/^'g'h(·τ，,ν);再對(duì)運(yùn)和進(jìn)行能量增益控 審ij，獲得會(huì)聚獨(dú)眼圖，記為Ice，將icc中坐標(biāo)位置為（x，y)的像素點(diǎn)的像素值記為戶''' 其中， ③ -1、對(duì)lee進(jìn)行重疊塊分圖像塊處理，然后對(duì)Iee中的每個(gè)圖像塊進(jìn)行曲波變換，使ICC 中的每個(gè)圖像塊轉(zhuǎn)換成多層不同尺度上的曲波系數(shù)； ③-2、根據(jù)I。。中的所有圖像塊各自對(duì)應(yīng)的第5層尺度上的曲波系數(shù)包含的一個(gè)矩陣 中的所有系數(shù)的幅值的對(duì)數(shù)的經(jīng)驗(yàn)概率分布函數(shù)，獲取lee在曲波域的尺度系數(shù)特征向量， 記為fws，其中，fws的維數(shù)為4 ; ③-3、根據(jù)I。。中的所有圖像塊各自對(duì)應(yīng)的第4層尺度上的曲波系數(shù)包含的前32個(gè)方 向矩陣各自的方向能量，獲取lee在曲波域的方向能量分布特征向量，記為fwD，其中，fwD的 維數(shù)為2 ; ③-4、根據(jù)I。。中的所有圖像塊各自對(duì)應(yīng)的每層尺度上的曲波系數(shù)包含的每個(gè)矩陣中 的每個(gè)系數(shù)的幅值的對(duì)數(shù)，獲取lee在曲波域的標(biāo)量能量分布特征向量，記為fsED，其中，fsED 的維數(shù)為6 ; ③-5、通過采用零均值的廣義高斯分布擬合町du對(duì)應(yīng)的歸一化后的左視差圖直方圖， 獲取化du的特征向量，記為fDL，其中，fDL的維數(shù)為2 ; ③-6、通過采用零均值的廣義高斯分布擬合Dmu對(duì)應(yīng)的歸一化后的右視差圖直方圖， 獲取Dmu的特征向量，記為fDK，其中，fDK的維數(shù)為2 ; ③-7、通過采用對(duì)數(shù)正態(tài)分布擬合化du的直方圖，獲取Uuu的特征向量，記為f。^，其中，fuJ勺維數(shù)為2 ; ③ -8、通過采用對(duì)數(shù)正態(tài)分布擬合Umu的直方圖，獲取Umu的特征向量，記為?·。·^，其中， fuK的維數(shù)為2 ; ④ 將fwss、f〇ED、fsED、f〇L、f。!!、fuL和fUR構(gòu)成Idis的特化向里，記為Fdis，F(xiàn)dis-tfNSS)f〇ED)f SED，fDL，fDK，fuL，fJ，其中，F(xiàn)du的維數(shù)為20,符號(hào)"[]"為向量表示符號(hào)； ⑥構(gòu)造針對(duì)不同失真類型的失真立體圖像的支持向量回歸模型；然后利用針對(duì)與Idu相同失真類型的失真立體圖像的支持向量回歸模型，計(jì)算Idu的客觀質(zhì)量評(píng)價(jià)預(yù)測(cè)值， 記為Qdu，假設(shè)IdJi于第z種失真類型，則其中， 1<-<2,2表示構(gòu)造支持向量回歸模型時(shí)所采用的失真立體圖像集中的失真立體圖像的 失真類型的種類數(shù)，2> 1，f,()為針對(duì)第Z種失真類型的失真立體圖像的支持向量回歸模 型的函數(shù)表示形式，K,表示構(gòu)造支持向量回歸模型時(shí)所采用的失真立體圖像集中屬于第Z 種失真類型的失真立體圖像的總幅數(shù)，為最優(yōu)的權(quán)重矢量，bwt為最優(yōu)的常數(shù)項(xiàng)，巧，表 示構(gòu)造支持向量回歸模型時(shí)所采用的失真立體圖像集中屬于第Z種失真類型的第1幅失真 立體圖像的特征向量，&(&,，巧。）為f,(FdJ的核函數(shù)。2. 根據(jù)權(quán)利要求1所述的基于雙目視覺感知的無參考立體圖像質(zhì)量客觀 評(píng)價(jià)方法，其特征在于所述的步驟②中的表示Ldu中坐標(biāo)位置為的像素點(diǎn)的像素值，口心卡，>·)表示Dmu中坐標(biāo)位置為（x，y)的像素點(diǎn) 的像素值的像素點(diǎn)的像 素值，/?&ζ(Λ-，.ν)表示化du中坐標(biāo)位置為（x，y)