[发明专利]一种基于双目竞争的全盲立体图像质量评价方法

摘要

本发明公开了一种基于双目竞争的全盲立体图像质量评价方法，其包括训练阶段和测试阶段，在训练阶段和测试阶段均充分利用了双目竞争的特性，即获取了左视点图像和右视点图像各自的幅值图像中坐标位置相对应的子块的双目竞争能量、双目竞争方差和双目竞争熵，因此充分考虑到了立体视觉感知特性，有效地提高了客观评价结果与主观感知之间的相关性；通过无监督学习方式构造无失真高斯分布模型和失真高斯分布模型，这样避免了复杂的机器学习训练过程，降低了计算复杂度，并且本发明方法在训练阶段不需要预知各训练失真立体图像及其主观评价值，因此更加适用于实际的应用场合。

主权项

一种基于双目竞争的全盲立体图像质量评价方法，其特征在于包括训练阶段和测试阶段；所述的训练阶段包括以下步骤：①‑1、选取K幅原始的无失真立体图像，将第k幅原始的无失真立体图像的左视点图像和右视点图像对应记为{Sk,org,L(m,n)}和{Sk,org,R(m,n)}，其中，K≥1，1≤k≤K，(m,n)表示原始的无失真立体图像中的像素点的坐标位置，1≤m≤M，1≤n≤N，M表示原始的无失真立体图像的宽度，N表示原始的无失真立体图像的高度，Sk,org,L(m,n)表示{Sk,org,L(m,n)}中坐标位置为(m,n)的像素点的像素值，Sk,org,R(m,n)表示{Sk,org,R(m,n)}中坐标位置为(m,n)的像素点的像素值；①‑2、对每幅原始的无失真立体图像的左视点图像实施log‑Gabor滤波，得到每幅原始的无失真立体图像的左视点图像的幅值图像，将{Sk,org,L(m,n)}的幅值图像记为{Mk,org,L(m,n)}，其中，Mk,org,L(m,n)表示{Mk,org,L(m,n)}中坐标位置为(m,n)的像素点的像素值；同样，对每幅原始的无失真立体图像的右视点图像实施log‑Gabor滤波，得到每幅原始的无失真立体图像的右视点图像的幅值图像，将{Sk,org,R(m,n)}的幅值图像记为{Mk,org,R(m,n)}，其中，Mk,org,R(m,n)表示{Mk,org,R(m,n)}中坐标位置为(m,n)的像素点的像素值；①‑3、将每幅原始的无失真立体图像的左视点图像的幅值图像划分成个互不重叠的尺寸大小为mb×nb的子块；然后计算每幅原始的无失真立体图像的左视点图像的幅值图像中的每个子块的能量、方差和熵，将{Mk,org,L(m,n)}中坐标位置为(i,j)的子块的能量、方差和熵对应记为Ek,org,L(i,j)、Vk,org,L(i,j)和Qk,org,L(i,j)；同样，将每幅原始的无失真立体图像的右视点图像的幅值图像划分成个互不重叠的尺寸大小为mb×nb的子块；然后计算每幅原始的无失真立体图像的右视点图像的幅值图像中的每个子块的能量、方差和熵，将{Mk,org,R(m,n)}中坐标位置为(i,j)的子块的能量、方差和熵对应记为Ek,org,R(i,j)、Vk,org,R(i,j)和Qk,org,R(i,j)；其中，mb和nb对应表示每个子块的宽度和高度，符号为向下取整符号；①‑4、计算每幅原始的无失真立体图像的左视点图像的幅值图像中的每个子块与右视点图像的幅值图像中坐标位置相同的子块的双目竞争能量，将{Mk,org,L(m,n)}中坐标位置为(i,j)的子块与{Mk,org,R(m,n)}中坐标位置为(i,j)的子块的双目竞争能量记为Ek,org,B(i,j)，Ek,org,B(i,j)=Vk,org,L(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Ek,org,L(i,j)+Vk,org,R(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Ek,org,L(i,j);]]>计算每幅原始的无失真立体图像的左视点图像的幅值图像中的每个子块与右视点图像的幅值图像中坐标位置相同的子块的双目竞争方差，将{Mk,org,L(m,n)}中坐标位置为(i,j)的子块与{Mk,org,R(m,n)}中坐标位置为(i,j)的子块的双目竞争方差记为Vk,org,B(i,j)，Ek,org,B(i,j)=Vk,org,L(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Ek,org,L(i,j)+Vk,org,R(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Ek,org,L(i,j);]]>计算每幅原始的无失真立体图像的左视点图像的幅值图像中的每个子块与右视点图像的幅值图像中坐标位置相同的子块的双目竞争熵，将{Mk,org,L(m,n)}中坐标位置为(i,j)的子块与{Mk,org,R(m,n)}中坐标位置为(i,j)的子块的双目竞争熵记为Qk,org,B(i,j)，①‑5、将所有原始的无失真立体图像的左视点图像的幅值图像与右视点图像的幅值图像中所有坐标位置对应的子块的双目竞争能量的均值、双目竞争方差的均值及双目竞争熵的均值作为输入参数，输入到高斯分布模型中，得到所有原始的无失真立体图像对应的无失真高斯分布模型；所述的测试阶段包括以下步骤：②‑1、对于任意一幅尺寸大小与选取的原始的无失真立体图像的尺寸大小一致的失真立体图像，将该失真立体图像作为待评价的失真立体图像，将待评价的失真立体图像的左视点图像和右视点图像对应记为{Sdis,L(m,n)}和{Sdis,R(m,n)}，其中，Sdis,L(m,n)表示{Sdis,L(m,n)}中坐标位置为(m,n)的像素点的像素值，Sdis,R(m,n)表示{Sdis,R(m,n)}中坐标位置为(m,n)的像素点的像素值；②‑2、对{Sdis,L(m,n)}实施log‑Gabor滤波，得到{Sdis,L(m,n)}的幅值图像，记为{Mdis,L(m,n)}，其中，Mdis,L(m,n)表示{Mdis,L(m,n)}中坐标位置为(m,n)的像素点的像素值；同样，对{Sdis,R(m,n)}实施log‑Gabor滤波，得到{Sdis,R(m,n)}的幅值图像，记为{Mdis,R(m,n)}，其中，Mdis,R(m,n)表示{Mdis,R(m,n)}中坐标位置为(m,n)的像素点的像素值；②‑3、将{Mdis,L(m,n)}划分成个互不重叠的尺寸大小为mb×nb的子块；然后计算{Mdis,L(m,n)}中的每个子块的能量、方差和熵，将{Mdis,L(m,n)}中坐标位置为(i,j)的子块的能量、方差和熵对应记为Edis,L(i,j)、Vdis,L(i,j)和Qdis,L(i,j)；同样，将{Mdis,R(m,n)}划分成个互不重叠的尺寸大小为mb×nb的子块；然后计算{Mdis,R(m,n)}中的每个子块的能量、方差和熵，将{Mdis,R(m,n)}中坐标位置为(i,j)的子块的能量、方差和熵对应记为Edis,R(i,j)、Vdis,R(i,j)和Qdis,R(i,j)；②‑4、计算{Mdis,L(m,n)}中的每个子块与{Mdis,R(m,n)}中坐标位置相同的子块的双目竞争能量，将{Mdis,L(m,n)}中坐标位置为(i,j)的子块与{Mdis,R(m,n)}中坐标位置为(i,j)的子块的双目竞争能量记为Edis,B(i,j)，计算{Mdis,L(m,n)}中的每个子块与{Mdis,R(m,n)}中坐标位置相同的子块的双目竞争方差，将{Mdis,L(m,n)}中坐标位置为(i,j)的子块与{Mdis,R(m,n)}中坐标位置为(i,j)的子块的双目竞争方差记为Vdis,B(i,j)，计算{Mdis,L(m,n)}中的每个子块与{Mdis,R(m,n)}中坐标位置相同的子块的双目竞争熵，将{Mdis,L(m,n)}中坐标位置为(i,j)的子块与{Mdis,R(m,n)}中坐标位置为(i,j)的子块的双目竞争熵记为Qdis,B(i,j)，②‑5、将{Mdis,L(m,n)}与{Mdis,R(m,n)}中所有坐标位置对应的子块的双目竞争能量的均值、双目竞争方差的均值和双目竞争熵的均值作为输入参数，输入到高斯分布模型中，得到待评价的失真立体图像对应的失真高斯分布模型；②‑6、采用马氏距离公式衡量步骤①‑5得到的所有原始的无失真立体图像对应的无失真高斯分布模型与步骤②‑5得到的待评价的失真立体图像对应的失真高斯分布模型之间的误差，将衡量得到的误差作为待评价的失真立体图像的图像质量客观评价预测值。