[发明专利]一种基于DCT域特征的立体图像质量客观评价方法

摘要

本发明涉及一种基于DCT域特征的立体图像质量客观评价方法。其技术方案是，基于双目融合特性，将左视图IL(x，y)和右视图IR(x，y)合成融合独眼图O1(x，y)，基于双目竞争特性，将左视图IL(x，y)和右视图IR(x，y)合成竞争独眼图O2(x，y)；然后对左视图IL(x，y)、右视图IR(x，y)、融合独眼图O1(x，y)和竞争独眼图O2(x，y)进行DCT域特征提取，合并四幅图特征作为立体图像对的特征矢量；在立体图像库中，对提取的DCT域特征矢量进行机器学习，建立支持向量回归模型；最后，提取待测立体图像对的特征矢量，通过支持向量回归模型，得到评价质量分数。本发明具有充分结合双目视觉特性和利用DCT域特征的特点，所提供的评价方法准确度高、评价性能优良和方法简单，能充分反映人眼视觉特性。

主权项

1.一种基于DCT域特征的立体图像质量客观评价方法，其特征在于所述基于DCT域特征的立体图像质量客观评价方法的具体步骤：第一步、先利用图像结构相似性的立体图像匹配算法，得到左视图I_L(x,y)和右视图I_R(x,y)的水平视差d；再将左视图I_L(x,y)和右视图I_R(x,y)分别进行Gabor滤波，依次得到左视图I_L(x,y)滤波后的卷积和GE_L(x,y)和右视图I_R(x,y)滤波后的卷积和GE_R(x,y)，依据左视图I_L(x,y)滤波后的卷积和GE_L(x,y)和右视图I_R(x,y)滤波后的卷积和GE_R(x,y)，得到左视图I_L(x,y)和右视图I_R(x,y)相应的权重：基于双目融合特性，依据左视图I_L(x,y)和右视图I_R(x,y)的权重因子，将左视图I_L(x,y)和右视图I_R(x,y)合成融合独眼图O₁(x,y)：O₁(x,y)＝W_L(x,y)×I_L(x,y)+W_R(x+d,y)×I_R(x+d,y)                 (3)式(1)～(3)中：x表示某一像素点的横坐标，y表示某一像素点的纵坐标，d表示左视图I_L(x,y)的像素点到右视图I_R(x,y)对应像素点的水平视差，W_L(x,y)表示左视图I_L(x,y)的权重因子，W_R(x+d,y)表示将右视图I_R(x,y)每一个像素点平移水平视差d得到的平移后右视图I_R(x,y)的权重因子，GE_L(x,y)表示左视图I_L(x,y)通过Gabor滤波得到的卷积和，GE_R(x,y)表示右视图I_R(x,y)通过Gabor滤波得到的卷积和，GE_L(x+d,y)表示将左视图I_L(x,y)平移水平视差d后再通过Gabor滤波得到的卷积和，I_L(x,y)表示左视图，I_R(x+d,y)表示将右视图I_R(x,y)每一个像素点平移水平视差d得到的平移后右视图；第二步、在N×N的窗口内对左视图I_L(x，y)的方差进行计算，N为正奇数；得到左视图I_L(x，y)的空间活动性ε[S_L(x，y)+C]：将右视图I_R(x，y)每一个像素点平移水平视差d得到平移后的右视图I_R(x+d，y)；同理，得到平移后的右视图I_R(x+d，y)的空间活动性ε[S_R(x+d，y)+C]：式(4)～(5)中：S_L(x,y)表示左视图I_L(x,y)的N×N窗口内中心像素，表示N×N窗口内中心像素S_L(x,y)与窗口内其它像素的方差，C表示常数，0≤C≤0.01，S_R(x+d,y)表示平移后右视图I_R(x+d,y)的N×N窗口内中心像素，为N×N窗口内中心像素S_R(x+d,y)与窗口内其它像素的方差；依据双目竞争特性，将左视图I_L(x,y)和右视图I_R(x,y)合成竞争独眼图O₂(x,y)：式(6)中：I_L(x,y)表示左视图，I_R(x+d,y)表示将右视图I_R(x,y)每一个像素点平移水平视差d得到的平移后的右视图，ε[S_L(x,y)+C]表示左视图I_L(x,y)的空间活动性，ε[S_R(x+d,y)+C]表示平移水平视差d得到的平移后的右视图I_R(x+d,y)的空间活动性；第三步、对左视图I_L(x,y)进行DCT域变换，截取高频部分，得到左视图的高频部分DCT系数I_DCT(x,y)；用N×N的高斯加权窗对高频部分DCT系数I_DCT(x,y)进行滤波，得到左视图I_L(x,y)的高频部分归一化DCT系数F(x,y)：式(7)中：C₁表示常数，0≤C₁≤0.01，μ_DCT(x,y)表示窗口内像素DCT系数均值，σ_DCT(x,y)表示窗口内中心像素DCT系数值与其它像素DCT系数值的方差；左视图I_L(x,y)的高频部分归一化DCT系数F(x,y)的特征提取：(1)对得到的左视图I_L(x,y)的高频部分归一化DCT系数F(x,y)进行广义高斯分布GGD拟合，得到形状参数α和方差参数σ²，将形状参数α和方差参数σ²作为DCT域的特征参数；(2)沿着水平方向、垂直方向和两个对角线方向分别求左视图相邻像素的高频部分归一化DCT系数F(x,y)的乘积：HC(x,y)＝F(x,y)·F(x,y+1)                               (8)VC(x,y)＝F(x,y)·F(x+1,y)                               (9)MD(x,y)＝F(x,y)·F(x+1,y+1)                             (10)SD(x,y)＝F(x,y)·F(x+1,y‑1)                             (11)式(8)～(11)中：HC(x,y)为垂直方向相邻像素的高频部分归一化DCT系数F(x,y)的乘积，VC(x,y)为水平方向相邻像素的高频部分归一化DCT系数F(x,y)的乘积，MD(x,y)为主对角线方向相邻像素的高频部分归一化DCT系数F(x,y)的乘积，SD(x,y)为副对角线方向相邻像素的高频部分归一化DCT系数F(x,y)的乘积；对以上左视图相邻像素的高频部分归一化DCT系数F(x,y)的乘积HC(x,y)、VC(x,y)、MD(x,y)和SD(x,y)进行非对称性广义高斯分布AGGD拟合，得到每个方向的特征参数：均值参数ν、左方差参数σ_l和右方差参数σ_r，共得到4个方向的12个特征参数，将这4个方向的12个特征参数作为DCT域的特征参数；第四步：按照第三步的左视图I_L(x,y)DCT域的特征提取的方法，依次对右视图I_R(x,y)、融合独眼图O₁(x,y)和竞争独眼图O₂(x,y)进行DCT域的特征提取，依次得到右视图I_R(x,y)、融合独眼图O₁(x,y)和竞争独眼图O₂(x,y)的DCT域的特征参数；合并左视图I_L(x,y)、右视图I_R(x,y)、融合独眼图O₁(x,y)和竞争独眼图O₂(x,y)的DCT域的特征参数，得到立体图像对DCT域的特征矢量；第五步：利用现有的立体图像库，对立体图像库中所有的立体图像对按第一步～第四步的方法操作，得到所有立体图像对DCT域的特征矢量；利用支持向量回归算法对所有立体图像对DCT域的特征矢量进行训练，找到立体图像对的DCT域特征矢量与主观质量分数的映射关系，得到训练好的支持向量回归模型SVR_train；第六步：给定待测立体图像对，对待测立体图像对按第一步～第四步的方法操作，得到待测立体图像对的DCT域的特征矢量，通过第五步中训练好的支持向量回归模型SVR_train，得到最终评价质量分数Q：Q＝SVR_train(X)                                        (12)式(12)中：X为从待测立体图像对中提取的DCT域特征向量，SVR_train为训练好的支持向量回归模型；对于待测立体图像对，最终评价质量分数Q值越接近于1代表待测立体图像对的图像质量越好，具体地：当最终评价质量分数Q大于等于0且小于0.2时，表示待测立体图像对的图像质量很差，当最终评价质量分数Q大于等于0.2且小于0.4时，表示待测立体图像对的图像质量差，当最终评价质量分数Q大于等于0.4且小于0.6时，表示待测立体图像对的图像质量一般，当最终评价质量分数Q大于等于0.6且小于0.8时，表示待测立体图像对的图像质量好，当最终评价质量分数Q大于等于0.8且小于1时，表示待测立体图像对的图像质量很好。