一种基于稀疏特征相似度的立体图像质量客观评价方法技术

技术编号:15504682 阅读:134 留言:0更新日期:2017-06-04 00:34
本发明专利技术公开了一种基于稀疏特征相似度的立体图像质量客观评价方法,其提取融合图像字典表和视点图像字典表;然后采用一阶双目融合模型,利用融合图像字典表提取一阶融合图像稀疏特征图,同时利用视点图像字典表提取左、右视点图像各自的稀疏特征图,采用二阶双目融合模型对左、右视点图像各自的稀疏特征图进行融合,得到二阶融合稀疏特征图;再利用稀疏特征相似度的方法得到失真立体图像的客观质量评价预测值;优点是在字典学习阶段避免了复杂的机器学习训练过程,且无需预知各无失真立体图像的主观评价值;在质量预测阶段采用的一阶双目融合模型和二阶双目融合模型能有效表示双目视觉特性,因此能有效地提高客观评价结果与主观感知之间的相关性。

An objective quality evaluation method for stereo images based on sparse feature similarity

The invention discloses a stereo image quality assessment method based on the similarity of the sparse feature extraction, image fusion and dictionary table view image dictionary table; then using the first-order binocular fusion model using image fusion dictionary extraction order fusion image sparse feature map, and using the dictionary table view images from the left and right view images the sparse feature map, using two order binocular fusion model of the left and right view of their sparse feature map fusion, two order fusion sparse feature map; get the objective quality assessment of stereo image distortion prediction method using sparse feature similarity; advantages in the dictionary learning stage to avoid complex machine the learning and training process, and there is no need to predict subjective evaluation of the stereo image without distortion value; in a quality prediction order by binocular stage The fusion model and the two order binocular fusion model can effectively represent the binocular vision characteristics, so it can effectively improve the correlation between the objective evaluation results and the subjective perception.

【技术实现步骤摘要】
一种基于稀疏特征相似度的立体图像质量客观评价方法
本专利技术涉及一种立体图像质量客观评价方法,尤其是涉及一种基于稀疏特征相似度的立体图像质量客观评价方法。
技术介绍
进入二十一世纪以来,随着立体图像/视频系统处理技术的日趋成熟,以及计算机网络与通信技术的快速发展,已引起人们对立体图像/视频系统的强烈需求。相比传统的单视点图像/视频系统,立体图像/视频系统由于能够提供深度信息来增强视觉的真实感,给用户以身临其境的全新视觉体验而越来越受到人们的欢迎,已被认为是下一代媒体主要的发展方向,已引发了学术界、产业界的广泛关注。然而,人们为了获得更好的立体临场感和视觉体验,对立体视觉主观感知质量提出了更高的要求。在立体图像/视频系统中,采集、编码、传输、解码及显示等处理环节都会引入一定失真,这些失真将对立体视觉主观感知质量产生不同程度的影响,因此如何有效地进行无参考质量评价是亟需解决的难点问题。综上,评价立体图像质量,并建立与主观质量评价相一致的客观评价模型显得尤为重要。目前,立体图像质量客观评价方法大致可以分为三类:第一类主要是基于2D的评价方法;第二类是在基于2D的评价方法的基础上,再结合其他一些信息,如深度或视差信息等;第三类是依靠3D方面的信息来评价。其中,基于2D的评价方法中常用的方法是直接采用经典的平面图像质量评价方法来评价立体图像质量的方法,由于立体图像和平面图像最大的区别就是立体图像具有深度感、临场感,然而该方法未考虑到左视点图像和右视点图像的特性,或只是评价了左视点图像的质量和右视点图像的质量,而没有结合双目融合视觉特性,因此导致最终客观评价结果与主观感知的相关性较差。由于影响立体图像质量的因素较多,如左视点和右视点质量失真情况、立体感知情况、观察者视觉疲劳等,因此如何有效地进行立体图像质量评价是亟需解决的难点问题。稀疏表示将信号在已知的函数集上进行分解,力求在变换域上用尽量少的基函数来对原始信号进行逼近。稀疏表示的一个关键问题就是如何有效地构造字典来表征图像的本质特征。因此,如何构造能反映立体图像本质特征的字典,如何根据字典来进行质量估计,都是在立体图像质量评价研究中需要重点解决的技术问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于稀疏特征相似度的立体图像质量客观评价方法,其能够充分考虑到立体视觉感知特性,从而能够有效地提高客观评价结果与主观感知之间的相关性。本专利技术解决上述技术问题所采用的技术方案为:一种基于稀疏特征相似度的立体图像质量客观评价方法,其特征在于包括字典学习阶段和质量预测阶段两个过程;所述的字典学习阶段的具体步骤如下:①_1、选取K幅宽度为W且高度为H的原始的无失真立体图像,将第k幅原始的无失真立体图像记为Sorg,k,将Sorg,k的左视点图像和右视点图像对应记为{Lorg,k(x,y)}和{Rorg,k(x,y)},其中,K≥1,1≤k≤K,1≤x≤W,1≤y≤H,Lorg,k(x,y)表示{Lorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值,Rorg,k(x,y)表示{Rorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值;①_2、采用一阶双目融合模型,对每幅原始的无失真立体图像的左视点图像和右视点图像进行融合,得到每幅原始的无失真立体图像的一阶融合图像,将对{Lorg,k(x,y)}和{Rorg,k(x,y)}进行融合得到的Sorg,k的一阶融合图像记为{Corg,k(x,y)},其中,Corg,k(x,y)表示{Corg,k(x,y)}中坐标位置为(x,y)的像素点的像素值;①_3、采用K-SVD方法,对所有原始的无失真立体图像的一阶融合图像进行联合字典训练操作,得到融合图像字典表,记为{Dc(x,y)},其中,Dc(x,y)表示{Dc(x,y)}中坐标位置为(x,y)的像素点的像素值;并采用K-SVD方法,对所有原始的无失真立体图像的左视点图像和右视点图像进行联合字典训练操作,得到视点图像字典表,记为{Dv(x,y)},其中,Dv(x,y)表示{Dv(x,y)}中坐标位置为(x,y)的像素点的像素值;所述的质量预测阶段的具体步骤如下:②_1、令Sorg表示宽度为W且高度为H的原始的无失真参考立体图像,令Sdis表示Sorg经非对称失真后得到的非对称失真立体图像,将Sdis作为待评价的非对称失真立体图像,将Sorg的左视点图像和右视点图像对应记为{Lorg(x,y)}和{Rorg(x,y)},将Sdis的左视点图像和右视点图像对应记为{Ldis(x,y)}和{Rdis(x,y)},其中,Lorg(x,y)表示{Lorg(x,y)}中坐标位置为(x,y)的像素点的像素值,Rorg(x,y)表示{Rorg(x,y)}中坐标位置为(x,y)的像素点的像素值,Ldis(x,y)表示{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值,Rdis(x,y)表示{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值;②_2、采用一阶双目融合模型,对{Lorg(x,y)}和{Rorg(x,y)}进行融合,得到Sorg的一阶融合图像,记为{Corg(x,y)},其中,Corg(x,y)表示{Corg(x,y)}中坐标位置为(x,y)的像素点的像素值;同样,采用一阶双目融合模型,对{Ldis(x,y)}和{Rdis(x,y)}进行融合,得到Sdis的一阶融合图像,记为{Cdis(x,y)},其中,Cdis(x,y)表示{Cdis(x,y)}中坐标位置为(x,y)的像素点的像素值;②_3、根据字典学习阶段得到的融合图像字典表{Dc(x,y)},并采用K-SVD求解方法对{Corg(x,y)}进行处理,得到Sorg的一阶融合稀疏特征图,记为{SRorg(x,y)},其中,SRorg(x,y)表示{SRorg(x,y)}中坐标位置为(x,y)的像素点的像素值;同样,根据字典学习阶段得到的融合图像字典表{Dc(x,y)},并采用K-SVD求解方法对{Cdis(x,y)}进行处理,得到Sdis的一阶融合稀疏特征图,记为{SRdis(x,y)},其中,SRdis(x,y)表示{SRdis(x,y)}中坐标位置为(x,y)的像素点的像素值;根据字典学习阶段得到的视点图像字典表{Dv(x,y)},并采用K-SVD求解方法对{Lorg(x,y)}进行处理,得到{Lorg(x,y)}的稀疏特征图,记为{SRL,org(x,y)},其中,SRL,org(x,y)表示{SRL,org(x,y)}中坐标位置为(x,y)的像素点的像素值;同样,根据字典学习阶段得到的视点图像字典表{Dv(x,y)},并采用K-SVD求解方法对{Rorg(x,y)}进行处理,得到{Rorg(x,y)}的稀疏特征图,记为{SRR,org(x,y)},其中,SRR,org(x,y)表示{SRR,org(x,y)}中坐标位置为(x,y)的像素点的像素值;同样,根据字典学习阶段得到的视点图像字典表{Dv(x,y)},并采用K-SVD求解方法对{Ldis(x,y)}进行处理,得到{Ldis(x,y)}的稀疏特征图,记为{SRL,dis(x,y)},其中,SRL,dis(x,y)表示{SRL,dis本文档来自技高网
...
一种基于稀疏特征相似度的立体图像质量客观评价方法

【技术保护点】
一种基于稀疏特征相似度的立体图像质量客观评价方法,其特征在于包括字典学习阶段和质量预测阶段两个过程;所述的字典学习阶段的具体步骤如下:①_1、选取K幅宽度为W且高度为H的原始的无失真立体图像,将第k幅原始的无失真立体图像记为S

【技术特征摘要】
1.一种基于稀疏特征相似度的立体图像质量客观评价方法,其特征在于包括字典学习阶段和质量预测阶段两个过程;所述的字典学习阶段的具体步骤如下:①_1、选取K幅宽度为W且高度为H的原始的无失真立体图像,将第k幅原始的无失真立体图像记为Sorg,k,将Sorg,k的左视点图像和右视点图像对应记为{Lorg,k(x,y)}和{Rorg,k(x,y)},其中,K≥1,1≤k≤K,1≤x≤W,1≤y≤H,Lorg,k(x,y)表示{Lorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值,Rorg,k(x,y)表示{Rorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值;①_2、采用一阶双目融合模型,对每幅原始的无失真立体图像的左视点图像和右视点图像进行融合,得到每幅原始的无失真立体图像的一阶融合图像,将对{Lorg,k(x,y)}和{Rorg,k(x,y)}进行融合得到的Sorg,k的一阶融合图像记为{Corg,k(x,y)},其中,Corg,k(x,y)表示{Corg,k(x,y)}中坐标位置为(x,y)的像素点的像素值;①_3、采用K-SVD方法,对所有原始的无失真立体图像的一阶融合图像进行联合字典训练操作,得到融合图像字典表,记为{Dc(x,y)},其中,Dc(x,y)表示{Dc(x,y)}中坐标位置为(x,y)的像素点的像素值;并采用K-SVD方法,对所有原始的无失真立体图像的左视点图像和右视点图像进行联合字典训练操作,得到视点图像字典表,记为{Dv(x,y)},其中,Dv(x,y)表示{Dv(x,y)}中坐标位置为(x,y)的像素点的像素值;所述的质量预测阶段的具体步骤如下:②_1、令Sorg表示宽度为W且高度为H的原始的无失真参考立体图像,令Sdis表示Sorg经非对称失真后得到的非对称失真立体图像,将Sdis作为待评价的非对称失真立体图像,将Sorg的左视点图像和右视点图像对应记为{Lorg(x,y)}和{Rorg(x,y)},将Sdis的左视点图像和右视点图像对应记为{Ldis(x,y)}和{Rdis(x,y)},其中,Lorg(x,y)表示{Lorg(x,y)}中坐标位置为(x,y)的像素点的像素值,Rorg(x,y)表示{Rorg(x,y)}中坐标位置为(x,y)的像素点的像素值,Ldis(x,y)表示{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值,Rdis(x,y)表示{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值;②_2、采用一阶双目融合模型,对{Lorg(x,y)}和{Rorg(x,y)}进行融合,得到Sorg的一阶融合图像,记为{Corg(x,y)},其中,Corg(x,y)表示{Corg(x,y)}中坐标位置为(x,y)的像素点的像素值;同样,采用一阶双目融合模型,对{Ldis(x,y)}和{Rdis(x,y)}进行融合,得到Sdis的一阶融合图像,记为{Cdis(x,y)},其中,Cdis(x,y)表示{Cdis(x,y)}中坐标位置为(x,y)的像素点的像素值;②_3、根据字典学习阶段得到的融合图像字典表{Dc(x,y)},并采用K-SVD求解...

【专利技术属性】
技术研发人员:周武杰顾鹏笠周扬邱薇薇张爽爽潘婷吴茗蔚陈芳妮郑卫红陈寿法孙丽慧葛丁飞
申请(专利权)人:浙江科技学院
类型:发明
国别省市:浙江,33

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1