一种基于双目竞争的全盲立体图像质量评价方法技术

本发明专利技术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，并且本发明专利技术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。

【技术实现步骤摘要】
一种基于双目竞争的全盲立体图像质量评价方法
本专利技术涉及一种立体图像质量评价方法，尤其是涉及一种基于双目竞争的全盲立体图像质量评价方法。
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，研究人员提出了不少针对单视点图像质量的无参考评价方法，然而由于缺乏系统理论深入研究立体视觉感知特性，因此还没有有效地无参考立体图像质量评价方法。现有的无参考立体图像质量评价方法主要是通过机器学习来预测立体图像质量，不仅计算复杂度较高，而且需要测试数据库(包括大量不同失真类型的失真立体图像及相应的主观评价值)，使得该无参考立体图像质量评价方法并不适用于实际的应用场合，存在一定的局限性。因此，如何在评价过程中根据立体视觉感知特性有效地提取特征信息，使得客观评价结果更加符合人类视觉感知系统；以及如何在无参考模型构建中采用全盲方法；都是在无参考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双目竞争的全盲立体图像质量评价方法，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)，并，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)，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)和本文档来自技高网...

【技术保护点】
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);]]>并，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)，Vk,org,B(i,j)=Vk,org,L(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Vk,org,L(i,j)+Vk,org,R(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Vk,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)，Qk,org,B(i,j)=Vk,org,L(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Qk,org,L(i,j)+Vk,org,R(i,j)Vk,org,L(i,j)+Vk,org,R(i,j)×Qk,org,L(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...

【技术特征摘要】
1.一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)，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)，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,o...

【专利技术属性】
技术研发人员：周武杰，王中鹏，吴茗蔚，邱薇薇，翁剑枫，葛丁飞，王新华，孙丽慧，陈寿法，郑卫红，李鑫，吴洁雯，文小军，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江;33