一种无参考立体图像质量评价方法技术

本发明专利技术公开了一种无参考立体图像质量评价方法，其在训练阶段，通过主观实验获得失真立体图像的分类标签，并将所有无失真立体图像、所有失真立体图像及各自对应的分类标签构成训练图像集，并通过联合字典训练得到训练图像集的左、右视点图像特征字典表和左、右视点图像质量字典表及变换矩阵，左、右视点图像特征字典表和左、右视点图像质量字典表具有可辨别性；在测试阶段，根据左、右视点图像特征字典表，通过优化得到稀疏系数矩阵，再通过稀疏系数矩阵和左、右视点图像质量字典表，计算图像质量客观评价预测值，因左、右视点图像特征字典表和左、右视点图像质量字典表具有可辨别性，使得图像质量客观评价预测值与主观评价值保持了较好的一致性。

【技术实现步骤摘要】

本专利技术涉及一种图像质量评价方法，尤其是涉及一种无参考立体图像质量评价方法。
技术介绍
随着图像编码和显示等技术的迅速发展，图像质量评价研究已经成为其中非常重要的环节。图像质量客观评价方法研究的目标是与主观评价结果尽可能保持一致，从而摆脱耗时而枯燥的图像质量主观评价方法，其能够利用计算机自动地评价图像质量。根据对原始图像的参考和依赖程度，图像质量客观评价方法可以分为三大类：全参考(Full Reference，FR)图像质量评价方法、部分参考(Reduced Reference，RR)图像质量评价方法和无参考(No Reference，NR)图像质量评价方法。无参考图像质量评价方法由于无需任何参考图像信息，具有较高的灵活性，因此受到了越来越广泛的关注。目前，现有的无参考图像质量评价方法是通过机器学习来预测评价模型，但其计算复杂度较高，并且训练模型需要预知各评价图像的主观评价值，并不适用于实际的应用场合，存在一定的局限性。稀疏表示是评价图像质量的有效途径，关键在于如何有效地构造字典来表征图像的本质特征，而对于立体图像，左视点图像和右视点图像的对称和非对称会导致不同的双目视觉特性，因此，如何使得构造的字典具有可辨别性、如何在图像特征和图像质量的字典之间建立联系，都是在对立体图像进行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无参考立体图像质量评价方法，其能够有效地提高客观评价结果与主观感知之间的相关性，且无需预知各评价图像的主观评价值。本专利技术解决上述技术问题所采用的技术方案为：一种无参考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两个过程；所述的训练阶段过程的具体步骤如下：①_1、选取N幅原始的无失真立体图像，将第u幅原始的无失真立体图像记为将的左视点图像和右视点图像对应记为和然后根据N幅原始的无失真立体图像获取训练图像集，记为再将重新记为其中，N>1，u的初始值为1，表示由对应的在第p个左视点失真强度下的失真左视点图像与对应的在针对第p个左视点失真强度选取的第q个右视点失真强度下的失真右视点图像构成的失真立体图像，Mu,p,q表示的分类标签，Mu,p,q∈{-1,1本文档来自技高网...

【技术保护点】
一种无参考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两个过程；所述的训练阶段过程的具体步骤如下：①_1、选取N幅原始的无失真立体图像，将第u幅原始的无失真立体图像记为将的左视点图像和右视点图像对应记为和然后根据N幅原始的无失真立体图像获取训练图像集，记为再将重新记为其中，N>1，u的初始值为1，表示由对应的在第p个左视点失真强度下的失真左视点图像与对应的在针对第p个左视点失真强度选取的第q个右视点失真强度下的失真右视点图像构成的失真立体图像，Mu,p,q表示的分类标签，Mu,p,q∈{‑1,1}，P表示选取的各不相同的左视点失真强度的总个数，P>1，Q表示针对每个左视点失真强度选取的各不相同的右视点失真强度的总个数，针对每个左视点失真强度选取的第1个右视点失真强度与该左视点失真强度相同，Q>1，p的初始值为1，q的初始值为1，表示中的第g幅失真立体图像，Mg表示的分类标签，Mg∈{‑1,1}，g的初始值为1；①_2、采用3种不同的自然场景统计方法获取中的每幅失真立体图像的失真左视点图像和失真右视点图像各自的图像特征矢量，将的失真左视点图像和失真右视点图像各自的图像特征矢量对应记为和然后将中的所有失真立体图像各自的失真左视点图像的图像特征矢量按序构成的集合记为并将中的所有失真立体图像各自的失真右视点图像的图像特征矢量按序构成的集合记为其中，和的维数均为84×1；采用6种不同的全参考图像质量评价方法获取中的每幅失真立体图像的失真左视点图像和失真右视点图像各自的图像质量矢量，将的失真左视点图像和失真右视点图像各自的图像质量矢量对应记为和然后将中的所有失真立体图像各自的失真左视点图像的图像质量矢量按序构成的集合记为并将中的所有失真立体图像各自的失真右视点图像的图像质量矢量按序构成的集合记为其中，和的维数均为6×1；将中的所有分类标签按序构成的集合记为{Mg|1≤g≤N×P×Q}；①_3、采用K‑SVD方法求解，获得的左视点图像特征字典表、左视点图像质量字典表、右视点图像特征字典表、右视点图像质量字典表及变换矩阵，对应记为及W；其中，和的维数均为84×K，和的维数均为6×K，W的维数为1×K，K表示设定的字典的个数，K≥1，min{}为取最小值函数，符号“|| ||F”为求取矩阵的弗罗贝尼乌斯范数‑范数符号，符号“|| ||1”为求取矩阵的1‑范数符号，XL,dis的维数为84×(N×P×Q)，对应为中的第1个图像特征矢量、第2个图像特征矢量、…、第g个图像特征矢量、…、第N×P×Q个图像特征矢量，YL,dis的维数为6×(N×P×Q)，对应为中的第1个图像质量矢量、第2个图像质量矢量、…、第g个图像质量矢量、…、第N×P×Q个图像质量矢量，XR,dis的维数为84×(N×P×Q)，对应为中的第1个图像特征矢量、第2个图像特征矢量、…、第g个图像特征矢量、…、第N×P×Q个图像特征矢量，YR,dis的维数为6×(N×P×Q)，对应为中的第1个图像质量矢量、第2个图像质量矢量、…、第g个图像质量矢量、…、第N×P×Q个图像质量矢量，Z的维数为1×(N×P×Q)，Z＝[M1,M2,…,Mg,…,MN×P×Q]，M1,M2,…,Mg,…,MN×P×Q对应为{Mg|1≤g≤N×P×Q}中的第1个分类标签、第2个分类标签、…、第g个分类标签、…、第N×P×Q个分类标签，A表示稀疏系数矩阵，A的维数为K×(N×P×Q)，A＝[a1,a2,…,ag,…,aN×P×Q]，a1,a2,…,ag,…,aN×P×Q对应为A中的第1个列向量、第2个列向量、…、第g个列向量、…、第N×P×Q个列向量，a1,a2,…,ag,…,aN×P×Q的维数均为K×1，符号“[]”为矢量表示符号，α和β均为加权参数，λ为拉格朗日参数；所述的测试阶段过程的具体步骤如下：②_1、对于任意一幅测试立体图像Stest，按照步骤①_2中获取和的过程，以相同的操作获取Stest的失真左视点图像和失真右视点图像各自的图像特征矢量，对应记为和其中，和的维数均为84×1；②_2、根据在训练阶段过程获得的和估计和的稀疏系数矩阵，和的稀疏系数矩阵相同，并记为是采用K‑SVD方法求解得到的；其中，的维数为K×1，min{}为取最小值函数，符号“|| ||F”为求取矩阵的弗罗贝尼乌斯范数‑范数符号，符号“|| ||1”为求取矩阵的1‑范数符号，λ为拉格朗日参数；②_3、根据在训练阶段过程获得的估计Stest的失真左视点图像的图像质量矢量，记为并根据在训练阶段过程获得的估计Stest的失真右视点图像的图像质量矢量，记为其中，和的维数均为6×1；②_4、计算Stest的图像质量客观评价预测值，记为Quality，其中，ωL表示Stest的失真左视点图像的质量加权系数，ωR表示...

【技术特征摘要】
1.一种无参考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两个过程；所述的训练阶段过程的具体步骤如下：①_1、选取N幅原始的无失真立体图像，将第u幅原始的无失真立体图像记为将的左视点图像和右视点图像对应记为和然后根据N幅原始的无失真立体图像获取训练图...

【专利技术属性】
技术研发人员：邵枫，张竹青，李福翠，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33