一种采用视差补偿视点间滤波的立体图像质量评价方法技术

本发明专利技术公开了一种采用视差补偿视点间滤波的立体图像质量评价方法，其通过对立体图像的左、右视点图像进行视差补偿和视点间滤波，得到高频图像和低频图像，在频域完成了对立体图像的立体感知特性的描述，能够更准确地评价立体图像的质量；其对低频图像进行二维小波变换，提取近似系数矩阵、水平细节系数矩阵、垂直细节系数矩阵以及对角线细节系数矩阵来获得部分特征，这些特征能够有效地提高对失真立体图像的质量评价的准确性；其利用支持向量回归的方法构建立体图像的特征向量与图像主观质量之间的映射关系，避免了对于人类视觉系统工作机制的复杂模拟，同时避免了对于训练过程的过度依赖，从而提高了主观质量和客观预测质量之间的相关性。

【技术实现步骤摘要】

本专利技术涉及一种立体图像质量评价技术，尤其是涉及一种采用视差补偿视点间滤波的立体图像质量评价方法。
技术介绍
随着图像编码技术和立体显示技术的快速发展，立体图像及其相关应用已经越来越多的出现在了人们的日常生活之中，并已逐渐成为图像处理领域的一个研究热点。立体图像技术根据人眼的双目视差原理，利用双目分别独立接受来自同一场景的左视点图像和右视点图像，双目视差通过大脑融合形成立体感，从而使观看者欣赏到具有深度感和真实感的立体场景。由于立体图像在图像采集、编码压缩、网络传输以及解码显示等各个阶段均会不可避免地因为一系列不可控制的因素而引入失真。因此，如何准确有效地衡量立体图像质量对于立体图像技术的进一步发展起到了重要的作用。立体图像质量评价主要分为主观质量评价和客观质量评价两大类。由于视觉信息最终由人眼所接受，因此主观质量评价的准确性最为可靠，然而主观质量评价需要观察者打分得到，费时费力且不易集成于立体图像系统之中。而客观质量评价模型却可以很好地集成于立体图像系统中实现实时质量评价，有助于及时调整立体图像系统参数，从而实现高质量立体图像系统应用。因此，建立准确有效且符合人眼视觉特点的立体图像质量客观评价方法具有很高的实际应用价值。现有的立体图像质量客观评价方法主要从模拟人眼视觉对于立体图像的左、右视点的处理方式的角度出发，并结合一些平面图像的质量评价方法，即在现有的平面图像质量评价方法的基础上加入立体感知特性，从而完成对于立体图像的质量评价。虽然上述的这类方法通过模拟人眼视觉系统完成对于立体图像立体感知特性的描述，然而由于目前对于人眼视觉系统工作机制的研究尚不成熟，因此这类评价方法也存在一定的局限性。因此，研究符合人类视觉特性的立体图像质量客观评价方法是一个重要的研究问题。
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采用视差补偿视点间滤波的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人眼主观感知质量之间的相关性。本专利技术解决上述技术问题所采用的技术方案为：一种采用视差补偿视点间滤波的立体图像质量评价方法，其特征在于包括以下步骤：①令Sorg表示原始的无失真立体图像，令Sdis表示Sorg经失真后的失真立体图像，将Sdis作为待评价的失真立体图像，将Sorg的左视点图像记为Lorg，将Sorg的右视点图像记为Rorg，将Sdis的左视点图像记为Ldis，将Sdis的右视点图像记为Rdis；②以Lorg作为参考视点图像，对Rorg进行视差补偿，得到Sorg的右视点视差补偿图像，记为同样，以Ldis作为参考视点图像，对Rdis进行视差补偿，得到Sdis的右视点视差补偿图像，记为③对Lorg和进行视点间滤波，得到Sorg的高频图像和低频图像，对应记为HVorg和LVorg；同样，对Ldis和进行视点间滤波，得到Sdis的高频图像和低频图像，对应记为HVdis和LVdis；④对LVorg进行二维离散小波变换，得到LVorg的近似系数矩阵、水平细节系数矩阵、垂直细节系数矩阵以及对角线细节系数矩阵，对应记为以及同样，对LVdis进行二维离散小波变换，得到LVdis的近似系数矩阵、水平细节系数矩阵、垂直细节系数矩阵以及对角线细节系数矩阵，对应记为以及⑤计算与之间的结构相似度，记为其中，SSIM()为结构相似度计算函数；⑥对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为同样，对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为然后计算与之间的距离，记为DistHLV=|γHLV,org-γHLV,dis||γHLV,org+γHLV,dis|;]]>同样，计算与之间的距离，记为DistVLV=|γVLV,org-γVLV,dis||γVLV,org+γVLV,dis|;]]>计算与之间的距离，记为DistDLV=|γDLV,org-γDLV,dis||γDLV,org+γDLV,dis|;]]>其中，符号“||”为取绝对值符号；⑦计算HVorg的相位一致性图，记为PCHV,org；并计算HVdis的相位一致性图，记为PCHV,dis；然后计算PCHV,org中的每个像素点与PCHV,dis中对应的像素点之间的相似度，将PCHV,org中坐标位置为(x,y)的像素点与PCHV,dis中坐标位置为(x,y)的像素点之间的相似度记为Sim_mapPCHV(x,y)=2×PCHV,org(x,y)×PCHV,dis(x,y)+c3[PCHV,org(x,y)]2+[PCHV,dis(x,y)]2+c3,]]>其中，1≤x≤8R,1≤y≤8C，PCHV,org(x,y)表示PCHV,org中坐标位置为(x,y)的像素点的像素值，PCHV,dis(x,y)表示PCHV,dis中坐标位置为(x,y)的像素点的像素值，c3为常数；再计算PCHV,org中的所有像素点与PCHV,dis中对应的像素点之间的相似度的平均值，记为SimPCHV=18R×8C×Σx=18RΣy=18CSim_mapPCHV(x,y);]]>⑧获得Sdis的特征向量，记为Xdis，Xdis=[SimACLV,DistHLV,DistVLV,DistDLV,SimPCHV],]]>其中，符号“[]”为向量表示符号；⑨采用n”幅原始的无失真立体图像，建立其在不同失真类型不同失真程度下的失真立体图像集合，将该失真立体图像集合作为训练集，训练集包括多幅失真立体图像；然后利用主观质量评价方法评价出训练集中的每幅失真立体图像的平均主观评分差值，将训练集中的第j幅失真立体图像的平均主观评分差值记为DMOSj；再按照步骤①至步骤⑧的操作，以相同的方式获取训练集中的每幅失真立体图像的特征向量，将训练集中的第j幅失真立体图像的特征向量记为Xdis,j；其中，n”>1，j的初始值为1，1≤j≤N'，N'表示训练集中包含的失真立体图像的总幅数，0≤DMOSj≤100；⑩利用支持向量回归对训练集中的所有失真立体图像各自的平均主观评分本文档来自技高网...

【技术保护点】
一种采用视差补偿视点间滤波的立体图像质量评价方法，其特征在于包括以下步骤：①令Sorg表示原始的无失真立体图像，令Sdis表示Sorg经失真后的失真立体图像，将Sdis作为待评价的失真立体图像，将Sorg的左视点图像记为Lorg，将Sorg的右视点图像记为Rorg，将Sdis的左视点图像记为Ldis，将Sdis的右视点图像记为Rdis；②以Lorg作为参考视点图像，对Rorg进行视差补偿，得到Sorg的右视点视差补偿图像，记为同样，以Ldis作为参考视点图像，对Rdis进行视差补偿，得到Sdis的右视点视差补偿图像，记为③对Lorg和进行视点间滤波，得到Sorg的高频图像和低频图像，对应记为HVorg和LVorg；同样，对Ldis和进行视点间滤波，得到Sdis的高频图像和低频图像，对应记为HVdis和LVdis；④对LVorg进行二维离散小波变换，得到LVorg的近似系数矩阵、水平细节系数矩阵、垂直细节系数矩阵以及对角线细节系数矩阵，对应记为以及同样，对LVdis进行二维离散小波变换，得到LVdis的近似系数矩阵、水平细节系数矩阵、垂直细节系数矩阵以及对角线细节系数矩阵，对应记为以及⑤计算与之间的结构相似度，记为其中，SSIM( )为结构相似度计算函数；⑥对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为同样，对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为然后计算与之间的距离，记为DistHLV=|γHLV,org-γHLV,dis||γHLV,org+γHLV,dis|;]]>同样，计算与之间的距离，记为DistVLV=|γVLV,org-γVLV,dis||γVLV,org+γVLV,dis|;]]>计算与之间的距离，记为DistDLV=|γDLV,org-γDLV,dis||γDLV,org+γDLV,dis|,]]>其中，符号“| |”为取绝对值符号；⑦计算HVorg的相位一致性图，记为PCHV,org；并计算HVdis的相位一致性图，记为PCHV,dis；然后计算PCHV,org中的每个像素点与PCHV,dis中对应的像素点之间的相似度，将PCHV,org中坐标位置为(x,y)的像素点与PCHV,dis中坐标位置为(x,y)的像素点之间的相似度记为Sim_mapPCHV(x,y)=2×PCHV,org(x,y)×PCHV,dis(x,y)+c3[PCHV,org(x,y)]2+[PCHV,dis(x,y)]2+c3,]]>其中，1≤x≤8R,1≤y≤8C，PCHV,org(x,y)表示PCHV,org中坐标位置为(x,y)的像素点的像素值，PCHV,dis(x,y)表示PCHV,dis中坐标位置为(x,y)的像素点的像素值，c3为常数；再计算PCHV,org中的所有像素点与PCHV,dis中对应的像素点之间的相似度的平均值，记为SimPCHV=18R×8C×Σx=18RΣy=18CSim_mapPCHV(x,y);]]>⑧获得Sdis的特征向量，记为Xdis，Xdis=[SimACLV,DistHLV,DistVLV,DistDLV,SimPCHV],]]>其中，符号“[ ]”为向量表示符号；⑨采用n”幅原始的无失真立体图像，建立其在不同失真类型不同失真程度下的失真立体图像集合，将该失真立体图像集合作为训练集，训练集包括多幅失真立体图像；然后利用主观质量评价方法评价出训练集中的每幅失真立体图像的平均主观评分差值，将训练集中的第j幅失真立体图像的平均主观评分差值记为DMOSj；再按照步骤①至步骤⑧的操作，以相同的方式获取训练集中的每幅失真立体图像的特征向量，将训练集中的第j幅失真立体图像的特征向量记为Xdis,j；其中，n”>1，j的初始值为1，1≤j≤N'，N'表示训练集中包含的失真立体图像的总幅数，0≤DMOSj≤100；⑩利用支持向量回归对训练集中的所有失真立体图像各自的平均主观评分差值及特征向量进行训练，使得经过训练得到的回归函数值与平均主观评分差值之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用W...

【技术特征摘要】
1.一种采用视差补偿视点间滤波的立体图像质量评价方法，其特征在于包括以下步
骤：
①令Sorg表示原始的无失真立体图像，令Sdis表示Sorg经失真后的失真立体图像，将Sdis作为待评价的失真立体图像，将Sorg的左视点图像记为Lorg，将Sorg的右视点图像记为Rorg，将
Sdis的左视点图像记为Ldis，将Sdis的右视点图像记为Rdis；
②以Lorg作为参考视点图像，对Rorg进行视差补偿，得到Sorg的右视点视差补偿图像，记
为同样，以Ldis作为参考视点图像，对Rdis进行视差补偿，得到Sdis的右视点视差补偿
图像，记为③对Lorg和进行视点间滤波，得到Sorg的高频图像和低频图像，对应记为HVorg和
LVorg；同样，对Ldis和进行视点间滤波，得到Sdis的高频图像和低频图像，对应记为HVdis和LVdis；
④对LVorg进行二维离散小波变换，得到LVorg的近似系数矩阵、水平细节系数矩阵、垂直
细节系数矩阵以及对角线细节系数矩阵，对应记为以及同
样，对LVdis进行二维离散小波变换，得到LVdis的近似系数矩阵、水平细节系数矩阵、垂直细
节系数矩阵以及对角线细节系数矩阵，对应记为以及⑤计算与之间的结构相似度，记为其中，SSIM()为结构相似度计算函数；
⑥对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，
记为同样，对的系数分布直方图进行α稳定分布拟合，得到的α稳定分
布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到的α稳
定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到的α稳定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，得到
的α稳定分布尺度参数，记为对的系数分布直方图进行α稳定分布拟合，
得到的α稳定分布尺度参数，记为然后计算与之间的距离，记为DistHLV=|γHLV,org-γHLV,dis||γHLV,org+γHLV,dis|;]]>同样，计算
与之间的距离，记为DistVLV=|γVLV,org-γVLV,dis||γVLV,org+γVLV,dis|;]]>计算与之间
的距离，记为DistDLV=|γDLV,org-γDLV,dis||γDLV,org+γDLV,dis|,]]>其中，符号“||”为取绝对值符号；
⑦计算HVorg的相位一致性图，记为PCHV,org；并计算HVdis的相位一致性图，记为PCHV,dis；
然后计算PCHV,org中的每个像素点与PCHV,dis中对应的像素点之间的相似度，将PCHV,org中坐标
位置为(x,y)的像素点与PCHV,dis中坐标位置为(x,y)的像素点之间的相似度记为
Sim_mapPCHV(x,y)=2×PCHV,org(x,y)×PCHV,dis(x,y)+c3[PCHV,org(x,y)]2+[PCHV,dis(x,y)]2+c3,]]>其中，1≤x
≤8R,1≤y≤8C，PCHV,org(x,y)表示PCHV,org中坐标位置为(x,y)的像素点的像素值，PCHV,dis(x,y)表示PCHV,dis中坐标位置为(x,y)的像素点的像素值，c3为常数；再计算PCHV,org中的所
有像素点与PCHV,dis中对应的像素点之间的相似度的平均值，记为SimPCHV=18R×8C×Σx=18RΣy=18CSim_mapPCHV(x,y);]]>⑧获得Sdis的特征向量，记为Xdis，Xdis=[SimACLV,DistHLV,DistVLV,DistDLV,SimPCHV],]]>其中，符
号“[]”为向量表示符号；
⑨采用n”幅原始的无失真立体图像，建立其在不同失真类型不同失真程度下的失真立
体图像集合，将该失真立体图像集合作为训练集，训练集包括多幅失真立体图像；然后利用
主观质量评价方法评价出训练集中的每幅失真立体图像的平均主观评分差值，将训练集中
的第j幅失真立体图像的平均主观评分差值记为DMOSj；再按照步骤①至步骤⑧的操作，以
相同的方式获取训练集中的每幅失真立体图像的特征向量，将训练集中的第j幅失真立体
图像的特征向量记为Xdis,j；其中，n”>1，j的初始值为1，1≤j≤N'，N'表示训练集中包含的失
真立体图像的总幅数，0≤DMOSj≤100；
⑩利用支持向量回归对训练集中的所有失真立体图像各自的平均主观评分差值及特
征向量进行训练，使得经过训练得到的回归函数值与平均主观评分差值之间的误差最小，
拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回
归训练模型；再根据支持向量回归训练模型，对Xdis进行测试，预测得到Sdis的客观质量评价
预测值，记为Q，Q＝f(Xdis)，其中，Q是Xdis的函数，f()为函数
表示形式，(Wopt)T为Wopt的转置...

【专利技术属性】
技术研发人员：宋洋，蒋刚毅，郁梅，彭宗举，陈芬，王朝云，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33