基于深度学习的3D图像质量的度量方法技术

本发明专利技术属于图像处理领域，为提出一种新的立体图像质量评价方法，实现更加准确有效的评价立体图像质量,同时在一定程度上推动立体成像技术的发展。为此，本发明专利技术采用的技术方案是，基于深度学习的3D图像质量的度量方法，首先对立体图像数据集进行切块处理，切块处理得到许多小的图像块，再对每个图像块进行归一化处理；同时对立体图像数据集进行主成分分析PCA降维处理，得到维度较低的图像；然后将切块得到的图像块数据集与PCA降维后得到的低维度数据集送入搭建的卷积神经网络中；然后利用卷积神经网络逐层提取特征；最后通过softmax分类器得到立体图像的总体质量。本发明专利技术主要应用于图像处理。

Measurement of 3D image quality based on depth learning

The invention belongs to the field of image processing, and proposes a new stereo image quality assessment method to achieve more accurate and effective evaluation of stereo image quality, and at the same time, to a certain extent, promote the development of stereoscopic imaging technology. Therefore, the technical scheme of the invention is method to measure the image quality of 3D deep learning based on the first stereo image data sets were cut processing, cutting treatment by many small image blocks, then each image block is normalized; at the same time of stereo image data sets were analyzed by principal component analysis PCA dimensionality reduction that image is of low dimensionality; then the image block data sets obtained low dimension data cubes with PCA dimensionality reduction set into the building of convolutional neural network; then using convolutional neural network layer feature extraction; finally, the overall quality of stereoscopic images obtained by softmax classifier. The invention is mainly applied to image processing.

【技术实现步骤摘要】
基于深度学习的3D图像质量的度量方法
本专利技术属于图像处理领域，涉及立体图像质量评价方法改进优化，尤其是涉及深度学习的卷积神经网络和主成分分析在立体图像质量客观评价中的应用。
技术介绍
随着移动设备和通信的快速发展，人们生活中接触到的图片内容也越来越多，尤其是最近兴起的3D显示技术和相关应用极大地提高了人眼的视觉感受，比如，3D电影、VR眼镜等，带来了更多的娱乐和独一无二的体验，这不仅在工业界，也在学术界吸引了更多的研究者，如何实时有效地评估立体图像的质量已成为立体图像研究领域的关键问题之一。立体图像的质量评价方法一般分为主观评价(subjectiveevaluation)和客观评价(objectiveevaluation)。由于人眼是最终的图像的最终接收者，所以主观评价被看作是评估立体图像质量的一种可靠方法，但是主观评价方法需要很多的观察者参与图像评价的实验中，每个观察者要给出图像的主观分数，最后统计计算得到平均主观分数(Meanopinionscore,MOS)，这种方式虽然可以获得较准确的图像评价，但花费的时间和成本长，而客观评价方法能够自动评估立体图像的质量，能够有效的弥补本文档来自技高网...

【技术保护点】
一种基于深度学习的3D图像质量的度量方法，其特征是，首先对立体图像数据集进行切块处理，切块处理得到许多小的图像块，再对每个图像块进行归一化处理；同时对立体图像数据集进行主成分分析PCA降维处理，得到维度较低的图像；然后将切块得到的图像块数据集与PCA降维后得到的低维度数据集送入搭建的卷积神经网络中；然后利用卷积神经网络逐层提取特征；最后通过softmax分类器得到立体图像的总体质量。

【技术特征摘要】
1.一种基于深度学习的3D图像质量的度量方法，其特征是，首先对立体图像数据集进行切块处理，切块处理得到许多小的图像块，再对每个图像块进行归一化处理；同时对立体图像数据集进行主成分分析PCA降维处理，得到维度较低的图像；然后将切块得到的图像块数据集与PCA降维后得到的低维度数据集送入搭建的卷积神经网络中；然后利用卷积神经网络逐层提取特征；最后通过softmax分类器得到立体图像的总体质量。2.如权利要求1所述的基于深度学习的3D图像质量的度量方法，其特征是，一个实例中具体步骤如下：(1)读入训练样本，并将样本随机分成训练集和测试集两部分，并对样本归一化；(2)对训练集和测试集使用PCA算法进行降维处理以及切块处理后得到两组数据集；(3)将降维后的训练集以及切块后的数据以多通道的方式送入具有多尺度池化层的卷积神经网络中进行训练；(4)通过训练集训练好后，完成模型建立；(5)将测试集送入训练好的网络中，得出质量分数。3.如权利要求1所述的基于深度学习的3D图像质量的度量方法，其特征是，图像分块处理的步骤如下：(1)图像分块，假设图片大小为M×N维，图片块的大小设置为k×k维，那么分块后得到的图像块数量n为：n＝(M/k)(N/k)(1)若M与N不是恰好为k的整数倍，通过对其图像矩阵补0使得其为k的整数倍；(2)图像块归一化处理规则如下：公式(2)中I(i,j)表示在位置(i,j)处的初始像素值，Ω表示计算均值与方差的局部区域，m×n表示的是在局部区域Ω中的像素点的总个数，μ(x,y)表示I(i,j)区域的均值，σ(x,y)表示I(i,j)区域的方差，其中c表示任意的一个极小正数，以防止分母为0，表示归一化后的像素值，归一化后，原始的图像块变成零均值、方差为1的图像块。4.如权利要求1所述的基于深度学习的3D图像质量的度量方法，其特征是，通过PCA算法对实验图像进行降维预处理，算法步骤如下：给定l个样本，每个样本的尺寸大小为m×n，样本的矩阵以X＝(x1,x2,…,xl)T，其中xii∈[1,l]为第i个样本构成的mn维的一维向量；(1)对样本矩阵X作中心化处理，即利用得到样本矩阵每列的均值，之后按照每列减去其均值di＝xi-mi得到零均值矩阵(2)计算样本数据的协方差矩阵

【专利技术属性】
技术研发人员：李素梅，常永莉，段志成，侯春萍，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12