The invention discloses a parametric 3D image quality evaluation method based on multi-column convolution neural network. The method is divided into two parts: block training and global training. In block training, the left and right viewpoints are divided into blocks of the same size, and SSIM of each block is calculated. These blocks with SSIM tags are trained by a deep learning network based on cascaded multi-column convolution neural network. In the global training part, the left and right view blocks are predicted by the previous part of the network to get the SSIM values, and these SSIM values are arranged into a column vector. Finally, several fully connected networks are used to map the eigenvectors to a subjective quality value of a 3D image. The method of the invention has high robustness and accuracy when tested on the general 3D image database of LIVE Phase I and LIVE Phase II.
【技术实现步骤摘要】
一种基于多列卷积神经网络的无参3D图像质量评估方法
本专利技术涉及一种3D图像质量评估方法，特别是涉及一种基于多列卷积神经网络的无参3D图像质量评估方法，属于图像处理、传输
技术介绍
图像是人类获取信息最直观的方式，随着信息化浪潮的发展，设备的不断推陈出新，我们已经进入了一个智能高清的视觉时代。3D图像带给用户沉浸式体验，具有逼真的感觉，其运用在3D电影上已经取得巨大成功。3D图像在给人们带来新颖的视觉体验的同时，对设备以及传输技术都带来了巨大挑战。3D图像一般具有高清或超高清的画质，这样的画质会产生大量的数据，这对设备的要求就大大提高，并且在网络中进行传输时需要占用大量带宽。3D图像压缩技术能对其进行压缩、编码以减小带宽的占用，但是压缩技术会产生一定不可避免的失真。在网络传输时，因特网协议采用的是尽力而为的服务原则，在遇到网络堵塞时会进行丢包，丢包对压缩后的数据流影响很大，如果丢失了参考帧，视频将无法解码。3D图像的采集过程也会受采集设备的影响，如曝光、抖动等。显示设备也会出现颜色、对比度、色调等的失真。因此，亟需一种对3D图像的质量进行评估的方法来对...
【技术保护点】
1.一种基于多列卷积神经网络的无参3D图像质量评估方法，其特征在于，包括如下步骤：步骤1、训练集建立：在训练集上把原始3D图像切成小块，并对这些小块分别计算一个SSIM值作为标签，由此构建块训练的训练集；步骤2、多列卷积神经网络的块训练：在步骤1得到的训练集上训练图像块的SSIM评估模型，优化算法使用随机梯度下降算法，训练完成后得到一个评估图像块SSIM值的模型；步骤3、全局训练：根据步骤2得到的模型，评估得到左右视点的图像块的SSIM值，将这些SSIM值排列成一个列向量，用几个全连接网络将特征向量映射为一个3D图像主观质量值；步骤4、无参3D图像质量评估：在上述步骤2和3...
【技术特征摘要】
1.一种基于多列卷积神经网络的无参3D图像质量评估方法，其特征在于，包括如下步骤：步骤1、训练集建立：在训练集上把原始3D图像切成小块，并对这些小块分别计算一个SSIM值作为标签，由此构建块训练的训练集；步骤2、多列卷积神经网络的块训练：在步骤1得到的训练集上训练图像块的SSIM评估模型，优化算法使用随机梯度下降算法，训练完成后得...
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。