一种提取立体图像显著性特征的方法技术

本发明专利技术提供一种提取立体图像显著性特征的方法，采用LIVE2图像库(现有的立体图像库)来建立哈希表，该图像库中一共有779幅图像，选择每幅图像的最优图像质量块，本方案考虑到了立体图的显著性这一重大特征，通过改进SDSP模型得到显著特征图，左右视图包含了图像的大量信息，对视差图进行高斯差分滤波得到深度特征，再将深度特征和显著图进行融合得到深度显著图。相比于现有技术，本方案的模型预测的图像质量分数与图像库提供的分数将会具有较好的相关性，会更加符合人眼视觉感知，实现图像提取作业中，在图像或者视频处理的显示终端可以实现质量监控的要求，可以更加准确地评价出立体图像的质量。立体图像的质量。立体图像的质量。

【技术实现步骤摘要】
一种提取立体图像显著性特征的方法


[0001]本专利技术主要涉及图像质量评价领域，具体涉及一种提取立体图像显著性特征的方法。

技术介绍

[0002]当今社会正处在数字技术飞速发展的时代，人们对传输及获取的图像质量提出了更高的要求。因此，需要在图像或者视频处理的显示终端嵌入质量监控模块。为了满足图像处理系统实现质量监控的要求，并且克服无法获取标准参考图像的困难，专家学者们提出了无参考图像质量评价技术，并对该项技术进行了深入研究。
[0003]针对立体图像质量评价问题的研究均取得了一定的效果，但是并未考虑到立体图像显著性这一重要特征。此外，立体图像的左右视图包含了图像的大量信息，将其作为神经网络的输入之一，在降低手动提取特征难度的同时使网络可以学习到更多特征。
[0004]因此，本专利技术提出了基于多元特征的一种提取立体图像显著性特征的方法，提取失真图像对的深度显著性特征、对比度特征和经过亮度系数归一化后的左右视图作为输入，训练卷积神经网络从而评价立体图像的质量。

技术实现思路

[0005]1.专利技术要解决的问题本专利技术的提供了一种提取立体图像显著性特征的方法，实现图像提取作业中，在图像或者视频处理的显示终端可以实现质量监控的要求，可以更加准确地评价出立体图像的质量。
[0006]2.技术方案为达到上述目的，本专利技术提供的技术方案为：一种提取立体图像显著性特征的方法，包括如下步骤：采用LIVE2图像库(现有的立体图像库)来建立哈希表，该图像库中一共有779幅图像，选择每幅图像的最优图像质量块。
[0007]步骤1：将左右视图进行相减，得到视差图。
[0008]步骤2：采用高斯差分滤波器对视差图进行处理，提取出立体图像的轮廓特征和深度边缘特征。
[0009]步骤3：改进SDSP模型，将边缘显著取代模型原始的中心位置显著作为模型：提取3种图像特征：边缘特征，颜色特征和视图特征，作为图像的显著特征图。
[0010]最终给定的显著特征图计算方法为：最终给定的显著特征图计算方法为：表示点X处的颜色显著，表示点X处的频率显著性，表示边缘位置显著。
[0011]步骤4：利用小波变换将立体图像的深度特征和显著特征融合得到立体图像深度显著图。
[0012]步骤5：通过自适应找到分割阈值向量用来增强立体图像对比度，提取立体图像的对比度特征。
[0013]步骤6：对左右视图进行亮度系数归一化处理。
[0014]步骤7：将提取的三种立体图像特征作为特征图像数据集，训练卷积神经网络，从而预测出立体图像的质量分数。
[0015]进一步的，所述步骤1中左右视图分别需要进行颜色、边缘和视图的特征提取。
[0016]进一步的，所述步骤2中视差图分别与步骤1中左视图和右视图提取的特征组合成深度显著左视图和深度显著右视图。
[0017]进一步的，所述左视图和右视图需要做亮度系数归一化处理，并交由卷积神经网络处理。
[0018]进一步的，所述左视图和右视图组合成深度显著图，并交由卷积神经网络处理。
[0019]进一步的，所述左视图和右视图组合成对比度，并交由卷积神经网络处理。
[0020]进一步的，所述方法还包括依托立体图像的质量分数进行排列。
[0021]3.有益效果采用本专利技术提供的技术方案，与现有技术相比，具有如下有益效果：本专利技术提供了一种提取立体图像显著性特征的方法，本方案考虑到了立体图的显著性这一重大特征，通过改进SDSP模型得到显著特征图，左右视图包含了图像的大量信息，对视差图进行高斯差分滤波得到深度特征，再将深度特征和显著图进行融合得到深度显著图。相比于现有技术，本方案的模型预测的图像质量分数与图像库提供的分数将会具有较好的相关性，会更加符合人眼视觉感知。
[0022]该装置中未涉及部分均与现有技术相同或可采用现有技术加以实现。
附图说明
[0023]图1为本专利技术的新型结构的流程图；图2为本专利技术的新型结构的流程图。
具体实施方式
[0024]为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述，附图中给出了本专利技术的若干实施例，但是，本专利技术可以以许多不同的形式来实现，并不限于本文所描述的实施例，相反地，提供这些实施例的目的是使对本专利技术的公开内容更加透彻全面。
[0025]需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件；当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件；本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0026]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同；本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术；本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例
[0027]参照图1
‑
2，一种提取立体图像显著性特征的方法，包括如下步骤：采用LIVE2图像库(现有的立体图像库)来建立哈希表，该图像库中一共有779幅图像，选择每幅图像的最优图像质量块。
[0028]步骤1：将左右视图进行相减，得到视差图。
[0029]步骤2：采用高斯差分滤波器对视差图进行处理，提取出立体图像的轮廓特征和深度边缘特征。
[0030]步骤3：改进SDSP模型，将边缘显著取代模型原始的中心位置显著作为模型：提取3种图像特征：边缘特征，颜色特征和视图特征，作为图像的显著特征图。
[0031]最终给定的显著特征图计算方法为：最终给定的显著特征图计算方法为：表示点X处的颜色显著，表示点X处的频率显著性，表示边缘位置显著。
[0032]步骤4：利用小波变换将立体图像的深度特征和显著特征融合得到立体图像深度显著图。
[0033]步骤5：通过自适应找到分割阈值向量用来增强立体图像对比度，提取立体图像的对比度特征。
[0034]步骤6：对左右视图进行亮度系数归一化处理。
[0035]步骤7：将提取的三种立体图像特征作为特征图像数据集，训练卷积神经网络，从而预测出立体图像的质量分数。
[0036]本实施例中，所述步骤1中左右视图分别需要进行颜色、边缘和视图的特征提取。
[0037]本实施例中，所述步骤2中视差图分别与步骤1中左视图和右视图提取的特征组合成深度显著左视图和深度显著右视图。
[0038]本实施例中，所述左视图和右视图需要做亮度系数归一化处理，并交由卷积神经网络处理。
[0039]本实施例中，所述左视图和右视图组合成深度显著图，并交由卷积神经网络处理。
[0040]本实施例中，所述左视图和右视图组合成对比度，并交由卷积神经网络处理。
[0041]本实施例中，所述方法还包括依托立体图像的质量分数进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提取立体图像显著性特征的方法，其特征在于：包括如下步骤：采用LIVE2图像库(现有的立体图像库)来建立哈希表，该图像库中一共有779幅图像，选择每幅图像的最优图像质量块；步骤1：将左右视图进行相减，得到视差图；步骤2：采用高斯差分滤波器对视差图进行处理，提取出立体图像的轮廓特征和深度边缘特征；步骤3：改进SDSP模型，将边缘显著取代模型原始的中心位置显著作为模型：提取3种图像特征：边缘特征，颜色特征和视图特征，作为图像的显著特征图；最终给定的显著特征图计算方法为：最终给定的显著特征图计算方法为：表示点X处的颜色显著，表示点X处的频率显著性，表示边缘位置显著；步骤4：利用小波变换将立体图像的深度特征和显著特征融合得到立体图像深度显著图；步骤5：通过自适应找到分割阈值向量用来增强立体图像对比度，提取立体图像的对比度特征；步骤6：对左右视图进行亮度系数归一化处理；步骤7：将提取的三种立体图像特征作为特征图像数据集，训练卷积神经网络，从而预...

【专利技术属性】
技术研发人员：史玉华，张天飞，丁娇，陈曦，
申请(专利权)人：安徽信息工程学院，
类型：发明
国别省市：