【技术实现步骤摘要】
基于显著性加权的无参考全景图像质量评价方法
[0001]本专利技术属于图像处理
,具体涉及到无参考全景图像质量评价方法。
技术介绍
[0002]图像质量评价即使用计算机模拟人眼对图像的感知质量进行评估。从人眼观察图像的习惯特点出发,构建网络模型往往能取得与主观感知一致性较高的结果,合理考虑人眼视觉系统特性是图像质量评价问题的重要突破口。
[0003]在使用虚拟现实设备观察全景图像时,视觉内容首先由3D球坐标中的球体表示,然后被渲染为与球体相切的平面段,该平面段称为视口。视口的生成就是模拟人眼在虚拟现实中的观察行为,相较于全景图像的默认投影格式等矩形投影,视口更符合人眼的感知过程。由于人眼无法同时关注所有视口图像,因此依据视口对人眼的吸引程度进行不同处理极有必要。
技术实现思路
[0004]本专利技术所要解决的技术问题在于克服上述现有技术的缺点,提供一种符合人眼视觉系统特性、与主观评价一致、效率高的基于显著性加权的无参考全景图像质量评价方法。
[0005]解决上述技术问题所采用的技术方案是由下述步骤组成:
[0006](1)选择数据集
[0007]将全景图像质量评价数据集中的全景图像以8:2分为训练集、测试集,训练集与测试集之间没有重叠。
[0008](2)图像预处理
[0009]通过立方体投影,将训练集和测试集的全景图像映射得到前、后、左、右、上、下六张视口图像。
[0010](3)构建SW
‑
PIQA网络
[00 ...
【技术保护点】
【技术特征摘要】
1.一种基于显著性加权的无参考全景图像质量评价方法,其特征在于由下述步骤组成:(1)选择数据集将全景图像质量评价数据集中的全景图像以8:2分为训练集、测试集,训练集与测试集之间没有重叠;(2)图像预处理通过立方体投影,将训练集和测试集的全景图像映射得到前、后、左、右、上、下六张视口图像;(3)构建SW
‑
PIQA网络SW
‑
PIQA网络由特征提取模块1与显著性加权模块2并联后与质量回归模块3串联构成;所述的显著性加权模块2由显著性模块与权重分配模块串联构成;所述的质量回归模块3由加权模块与回归模块串联构成;(4)训练SW
‑
PIQA网络1)构建损失函数按下式构建损失函数Loss:其中,M为测试集的数量,sp
j
为全景图像的预测质量分数,st
j
为全景图像的真实质量分数;2)训练SW
‑
PIQA网络软件条件为Centos7.5操作系统,基于pytorch1.7.0框架,将训练集输入到SW
‑
PIQA网络进行训练,训练参数学习率为0.0001,平滑系数alpha为0.9,批处理量为16,训练轮数为25,训练至损失函数收敛;(5)测试SW
‑
PIQA网络将测试集输入到训练后的SW
‑
PIQA网络中,得到全景图像的预测图像质量分数。2.根据权利要求1所述的基于显著性加权的无参考全景图像质量评价方法,其特征在于:在步骤(3)构建SW
‑
PIQA网络中,所述的特征提取模块1由六条ResNet34卷积神经网络并联构成,六条ResNet34卷积神经网络分别提取前、后、左、右、上、下六张视口图像的特征Σ
n
如下:其中,特征的维度为512,ε
n
为7
×
7的矩阵,n∈{1,2,
…
,6}。3.根据权利要求1所述的基于显著性加权的无参考全景图像质量评价方法,其特征在于在步骤(3)构建SW
‑
PIQA网络中,所述的回归模块由全连接层fc1与全连接层fc2、全连接层fc3、全连接层fc4、全连接层fc5、全连接层fc6相互并联后,再与全连接层fc7串联构成,全连接层fc1、全连接层fc2、全连接层fc3、全连接层fc4、全连接层fc5、全连接层fc6的输入为512,输出为10;全连接层fc7的输入为60、输出为1。4.根据权利要求1所述的基于显著性加权的无参考全景图像质量评价方法,其特征在于在步骤(3)构建SW
‑
PIQA网络中,所述的显著性模块的构建方法如下:
按下式确定视口图像中每个像素点的显著性值s
k
:其中,N1为像素点k的子区域的像素点数量,N2为像素点k的子区域邻域的像素点数量,N1和N2为有限的正整数,...
【专利技术属性】
技术研发人员:艾达,白岩松,鹿明月,胥策,艾宇,
申请(专利权)人:西安邮电大学,
类型:发明
国别省市:
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。