[发明专利]一种基于机器学习的立体图像质量客观评价方法

说明书

技术领域

本发明涉及计算机多媒体技术领域，特别涉及一种基于机器学习的立体图像质量客观评价方法。

背景技术

图像数据在进行采集、压缩处理、传输、重建以及图像通信等过程中，经过处理后的图像与原始图像会有差异，如何评价这些差异以及这些差异对图像效果造成的影响，是图像质量评价的主要内容。在对图像质量进行评价时，人是立体图像优劣的最终接收和评判者，因此必须考虑HVS(Human Visual System，人类视觉系统)的立体信息处理机理，模拟其对立体信息的感知过程，构建质量评价模型。

目前，图像质量评价方法可以分为主观评价方法和客观评价方法。主观评价方法考虑了观察者对图像的理解效果，但是由于受到观察者知识背景、观测目的和环境等的影响，这种主观评价方法费时费力，可移植性差。客观评价方法是对表征图像质量的有关特性参数进行建模，从而使评价模型准确地反映HVS感知的主观质量，定量地表示图像主观质量的好坏。由于HVS是一个复杂的非线性系统，基于它建立的评价方法很难精准；另外，对于立体图像，其与平面图像不同，立体图像在相邻视点间存在着高度的相关性,如果2个相邻视点的图像质量都很高，但是视点间的视差较小，观察者会感觉到图像立体感降低。而目前现有的基于人体视觉特性的立体图像客观评价标准都是针对某几种特定的失真情况，适用性不高。因此，建立一个引入人眼视觉特性的立体图像质量的客观评价标准，并在此基础上提出了一种基于机器学习的客观评价标准并使用机器学习来提高对不同失真情况的适用性是目前立体图像质量客观评价领域的一个亟需解决的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于机器学习的立体图像质量客观评价方法。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种基于机器学习的立体图像质量客观评价方法，其包括如下步骤：

S1：提取立体图像的图像质量客观评价依据的参数；

S2：利用图像库中的标准图像序列提取出的参数进行机器学习；

S3：利用学习结果将立体图像质量评价结果与提取出的参数进行拟合；

S4：将拟合结果运用于待评价图像并与主观评价分数进行对比。

本发明基于人眼的视觉特性，对PSNR（Peak Signal to Noise Ratio，峰值信噪比），SSIM（structural similarity index）求取公式的形式和加权值做了改进，提出了视觉舒适度计算方法和利用融合后图像参数评价的方法，使用了多个特征参数联合拟合，提高了拟合效果。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明基于机器学习的立体图像质量客观评价方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

本发明提供了一种基于机器学习的立体图像质量客观评价方法，其包括如下步骤：

S1：提取立体图像的图像质量客观评价依据的参数；

S2：利用图像库中的标准图像序列提取出的参数进行机器学习；

S3：利用学习结果将立体图像质量评价结果与提取出的参数进行拟合；

S4：将拟合结果运用于待评价图像并与主观评价分数进行对比。

图1是本发明基于机器学习的立体图像质量客观评价方法的流程图。从图中可见，本发明基于机器学习的立体图像质量客观评价方法的第一步为提取立体图像的图像质量客观评价依据的参数，在本实施方式中，将立体图像从感知图像质量，深度感知，视差，视觉疲劳特性，左右视点图像融合图像质量5个方面提取参数作为客观评价依据。

本发明将立体图像从感知图像质量方面提取参数的方法是在传统的PSNR方法基础上，并考虑立体视觉感知的方法，在图像频率不同的地方设定不同的权重，具体的提取方法为：对于一副大小为M*N的图像f（x，y）和参考图像g（x，y），图像的PSNR为：