[发明专利]基于自然场景统计的无参考立体图像质量评价方法

说明书

本发明公开了一种基于自然场景统计的无参考立体图像质量评价方法。其主要步骤如下：（1）利用能量增益控制双目融合模型来对立体图像中的左右图像进行融合，生成中央眼图像；（2）在上述得到的中央眼图像上进行分析，提取能够准确地反映2D图像质量的相关特征；（3）利用视差匹配算法来计算立体图像的双目视差；（4）根据上一步中计算得到的双目视差和其他3D视觉特性来提取能影响3D视觉感知质量的特征；（5）最后，由上述得到的2D特征和3D特征构成特征向量，利用支持向量机进行模型训练和测试。本发明提出的方法能够准确的预测立体图像质量的客观值，且与人眼感知有很高的吻合性。

技术领域

本发明涉及客观立体图像的质量评价领域，特别涉及一种基于自然场景统计的无参考立体图像质量评价方法。

背景技术

随着立体图像应用场合的不断增加，如何能够迅速、准确、有效地对这些立体图像进行评估便成了一个迫在眉睫的问题。首先，和2D图像一样，立体图像在采集、压缩、编码和传输等过程中同样会产生各种类型的失真，这些失真必定会对立体图像的质量产生一定的影响。其二，虽然立体图像是由2D图像发展而来的，但是由于自身独特的显示原理，其质量的定义和2D图像并不完全相同。立体视觉特性也会影响人眼对立体图像质量的评价。因此和2D图像相比，立体图像的质量评价工作更为复杂。

立体图像质量评价可以分为主观立体图像质量评价和客观立体图像质量评价。客观立体图像质量评价方法又可分为全参考、半参考和无参考立体图像质量评价，这里的参考是指参考立体图像，即无失真立体图像。对于全参考的立体图像质量评价，目前一般指的是失真质量评价，即利用失真模型来计算失真立体图像相对于参考立体图像的降质大小，然后通过一定的融合方式得到最终的立体图像质量指数。对于无参考的立体图像质量评价，因为没有了参考图像，失去对照物，一般的方法是对立体图像进行特征向量提取，然后结合主观数据库，利用机器学习来进行训练和测试。常用的机器学习方法是支持向量机(Support Vector Machine，SVM)，该类方法的难点是提取什么样的图像特征(亮度以及反映3D特性的视差深度等)能更好的反映立体图像的质量。

客观图像质量评价方法的评价标准是比较图像质量的客观预测值与人眼主观值之间的相关性，相关性越高，即表明客观方法越准确。在研究立体图像质量评价方法时，利用人眼的3D视觉感知特性来指导客观评价模型是非常的有必要，而且往往能得到更好的效果。影响立体图像主观感知的因素众多，从人眼角度考虑，有单目视觉特性和双目视觉特性。其中，双目视觉特性是由于人的左右两只眼睛看到的图像内容不相同所产生的。人眼视觉系统可以对左右眼观看到的图像进行三维重建，经过大脑分析和调整后可以获取物体的位置信息，从而获得立体感。双目视觉特性主要包括一下几点：1)立体视觉：也叫深度感知；2)双目竞争：左右视点图像的内容不匹配；3)双目融合：双眼将左右视点图像融合成中央眼图像。

在研究无参考的立体图像质量评价过程中，应该首先分析立体图像的特有特性，并考虑人眼的3D视觉感知特性，提取能够反映立体图像感知质量的相关特征向量，然后利用机器学习来进行训练和测试。

发明内容

本发明的目的在于提供一种基于自然场景统计的无参考立体图像质量评价方法，在不需要被测试立体图像相对应的参考图像的条件下，通过提取能够反映被测试立体图像质量的特征，并利用支持向量机来对提取的特征向量进行模型训练，然后利用训练得到的模型来计算被测试立体图像质量的客观方法预测值。被测试立体图像质量的客观预测值与其主观值之间的相关性可以用来表明客观质量评价方法的准确性和有效性。试验结果表明该无参考立体图像质量评价方法可以很准确的预测立体图像的质量。

为达到上述目的，本发明的构思如下，如图1所示：

首先，采用双目融合模型来生成被测试立体图像的中央眼图像；接着，分析生成的中央眼图像的特性，提取反映图像质量的2D特征；然后，利用视差匹配算法计算立体图像的双目视差；然后，分析3D视觉感知特性，提取影响立体感知质量的3D特征；最后，利用支持向量机对提取的2D和3D特征进行训练和测试。