[发明专利]一种基于自然场景统计的深度图像质量无参考评价方法

说明书

本发明提出一种基于自然场景统计的深度图像质量无参考评价方法，包括步骤：(1)收集一组深度图像，并将收集来的深度图像分为两部分，一部分为训练图像，另一部分为测试图像；(2)对每一幅深度图像进行不同尺度上的特征参数提取，提取的步骤为：通过边缘检测提取尺度图像的边缘区域，在边缘区域内求尺度图像梯度幅值和高斯‑拉普拉斯算子的分布，并分别用韦伯分布和非对称高斯分布建立二者的分布函数模型，将两个模型的参数作为深度图像的特征参数；(3)最后，用训练图像的特征参数进行随机森林模型训练，生成客观质量分数评价模型；将测试图像的特征参数输入客观质量分数评价模型，得到测试图像的客观质量分数。

技术领域

本发明涉及图像质量评价领域，尤其是一种基于自然场景统计的深度图像质量无参考评价方法。

背景技术

现有的质量评价方法分为主观评价方法和客观评价方法。主观评价方法虽然评价结果最为准确，但是费时费力，实际操作中不可行。所以，设计客观质量评价方法具有重要意义。能够用来评价深度图质量评价方法主要有传统图像质量评价方法和早期针对深度图的质量评价方法。下面对这些方法进行逐一的介绍和分析。

1、传统图像质量评价方法：现有很多传统算法。全参算法是通过对失真图像和参考图像的对比来评价图像质量。比如利用结构相似度来评价图像质量(SSIM)[1]，在不同图像尺度下计算SSIM从而提出多尺度SSIM(MS-SSIM)[2]，特征相似度算法(FSIM)[3]，基于梯度相似性的算法(GSM)[4]，基于梯度幅值相似性偏差的算法(GMSD)[5]等。无参方法则不需要参考图像，包括图像空间域无参评价(BRISQUE)[6]，自然图像质量评价(NIQE)[7]，基于梯度幅值和拉普拉斯特征的无参考评价(BIQA)[8]等。

2、早期针对深度图质量评价方法：Le等[9]首先利用彩色图像通过SUSAN滤波器计算出的边缘信息和深度图结合计算出深度图的局部失真，然后将彩色图像通过Gabor滤波器得出各个局部失真的权重，最后将局部失真和各自权重结合，从而得到质量分数。Sen等[10]对纹理图和深度图根据空间相似度、边缘方向相似度、边缘块长度相似度进行匹配，得出不重合部分的面积占全图比例来描述合成图像质量。

从现有的算法看，传统图像质量评价方法，无论是全参还是无参算法都未能针对深度图失真的特殊性进行设计，导致评价准确性较差。而目前的针对深度图质量评价的算法，都需要借助无失真的纹理图进行评价，并不易于实现。基于以上分析，亟需设计一种针对深度图的无参考质量评价模型。

[1]Z.Wang，A.C.Bovik，H.R.Sheikh，and E.P.Simoncelli，“Image qualityassessment：From error visibility to structural similarity，”IEEE Trans.ImageProcess.，vol.13，no.4，pp.600-612，Apr.2004.

[2]Z.Wang，E.P.Simoncelli，and A.C.Bovik，“Multiscale structuralsimilarity for image quality assessment，”in Proc.Conf.Rec.37th IEEE AsilomarConf.Signals，Syst.，Comput.，vol.2.Nov.pp.1398-1402，2003.

[3]L.Zhang，D.Zhang，X.Mou，and D.Zhang，“FSIM：A feature similarity indexfor image quality assessment，”IEEE Trans.Image Process.，vol.20，no.8，pp.2378-2386，Aug.2011.