[发明专利]一种立体图像视觉舒适度和深度感联合优化方法

摘要

本发明公开了一种立体图像视觉舒适度和深度感联合优化方法，其通过训练得到的舒适度客观预测函数来预测得到局部分割对象和全局图像的舒适度预测值，作为视差调整的约束条件，从而能够较为精确地将立体图像的视觉舒适度从不舒适调整到舒适程度；其在测试阶段包括两个主要过程，先对待处理的立体图像的左视差图像中的所有分割对象逐个进行视差调整，后对第一个过程得到的视差调整后的图像中的所有分割对象同步进行视差调整，接着根据两次视差调整后得到的图像计算经视差调整后的右视点图像，再根据待处理的立体图像的左视点图像与经视差调整后的右视点图像获得新的立体图像，从而有效地提升了观看者的深度感和视觉舒适性。

主权项

一种立体图像视觉舒适度和深度感联合优化方法，其特征在于包括训练阶段和测试阶段两个过程；所述的训练阶段包括以下步骤：①‑1、选取不同舒适度等级的M幅宽度为W且高度为H的立体图像构成训练图像集，记为{Sm|1≤m≤M}，其中，M>5，Sm表示{Sm|1≤m≤M}中的第m幅立体图像；①‑2、计算{Sm|1≤m≤M}中的每幅立体图像的用于反映视觉舒适度的特征矢量，将Sm的用于反映视觉舒适度的特征矢量记为Fm，其中，Fm的维数为7，符号“[]”为矢量表示符号，χm表示Sm的左视差图像中的所有像素点的平均绝对视差幅值，表示Sm的左视差图像中的所有像素点的视差方差值，表示Sm的左视差图像中的所有像素点的视差范围，和对应表示Sm的左视差图像中的所有像素点的最大视差均值和最小视差均值，表示Sm的左视差图像的相对视差，表示Sm的左视差图像的对象宽度；①‑3、根据{Sm|1≤m≤M}中的每幅立体图像的用于反映视觉舒适度的特征矢量和平均主观评分差值，采用支持向量回归作为机器学习的方法，获得舒适度客观预测函数，将以Finp作为舒适度客观预测函数的输入矢量得到的舒适度客观预测值记为Φ(Finp)，其中，Φ()为函数表示形式；所述的测试阶段包括以下步骤：②‑1、将待处理的宽度为W且高度为H的立体图像的左视点图像及左视差图像对应记为{IL(x,y)}及{dL(x,y)}，其中，1≤x≤W，1≤y≤H，IL(x,y)表示{IL(x,y)}中坐标位置为(x,y)的像素点的像素值，dL(x,y)表示{dL(x,y)}中坐标位置为(x,y)的像素点的像素值；②‑2、采用K‑mean聚类方法将{dL(x,y)}分割成P个分割对象，其中，P≥1；然后计算{dL(x,y)}中的每个分割对象中的所有像素点的平均视差值；接着按计算得到的平均视差值从小到大的顺序对{dL(x,y)}中的所有分割对象进行排序，将排序后的分割对象构成的集合记为其中，表示中的第1个分割对象，…，第i个分割对象，…，第P个分割对象，1≤i≤P；②‑3、根据训练阶段获得的舒适度客观预测函数，逐个对中的每个分割对象进行视差调整，得到对应的经视差调整后的分割对象，由所有经视差调整后的分割对象构成{dL(x,y)}经视差调整后的图像，记为其中，表示中坐标位置为(x,y)的像素点的像素值；②‑4、根据训练阶段获得的舒适度客观预测函数，同步对中的所有分割对象进行视差调整，得到对应的视差调整后的分割对象，由所有视差调整后的分割对象构成经视差调整后的图像，记为其中，表示中坐标位置为(x,y)的像素点的像素值；②‑5、计算经视差调整后的右视点图像，记为将中坐标位置为(x,y)的像素点的像素值记为其中，表示{IL(x,y)}中坐标位置为的像素点的像素值；然后将{IL(x,y)}和构成一幅新的立体图像。