[发明专利]一种无参考立体图像质量评价方法

摘要

本发明公开了一种无参考立体图像质量评价方法，其在训练阶段，通过联合字典训练得到原始的左视点图像及失真左视点图像构成的训练图像集、原始的右视点图像及失真右视点图像构成的训练图像集、原始的独眼图及失真独眼图构成的训练图像集各自的图像特征字典表和图像质量字典表；在测试阶段无需再计算图像特征字典表和图像质量字典表，避免了复杂的机器学习训练过程，且无需预知各测试失真立体图像的主观评价值；在测试阶段，根据在训练阶段构造的图像特征字典表和图像质量字典表，再考虑到测试失真立体图像的左视点图像、右视点图像和独眼图各自的权重系数，来获得图像质量客观评价预测值，能提高客观评价结果与主观感知之间的相关性。

主权项

1.一种无参考立体图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程；所述的训练阶段过程的具体步骤如下：①_1、选取N幅宽度为W且高度为H的原始的无失真立体图像，将第u幅原始的无失真立体图像记为将的左视点图像和右视点图像对应记为和然后获取每幅原始的无失真立体图像的独眼图，将的独眼图记为接着对每幅原始的无失真立体图像的左视点图像和右视点图像及每幅原始的无失真立体图像的独眼图分别进行L个不同失真强度的失真，将所有原始的无失真立体图像的左视点图像及各自对应的L个失真强度的失真左视点图像构成第一组训练图像集，记为并将所有原始的无失真立体图像的右视点图像及各自对应的L个失真强度的失真右视点图像构成第二组训练图像集，记为将所有原始的无失真立体图像的独眼图及各自对应的L个失真强度的失真独眼图构成第三组训练图像集，记为其中，N＞1，1≤u≤N，L＞1，1≤v≤L，表示对应的第v个失真强度的失真左视点图像，表示对应的第v个失真强度的失真右视点图像，表示对应的第v个失真强度的失真独眼图；①_2、将中的每幅失真左视点图像划分成个互不重叠的尺寸大小为16×16的子块；然后采用两种不同的自然场景统计方法获取中的每幅失真左视点图像中的每个子块的图像特征矢量，将中的所有失真左视点图像中的第k个子块的图像特征矢量记为再将中的所有失真左视点图像中的所有子块各自的图像特征矢量构成的集合记为并将中的每幅失真右视点图像划分成个互不重叠的尺寸大小为16×16的子块；然后采用两种不同的自然场景统计方法获取中的每幅失真右视点图像中的每个子块的图像特征矢量，将中的所有失真右视点图像中的第k个子块的图像特征矢量记为再将中的所有失真右视点图像中的所有子块各自的图像特征矢量构成的集合记为将中的每幅失真独眼图划分成个互不重叠的尺寸大小为16×16的子块；然后采用两种不同的自然场景统计方法获取中的每幅失真独眼图中的每个子块的图像特征矢量，将中的所有失真独眼图中的第k个子块的图像特征矢量记为再将中的所有失真独眼图中的所有子块各自的图像特征矢量构成的集合记为其中，1≤k≤M，和的维数均为72×1；①_3、采用六种不同的全参考图像质量评价方法分别获取中的每幅失真左视点图像中的每个子块的客观评价预测值；然后将中的每幅失真左视点图像中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真左视点图像中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为再将中的所有失真左视点图像中的所有子块各自的图像质量矢量构成的集合记为并采用六种不同的全参考图像质量评价方法分别获取中的每幅失真右视点图像中的每个子块的客观评价预测值；然后将中的每幅失真右视点图像中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真右视点图像中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为再将中的所有失真右视点图像中的所有子块各自的图像质量矢量构成的集合记为采用六种不同的全参考图像质量评价方法分别获取中的每幅失真独眼图中的每个子块的客观评价预测值；然后将中的每幅失真独眼图中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真独眼图中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为再将中的所有失真独眼图中的所有子块各自的图像质量矢量构成的集合记为其中，和的维数均为6×1；①_4、采用K‑SVD方法对由和构成的集合进行联合字典训练操作，构造得到和各自的图像特征字典表和图像质量字典表，将的图像特征字典表和图像质量字典表对应记为D^L和W^L，将的图像特征字典表和图像质量字典表对应记为D^R和W^R，将的图像特征字典表和图像质量字典表对应记为D^C和W^C；其中，D^L、D^R和D^C的维数均为72×K，W^L、W^R和W^C的维数均为6×K，K表示设定的字典的个数，K≥1；所述的测试阶段过程的具体步骤如下：②_1、对于任意一幅宽度为W'且高度为H'的测试失真立体图像S_test，将S_test的左视点图像和右视点图像对应记为L_test和R_test；然后获取S_test的独眼图，记为C_test；接着将L_test、R_test和C_test分别划分成个互不重叠的尺寸大小为16×16的子块；②_2、按照步骤①_2中获取和的过程，以相同的操作获取L_test、R_test和C_test各自中的每个子块的图像特征矢量，将L_test中的第t个子块的图像特征矢量记为将R_test中的第t个子块的图像特征矢量记为将C_test中的第t个子块的图像特征矢量记为然后将L_test中的所有子块各自的图像特征矢量构成的集合记为并将R_test中的所有子块各自的图像特征矢量构成的集合记为将C_test中的所有子块各自的图像特征矢量构成的集合记为其中，和的维数均为72×1；②_3、根据在训练阶段过程构造得到的D^L、D^R和D^C，通过联合优化得到和各自中的每个图像特征矢量的稀疏系数矩阵，将中的第t个图像特征矢量的稀疏系数矩阵记为将中的第t个图像特征矢量的稀疏系数矩阵记为将中的第t个图像特征矢量的稀疏系数矩阵记为和是通过求解得到的；再将中的所有图像特征矢量的稀疏系数矩阵构成的集合记为将中的所有图像特征矢量的稀疏系数矩阵构成的集合记为将中的所有图像特征矢量的稀疏系数矩阵构成的集合记为其中，和的维数均为K×1，min()为取最小值函数，符号“|| ||_F”为求取矩阵的弗罗贝尼乌斯‑范数符号；②_4、根据在训练阶段过程构造得到的W^L，估计L_test中的每个子块的图像质量矢量，将L_test中的第t个子块的图像质量矢量记为并根据在训练阶段过程构造得到的W^R，估计R_test中的每个子块的图像质量矢量，将R_test中的第t个子块的图像质量矢量记为根据在训练阶段过程构造得到的W^C，估计C_test中的每个子块的图像质量矢量，将C_test中的第t个子块的图像质量矢量记为其中，和的维数均为6×1；②_5、计算L_test的图像质量客观评价预测值，记为q^L，并计算R_test的图像质量客观评价预测值，记为q^R，计算C_test的图像质量客观评价预测值，记为qC，其中，表示L_test中的第t个子块中的所有像素点的像素值的标准差，表示R_test中的第t个子块中的所有像素点的像素值的标准差，表示C_test中的第t个子块中的所有像素点的像素值的标准差，符号“|| ||₁”为求取矩阵的1‑范数符号；②_6、根据和中的所有图像特征矢量的稀疏系数矩阵，获取L_test、R_test和C_test各自的权重系数，对应记为和然后计算S_test的图像质量客观评价预测值，记为Q，所述的步骤②_6中的和的获取过程为：a1、计算中的所有图像特征矢量的稀疏系数矩阵的直方图，记为并计算中的所有图像特征矢量的稀疏系数矩阵的直方图，记为计算中的所有图像特征矢量的稀疏系数矩阵的直方图，记为其中，1≤g≤K，P表示中的直方图节点的总数，亦表示中的直方图节点的总数，亦表示中的直方图节点的总数，log()表示以2为底的对数函数，1≤p≤P，表示中属于第g个字典分量的概率密度函数，表示中属于第g个字典分量的概率密度函数，表示中属于第g个字典分量的概率密度函数，表示中属于第p个直方图节点的概率密度函数，表示中属于第p个直方图节点的概率密度函数，表示中属于第p个直方图节点的概率密度函数，表示中的第g个字典分量经量化后的系数值，表示中的第g个字典分量经量化后的系数值，表示中的第g个字典分量经量化后的系数值，a2、计算和中的所有图像特征矢量的稀疏系数矩阵的联合直方图，记为其中，P亦表示中的直方图节点的总数，1≤p₁≤P，1≤p₂≤P，表示和中属于第g个字典分量的联合概率密度函数，表示中属于第p₁个直方图节点和第p₂个直方图节点的联合概率密度函数，a3、计算L_test、R_test和C_test各自的独立熵，对应记为H(L_test)、H(R_test)和H(C_test)，然后计算L_test和R_test的联合熵，记为H(L_test,R_test)，a4、计算L_test、R_test和C_test各自的权重系数，对应为和