本發(fā)明屬圖像處理領(lǐng)域，涉及一種無參考立體圖像質(zhì)量客觀評價(jià)方法。

背景技術(shù)：

近年來，三維技術(shù)逐漸普及，步入大眾生活，為觀眾帶來了更好的視覺體驗(yàn)和臨場感，但同時(shí)也對立體圖像的質(zhì)量提出了更高的要求。由于立體圖像的不恰當(dāng)處理可能會(huì)引起觀看者的視覺疲勞與不適，因此十分有必要提出一種統(tǒng)一、客觀、有效的立體圖像質(zhì)量評價(jià)方法對立體圖像質(zhì)量進(jìn)行準(zhǔn)確的預(yù)測。

現(xiàn)有的立體圖像質(zhì)量評價(jià)方法主要包括基于平面圖像質(zhì)量參數(shù)的評價(jià)方法和基于人類視覺基本特性的評價(jià)方法兩種。但是，基于平面圖像質(zhì)量參數(shù)的評價(jià)方法沒有充分考慮人類視覺特性，缺少對立體信息有效利用，因而難以投入實(shí)踐?，F(xiàn)有的基于人類視覺基本特性的評價(jià)方法中最重要的一步是立體匹配，但是如何有效地提取立體信息，合理地進(jìn)行匹配，仍然是立體圖像領(lǐng)域關(guān)注的焦點(diǎn)。因此，很有必要建立一個(gè)以立體圖像基本信息為基礎(chǔ)，又充分考慮人類視覺特性的立體圖像質(zhì)量客觀評價(jià)方法。

此外，鑒于現(xiàn)有的立體圖像質(zhì)量評價(jià)方法需要原始的參考圖像作為評價(jià)依據(jù)，因此具有很大的局限性，所以無參考(即不需要原始的參考圖像對做評價(jià)依據(jù))立體圖像質(zhì)量評價(jià)方法應(yīng)運(yùn)而生。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種充分考慮人類視覺特性的立體圖像質(zhì)量客觀評價(jià)方法。本發(fā)明將立體圖像對和圖和差圖與人類視覺系統(tǒng)的基本特性相結(jié)合，對立體圖像質(zhì)量做出更加全面、準(zhǔn)確的客觀評價(jià)。技術(shù)方案如下：

一種基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法，每個(gè)失真立體圖像對由左圖和右圖組成，設(shè)失真圖像對為(t_l,t_r)，包括以下步驟：

第一步：奇異值分解算法K-SVD進(jìn)行字典學(xué)習(xí)。

第二步，模擬人眼的立體感雙通道特性，將圖像庫中的所有失真圖像對(t_l,t_r)進(jìn)行相減取絕對值和求和取均值操作，得到失真圖像差值圖t_d以及失真圖像和值圖t_s；

第三步：對立體圖像庫中的失真圖像對進(jìn)行稀疏表示。

第四步：利用正交匹配追蹤算法OMP對第二步中得到的和圖和差圖進(jìn)行稀疏表示，得到相應(yīng)的系數(shù)矩陣C_s和C_d。

第五步：對失真立體圖像對左右圖、和圖以及差圖稀疏表示后的系數(shù)矩陣分別進(jìn)行求熵操作，得到各自的熵E。

第六步：利用支持向量機(jī)SVM對圖像庫中圖像對的熵及相應(yīng)的主觀評價(jià)值DMOS進(jìn)行訓(xùn)練。具體如下，隨機(jī)選擇Q×80％幅圖像對的熵和DMOS用于訓(xùn)練，得到相應(yīng)的熵-DMOS模型。

第七步：對任意一組失真圖像對，進(jìn)行第一步至第四步操作，得到對應(yīng)的熵。根據(jù)第四步中得到的熵-DMOS模型，利用SVM對該圖像對的客觀預(yù)測值進(jìn)行預(yù)測，到最終的客觀預(yù)測值。

本發(fā)明所提出的立體圖像客觀質(zhì)量評價(jià)方法以立體圖像稀疏表示系數(shù)為基礎(chǔ)，以人類視覺特性為評價(jià)依據(jù)，把熵與視覺感知過程相結(jié)合，充分模擬了立體圖像主觀評價(jià)的過程，得到的立體圖像質(zhì)量客觀評價(jià)結(jié)果與主觀評價(jià)結(jié)果具有很高的一致性，能夠較為準(zhǔn)確的反映圖像的質(zhì)量。

附圖說明

圖1是本發(fā)明的流程框圖。

具體實(shí)施方式

基于稀疏表示的立體圖像質(zhì)量客觀評價(jià)方法，每個(gè)失真立體圖像對由左圖和右圖組成，設(shè)失真圖像對為(t_l,t_r)，包括以下步驟：

第一步：選取P幅m×n尺寸無失真的平面參考圖像，每個(gè)圖像分割為8×8的圖像塊M＝[m/8]×[n/8]個(gè)，其中[x]表示不大于x的最大整數(shù)。并將每個(gè)8×8的圖像塊按列排成一列，標(biāo)記為x_i(64×1)。這樣每個(gè)無失真參考圖像都可以轉(zhuǎn)換為(64×1)×M的二維矩陣。P幅無失真平面參考圖像通過上述處理，可以得到一個(gè)64×(M×P)的二維矩陣。隨后，根據(jù)公式(1)，可以求得相應(yīng)的字典D。

在求解的過程中，字典的求解利用K-SVD算法，迭代次數(shù)設(shè)置為40次，字典稀疏基(原子)的數(shù)目為256。

第二步：對立體圖像庫中的失真圖像對進(jìn)行稀疏表示。假定立體圖像庫中，圖像對的總數(shù)目為Q，失真圖像對左(右)圖大小為m×n。利用第一步中得到的字典D，對每一組失真圖像對的左、右圖進(jìn)行稀疏表示，求得相應(yīng)的系數(shù)矩陣C_l和C_r。此過程中，采用的算法是OMP算法，迭代次數(shù)為14次。每組失真圖相對的左(右)圖系數(shù)矩陣的大小為256×([m/8]×[n/8])×14的三維矩陣。

第三步，模擬人眼的立體感雙通道特性，將圖像庫中的所有失真圖像對(t_l,t_r)進(jìn)行相減取絕對值和求和取均值操作，得到失真圖像差值圖t_d以及失真圖像和值圖t_s。參照第二步，得到的和圖和差圖進(jìn)行稀疏表示，得到相應(yīng)的系數(shù)矩陣C_s和C_d

第四步：對失真立體圖像對左右圖、和圖以及差圖稀疏表示后的系數(shù)矩陣分別進(jìn)行求熵操作，得到各自的熵E。以和圖為例，具體操作如下：

用代表稀疏表示第i(1≤i≤14)次迭代中，第j(1≤j≤256)個(gè)稀疏基中系數(shù)的具體值。

對應(yīng)概率分布函數(shù)如下：

根據(jù)香農(nóng)公式，其熵如下：

其中，k是稀疏基的個(gè)數(shù)，本發(fā)明中k＝256。按照上述操作，分別求得每一組失真立體圖像對左右圖、和圖以及差圖的熵，每一組熵均為1×56的行向量。

第五步：利用支持向量機(jī)(SVM)對圖像庫中圖像對的熵及相應(yīng)的主觀評價(jià)值DMOS進(jìn)行訓(xùn)練。具體如下，隨機(jī)選擇Q×80％幅圖像對的熵和主觀預(yù)測值(DMOS)用于訓(xùn)練，得到相應(yīng)的熵-DMOS模型。

第六步：對任意一組失真圖像對，進(jìn)行第一步至第四步操作，得到對應(yīng)的熵。根據(jù)第四步中得到的熵-DMOS模型，利用SVM對該圖像對的客觀預(yù)測值進(jìn)行預(yù)測，到最終的客觀預(yù)測值。