本發(fā)明屬圖像處理領(lǐng)域，涉及基于空域特征的無參考立體圖像質(zhì)量客觀評(píng)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(chǎng)感，但同時(shí)也對(duì)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(píng)價(jià)方法對(duì)立體圖像質(zhì)量進(jìn)行準(zhǔn)確的預(yù)測(cè)。

現(xiàn)有的立體圖像質(zhì)量評(píng)價(jià)方法主要包括基于平面圖像質(zhì)量參數(shù)的評(píng)價(jià)方法和基于人類視覺基本特性的評(píng)價(jià)方法兩種。但是，基于平面圖像質(zhì)量參數(shù)的評(píng)價(jià)方法沒有充分考慮人類視覺特性，缺少對(duì)立體信息有效利用，因而難以投入實(shí)踐。現(xiàn)有的基于人類視覺基本特性的評(píng)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(píng)價(jià)方法。

此外，鑒于現(xiàn)有的立體圖像質(zhì)量評(píng)價(jià)方法需要原始的參考圖像作為評(píng)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(duì)做評(píng)價(jià)依據(jù))立體圖像質(zhì)量評(píng)價(jià)方法應(yīng)運(yùn)而生。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的提供一種充分考慮雙視點(diǎn)特性的立體圖像質(zhì)量客觀評(píng)價(jià)方法。本發(fā)明的無參考立體圖像質(zhì)量客觀評(píng)價(jià)方法，模擬大腦中形成的視覺感知圖像，以空域特征作為工具，通過空域特征的變化描述對(duì)立體圖像質(zhì)量，進(jìn)而做出更加全面、準(zhǔn)確的客觀評(píng)價(jià)。技術(shù)方案如下：

一種基于空域特征的無參考立體圖像質(zhì)量客觀評(píng)價(jià)方法，每個(gè)失真立體圖像對(duì)由左圖和右圖組成，設(shè)失真圖像對(duì)為(t_l,t_r)，包括以下步驟：

第一步：模擬人類視覺特性，對(duì)失真圖像對(duì)的左圖和右圖分別進(jìn)行二維Gabor濾波，得到左圖和右圖的加權(quán)因子:W_L(x,y)和W_R((x+d),y)，其中，(x,y)為像素點(diǎn)坐標(biāo)，d表示對(duì)右圖進(jìn)行視差補(bǔ)償?shù)南袼攸c(diǎn)橫坐標(biāo)差值；

第二步：將失真圖像對(duì)(t_l,t_r)進(jìn)行加權(quán)運(yùn)算，得到V(x,y)；

第三步：對(duì)V(x,y)進(jìn)行歸一化處理，得到失真圖像對(duì)的視覺感知圖

第四步：對(duì)失真圖像對(duì)的視覺感知圖進(jìn)行分塊處理，設(shè)每塊大小為m×n。假定圖像尺寸為M×N，圖像可以劃分為([M/m]×[N/n])圖像塊，[x]表示不大于x的最大整數(shù)。

第五步：利用非對(duì)稱高斯分布模型求解每一圖像塊的特征參數(shù)。

第六步：將圖像尺寸縮放為原來的圖像塊尺寸m,n縮放為原來的然后重復(fù)第三步至第五步操作，獲得縮放圖像的每一圖像塊的特征參數(shù)；

第七步：集合第五步和第六步得到的特征參數(shù)，構(gòu)成的空域特征。

第八步，以列為單位，分別計(jì)算第七步所獲得特征的均值和方差矩陣ν_d和Σ_d。

第九步，訓(xùn)練無失真參考圖像對(duì)的多元高斯模型，方法如下：選取n幅參考圖像對(duì)，進(jìn)行上述第一步至第六步操作，得到共計(jì)k組圖像塊的特征參數(shù)，將所有的圖像塊的特征參數(shù)進(jìn)行訓(xùn)練，得到多元高斯模型的均值和方差矩陣ν和Σ作為標(biāo)準(zhǔn)模型；

第十步：計(jì)算ν_d和Σ_d與標(biāo)準(zhǔn)模型ν和Σ之間的距離，即為立體圖像對(duì)質(zhì)量的客觀預(yù)測(cè)值。

本發(fā)明所提出的立體圖像客觀質(zhì)量評(píng)價(jià)方法以視覺感知圖像的熵為基礎(chǔ)，通過稀疏表示的方式，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(píng)價(jià)的過程，得到的立體圖像質(zhì)量客觀評(píng)價(jià)結(jié)果與主觀評(píng)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：本發(fā)明的流程框圖

圖2：空域特征的提取

具體實(shí)施方式

基于空域特征的無參考立體圖像質(zhì)量客觀評(píng)價(jià)方法，每個(gè)失真立體圖像對(duì)由左圖和右圖組成，設(shè)失真圖像對(duì)為(t_l,t_r)，包括以下步驟：

第一步：模擬人類視覺特性，對(duì)失真圖像對(duì)(t_l,t_r)的左圖和右圖分別進(jìn)行二維Gabor濾波，得到相應(yīng)的能量響應(yīng)，并進(jìn)行卷積和處理，經(jīng)歸一化運(yùn)算分別后得到左圖和右圖的加權(quán)因子:W_L(x,y)和W_R((x+d),y)，其中，(x,y)為像素點(diǎn)坐標(biāo)，(x+d)表示視差補(bǔ)償，d表示對(duì)右圖進(jìn)行視差補(bǔ)償?shù)南袼攸c(diǎn)橫坐標(biāo)差值；計(jì)算方法如下

(1)二維Gabor濾波器為：

其中，G(x,y,σ_x,σ_y,ζ_x,ζ_y,θ)是Gabor濾波器的響應(yīng)值，x,y,σ_x,σ_y,ζ_x,ζ_y,θ分別代表Gabor濾波器的x方向、y方向、橢圓高斯包絡(luò)沿x方向的標(biāo)準(zhǔn)差、橢圓高斯包絡(luò)沿y方向的標(biāo)準(zhǔn)差、x方向的頻率、y方向的頻率和相位角，R₁＝x cosθ+y sinθ，R₁＝x cosθ+y sinθ；

(2)Gabor濾波器的能量響應(yīng)是以3.67次/度的空間頻率循環(huán)，疊加濾波器沿水平、豎直和兩個(gè)對(duì)角線方向的幅度響應(yīng)得到的；

(3)能量響應(yīng)經(jīng)卷積和計(jì)算后得到GE_L(x,y)與GE_R(x,y)，并進(jìn)行視差補(bǔ)償?shù)玫紾E_R((x+d),y)，其中，(x+d)表示視差補(bǔ)償，d表示對(duì)右圖進(jìn)行視差補(bǔ)償?shù)南袼攸c(diǎn)橫坐標(biāo)差值；

(4)經(jīng)公式(2)和(3)所定義的歸一化運(yùn)算得到左圖和右圖的加權(quán)因子W_L(x,y)和W_R((x+d),y)。

第二步：將失真圖像對(duì)為左右圖(t_l,t_r)進(jìn)行加權(quán)運(yùn)算，得到失真圖像對(duì)的視覺感知圖V(x,y)，計(jì)算如公式(4)所示；

V(x,y)＝W_L(x,y)×t_l(x,y)+W_R(x+d,y)×t_r((x+d),y) (4)

第三步：失真圖像對(duì)的視覺感知圖V(x,y)的預(yù)處理。具體計(jì)算過程如下：

其中，ω＝{ω_k,l|k＝-K,...,K,l＝-L,...,L}是2D循環(huán)對(duì)稱高斯函數(shù)的權(quán)重值，K＝L＝3。

第四步：對(duì)失真圖像對(duì)的視覺感知圖進(jìn)行分塊處理，每塊大小為m×n。假定圖像尺寸為M×N，圖像可以劃分為([M/m]×[N/n])圖像塊，[x]表示不大于x的最大整數(shù)。

第五步：求解每一圖像塊的空域特征。具體操作如下：

首先，利用均值為0的歸一化高斯分布擬合每一圖像塊，得到相應(yīng)的歸一化高斯分布的參數(shù)(α,β)，具體參加如下公式：

其中，x是每一圖像塊像素值按列排成(m×n)×1的列向量。

其次，沿水平、豎直、兩個(gè)對(duì)角線四個(gè)方向，分別利用非對(duì)稱高斯分布模型求解每一圖像塊的(γ,β_l,β_r,η)，計(jì)算公式如下：

其中x是每一圖像塊像素分別沿水平、豎直、對(duì)角線方向排列后的列向量，其大小為(m×n)×1。

最后，通過上述操作，可以獲得每一圖像塊的2+4×4＝18個(gè)特征。

第六步：將圖像尺寸縮放為原來的圖像塊尺寸m,n縮放為原來的然后重復(fù)第三步至第五步操作。同樣，也可以獲得18個(gè)特征參數(shù)。故每一圖像塊可以提取36個(gè)特征。

第七步：按照第三步至第六步的描述，計(jì)算每一圖像塊的空域特征，共計(jì)([M/m]×[N/n])×36特征。

第八步，以列為單位，分別計(jì)算第七步所獲得特征的均值和方差矩陣ν_d和∑_d。

第九步，訓(xùn)練無失真參考圖像對(duì)的多元高斯模型。具體操作如下，任選n幅參考圖像對(duì)，進(jìn)行上述第一步至第六步操作，得到共計(jì)k組圖像塊的特征。將所有的圖像塊的特征進(jìn)行訓(xùn)練，得到多元高斯模型的均值和方差矩陣ν和∑作為標(biāo)準(zhǔn)模型。經(jīng)過訓(xùn)練的標(biāo)準(zhǔn)模型在后續(xù)評(píng)價(jià)中無需再做二次訓(xùn)練。訓(xùn)練方式如下：

其中，x₁,...,x_t表示每一圖像塊的36個(gè)特征按列排列，t為圖像塊的總數(shù)。

第十步，計(jì)算ν_d和∑_d與標(biāo)準(zhǔn)模型ν和∑之間的距離，即為立體圖像對(duì)質(zhì)量的客觀預(yù)測(cè)值。計(jì)算方式如下：