一种多失真立体图像质量客观评价方法技术

本发明专利技术公开了一种多失真立体图像质量客观评价方法，其在训练阶段，获取无失真立体图像的不同失真强度的JPEG失真立体图像、高斯模糊失真立体图像和高斯白噪声失真立体图像，分别构造三组训练图像集，并通过联合字典训练分别得到在不同失真类型下的图像特征字典表和图像质量字典表；在测试阶段，根据在训练阶段构造得到的不同失真类型下的图像特征字典表，通过优化得到测试立体图像中的每个子块的稀疏系数矩阵，并通过稀疏系数矩阵和在训练阶段构造得到的不同失真类型下的图像质量字典表，来计算测试立体图像的图像质量客观评价预测值，测试立体图像的图像质量客观评价预测值与主观评价值保持了较好的一致性。

【技术实现步骤摘要】

本专利技术涉及一种图像质量评价方法，尤其是涉及一种多失真立体图像质量客观评价方法。
技术介绍
随着图像编码和显示等技术的迅速发展，图像质量评价研究已经成为其中非常重要的环节。图像质量客观评价方法研究的目标是与主观评价结果尽可能保持一致，从而摆脱耗时而枯燥的图像质量主观评价方法，其能够利用计算机自动地评价图像质量。根据对原始图像的参考和依赖程度，图像质量客观评价方法可以分为三大类：全参考(FullReference，FR)图像质量评价方法、部分参考(Reduced Reference，RR)图像质量评价方法和无参考(No Reference，NR)图像质量评价方法。无参考图像质量评价方法由于无需任何参考图像信息，具有较高的灵活性，因此受到了越来越广泛的关注。目前，已有方法是通过机器学习来预测评价模型，但其计算复杂度较高，并且训练模型需要预知各评价图像的主观评价值，并不适用于实际的应用场合，存在一定的局限性。特别是对于多失真图像质量评价问题，现有的针对单失真的图像质量评价方法并不能直接应用，因此，如何构造能反映多失真图像特征的字典，如何构造能反映多失真图像质量的字典，如何在反映多失真图像特征的字典和反映多失真图像质量的字典之间、以及在不同失真类型之间建立联系，都是在无参考多失真图像质量评价研究中需要重点解决的技术问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种多失真立体图像质量客观评价方法，其能够有效地提高客观评价结果与主观感知之间的相关性，且计算复杂度低，无需预知各评价图像的主观评价值。本专利技术解决上述技术问题所采用的技术方案为：一种多失真立体图像质量客观评价方法，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；然后将选取的N幅原始的无失真立体图像分别进行L个不同失真强度的JPEG失真、高斯模糊失真和高斯白噪声失真，将所有原始的无失真立体图像及各自对应的L个失真强度的JPEG失真立体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及各自对应的L个失真强度的高斯模糊失真立体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及各自对应的L个失真强度的高斯白噪声失真立体图像构成第三组训练图像集，记为其中，N>1，L>1，表示和中的第u幅原始的无失真立体图像，表示中的第u幅原始的无失真立体图像对应的第v个失真强度的失真立体图像，表示中的第u幅原始的无失真立体图像对应的第v个失真强度的失真立体图像，表示中的第u幅原始的无失真立体图像对应的第v个失真强度的失真立体图像；①-2、将中的每幅失真立体图像划分成个互不重叠的尺寸大小为8×8的子块；然后将中的每幅失真立体图像中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将中的所有失真立体图像中的子块中的第k个子块中的所有像素点的像素值按序组成的图像特征矢量记为再将中的所有失真立体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立体图像划分成个互不重叠的尺寸大小为8×8的子块；然后将中的每幅失真立体图像中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将中的所有失真立体图像中的子块中的第k个子块中的所有像素点的像素值按序组成的图像特征矢量记为再将中的所有失真立体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立体图像划分成个互不重叠的尺寸大小为8×8的子块；然后将中的每幅失真立体图像中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将中的所有失真立体图像中的子块中的第k个子块中的所有像素点的像素值按序组成的图像特征矢量记为再将中的所有失真立体图像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64×1；①-3、采用6种不同的全参考图像质量评价方法分别获取和各自中的每幅失真立体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立体图像中的每个子块对应的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真立体图像中的子块中的第k个子块对应的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立体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将中的每幅失真立体图像中的每个子块对应的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真立体图像中的子块中的第k个子块对应的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立体图像中的所有子块各自的图像质量矢量构成的集合记为将中的每幅失真立体图像中的每个子块对应的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真立体图像中的子块中的第k个子块对应的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立体图像中的所有子块各自的图像质量矢量构成的集合记为其中，1≤k≤M，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，分别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D1和W1，将的图像特征字典表和图像质量字典表对应记为D2和W2，将的图像特征字典表和图像质量字典表对应记为D3和W3，其中，D1、D2和D3的维数均为56×K，W1、W2和W3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'的测试立体图像Stest，将Stest的左视点图像记为Ltest，将Stest的右视点图像记为Rtest；然后将Ltest和Stest分别划分成个互不重叠的尺寸大小为8×8的子块；②-2、将Ltest中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将Ltest中的第t个子块中的所有像素点的像素值按序组成的图像特征矢量记为xt,L，再将Ltest中的所有子块各自的图像特征矢量构成的集合记为并将Rtest中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将Rtest中的第t个子块中的所有像素点的像素值按序组成的图像特征矢量记为xt,R，再将Rtest中的所有子块各自的图像特征矢量构成的集合记为其中，xt,L和xt,R的维数均为64×1；②-3、根据在训练阶段过程构造得到的D1，优化重构中的每个图像特征矢量的第一稀疏系数矩阵，将中的第t个图像特征矢量的第一稀疏系数矩阵记为是采用K-SVD方法求解得到的；根据在训练阶段过程构造得到的D2，优化重构中的每个图像特征矢量的第二稀疏系数矩阵，将中的第t个图像特征矢量的第二稀疏系数矩阵记为是采用K-SVD方法求解得到的；根据在训练阶段过程构造得到的D3，优化重构中的每个图像特征矢量的第三稀疏系数矩阵，将中的第t个图像特征矢量的第三稀疏系数矩阵记为是采用K-SVD方法求解得到的；同样，根据在训练阶段过程构造得到的D1，优化重构中的每个图像特征矢量的第一稀疏系数矩阵，将中的第t个图像特征矢量的第一稀疏系数矩阵记为是采用K-SVD方法求解得到的；根据在训练阶段过程构造得到的D2，优化重构中的每个图像特征矢量的第二稀疏系数矩阵，将中的第t个图像特征矢量的第二稀本文档来自技高网...

【技术保护点】
一种多失真立体图像质量客观评价方法，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；然后将选取的N幅原始的无失真立体图像分别进行L个不同失真强度的JPEG失真、高斯模糊失真和高斯白噪声失真，将所有原始的无失真立体图像及各自对应的L个失真强度的JPEG失真立体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及各自对应的L个失真强度的高斯模糊失真立体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及各自对应的L个失真强度的高斯白噪声失真立体图像构成第三组训练图像集，记为其中，N>1，L>1，表示和中的第u幅原始的无失真立体图像，表示中的第u幅原始的无失真立体图像对应的第v个失真强度的失真立体图像，表示中的第u幅原始的无失真立体图像对应的第v个失真强度的失真立体图像，表示中的第u幅原始的无失真立体图像对应的第v个失真强度的失真立体图像；①‑2、将中的每幅失真立体图像划分成个互不重叠的尺寸大小为8×8的子块；然后将中的每幅失真立体图像中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将中的所有失真立体图像中的子块中的第k个子块中的所有像素点的像素值按序组成的图像特征矢量记为再将中的所有失真立体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立体图像划分成个互不重叠的尺寸大小为8×8的子块；然后将中的每幅失真立体图像中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将中的所有失真立体图像中的子块中的第k个子块中的所有像素点的像素值按序组成的图像特征矢量记为再将中的所有失真立体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立体图像划分成个互不重叠的尺寸大小为8×8的子块；然后将中的每幅失真立体图像中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将中的所有失真立体图像中的子块中的第k个子块中的所有像素点的像素值按序组成的图像特征矢量记为再将中的所有失真立体图像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64×1；①‑3、采用6种不同的全参考图像质量评价方法分别获取和各自中的每幅失真立体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立体图像中的每个子块对应的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真立体图像中的子块中的第k个子块对应的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立体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将中的每幅失真立体图像中的每个子块对应的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真立体图像中的子块中的第k个子块对应的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立体图像中的所有子块各自的图像质量矢量构成的集合记为将中的每幅失真立体图像中的每个子块对应的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真立体图像中的子块中的第k个子块对应的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立体图像中的所有子块各自的图像质量矢量构成的集合记为其中，1≤k≤M，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，分别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D1和W1，将的图像特征字典表和图像质量字典表对应记为D2和W2，将的图像特征字典表和图像质量字典表对应记为D3和W3，其中，D1、D2和D3的维数均为56×K，W1、W2和W3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'的测试立体图像Stest，将Stest的左视点图像记为Ltest，将Stest的右视点图像记为Rtest；然后将Ltest和Stest分别划分成个互不重叠的尺寸大小为8×8的子块；②‑2、将Ltest中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将Ltest中的第t个子块中的所有像素点的像素值按序组成的图像特征矢量记为xt,L，再将Ltest中的所有子块各自的图像特征矢量构成的集合记为并将Rtest中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将Rtest中的第t个子块中的所有像素点的像素值按序组成的图像特征矢量记为xt,R，再将Rtest中的所有子块各自的图像特征矢量构成的集合记为其中，xt,L和xt,R的维数均为64×1；②‑3、根据在训练阶段过程构造得到的D1，优化重构中的每个图像特征矢量的第一稀疏系数矩阵，将中的第t个图像特征矢量的第一稀疏系数矩...

【技术特征摘要】
1.一种多失真立体图像质量客观评价方法，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；然后将选取的N幅原始的无失真立体图像分别进行L个不同失真强度的JPEG失真、高斯模糊失真和高斯白噪声失真，将所有原始的无失真立体图像及各自对应的L个失真强度的JPEG失真立体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及各自对应的L个失真强度的高斯模糊失真立体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及各自对应的L个失真强度的高斯白噪声失真立体图像构成第三组训练图像集，记为其中，N>1，L>1，表示和中的第u幅原始的无失真立体图像，表示中的第u幅原始的无失真立体图像对应的第v个失真强度的失真立体图像，表示中的第u幅原始的无失真立体图像对应的第v个失真强度的失真立体图像，表示中的第u幅原始的无失真立体图像对应的第v个失真强度的失真立体图像；①-2、将中的每幅失真立体图像划分成个互不重叠的尺寸大小为8×8的子块；然后将中的每幅失真立体图像中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将中的所有失真立体图像中的子块中的第k个子块中的所有像素点的像素值按序组成的图像特征矢量记为再将中的所有失真立体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立体图像划分成个互不重叠的尺寸大小为8×8的子块；然后将中的每幅失真立体图像中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将中的所有失真立体图像中的子块中的第k个子块中的所有像素点的像素值按序组成的图像特征矢量记为再将中的所有失真立体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立体图像划分成个互不重叠的尺寸大小为8×8的子块；然后将中的每幅失真立体图像中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将中的所有失真立体图像中的子块中的第k个子块中的所有像素点的像素值按序组成的图像特征矢量记为再将中的所有失真立体图像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64×1；①-3、采用6种不同的全参考图像质量评价方法分别获取和各自中的每幅失真立体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立体图像中的每个子块对应的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真立体图像中的子块中的第k个子块对应的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立体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将中的每幅失真立体图像中的每个子块对应的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真立体图像中的子块中的第k个子块对应的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立体图像中的所有子块各自的图像质量矢量构成的集合记为将中的每幅失真立体图像中的每个子块对应的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真立体图像中的子块中的第k个子块对应的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立体图像中的所有子块各自的图像质量矢量构成的集合记为其中，1≤k≤M，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，分别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D1和W1，将的图像特征字典表和图像质量字典表对应记为D2和W2，将的图像特征字典表和图像质量字典表对应记为D3和W3，其中，D1、D2和D3的维数均为56×K，W1、W2和W3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'的测试立体图像Stest，将Stest的左视点图像记为Ltest，将Stest的右视点图像记为Rtest；然后将Ltest和Stest分别划分成个互不重叠的尺寸大小为8×8的子块；②-2、将Ltest中的每个子块中的所有像素点的像素值按序组成该子块的图像特征矢量，将Ltest中的第t个子块中的所有像素点的像素值按序组成的图像特征矢量记为xt,L，再将Ltest中的所有子块各自的图像特征...

【专利技术属性】
技术研发人员：邵枫，田维军，李福翠，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33