一种基于图像分解的立体图像质量客观评价方法

摘要

本发明公开了一种基于图像分解的立体图像质量客观评价方法，其首先分别将待评价的失真的立体图像的左视点图像分解为恢复图像和干扰图像、将待评价的失真的立体图像的右视点图像分解为恢复图像和干扰图像，再采用局部相位特征和局部振幅特征分别对左视点图像和右视点图像的恢复图像进行评价，采用奇异值向量分别对左视点图像和右视点图像的干扰图像进行评价，获得待评价的失真的立体图像的图像质量客观评价预测值，优点在于分解得到的恢复图像和干扰图像能够很好地表征图像细节和冗余信息对图像质量的影响，使得评价结果更加感觉符合人类视觉系统，从而有效地提高了客观评价结果与主观感知的相关性。

主权项

一种基于图像分解的立体图像质量客观评价方法，其特征在于它的处理过程为：首先，对原始的无失真的立体图像的左视点图像和待评价的失真的立体图像的左视点图像实施3级小波变换，再根据得到的每级小波变换对应的3个方向子带的小波系数矩阵，获取待评价的失真的立体图像的左视点图像的恢复图像和干扰图像；同样，对原始的无失真的立体图像的右视点图像和待评价的失真的立体图像的右视点图像实施3级小波变换，再根据得到的每级小波变换对应的3个方向子带的小波系数矩阵，获取待评价的失真的立体图像的右视点图像的恢复图像和干扰图像；其次，通过计算原始的无失真的立体图像的左视点图像和待评价的失真的立体图像的左视点图像的恢复图像中的每个像素点的局部相位特征和局部振幅特征，获取待评价的失真的立体图像的左视点图像的恢复图像的图像质量客观评价预测值；同样，通过计算原始的无失真的立体图像的右视点图像和待评价的失真的立体图像的右视点图像的恢复图像中的每个像素点的局部相位特征和局部振幅特征，获取待评价的失真的立体图像的右视点图像的恢复图像的图像质量客观评价预测值；接着，通过计算原始的无失真的立体图像的左视点图像和待评价的失真的立体图像的左视点图像的干扰图像中的每个尺寸大小为8×8的子块的奇异值向量，获取待评价的失真的立体图像的左视点图像的干扰图像的图像质量客观评价预测值；同样，通过计算原始的无失真的立体图像的右视点图像和待评价的失真的立体图像的右视点图像的干扰图像中的每个尺寸大小为8×8的子块的奇异值向量，获取待评价的失真的立体图像的右视点图像的干扰图像的图像质量客观评价预测值；之后，对待评价的失真的立体图像的左视点图像的恢复图像和干扰图像的图像质量客观评价预测值进行融合，得到待评价的失真的立体图像的左视点图像的图像质量客观评价预测值；同样，对待评价的失真的立体图像的右视点图像的恢复图像和干扰图像的图像质量客观评价预测值进行融合，得到待评价的失真的立体图像的右视点图像的图像质量客观评价预测值；再者，对待评价的失真的立体图像的左视点图像和右视点图像的图像质量客观评价预测值进行融合，得到待评价的失真的立体图像的图像质量客观评价预测值；最后，采用多幅原始的无失真的立体图像，建立其在不同失真类型不同失真程度下的失真立体图像集合，该失真立体图像集合包括多幅失真的立体图像，然后按照上述获取待评价的失真的立体图像的图像质量客观评价预测值的过程分别计算该失真立体图像集合中每幅失真的立体图像的图像质量客观评价预测值；该立体图像质量客观评价方法具体包括以下步骤：①令S_org为原始的无失真的立体图像，令S_dis为待评价的失真的立体图像，将S_org的左视点图像记为{L_org(x,y)}，将S_org的右视点图像记为{R_org(x,y)}，将S_dis的左视点图像记为{L_dis(x,y)}，将S_dis的右视点图像记为{R_dis(x,y)}，其中，(x,y)表示左视点图像和右视点图像中的像素点的坐标位置，1≤x≤W，1≤y≤H，W表示左视点图像和右视点图像的宽度，H表示左视点图像和右视点图像的高度，L_org(x,y)表示{L_org(x,y)}中坐标位置为(x,y)的像素点的像素值，R_org(x,y)表示{R_org(x,y)}中坐标位置为(x,y)的像素点的像素值，L_dis(x,y)表示{L_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，R_dis(x,y)表示{R_dis(x,y)}中坐标位置为(x,y)的像素点的像素值；②分别对{L_org(x,y)}和{L_dis(x,y)}实施3级小波变换，然后根据{L_org(x,y)}实施3级小波变换后得到的每级小波变换对应的3个方向子带的小波系数矩阵和{L_dis(x,y)}实施3级小波变换后得到的每级小波变换对应的3个方向子带的小波系数矩阵，获取{L_dis(x,y)}的恢复图像和干扰图像，对应记为和其中，表示中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值；分别对{R_org(x,y)}和{R_dis(x,y)}实施3级小波变换，然后根据{R_org(x,y)}实施3级小波变换后得到的每级小波变换对应的3个方向子带的小波系数矩阵和{R_dis(x,y)}实施3级小波变换后得到的每级小波变换对应的3个方向子带的小波系数矩阵，获取{R_dis(x,y)}的恢复图像和干扰图像，对应记为和其中，表示中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值；③分别计算{L_org(x,y)}、{R_org(x,y)}、和中的每个像素点的局部相位特征和局部振幅特征，将{L_org(x,y)}中坐标位置为(x,y)的像素点的局部相位特征记为将{L_org(x,y)}中坐标位置为(x,y)的像素点的局部振幅特征记为将{R_org(x,y)}中坐标位置为(x,y)的像素点的局部相位特征记为将{R_org(x,y)}中坐标位置为(x,y)的像素点的局部振幅特征记为将中坐标位置为(x,y)的像素点的局部相位特征记为将中坐标位置为(x,y)的像素点的局部振幅特征记为将中坐标位置为(x,y)的像素点的局部相位特征记为将中坐标位置为(x,y)的像素点的局部振幅特征记为④根据{L_org(x,y)}和中的每个像素点的局部相位特征和局部振幅特征，计算的图像质量客观评价预测值，记为$Q_L^{\mathrm{LPA}}=\left(\frac{1}{H\times W}\underset{y=1}{\overset{H}{\Sigma }}\underset{x=1}{\overset{W}{\Sigma }}{S}_L^{\mathrm{LP}}(x,y)\right)\times \left(\frac{1}{H\times W}\underset{y=1}{\overset{H}{\Sigma }}\underset{x=1}{\overset{W}{\Sigma }}{S}_L^{\mathrm{LA}}(x,y)\right),$$S_L^{\mathrm{LP}}(x,y)=\frac{2\times {\mathrm{LP}}_{L_{\mathrm{org}}}(x,y)\times {\mathrm{LP}}_L^{\mathrm{res}}(x,y)+T_1}{{\left({\mathrm{LP}}_{L_{\mathrm{org}}}(x,y)\right)}^2+{\left({\mathrm{LP}}_L^{\mathrm{res}}(x,y)\right)}^2+T_1},$$S_L^{\mathrm{LA}}(x,y)=\frac{2\times {\mathrm{LA}}_{L_{\mathrm{org}}}(x,y)\times {\mathrm{LA}}_L^{\mathrm{res}}(x,y)+T_2}{{\left({\mathrm{LA}}_{L_{\mathrm{org}}}(x,y)\right)}^2+{\left({\mathrm{LA}}_L^{\mathrm{res}}(x,y)\right)}^2+T_2},$其中，T₁和T₂为控制参数；根据{R_org(x,y)}和中的每个像素点的局部相位特征和局部振幅特征，计算的图像质量客观评价预测值，记为$Q_R^{\mathrm{LPA}}=\left(\frac{1}{H\times W}\underset{y=1}{\overset{H}{\Sigma }}\underset{x=1}{\overset{W}{\Sigma }}{S}_R^{\mathrm{LP}}(x,y)\right)\times \left(\frac{1}{H\times W}\underset{y=1}{\overset{H}{\Sigma }}\underset{x=1}{\overset{W}{\Sigma }}{S}_R^{\mathrm{LA}}(x,y)\right),$$S_R^{\mathrm{LP}}(x,y)=\frac{2\times {\mathrm{LP}}_{R_{\mathrm{org}}}(x,y)\times {\mathrm{LP}}_R^{\mathrm{res}}(x,y)+T_1}{{\left({\mathrm{LP}}_{R_{\mathrm{org}}}(x,y)\right)}^2+{\left({\mathrm{LP}}_R^{\mathrm{res}}(x,y)\right)}^2+T_1},$$S_R^{\mathrm{LA}}(x,y)=\frac{2\times {\mathrm{LA}}_{R_{\mathrm{org}}}(x,y)\times {\mathrm{LA}}_R^{\mathrm{res}}(x,y)+T_2}{{\left({\mathrm{LA}}_{R_{\mathrm{org}}}(x,y)\right)}^2+{\left({\mathrm{LA}}_R^{\mathrm{res}}(x,y)\right)}^2+T_2},$其中，T₁和T₂为控制参数；⑤分别将{L_org(x,y)}和划分成个互不重叠的尺寸大小为8×8的子块，然后分别对{L_org(x,y)}中的每个子块和中的每个子块实施奇异值分解，得到{L_org(x,y)}中的每个子块的奇异值向量和中的每个子块的奇异值向量，再计算的图像质量客观评价预测值，记为其中，N_block表示{L_org(x,y)}中包含的子块的个数，也表示中包含的子块的个数，符号“||”为取绝对值符号，“<>”为取内积函数，表示{L_org(x,y)}中的第k个子块的奇异值向量，表示中的第k个子块的奇异值向量；分别将{R_org(x,y)}和划分成个互不重叠的尺寸大小为8×8的子块，然后分别对{R_org(x,y)}中的每个子块和中的每个子块实施奇异值分解，得到{R_org(x,y)}中的每个子块的奇异值向量和中的每个子块的奇异值向量，再计算的图像质量客观评价预测值，记为其中，N'_block表示{R_org(x,y)}中包含的子块的个数，也表示中包含的子块的个数，符号“||”为取绝对值符号，“<>”为取内积函数，表示{R_org(x,y)}中的第k个子块的奇异值向量，表示中的第k个子块的奇异值向量；⑥对的图像质量客观评价预测值和的图像质量客观评价预测值进行融合，得到{L_dis(x,y)}的图像质量客观评价预测值，记为Q_L，$Q_L=w_1\times Q_L^{\mathrm{LPA}}+w_2\times Q_L^{\mathrm{SVD}},$并对的图像质量客观评价预测值和的图像质量客观评价预测值进行融合，得到{R_dis(x,y)}的图像质量客观评价预测值，记为Q_R，$Q_R=w_1\times Q_R^{\mathrm{LPA}}+w_2\times Q_R^{\mathrm{SVD}},$其中，w₁表示和的权值比重，w₂表示和的权值比重，w₁+w₂＝1；⑦对{L_dis(x,y)}的图像质量客观评价预测值Q_L和{R_dis(x,y)}的图像质量客观评价预测值Q_R进行融合，得到S_dis的图像质量客观评价预测值，记为Q，$Q=\frac{{(\mathrm{Stagel}\left(Q_L\right)+\mathrm{Stagel}\left(Q_R\right))}^p}{z+{(\mathrm{Stagel}\left(Q_L\right)+\mathrm{Stagel}\left(Q_R\right))}^q},\mathrm{Stagel}\left(Q_L\right)=\frac{{\left(Q_L\right)}^m}{s+Q_L+Q_R},\mathrm{Stagel}\left(Q_R\right)=\frac{{\left(Q_R\right)}^m}{s+Q_L+Q_R},$其中，p、q、m、s和z为模型系数。