[发明专利]基于深度学习的3D图像质量的度量方法

权利要求书

1.一种基于深度学习的3D图像质量的度量方法，其特征是，首先对立体图像数据集进行切块处理，切块处理得到许多小的图像块，再对每个图像块进行归一化处理；同时对立体图像数据集进行主成分分析PCA降维处理，得到低维度图像；然后将切块得到的图像块数据集与PCA降维后得到的低维度数据集送入搭建的卷积神经网络中；然后利用卷积神经网络逐层提取特征；最后通过softmax分类器得到立体图像的总体质量；

图像分块处理的步骤如下：

(1)图像分块，图片大小为M×N维，图片块的大小设置为k×k维，那么分块后得到的图像块数量n为：

n＝(M/k)(N/k) (1)

若M与N不是恰好为k的整数倍，通过对其图像矩阵补0使得其为k的整数倍；

(2)图像块归一化处理规则如下：

公式(2)中I(i,j)表示在位置(i,j)处的初始像素值，Ω表示计算均值与方差的局部区域，m×n表示的是在局部区域Ω中的像素点的总个数，μ(x,y)表示I(i,j)区域的均值，σ(x,y)表示I(i,j)区域的方差，其中c表示任意的一个极小正数，以防止分母为0，表示归一化后的像素值，归一化后，原始的图像块变成零均值、方差为1的图像块；

通过PCA算法对实验图像进行降维预处理，算法步骤如下：

给定l个样本，每个样本的尺寸大小为m×n，样本的矩阵以X＝(x₁,x₂,…,x_l)^T，其中x_ii∈[1,l]为第i个样本构成的mn维m×n的一维向量；

(1)对样本矩阵X作中心化处理，即利用得到样本矩阵每列的均值，之后按照每列减去其均值d_i＝x_i-m_i得到零均值矩阵

(2)计算样本数据的协方差矩阵

(3)利用SVD定理，通过求解的特征值和特征向量获得的特征值以及特征向量；

(4)对得到的特征值进行排序，并根据特征值的贡献率选取前k个特征值及其与之对应的特征向量，贡献率表示所定义的主成分在整个数据分析中占多大的比重，在这里通过选取的特征值之和与所有特征之和的比值来表示：

其中λ_i表示特征值向量λ中的第i个特征值；

(5)投影矩阵：将样本矩阵投影到所选择的特征向量组成的子空间中，投影过程表示如式下式所示：

x→y＝W^Tx (5)

其中，y是立体图像x经过PCA降维处理后的信息，W^T表示的是投影矩阵。

2.如权利要求1所述的基于深度学习的3D图像质量的度量方法，其特征是，具体步骤如下：

(1)读入训练样本，并将样本随机分成训练集和测试集两部分，并对样本归一化；

(2)对训练集和测试集使用PCA算法进行降维处理以及切块处理后得到两组数据集；

(3)将降维后的训练集以及切块后的数据以多通道的方式送入具有多尺度池化层的卷积神经网络中进行训练；

(4)通过训练集训练好后，完成模型建立；

(5)将测试集送入训练好的网络中，得出质量分数。