[发明专利]一种基于加权梯度幅度的双目融合立体图像质量评价方法

权利要求书

1.一种基于加权梯度幅度的双目融合立体图像质量评价方法，其特征在于包括如下步骤：

步骤1：建立梯度独眼图；

1-1.将经过对比敏感度函数滤波后的立体图像CM_v生成梯度幅度图GM_v，将得到的梯度幅度图GM_v进行局部加权，生成修正加权后的梯度幅度图WGM_v，加权后的梯度幅度图WGM_v计算如下：

其中，e是一个小的正常数，以避免当α(x，y)具有较小值时的数值不稳定；v∈(L，R)，L代表左图像，R代表右图像；α(x，y)可根据公式得出；其中CG(x′，y′)可根据公式得出，π_x，y是以(x，y)为中心一个局部窗口；ω(x′，y′)是通过公式满足∑_x′，y′ω(x′，y′)＝1的正对称权重；K(x，y)表示在(x，y)处的高斯核系数，窗口大小为8*8且σ＝0.5；

1-2.将局部加权后的梯度幅度图WGM_v与传统的独眼图计算相融合，得到梯度独眼图，计算方式如下：

其中，C(x，y)代表融合梯度幅度图WGM_v后的梯度独眼图，E是一个和原图像大小相同的全1矩阵；I_L(x，y)为原始左图像，I_R(x，y)为原始右图像；

步骤2：稀疏重构方法；

2-1.训练自适应稀疏字典；

在参考立体图像中随机抽取20张图片，每张图片随机选取其中方差较大的8*8不重叠立体图像块1000个，采用K-SVD算法训练自适应稀疏字典；

2-2.采用典型OMP算法重构图像，得到稀疏系数；

步骤3：基元分类；

聚类算法将基元分为texture基元、sketch基元和Dcprimarcy基元三类；

步骤4：系数求熵；

4-1.将每个立体图像块经过稀疏重构后得到的系数记为a^i，j，k，代表在第i次迭代中用于重建第k个立体图像块的第j个基元的系数；然后，计算第j个基元在i次迭代中用于重建所有立体图像块的系数之和的公式如下：

其中n是立体图像块的数量；考虑到不同的基元有不同的权重，采用L₁范数计算每个立体图像块的视觉基元j的概率密度，公式如下：

4-2.因为存在三类基元，故M_θ分类三种，θ∈{1，2，3}，分别代表texture基元、sketch基元和Dcprimarcy基元；其中texture基元数量占78％左右，而Dcprimarcy基元只占0.4％；

4-3.对概率密度进行熵计算，并将每一类别的基元进行相加，公式如下：

其中，L表示稀疏程度，用于控制OMP算法的迭代次数；根据每次迭代可求得三类熵值，每个梯度独眼图迭代L次可得到3*L个特征值；

步骤5：GA-SVR特征回归：

采用一个回归模型将提取的特征值映射为表示图像总体质量的分数，采用基于遗传算法的SVR模型来进行质量分数的预测；

在LIVE 3D phase I数据库和LIVE 3D phase II数据库进行模型的训练以及样本测试；Phase I数据库是一个只包含对称失真立体图像的数据库，phase II数据库则包含对称和非对称失真立体图像；具体实施步骤如下：

①用遗传算法优化SVR中的惩罚因子C和径向基函数G这两个参数，选取最优的参数组合(C，G)，然后在数据库中随机选择80％的失真立体图像对作为训练集，输入到SVR中进行回归拟合，得到一个model，用于后续的图像集测试；

②将剩余20％的测试集放入model中进行训练，得到质量分数；

③重复步骤①和步骤②3000次，取均值作为最终的客观质量评分；注意每次选取训练集和测试集都是随机，并且集合中不能出现重叠元素。