[发明专利]基于特征提取和集成学习的立体图像质量客观评价方法

权利要求书

1.一种基于特征提取和集成学习的立体图像质量客观评价方法，其特征是，步骤如下：1)双目融合图像的获取：左右视图在红、绿、蓝三个通道根据增益控制和增益增强来得到双目融合图像；2)融合图像特征的提取：对融合图像分别进行方向梯度直方图HOG(Histogramof Oriented Gradient)特征编码和局部二值模式LBP(Local Binary Pattern)特征编码，提取相应特征；3)集成学习模型的搭建：选择支持向量回归SVR作为集成学习的个体学习器，采用Stacking的集成策略，分别使用两个初级SVR学习器学习融合图像的HOG特征和LBP特征，并将特征映射成为立体图像的质量分数，次级SVR学习器学习前面两个初级学习器的质量分数输出，并将其映射成为立体图像最终的质量输出。

2.如权利要求1所述的基于特征提取和集成学习的立体图像质量客观评价方法，其特征是，双目融合图像的获取具体过程：最基本的模型如式(1)所示，采用双目融合：

Γ(I_L,I_R)＝I_L+I_R (1)

其中Γ(I_L,I_R)是融合图像，I_L和I_R分别是左右视点，考虑双目视觉特性中的双目融合和双目竞争，将模型改进为式(2)：

其中ε_L(I_L)和ε_R(I_R)是左右两个视点对比度增益的对比度能量权重，在双目融合模型公式(2)的基础上进行改进，得到计算单目图像的模型(3)：

其中I_l(x,y)和I_r(x,y)是立体图像的左右视点，GC_l(x,y)和GC_r(x,y)是左右视点增益控制的总共对比度能量，GE_l(x,y)和GE_r(x,y)是左右视点增益增强的总共对比度能量，C(x,y)为最终的融合图像；

计算GC_v(x,y)和GE_v(x,y)的过程如下：

分别提取并处理其RGB三个通道，首先利用一组Gabor滤波器分别对左右视点的各个通道进行滤波，获取其空间响应，二维Gabor滤波器写成下式：

其中x'＝(xcosθ+ysinθ)，y'＝(-xsinθ+ycosθ)，ω为空间频率θ为方向，γ为空间宽高比σ为高斯滤波器的标准差，滤波器组中，Gabor滤波器组包含8个方向θ∈{kπ/8|k＝0,1,…7}和6个方向ω∈{1.5,2.5,3.5,5，7,10}(cycle/degree)共48个滤波器，因此每个视点经过滤波可得到48张特征图，将特征图按照平均亮度值的升序进行排列，得到C_v＝{C_v⁽¹⁾,C_v⁽²⁾,C_v⁽³⁾,…,C_v⁽⁴⁸⁾},v∈{l,r}，通过下式(5)和式(6)计算增益增强指数ge和增益控制指数gc，

使用对比度敏感函数CSF(Contrast Sensitivity Function，)对48幅特征图进行滤波，以模拟人眼对图像不同空间频率的不同响应，通过Gabor滤波和CSF滤波，每个视点得到48张符合人眼视觉特性的特征图，用来表示，通过式(7)计算每张特征图的权重，最后通过式(8)计算增益控制的总共对比度能量GC_v(x,y)和增益增强的总共对比度能量GE_v(x,y)；

通过式(8)计算得到增益控制和增益增强两个属性，按式(3)计算得到左右视点的融合图像。

3.如权利要求1所述的基于特征提取和集成学习的立体图像质量客观评价方法，其特征是，融合图像特征的提取具体步骤如下：通过分别对融合图像进行HOG特征编码和LBP特征编码，获取融合图像中与立体图像质量相关的信息；

(一)HOG特征提取

HOG特征的计算流程如下：1)选取中心点，划分尺度相同的图像块作为采样窗口或者网格，称为细胞单元cell；2)计算细胞单元内的梯度；3)将多个细胞单元组成一个区间块block；

(二)LBP特征提取

(1)LBP算法处理融合图像得到纹理图，提取图谱的统计直方图作为特征向量；

(2)选择LBP算法的采样模式，从邻域中选择样本点的策略称为采样模式，原始LBP算法的采样模式是方形采样，即选择中心像素点周围的8邻域，扩展的LBP算法为圆形采样，即以中心像素点为圆心半径为R的圆周上均匀选择P个采样点，按照公式(11)(12)对纹理图进行方形采样；

(3)确定纹理图划分大小，为了避免局部特征信息的丢失，将融合图像纹理图划分成3×3的区域块，并按步骤(11)计算各区域块的直方图；

(4)得到整个图像的LBP特征向量，连接各个不同区域块的直方图，根据直方图计算得到256维特征向量作为融合图像的LBP描述。