[发明专利]一种拼接图像质量评价方法

权利要求书

1.一种拼接图像质量评价方法，其特征在于包括以下步骤：

步骤1：选取N个视点的多视点图像，将多视点图像的第个视点的视图记为令I_sti表示由N个视点的多视点图像拼接得到的拼接图像；其中，N为正整数，N＞1，I_sti的宽度为Width且高度为Height；

步骤2：采用尺度不变特征转换，提取出多视点图像的不同视点的视图中的所有特征点，将中的第个特征点记为将中的所有特征点构成的集合记为然后采用随机抽样一致方法，建立多视点图像的相邻视点的视图中的特征点之间的匹配关系，将多视点图像的第γ个视点的视图中的第q^(γ)个特征点与多视点图像的第γ+1个视点的视图中的匹配特征点的偏移向量记为其中，为正整数，表示中的特征点的总个数，表示的横坐标位置，表示的纵坐标位置，1≤γ≤N-1，q^(γ)为正整数，1≤q^(γ)≤Q^(γ)，Q^(γ)表示中的特征点的总个数，表示的横坐标位置，表示的纵坐标位置，用于表示水平方向，用于表示垂直方向，表示的水平偏移量，表示的垂直偏移量；

步骤3：采用尺度不变特征转换，提取出I_sti中的所有特征点；然后采用随机抽样一致方法，建立多视点图像的不同视点的视图中的特征点与I_sti中的特征点之间的匹配关系，将中的第个特征点与I_sti中的匹配特征点的偏移向量记为其中，表示的水平偏移量，表示的垂直偏移量；

步骤4：计算I_sti的鬼影失真，记为f_gho，其中，D和B均为中间变量，符号“|| ||₂”为求取矩阵的2-范数符号，表示多视点图像的第γ个视点的视图中的第q^(γ)个特征点与I_sti中的匹配特征点的偏移向量，表示多视点图像的第γ+1个视点的视图中坐标位置为的特征点与I_sti中的匹配特征点的偏移向量；

步骤5：计算I_sti的错位失真，记为f_dis，其中，表示多视点图像的第γ+1个视点的视图中的第q^(γ+1)个特征点的纵坐标位置，1≤q^(γ+1)≤Q^(γ+1)，Q^(γ+1)表示中的特征点的总个数；

步骤6：计算I_sti的倾斜失真，记为f_ske，其中，对中的所有特征点按特征点的横坐标位置的大小进行排序，选择横坐标位置最小的5％的特征点和横坐标位置最大的5％的特征点，将所选择的横坐标位置最小的5％的特征点随机与所选择的横坐标位置最大的5％的特征点一一对应两两连接，构成条直线，将对应的所有直线构成的集合记为表示中的第条直线，表示对应的直线的数量，的值等于所选择的横坐标位置最小的5％的特征点的数量或所选择的横坐标位置最大的5％的特征点的数量；根据中的每个特征点与I_sti中的匹配特征点的偏移向量，获得中的每条直线的两个特征点在I_sti中的匹配特征点，进而获得中的每条直线在I_sti中的匹配直线，表示在I_sti中的匹配直线，符号“”表示内积操作符号，符号“|| ||”为求取矩阵的1-范数符号；

步骤7：计算I_sti的几何失真，记为f_geo，其中，表示的几何失真，对应表示的第1个元素、第2个元素、第4个元素、第5个元素、第7个元素、第8个元素，符号“| |”表示取绝对值操作符号，表示与I_sti之间的相似性变换矩阵，为的转置，为的逆，和对应表示中的第1个特征点的横坐标位置和纵坐标位置，和对应表示中的第个特征点的横坐标位置和纵坐标位置，A1、A2、A3、A4、A5、A6、A7、A8均为中间变量，表示中的第1个特征点与I_sti中的匹配特征点的偏移向量的水平偏移量，表示中的第1个特征点与I_sti中的匹配特征点的偏移向量的垂直偏移量，表示中的第个特征点与I_sti中的匹配特征点的偏移向量的水平偏移量，表示中的第个特征点与I_sti中的匹配特征点的偏移向量的垂直偏移量，的维数为的维数为的维数为8×1；

步骤8：根据f_gho、f_dis、f_ske和f_geo，获得I_sti的局部特征矢量，记为F_local，F_local＝[f_gho,f_dis,f_ske,f_geo]；其中，F_local的维数为1×4，符号“[]”为矢量表示符号，[f_gho,f_dis,f_ske,f_geo]表示将f_gho、f_dis、f_ske和f_geo连接起来形成一个特征矢量；

步骤9：计算I_sti的全局特征矢量，记为F_global；其中，F_global的维数为1×11；

步骤10：根据F_local和F_global，获得I_sti的特征矢量，记为F，F＝[F_local,F_global]；其中，F的维数为1×15；

步骤11：将n'幅拼接图像及每幅拼接图像对应的原始多视点图像构成拼接图像集合；然后采用主观质量评价方法，获取拼接图像集合中的每幅拼接图像的平均主观评分差值，将拼接图像集合中的第i幅拼接图像的平均主观评分差值记为DMOS_i；并按照步骤1至步骤10的过程，以相同的方式获取拼接图像集合中的每幅拼接图像的特征矢量，将拼接图像集合中的第i幅拼接图像的特征矢量记为F_i；其中，n'为正整数，n'＞1，i为正整数，1≤i≤n'，DMOS_i∈[0,100]，F_i的维数为1×15；

步骤12：从拼接图像集合中随机选择m幅拼接图像构成训练集；然后将训练集中的所有拼接图像的特征矢量和平均主观评分差值构成训练样本数据集合；接着采用支持向量回归作为机器学习的方法，对训练样本数据集合中的所有特征矢量进行训练，使得经过训练得到的回归函数值与平均主观评分差值之间的误差最小，拟合得到最优的权重矢量和最优的偏置项再利用得到的最优的权重矢量和最优的偏置项构造拼接图像的支持向量回归训练模型，记为其中，m为正整数，1≤m＜n'，为函数表示形式，F_inp表示拼接图像的支持向量回归训练模型的输入矢量，为拼接图像的特征矢量，F_inp的维数为1×15，为的转置，表示拼接图像的支持向量回归训练模型的输入矢量F_inp的线性函数；

步骤13：将拼接图像集合中剩余的n'-m幅拼接图像构成测试集；然后将测试集中的所有拼接图像的特征矢量构成测试样本数据集合；接着根据构造得到的拼接图像的支持向量回归训练模型，对测试样本数据集合中的每个特征矢量进行测试，预测得到测试样本数据集合中的每个特征矢量对应的拼接图像的客观质量评价预测值，将测试样本数据集合中的第η个特征矢量对应的拼接图像的客观质量评价预测值记为quality_η，其中，η为正整数，1≤η≤n'-m，F_η表示测试样本数据集合中的第η个特征矢量，F_η的维数为1×15，表示F_η的线性函数；

步骤14：重复执行步骤12至步骤13共number次，并使拼接图像集合中的每幅拼接图像至少有一次属于测试集，经过number次执行后计算拼接图像集合中的每幅拼接图像的若干个客观质量评价预测值的平均值，再将拼接图像集合中的每幅拼接图像的若干个客观质量评价预测值的平均值作为该幅拼接图像的最终的客观质量评价预测值；其中，number为正整数，number≥100。

2.根据权利要求1所述的一种拼接图像质量评价方法，其特征在于所述的步骤9中，F_global的获取过程为：

步骤9_1：对多视点图像的N个视点的视图进行去除重叠区域操作，在进行去除重叠区域操作后再重组得到重组的多视点图像，记为其中，1≤x'≤Width',1≤y'≤Height'，Width'表示重组的多视点图像的宽度，Height'表示重组的多视点图像的高度，表示中坐标位置为(x',y')的像素点的像素值；

步骤9_2：对进行归一化操作，将经归一化操作后得到的图像记为将中坐标位置为(x',y')的像素点的像素值记为并对I_sti进行归一化操作，将I_sti经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为其中，μ_org表示中的所有像素点的像素值的均值，σ_org表示中的所有像素点的像素值的标准差，1≤x≤Width,1≤y≤Height，I_sti(x,y)表示I_sti中坐标位置为(x,y)的像素点的像素值，μ_sti表示I_sti中的所有像素点的像素值的均值，σ_sti表示I_sti中的所有像素点的像素值的标准差，

步骤9_3：采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为C_org(h)，并采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为C_sti(h)，其中，0≤h≤255，α_org表示拟合曲线C_org(h)的尺度参数，β_org表示拟合曲线C_org(h)的形状参数，exp()表示以自然基数e为底的指数函数，符号“| |”为取绝对值符号，t为积分变量，α_sti表示拟合曲线C_sti(h)的尺度参数，β_sti表示拟合曲线C_sti(h)的形状参数，

步骤9_4：将在YUV颜色空间的Y分量、U分量和V分量对应记为和并将I_sti在YUV颜色空间的Y分量、U分量和V分量对应记为和其中，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，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，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；

步骤9_5：计算的直方图分布，记为计算的直方图分布，记为计算的直方图分布，记为计算的直方图分布，记为计算的直方图分布，记为计算的直方图分布，记为其中，表示中的第j个直方图节点的出现概率，表示中的第j个直方图节点的出现概率，表示中的第j个直方图节点的出现概率，表示中的第j个直方图节点的出现概率，表示中的第j个直方图节点的出现概率，表示中的第j个直方图节点的出现概率；

步骤9_6：计算的均值、标准差和斜度，对应记为和计算的均值、标准差和斜度，对应记为和计算的均值、标准差和斜度，对应记为和计算的均值、标准差和斜度，对应记为和计算的均值、标准差和斜度，对应记为和计算的均值、标准差和斜度，对应记为和

步骤9_7：将α_org、β_org、和按序排列构成的特征矢量，记为F_org，并将α_sti、β_sti、和按序排列构成I_sti的特征矢量，记为F_sti，

步骤9_8：计算I_sti的全局特征矢量F_global，F_global＝F_org-F_sti。