[发明专利]一种立体图像的最小可察觉变化步长的客观分析方法

摘要

本发明公开了一种立体图像的最小可察觉变化步长的客观分析方法，通过对失真立体图像集合中的每幅失真的立体图像采用不同的权值比重组合进行训练，得到不同权值比重组合的支持向量回归训练模型，利用训练得到的支持向量回归模型对任意测试图像进行测试，在左视点图像质量固定不变的情况下，测定人眼可感知立体图像质量变化时右视点图像质量的临界质量点，从而确定对立体图像进行编码时右视点图像质量相对左视点图像质量可下降的最大变化范围，既能通过降低右视点图像质量来达到提高编码效率的目的，又能利用立体视觉掩蔽效应使观察者不能感知到右视点图像质量下降的事实，从而保证了立体图像的整体质量。

主权项

1.一种立体图像的最小可察觉变化步长的客观分析方法，其特征在于包括以下步骤：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，将S_org的右视点图像记为R_org，将S_dis的左视点图像记为L_dis，将S_dis的右视点图像记为R_dis；②对L_org、R_org、L_dis和R_dis4幅图像分别实施奇异值分解，分别得到L_org、R_org、L_dis和R_dis4幅图像各自对应的奇异值矢量，将L_org的奇异值矢量记为将R_org的奇异值矢量记为将L_dis的奇异值矢量记为将R_dis的奇异值矢量记为其中，各个奇异值矢量的维数为m，m＝min(M，N)，min()为取最小值函数，M表示图像的水平尺寸大小，N表示图像的垂直尺寸大小；③计算L_org的奇异值矢量与L_dis的奇异值矢量的绝对差矢量，记为X^L，将X^L作为L_dis的特征矢量，计算R_org的奇异值矢量与R_dis的奇异值矢量的绝对差矢量，记为X^R，将X^R作为R_dis的特征矢量，其中，“||”为取绝对值符号；④对L_dis的特征矢量X^L和R_dis的特征矢量X^R进行线性加权，得到S_dis的特征矢量，记为X，X＝w_LX^L+w_RX^R，其中，w_L表示L_dis的权值比重，w_R表示R_dis的权值比重，w_L+w_R＝1；⑤采用n幅无失真的立体图像，建立其在H.264编码失真类型的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，利用主观质量评价方法分别获取失真立体图像集合中每幅失真的立体图像的平均主观评分差值，记为DMOS，DMOS＝100-MOS，其中，MOS表示主观评分均值，DMOS∈[0，100]，n≥1；⑥采用与计算S_dis的特征矢量X相同的方法，分别计算失真立体图像集合中每幅失真的立体图像的不同权值比重组合的特征矢量，对于失真立体图像集合中第i幅失真的立体图像的第j种权值比重组合的特征矢量，将其记为X_i，j，其中，1≤i≤n′，1≤j≤m′，n′表示失真立体图像集合中包含的失真的立体图像的幅数，m′表示所有权值比重组合的种数；⑦采用支持向量回归对失真立体图像集合中所有的失真的立体图像的相同权值比重组合的特征矢量进行训练，得到不同权值比重组合的支持向量回归训练模型，对于第j种权值比重组合的支持向量回归训练模型，将其记为f_j(X_inp)，其中，f_j()为第j种权值比重组合的回归函数的函数表示形式，X_inp表示支持向量回归训练模型的输入矢量；⑧从n幅无失真的立体图像中任意选取一幅立体图像，然后任取一个编码量化参数对该立体图像的左视点图像进行编码，并采用多个不同的编码量化参数对该立体图像的右视点图像进行编码，利用训练得到的支持向量回归训练模型对由编码得到的一幅左视点图像和多幅右视点图像构成的多幅测试图像进行测试，计算得到人眼可感知立体视觉变化时测试图像中的右视点图像的最小可察觉变化步长。