[发明专利]基于统计相似性和双向显著性保真度的图像重定向质量评价方法

摘要

本发明公开了一种基于统计相似性和双向显著性保真度的图像重定向质量评价方法，其特征包括：1、获取原始图像和重定向图像的log‑Gabor域的自然场景统计特征，并得到两者自然场景统计特征之间的差值，作为自然场景差值统计特征；2、获取前向显著性信息丢失值和后向显著性信息丢失值；3、获取图像的显著性结构失真值；4、由自然场景差值统计特征、前向显著性信息丢失值、后向显著性信息丢失值、显著性结构失真值构成重定向质量评价特征；5、利用支持向量回归模型对重定向质量评价特征进行训练和预测，从而得到质量评价模型。本发明考虑了自然场景统计特征变化，并且从两个方向对图像显著性保真度进行衡量，能够更加准确地预测重定向图像主观视觉质量。

主权项

1.一种基于统计相似性和双向显著性保真度的图像重定向质量评价方法，其特征是按如下步骤进行：步骤1：获取log‑Gabor域的自然场景统计特征；步骤1.1：获得去相关性后的梯度图步骤1.1.1：对输入图像进行Ω个方向和S个尺度的log‑Gabor滤波，得到幅度响应集合A_s,o表示第o个方向和第s个尺度上的幅度响应；1≤o≤Ω；1≤s≤S；步骤1.1.2：利用式(1)建立所述第o个方向和第s个尺度上的幅度响应As,o上任一像素点(x,y)的四个方向的梯度值，包括：水平梯度值Hs,o(x,y)、垂直梯度值Vs,o(x,y)、主对角梯度值D1s,o(x,y)、副对角梯度值D2s,o(x,y)；从而得到幅度响应As,o的四个方向的梯度图{Hs,o,Vs,o,D1s,o,D2s,o}；式(1)中，As,o(x,y)表示第o个方向和第s个尺度上的幅度响应As,o在点(x,y)上的像素值；步骤1.1.3：以M_s,o表示所述四个方向的梯度图{H_s,o,V_s,o,D1_s,o,D2_s,o}中的任一方向的梯度图，则利用式(2)所示的除法标准化变换方法去除所述梯度图M_s,o中像素点(x,y)的相关性，得到去相关性后的像素点从而得到去相关性后的梯度图式(2)中，Gi,j(x,y)表示在(x+i,y+j)位置上像素点的高斯加权系数，Ms,o(x+i,y+j)表示梯度图Ms,o中在(x+i,y+j)位置上的像素点；[‑I,I]和[‑J,J]分别表示在(x,y)位置周围的所有高斯加权区域的长度和高度；β表示防止分母为0的常数；步骤1.2：获取滤波器方向内统计特征；步骤1.2.1：从所述四个方向的梯度图{H_s,o,V_s,o,D1_s,o,D2_s,o}中选择与所述第o个方向和第s个尺度上的幅度响应A_s,o具有相同方向的梯度图，记为利用广义高斯分布模型对所述具有相同方向的梯度图的统计直方图进行拟合，得到第o个方向和第s个尺度上的形状参数ρ_s,o和方差σ²_s,o；步骤1.2.2：利用式(3)获得滤波器方向内统计特征F1：步骤1.3：获取梯度方向间统计特征；步骤1.3.1：利用式(4)获得所述第o个方向和第s个尺度上的在(x,y)位置上的最大边缘响应值Maxs,o(x,y)和最小边缘响应值Mins,o(x,y)，从而得到第o个方向和第s个尺度上的最大边缘响应图Maxs,o和最小边缘响应图Mins,o：步骤1.3.2：利用除法标准化变换方法去除所述最大边缘响应图Max_s,o和最小边缘响应图Min_s,o的图内相关性；得到去相关性后的最大边缘响应图和最小边缘响应图步骤1.3.3：利用非对称广义高斯分布模型对所述去相关性后的最大边缘响应图和最小边缘响应图的统计直方图进行拟合，得到第o个方向和第s个尺度上的形状参数ρ′_s,o、左方差和右方差步骤1.3.4：利用式(5)获得梯度方向间统计特征F2：式(5)中，(ρ′max)s,o表示第o个方向和第s个尺度上的最大边缘响应图的形状参数；(σ2max,l)s,o表示第o个方向和第s个尺度上的最大边缘响应图的左方差；(σ2max,r)s,o表示第o个方向和第s个尺度上的最大边缘响应图的右方差；(ρ′min)s,o表示第o个方向和第s个尺度上的最小边缘响应图的形状参数；(σ2min,l)s,o表示第o个方向和第s个尺度上的最小边缘响应图的左方差；(σ2min,r)s,o表示第o个方向和第s个尺度上的最小边缘响应图的右方差；步骤1.4：由所述滤波器方向内统计特征F1和梯度方向间统计特征F2构成所述输入图像的自然场景统计特征；步骤2：将原始图像IO和重定向图像IR分别作为输入图像并按照步骤1进行处理，从而得到所述原始图像IO的自然场景统计特征和重定向图像IR的自然场景统计特征，并获得两者之间的差值，作为输入支持向量回归模型的自然场景差值统计特征；步骤3：获得所述原始图像IO的显著性图SO；步骤4：衡量双向显著性信息丢失；步骤4.1.1：利用式(6)得到所述重定向图像IR在位置p上的显著性值SR(p)，从而得到所述重定向图像IR的显著性图SR：SR(p)＝SO(p+w(p))    (6)式(6)中，w(p)表示原始图像IO在位置p上的位移矢量，并由前向点对点匹配算法得到；SO(p+w(p))表示原始图像IO在位置(p+w(p))上的显著性值；步骤4.1.2：利用式(7)获得前向显著性信息丢失值fFSIL：步骤4.2.1：利用式(8)得到位置p上的重建像素值Iwarp(p)，从而得到由重定向图像重建的原始图像Iwarp：Iwarp(p)＝IR(p+v(p))    (8)式(8)中，v(p)表示重定向图像在位置p上的位移矢量，并由后向点对点匹配算法得到；IR(p+v(p))表示重定向图像在位置(p+v(p))上的像素值；步骤4.2.2：采用显著性阈值分割法对所述原始图像I_O的显著性图S_O中显著性大于阈值δ的区域进行提取，得到显著性区域步骤4.2.3：利用式(9)获得后向显著性信息丢失值fBSIL：式(9)中，w_p表示显著性区域中位置p上的像素相似性，并由式(10)得到：式(10)中，C表示防止分母为0的常数；IO(p)表示原始图像IO在位置p上的像素值；步骤5：衡量图像显著性结构失真；步骤5.1：对所述原始图像IO和重定向图像IR进行后向点对点匹配，得到重定向图像IR在像素点p处的位移矢量(vx(p),vy(p))，从而得到重定向图像IR的全部位移矢量(vx,vy)；步骤5.2：采用中值方法对所述重定向图像IR的全部位移矢量(vx,vy)进行取中值处理，得到重定向图像IR的全部位移的主方向(vmedx,vmedy)；步骤5.3：利用式(11)得到显著性结构失真值fSSD：式(11)中，N表示显著性区域中的像素点个数；步骤6：由所述自然场景差值统计特征、前向显著性信息丢失值fFSIL、后向显著性信息丢失值fBSIL、显著性结构失真值fSSD构成重定向质量评价特征；步骤7：利用支持向量回归模型对所述重定向质量评价特征进行训练和预测，从而得到质量评价模型以实现图像重定向质量评价方法。