[发明专利]基于多尺度空间理论和非显著区域图的立体图像舒适度评价

摘要

本发明涉及一种基于多尺度空间理论和非显著区域图的立体图像舒适度评价方法，设失真图像对为(Dl,Dr)，包括以下步骤：1)计算Dr的2D显著图SSal；2)分别得到与原始图像尺寸相同的视差图D和原始图像1/4尺寸的下采样视差图D1/4两个视差图；3)对于两个视差图，分别提取视差统计特征将这两组特征向量与主观平均分数MOS值放入两个SVM回归训练网络中；使用两个支持向量机分别线性回归训练提取的两组视差统计特征，进行迭代训练，最终得到舒适度质量分数。

主权项

1.一种基于多尺度空间理论和非显著区域图的立体图像舒适度评价方法，每个失真立体图像对由左图和右图组成，设失真图像对为(Dl,Dr)，包括以下步骤：1)使用扩张假说AH算法计算Dr的2D显著图SSal；2)使用深度估计参考算法DERS算法计算出视差图，此算法得到的视差图是原始图像尺寸的1/4，为下采样视差图D1/4，然后从下采样视差图D1/4重新得到与原始图像尺寸一样的视差图D；至此，分别得到了与原始图像尺寸相同的视差图D和原始图像1/4尺寸的下采样视差图D1/4两个视差图。3)对于视差图D做如下的处理：A.计算视差图的均值和方差，得到视差图的特征[f1,f2]；B.将2D显著图SSal与视差图D进行线性加权得到3D显著图S3D，计算出视差梯度特征，得到3D显著图特征f3；C.根据3D显著图S3D得到3D非显著图S3DNS；D.由上一步得到的3D显著图S3D和3D非显著图S3DNS分别计算出3D非显著加权视差图NSD和3D显著加权绝对视差图NSAD；E.根据3D非显著加权视差图NSD和3D显著加权绝对视差图NSAD，分别计算它们的视差均值作为特征[f4,f5]；F.提取视差图D的5个视差统计特征:fD＝|f1,f2,f3,f4,f5|4)对下采样视差图D1/4按照同样的步骤提取5个视差统计特征:FD1/4＝[f1,f2,f3,f4,f5]；5)将这两组特征向量与主观平均分数MOS值放入两个SVM回归训练网络中；最终的质量分数根据以下公式来计算：Score1是SVM1训练得到的分数，Score2是SVM2训练得到的分数，α是质量分数的权重；6)使用两个支持向量机分别线性回归训练提取的两组视差统计特征，进行1000次迭代训练，最终得到舒适度质量分数。