[发明专利]基于图谱特征和空间特征的盲参考三维网格质量评价方法

摘要

本发明公开了一种基于图谱特征和空间特征的盲参考三维网格质量评价方法，其通过构建失真三维网格中的每个顶点的曲率张量，获得每个顶点的极大主曲率和极小主曲率及高斯曲率；根据加权邻接矩阵和高斯曲率得到第一特征向量；根据拉普拉斯矩阵获得第二特征向量；通过每个顶点的极大主曲率和极小主曲率得到每个顶点的形状指数和弯曲度，进而得到第三特征向量和第四特征向量；通过获取每个顶点到失真三维网格的中心的距离、方位角和仰角，得到第五特征向量；将五个特征向量构成感知质量特征向量；使用随机森林技术，将感知质量特征向量作为输入量，得到客观质量评价值；优点是其无需参考三维网格，且能有效地提高客观评价结果与主观感知之间的一致性。

主权项

1.一种基于图谱特征和空间特征的盲参考三维网格质量评价方法，其特征在于包括以下步骤：步骤一：将待评价的失真三维网格记为M，M由N个顶点和连接顶点与顶点之间的边组成，M中包含有多个离散的三角网格面，将M中的第i个顶点记为v_i；其中，N为正整数，N≥3，i为正整数，i的初始值为1，1≤i≤N；步骤二：构建M中的每个顶点的曲率张量，将v_i的曲率张量记为R(v_i)；然后计算M中的每个顶点的曲率张量的所有特征值，将R(v_i)的第k个特征值记为λ_i,k；接着获取M中的每个顶点的极大主曲率和极小主曲率，将v_i的极大主曲率和极小主曲率对应记为Pri1(v_i)和Pri2(v_i)，Pri1(v_i)＝max(λ_i,1,λ_i,2,…,λ_i,k,…,λ_i,K)，Pri2(v_i)＝min(λ_i,1,λ_i,2,…,λ_i,k,…,λ_i,K)；再计算M中的每个顶点的高斯曲率，将v_i的高斯曲率记为f_GC(v_i)，f_GC(v_i)＝Pri1(v_i)×Pri2(v_i)；其中，k为正整数，k的初始值为1，1≤k≤K，K表示R(v_i)的所有特征值的总个数，K≥2，max()为取最大值函数，min()为取最小值函数，λ_i,1表示R(v_i)的第1个特征值，λ_i,2表示R(v_i)的第2个特征值，λ_i,K表示R(v_i)的第K个特征值；步骤三：根据M中的所有顶点和所有边，构建M的加权邻接矩阵，记为W；再根据W，计算M中的所有顶点的平滑度特征作为M的第一特征向量，记为F_S，设定v_i与v_j之间存在边ε_i,j，则有其中，W的维数为N×N，v_j表示M中的第j个顶点，j为正整数，1≤j≤N,j≠i，W_i,j表示边ε_i,j上的权重，也即W中下标为(i,j)处的元素，f_GC(v_j)表示v_j的高斯曲率；步骤四：根据W，构建M的拉普拉斯矩阵，记为L；然后采用Lanczos方法计算L的特征向量，记为U，并采用QR方法计算L的个特征值，将L的第p个特征值记为t_p；接着计算L的每个特征值对应的图谱域上的高斯曲率幅值，将t_p对应的图谱域上的高斯曲率幅值记为再获取M的第二特征向量，记为F_AM，其中，L的维数为N×N，U的维数为L的特征向量中包含的元素的总个数和L的特征值的总个数均为为正整数，u₁为U中的第1个元素，u₂为U中的第2个元素，u_p为U中的第p个元素，为U中的第个元素，u₁、u₂、u_p、的维数均为p为正整数，p的初始值为1，表示L的第1个特征值t₁对应的图谱域上的高斯曲率幅值，表示L的第2个特征值t₂对应的图谱域上的高斯曲率幅值，表示L的第个特征值对应的图谱域上的高斯曲率幅值；步骤五：计算M中的每个顶点的形状指数和弯曲度，将v_i的形状指数和弯曲度对应记为SI(v_i)和C(v_i)，然后利用广义高斯分布对M中的所有顶点的形状指数进行直方图拟合，拟合得到三个拟合参数，分别为M中的所有顶点的形状指数的均值、M中的所有顶点的形状指数的方差、M中的所有顶点的形状指数的尺度，对应记为SI_μ、SI_σ、SI_α；再将SI_μ、SI_σ和SI_α分别作为描述M失真情况的形状指数特征，将SI_μ、SI_σ和SI_α按序构成一个行向量作为M的第三特征向量，记为F_SI，F_SI＝[SI_μ,SI_σ,SI_α]；同样，利用广义高斯分布对M中的所有顶点的弯曲度进行直方图拟合，拟合得到三个拟合参数，分别为M中的所有顶点的弯曲度的均值、M中的所有顶点的弯曲度的方差、M中的所有顶点的弯曲度的尺度，对应记为C_μ、C_σ和C_α；再将C_μ、C_σ和C_α分别作为描述M失真情况的弯曲度特征，将C_μ、C_σ和C_α按序构成一个行向量作为M的第四特征向量，记为F_C，F_C＝[C_μ,C_σ,C_α]；其中，F_SI的维数为1×3，F_C的维数为1×3，符号“[]”为向量表示符号；步骤六：将M的中心记为v₀；然后计算v₀在M所在的三维坐标系中的坐标位置，记为(x₀,y₀,z₀)，接着计算M中的每个顶点到v₀的距离、方位角和仰角，将v_i到v₀的距离、方位角和仰角对应记为ρ_i、θ_i和再计算M中的所有顶点的散乱度参数，分别为M中的所有顶点对应的距离的均值、M中的所有顶点对应的距离的方差、M中的所有顶点对应的方位角的均值、M中的所有顶点对应的方位角的方差、M中的所有顶点对应的仰角的均值、M中的所有顶点对应的仰角的方差，对应记为ρ_μ、ρ_σ、θ_μ、θ_σ、最后将ρ_μ、ρ_σ、θ_μ、θ_σ、分别作为衡量M中的所有顶点的偏移量的散乱度特征，将ρ_μ、ρ_σ、θ_μ、θ_σ、按序构成一个行向量作为M的第五特征向量，记为F_VS，其中，x₀表示v₀在M所在的三维坐标系中的X轴上的坐标值，y₀表示v₀在M所在的三维坐标系中的Y轴上的坐标值，z₀表示v₀在M所在的三维坐标系中的Z轴上的坐标值，x_i表示v_i在M所在的三维坐标系中的X轴上的坐标值，y_i表示v_i在M所在的三维坐标系中的Y轴上的坐标值，z_i表示v_i在M所在的三维坐标系中的Z轴上的坐标值，F_VS的维数为1×6；步骤七：计算M中的每个三角网格面的面积；然后利用广义高斯分布对M中的所有三角网格面的面积进行直方图拟合，拟合得到三个拟合参数，分别为M中的所有三角网格面的面积的均值、M中的所有三角网格面的面积的方差、M中的所有三角网格面的面积的尺度，对应记为A_μ、A_σ、A_α；再将A_μ、A_σ、A_α分别作为描述M的三角拓扑结构的变化情况的特征，将A_μ、A_σ、A_α按序构成一个行向量作为M的第六特征向量，记为F_A，F_A＝[A_μ,A_σ,A_α]；其中，F_A的维数为1×3；步骤八：将F_S、F_AM、F_SI、F_C、F_VS、F_A按序构成一个行向量作为M的感知质量特征向量，记为F，F＝[F_S,F_AM,F_SI,F_C,F_VS,F_A]；步骤九：使用随机森林技术，将F作为随机森林技术的输入量，计算得到M的客观质量评价值。