三维重定向图像主观和客观质量评价方法

三维(S3D)图像重定向技术的作用是调整S3D图像的宽高比。为准确和客观地衡量三维重定向图像的视觉质量,建立了一个S3D重定向图像质量评价数据库。首先,使用八种具有代表性的三维重定向算法对45幅原始图像按两种重定向尺度进行分辨率调整,共生成720幅三维重定向图像;然后,每幅重定向图像通过主观测试,得到相应的主观打分值;最后,对主观分数进行处理,得到平均主观意见分(MOS)值。在此基础上,提出一种三维重定向图像客观质量评价方法,即通过提取S3D重定向图像的深度感特征、视觉舒适度特征和左右视点的图像质量特征,使用支持向量回归预测得到S3D重定向图像的视觉质量。在提出的数据库上进行测试可以得知,所提方法的Pearson线性相关系数高于0.82,Spearman等级系数高于0.81,表明其能有效预测S3D重定向图像的视觉质量。

结合双向相似性变换的重定向图像质量评价

目的显示设备的多样化使得图像重定向的作用日益凸显。不同的重定向方法产生不同视觉感受的重定向图像,而如何评价重定向图像的质量,优化重定向算法是当前研究的热点与难点,为此,提出一种结合双向相似性变换的重定向图像质量评价方法。方法首先对原始图像和重定向图像进行像素点双向匹配,利用网格顶点坐标对计算前向变换矩阵和后向变换矩阵。然后由相似性变换矩阵与标准变换矩阵间的距离得到重定向图像的几何失真。由网格面积缺失得到重定向图像的信息损失。最后结合网格的显著性,融合前向匹配与后向匹配的几何失真和信息损失得到重定向图像的质量。结果该方法在Retarget Me和CUHK数据库上的KRCC(Kendall rank correlation coefficient)和SROCC(Spearman rank-order correlation coefficient)性能分别达到了0.46和0.71,较现有方法有较大提升。在前向匹配与后向匹配测试中,双向匹配的测试结果优于单向匹配。结论本文方法将图像的重定向处理看做相似性变换过程。实验结果表明,从相似性变换矩阵中提取的相关特征能够较精确度量重定向图像的几何失真,而由此引发的网格面积缺失也能准确反映出重定向图像的信息损失。另外,采用双向匹配机制一定程度上减少了像素匹配误差对实验结果的影响,有效提升了重定向图像质量预测的准确性。该方法对重定向图像的质量评价效果好,适用于重定向图像的质量预测及算法优化。

基于深层特征学习的无参考立体图像质量评价

提出了一种基于深层特征学习的无参考(NR)立体图像质量评价方法。与传统人工提取图像特征不同,采用卷积神经网络(CNN)自动提取图像特征,评价过程分为训练和测试两阶段。在训练阶段,将图像分块训练CNN网络,利用CNN提取图像块特征,并结合不同的整合方式得到图像的全局特征,通过支持向量回归(SVR)建立主观质量与全局特征的回归模型;在测试阶段,由已训练的CNN网络和回归模型,得到左右图像和独眼图的质量。最后,根据人眼双目视觉特性融合左图像、右图像和独眼图的质量,得到立体图像质量。本文方法在LIVE-I和LIVE-II数据库上的Spearman等级系数(SROCC)分别达到了0.94和0.89,评价结果准确,与人眼的主观感受一致。

基于联合字典的无参考真实失真图像的质量评价

针对真实失真图像提出一种基于联合字典的无参考(NR)图像质量评价(IQA)方法,分为训练和测试两个阶段。在训练阶段,首先对真实失真图像提取美学特征和自然场景统计特征,然后对图像特征和标签进行联合字典学习,训练得到特征字典和质量字典。在测试阶段,根据特征字典和质量字典计算真实失真图像的质量值。在LIVE Challenge数据库上的实验结果表明,本文方法的评价结果与主观评价结果有较好的相关性,符合人类视觉系统的感知,相比较传统的无参考方法,具有更好的优越性。