基于BJND和JNDD的立体视频深度感知增强技术综述

人类视觉系统是一个具有多种视觉特性的复杂处理系统,视觉感知是人眼多种视觉特性共同作用的结果。立体视频图像因视差和深度的存在有着与平面图像不同的视觉感受,且深度感与视差有着紧密的关系。恰可察觉差别(Just Noticeable Difference,JND)或者称为恰可察觉失真(Just Noticeable Distortion,JND)是一种基于视觉心理学和生理学的视觉特性,双目恰可察觉差别(Binocular JND,BJND)和恰可察觉深度差别(Just Noticeable Depth Difference,JNDD)影响人们对立体视频的用户体验。在阐述JND基础上,综述人类视觉感知立体视频的BJND、JNDD模型及国内外研究现状,分析视差图质量和深度图信息对立体视频感知影响,提出了基于JNDD的深度图处理方法,寻求人眼对立体视频深度感知增强技术,建立基于BJND和JNDD的立体视频图像质量客观评价方法,为立体视频图像处理及应用提供指导。

基于BJND模型的立体图像鲁棒水印算法

随着3D技术的发展,3D电影逐渐进入到一个快速发展阶段。低感知强鲁棒的数字水印方案是水印技术在3D电影版权保护应用中的一项研究重点。已有的研究证明,基于HVS的JND模型在提高水印不可见性上具有很好的效果,但是现有的JND模型大都建立在单目视觉掩蔽特性基础上,而对于立体图像需要进一步考虑双目视觉掩蔽特性。提出了一种基于BJND(Binocular JND)模型的立体图像鲁棒水印算法。水印嵌入强度受BJND值调制后,使得水印表现出更好的透明性。实验结果证明,在水印不可见的条件下,基于BJND模型的立体水印方案在抵抗加噪、JPEG压缩等全局攻击上具有更强的鲁棒性。

基于BJND的立体图像篡改定位及恢复水印方法

针对立体图像内容的真实性认证和完整性保护等问题,提出一种基于双目恰可觉察失真(BJND)的立体图像篡改定位及恢复水印方法。首先,利用奇异值的稳定特性,设计左右图像的定位水印;然后,根据BJND强度将左右图像的定位水印嵌入到左图像中;最后,利用离散余弦变换(DCT)和JPEG量化压缩生成恢复信息,并将右图像和左图像遮挡暴露区域的恢复信息分别嵌入到右图像和左图像中。实验结果表明,本文方法所构造的水印对JPEG压缩、椒盐噪声、高斯白噪声等偶然攻击比较鲁棒,而对剪切、拼接、旋转等恶意攻击较为脆弱,同时对左右图像的恶意篡改区域检测率大于98%。由于充分利用了左右图像的匹配特性,恢复的被篡改立体图像其左右图像PSNR达36.02dB～41.29dB。

基于双目感知的多视点视频快速编码算法

为了减少多视点视频编码过程中多参考帧预测技术巨大的编码复杂度,提出基于双目恰可察觉失真(BJND)的多视点视频多参考帧快速选择算法,通过分析多参考帧选择与BJND之间的统计特性,提前结束多参考帧选择过程。当BJND大于阈值时,确定参考帧列表中时间或者视点上第一参考帧为最优参考帧。实验结果表明,所提出的快速算法在几乎不影响编码率失真性能的情况下,比多视点视频编码校验模型平均节约76%的编码时间。