显著性分析提升立体图像视觉舒适度预测准确度

本文主要探讨的是"基于显著性分析的立体图像视觉舒适度预测"这一研究主题。传统上，立体图像的视觉舒适度评价模型主要依赖于全局视差特性，但这种模型可能存在局限性。针对这一问题，研究人员提出了一个新颖的预测模型，它结合了人类视觉系统（HVS）的立体视觉注意力机制。 首先，该方法利用人眼对不同图像元素的显著性感知，通过计算协方差矩阵和特定特征集（如纹理、颜色、形状等）生成图像显著图和深度显著图。这些显著图能够反映图像中哪些部分最能吸引人的注意力，从而模拟人眼在立体场景中的视觉特性。 接着，将这两张显著图融合成立体显著图，作为构建立体图像视觉舒适度感知特征的基础。这些特征反映了图像的视觉吸引力和空间深度信息，对于评估观看者的主观舒适度至关重要。 随后，作者采用了支持向量回归（Support Vector Regression，SVR）这一机器学习技术，来建立主观舒适度评分与客观感知特征之间的关系模型。SVR通过寻找最优超平面来预测立体图像的视觉舒适度客观评价值，这种预测方法被认为能够更好地反映人眼的感知规律。 实验结果显示，新提出的模型与传统的评价方法相比，其线性相关系数和等级相关系数均有显著提高，这意味着该模型在预测立体图像视觉舒适度时，能更准确地反映人的主观感受。这表明该模型在一定程度上解决了传统方法的不足，客观评价值与主观感知一致性更高。 关键词包括：立体图像、视觉舒适度评价、视觉显著图、协方差矩阵、特征集、支持向量回归。本文的研究不仅对立体图像处理领域有理论意义，也为实际应用提供了改进的评估工具，如在虚拟现实、3D电影制作等领域中提升用户体验。通过深入理解人眼对立体图像的感知机制，本文的工作有助于优化立体内容的生成和显示策略，以提供更舒适的观感体验。