无参考立体图像质量评价：基于小波融合与CNN的方法

"基于图像融合的无参考立体图像质量评价" 本文主要介绍了一种创新的无参考立体图像质量评价算法，该算法应用在图像处理领域，特别是针对立体图像的评估。立体图像由左右两个视图构成，能提供深度信息，常用于3D显示技术。在该研究中，作者黄姝钰和桑庆兵利用了小波变换这一数学工具对立体图像的左右视图进行分解和重构，并将它们融合成单一图像。 小波变换是一种多分辨率分析方法，能够同时提取图像的频率和位置信息，非常适合图像处理任务。在此算法中，小波变换被用来分解立体图像的左右视图，以便更好地理解和处理图像的细节和结构。重构后的图像随后通过融合操作整合到一起，这个过程旨在保持图像的结构信息，同时通过亮度系数的归一化处理来均衡图像各部分的亮度，确保视觉效果的一致性。 归一化是图像处理中的一个重要步骤，它能够消除图像亮度差异，使得不同部分的图像在比较时具有可比性。在完成图像融合和亮度系数归一化后，研究者采用卷积神经网络（CNN）对融合图像进行特征提取。CNN是一种深度学习模型，尤其擅长处理图像数据，它能够自动学习和识别图像的特征，如边缘、纹理和形状等。 接下来，通过CNN提取的特征被用于回归预测，即预测融合图像的质量分数。这种方法的目的是尽可能地模拟人类视觉系统对图像质量的主观评价。实验结果显示，提出的评价算法预测的分数与人的主观评价高度一致，证明了该算法的有效性和实用性。 关键词涉及的领域包括图像处理、立体图像质量评价、图像融合、小波变换、亮度系数归一化以及卷积神经网络。这些技术的结合使得算法能够在没有参考标准的情况下，仍然能够准确评估立体图像的质量，这对3D显示技术的发展和优化具有重要意义。 该研究提供了一种新的、基于深度学习的无参考立体图像质量评价方法，通过小波变换和CNN的结合，实现了对立体图像质量的客观量化，这对于未来3D图像处理和显示技术的改进有着重要的理论和实践价值。