立体图像质量评价：基于JND与SVR的方法

"本文提出了一种基于最小可察觉失真(JND)的立体图像质量客观评价方法，结合奇异值矢量，使用支持向量回归(SVR)预测立体图像的质量。该方法包括图像质量评价和深度感知评价两部分，能够有效地预测人眼对立体图像的主观感知，具有较高的Pearson线性相关系数(CC)和Spearman等级相关系数(SROCC)值。" 在当前的立体视频系统评估中，立体图像质量的客观评价是一项重要的任务，但也是一个挑战，因为需要考虑人类视觉系统的特性和感知。文章作者分析了最小可察觉失真(JND)这一视觉感知模型，JND是指人眼能够识别的图像失真的最小变化。在立体图像中，这个概念用于量化失真对立体感知的影响程度，从而更准确地评估图像质量。 为了实现这一目标，作者引入了奇异值矢量，这是一种反映图像结构信息的方法。奇异值分解是一种矩阵分解技术，可以提取图像的主要特征，这对于理解和度量图像的失真至关重要。将JND模型与奇异值矢量相结合，作者构建了一个立体图像质量评价框架，该框架分为两部分：图像质量评价和深度感知评价。这两部分分别关注图像本身的视觉质量以及深度信息的保真度。 在图像质量评价阶段，提取与图像质量和深度感知相关的特征，这些特征随后会根据不同的失真类型进行融合。融合后的特征通过支持向量回归(SVR)模型进行处理，以预测立体图像的客观质量分数。SVR是一种机器学习算法，适用于非线性回归问题，能有效地处理复杂的特征空间和非线性关系。 实验结果显示，该方法在多种失真类型或混合失真的情况下，其预测结果与人眼主观感知的关联度非常高。Pearson线性相关系数(CC)和Spearman等级相关系数(SROCC)的高值表明，该方法的预测能力与人的视觉感知一致性良好。 这项研究提供了一种基于人类视觉感知的立体图像质量客观评价方法，通过结合JND模型、奇异值分解和SVR，提高了评价的准确性和可靠性，对于立体视频系统的优化和用户体验提升具有重要意义。这种方法对于未来立体图像处理和传输领域的研究和发展具有指导作用，并可能推动相关标准的制定。