基于小波与结构特征的无参考立体图像质量评估

0 下载量 37 浏览量 更新于2024-08-30 收藏 9.8MB PDF 举报
本篇文章主要探讨了"基于小波变换与结构特征的立体图像质量评价"这一主题,针对立体图像失真可能带来的边缘、结构和深度等低层次结构特征变化,提出了一个无参考立体图像质量评估方法。研究者利用人眼对图像低层次结构的感知原理,通过以下步骤进行设计: 1. 双树复小波变换:首先,对输入的左右视图、合成图像和视差图进行双树复小波变换。双树复小波变换是一种高效的信号分析工具,它能够在多尺度和方向上同时捕获图像的局部细节信息。 2. 特征提取:然后,从变换后的图像中提取关键特征。这些特征包括左右视图和合成图小波子带的相位幅度特征,以及左右视图和合成图小波子带的梯度特征。相位幅度特征反映了图像的频率和幅度信息,而梯度特征则关注图像边缘的变化,这些都是影响图像质量的重要因素。 3. 支持向量回归(SVR)模型:接下来,利用支持向量回归算法对这些特征进行训练,建立特征与图像质量分数之间的映射关系模型。支持向量机的强大之处在于其能够处理高维数据,并找到最优的决策边界,从而提高预测精度。 4. 性能评估:实验部分在LIVE3 DIQD Phase 1和Phase 2两个大型数据库上进行,验证了该算法的有效性和可靠性。结果显示,新提出的算法与人眼视觉特性有很高的契合度,相较于当前主流的立体图像质量评估算法,它具有更好的性能。 5. 应用价值:这个无参考评价方法的意义在于,无需依赖参考图像或复杂的主观评价,能够客观地量化立体图像的质量,对于三维图像处理、虚拟现实和增强现实等领域具有实际应用价值。 总结来说,这篇文章的核心贡献是开发了一种利用小波变换和结构特征来评估立体图像质量的无参考方法,通过有效融合多维度的图像特征,实现了对图像质量的精确量化评估。这种方法不仅考虑了图像的局部结构信息,还利用了统计学习技术,为相关领域的图像处理和质量控制提供了有力工具。