基于稀疏表示的深度图像质量评价及其在3D图像压缩中的应用（2021）

视觉信息学5（2021）67基于稀疏表示的深度图像质量评价DorsafSebai，MaryemSehli，FaouziGhorbel突尼斯Manouba大学国家计算机科学学院ar t i cl e i nf o文章历史记录：2020年9月30日收到2021年1月14日收到修订版，2021年2021年3月9日在线发布保留字：深度图稀疏表示变换域图像质量评估3D-HEVCa b st ra ct传统的2D度量可以用于测量深度图的质量，但是当用于评估3D质量时，它们中没有一个被认为是有效的并且不准确。本文在分析了现有文献的基础上，我们提出了一种新的完全参考客观度量，称为稀疏表示均方误差（SR-MSE），其有效地评估深度图压缩失真。它在专用于深度特征的混合冗余变换域中自适应地对参考和压缩深度图进行建模。 然后，计算所发布的稀疏系数之间的均方误差from thismodeling建模.作为质量评估的基准，我们使用最新的3D高效视频编码标准在各种比特率下压缩的深度图进行主观评价测试。我们比较主观的结果与建议和传统的客观指标。实验结果表明，所提出的SR-MSE，与传统的图像质量评价指标相比，产生最高的相关分数的主观。版权所有2021作者。由爱思唯尔公司出版我代表浙江大学和浙江大学出版社有限公司这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在过去的十年中，一些创新的3D应用取得了巨大的进步，例如沉浸式感知和自由导航应用。随着3D显示设备的不断发展，这一点尤其如此，3D显示设备变得越来越便宜。为了在上述应用中表示3D场景，多视图视频加深度（MVD）（Merkle et al. ，2007）是最合适的表示，其由于视图合成而为用户提供交互式导航实际上，MVD包括由多个相机捕获相同场景的纹理图像序列及其对应的深度图与每个像素表示纹理值的纹理图像不同，深度图是表示每个像素到捕获相机的距离的多视图序列允许更宽范围的视点。但是，它需要比单视图序列更大量的数据。已经进行了各种尝试来压缩MVD数据（Merkle et al. ，2008 b; Maitre and Do，2010;Shen et al. ，2010 b），直到它们导致3D高效视频编码（3D-HEVC）版本（Müller et al. ，2013）。它是专用于特定深度图像的最后一个视频编码标准，这些深度图像与纹理图像的不同之处在于它们的分段平面定义以及它们的尖锐深度不连续性对合成质量的为了评估用户满意度，必须使用图像质量评估（IQA）指标，以便我们测量差异*通讯作者。电子邮件地址：dorsaf. ensi-uma.tn（D. Sebai）。https://doi.org/10.1016/j.visinf.2021.02.004在参考图像和压缩图像之间。对于普通纹理图像，传统的2D图像质量度量在很大程度上是可用的并且是经过验证的（Al-Najjar和Der Chen，2012）。深度图的情况并非如此，因为它们表示对象到相机的距离，而不是纹理。事实上，深度图带来了需要新的3D质量度量的新类型的失真。在缺乏可靠度量的情况下，最近基于ISO/IEC JTC 1/SC 29/WG 11（2012）中的比较研究然而，它们中没有一个被认为是有效的，并且在用于评估3D质量时是准确的（ Banitalebi-Dehkordi 等 人 ， ， 2013 a; Jinet al. ， 2011;Banitalebi-Dehkordi et al. ，2013 b; Jin et al. ，0000）。在客观评估3D视频质量方面仍有改进的空间。在本文中，我们的目标是设计稀疏表示- 均方误差（SR-MSE），这是一种新的深度图的完整参考视觉后者包括通过在混合冗余字典中自适应地分解原始深度图和压缩深度图来提取它们的特征。从该分解产生的稀疏系数表示深度图的最有趣的特征。因此，如此获得的系数之间的加权均方误差反映了压缩深度图和无伪影深度图之间非常有用和相关的差异实际上，稀疏分解和字典原子都适于深度图的特殊性，使得在尖锐的不连续处发生的失真被适当地表示。与常用的评价指标相比，SR-MSE具有更好的评价性能，评价结果更加可信。我们工作的主要优势有四个方面：2468- 502 X/©2021作者。由爱思唯尔公司出版代表浙江大学和浙江大学出版社。这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表视觉信息学期刊主页：www.elsevier.com/locate/visinfD. Sebai，M.Sehli和F.戈尔贝尔视觉信息学5（2021）6768一个新的客观的完整参考3D度量的概念，专用于深度图。由于深度图在良好适应的变换域上的良好适应的分解，所提出的度量通过原子和变换系数的组合稀疏地表示3D内容的主要分量，即平坦区域和深度不连续性。考虑了参考图像和压缩图像的稀疏表示之间的加权差因此，我们评估深度图的质量，同时考虑它们对合成视图质量的影响。3D IQA已经成为多个研究的主题。然而，很少有评估深度图视觉质量的相关工作。它们更侧重于从纹理图像和失真的深度图合成的立体图像或视图的质量评估。深度图确实不显示。然而，它们包括构成合成视图生成基础的几何信息;并且深度图失真的评估可以说是有用的。此外，深度图质量不仅对于观看体验很重要，而且对于图像处理算法的性能也很重要。在3D环境中，现有工作的最大部分考虑了由专用于JPEG和JPEG 2000编解码器的旧图像和纹理图像引起的压缩失真。然而，更合适的是评估由3D-HEVC（专用于深度图的最新标准）引起的压缩在将所提出的度量与传统的2D度量进行比较的同时，我们间接地研究了传统的客观度量评估深度图质量的能力，考虑到它们的新类型的内容和伪影。本文的其余部分组织如下。我们在第2节中简要介绍了2D和3D质量指标。第三节介绍了深度图及其压缩标准以及稀疏表示及其主要支柱。在第4节中，我们详细介绍了所提出的SR-MSE度量计算。第5节的目的是进行测试以评估SR-MSE性能。第6节总结了本文并讨论了未来的工作。2. 图像质量评价在本节中，我们简要介绍了2D和3D图像质量评估的指标。Al-Najjar和Der Chen（2012）以及Zhang等人提供了对IQA指标的更详细调查和评估。 （2012年）。2.1. 二维上下文已经为2D内容设计了几个精确的质量指标。峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）是一种广泛使用的图像质量度量，是信号的最大可能功率与失真功率的比值。它最容易通过均方误差（MSE）来定义，MSE对应于原始像素和失真像素之间 所 有 平 方 值 差 异 的总 和 除 以 图 像 大 小 （ Wang 和 Bovik ，2009）。由于在许多情况下MSE以及因此PSNR与人类视觉特性的相关性很差（Girod，1993），因此已经开发了许多基于人类视觉系统（HVS）的修改的PSNR度量。 在这种情况下，我们引用峰值信噪比-人类视觉系统（PSNR-HVS），其考虑了对比敏感度函数（CSF）（Karen et al. ，2006年）。此外，Ponomarenko等人提出了峰值信噪比-人类视觉系统掩蔽模型（PSNR-HVSM），利用离散余弦变换域中的对比灵敏度掩蔽特性（Ponomarenko etal. ，2007）。加权峰值信噪比（WPSNR）使用纹理掩蔽函数的附加参数，称为噪声可见性函数（NVF）。基于人眼视觉系统高度适应于从视场中提取结构信息的假设，Zhou等人提出了一种新的用于图像质量评价的结构相似性（SSIM）哲学。（2004年）。SSIM是一种基于感知的模型，它将图像退化视为结构信息的感知变化，同时结合了重要的感知现象，即亮度、对比度和结构。Wang等人引入了多尺度SSIM（MS-SSIM）来计算不同图像尺度下的SSIM（Wang等人，，2003年）。一种改进的SSIM算法 ， 称 为 基 于 边 的 结 构 相 似 性 （ ESSIM ） ， 后 来 由 Chen 等 人（2006）提出。该算法通过比较畸变图像块与原始图像块的边缘信息，用基于边缘的比较代替结构比较。像素域中的视觉信息保真度（VIFP）是Sheikh和Bovik（2006）提出的另一种替代质量度量。它基于HVS模型计算参考信号和感知信号之间在像素空间域中的互信息。2.2. 3D场境虽然已经提出了几个2D质量指标的静态图像和视频，努力是在初始阶段的情况下，3D上下文。一方面，深度图以及合成视图的常用度量的有效性越来越成为研究3D社区的研究领域。因博斯克等人 （2011），已经证明峰值信噪比（PSNR）是适合于合成大小视图评估的最常见的IQA度量之一。另一方面，一些工作导致了不太基本的指标，如视图合成质量评估（VSQA）（Conze etal. ，2012）、峰值信号与感知噪声比（PSPNR）（Merkle etal. ，2008a）和基于深度范围的加权计算（Ekmekcioglu et al. ，2010年）。尽管有各种各样的度量，但还不存在用于评估合成视图和深度图质量的通用标准。虽然可以解释，但PSNR仍然是研究界最常用的指标。3D IQA已经成为多个研究的主题。然而，是评估深度图视觉质量的相关工作。它们更侧重于立体图像或从纹理图像和失真深度图合成的视图的质量评估。深度图确实不显示。然而，它们包括作为合成视图生成基础的几何信息。深度图失真的评估可以说是有用的，特别是在不连续处，深度图的一部分，高度影响重建质量。此外，3D背景下现有工作的最大部分考虑了由专用于JPEG和JPEG 2000编解码器的旧图像和纹理图像引起的压缩失真。然而，更合适的是评估由3D-HEVC（专用于深度图的最新标准）引起的压缩变形。3. 背景在本节中，我们将介绍深度图的特点和压缩标准。然后，我们提出了稀疏表示的两个主要支柱，即分解算法和变换域。····D. Sebai，M.Sehli和F.戈尔贝尔视觉信息学5（2021）6769∑ˆl=1由方程式（1），所得到的近似是一个紧凑的线性组合的一个小数目Nn的原子al。选定的原子，由系数向量c= {ci}N加权，足以定义i=1图1.一、 纹理图像（左）及其对 应 的深度图（右）示例。3.1. 深度图已经出现了几种3D视频格式，从经典立体视频（CSV）到MVD（Merkle et al. ，2007）。后者由纹理和深度图像组成从多个视点捕获场景，深度图是2D灰度图像，其对于每个纹理像素表示场景的对象与相机之间的距离（参见图10）。 图①的人。灰度级255与距捕获相机最近的像素相关，而0灰度值对应于最远的像素。自由视点视频（FVV）和3D电视（3DTV）是利用深度图的两个主要应用，越来越多地被广大公众所要求前者允许用户交互式地在场景中导航，即使使用视图合成实际上没有捕获中间视图。后者为观众提供了享受沉浸式和深度显示体验的能力深度图的第一个主要特征是它们的分段平面性质。实际上，深度图由对应于场景对象的平滑平面组成，由尖锐的不连续性分离，再现背景和前景之间的分离第二个主要深度图特征是轮廓像素对合成视图的视觉质量的显著影响（Kim et al. ，2009年）。在轮廓和近轮廓像素方面的压缩伪影对重建视图具有有害的退化。然而，平滑区域压缩错误不会产生破坏性的退化（Kim et al. ，2009年）。为了尊重上述特征，已经提出了许多深度图压缩方法（Merkleet al. ，2009; Maitre and Do，2009; Shen et al. ，2010 a）。这些努力导致在2017年发布了3D-HEVC，这是最新的深度图专用压缩规范（Müller et al. ，2013）。作为最新高效视频译码（HEVC）2D标准的扩展，3D-HEVC向标准HEVC模式添加两个新的基于楔形波（Donoho，1999）的深度建模模式（DMM）（Schwarz etal. ，2012）。在楔形波分割DMM中由线性方程产生的直线。在轮廓分割DMM中，深度块由两个任意形状的子区域预测这些后者可以由多个部分组成，并且分离线不能容易地通过几何函数来建模，如对于楔形波分割模式。3.2. 稀疏表示通过将图像信号投影到变换域中，利用变换编码将图像信号从空间像素值转换为变换系数（Goyal，2001）。经典的变换编码技术使用正交基，例如傅立叶基、余弦基和小波基，其中信号表示是唯一的。对于更高级的稀疏表示，情况并非如此（Cheungetal. ，2011），其将信号的有效分量区分为从非常大的变换域中选择的少量基本信号，称为冗余字典。稀疏表示通常在变换中投影维度为m的信号s对于容许的近似误差ρ，信号s的近似s。Ns=ciai（1）i=1与经典的变换编码不同，稀疏表示由于字典冗余而产生多个向量组合。最合适的组合是稀疏的。它意味着包括最少非零系数的一个。在这种情况下，已经提出了几种分解算法，例如BasisPursuit（Chen et al. ，1998）、匹配追踪（MP）及其扩展正交匹配追踪（OMP）（Mal lat和Zhang，1993）。在每次迭代中，MP搜索与信号s最相关的原子。然后减去后者的贡献。对于残差信号迭代地重复该过程以达到容许如（2）中的重构误差ρ的近似s。然而，即使MP的快速实现也需要非常大量的迭代，以便收敛到较小的误差。作为MP的扩展，OMP克服了这一缺点，因为在每次迭代时，它从残差中移除所选字典原子的跨度上的信号投影;而不是移除单个所选原子的贡献。|ρ（2）|<ρ(2)除了分解算法之外，变换域是稀疏表示的第二个支柱。最近，有效的趋势是将正交基扩大到冗余字典，其是正交基（Gribonval和Nielsen，2008）和/或字典（Peotta et al. ，2006年）。该混合物中的每个子字典的原子与输入信号的特定分量高度相关并且适当地表示它。学习（Aharon et al. ，2006; Aharon and Elad，2008;Mairalet al. ，2009年）是用于生成然而，这种方法对实际场景的图像变化敏感，并且如果在接收器侧不能学习字典，则产生编码额外负担。4. 基于稀疏表示的均方误差度量我们首先详细介绍所提出的度量的步骤。其次，我们介绍了用于深度图分解的变换域4.1. 建议度量图图2是描述我们提出的基于SR的MSE度量的计算的流程图：1. 一个简单的阈值技术（Scharstein和Szeliski，2002年）用于检测原始和压缩输入深度图的轮廓。轮廓检测允许我们区分图像的平滑块与包含不连续性的块。对合成视图的质量具有更高影响的非平坦块将在步骤3中与平坦块不同地处理2. 为了降低OMP算法的复杂度，将获得的轮廓图像划分为大小为Nx×Ny的块。这些块然后被标记为零，如果他们这样做域，其是n个基本信号的集合a= {a l}n .如图所示不包括轮廓和其他轮廓。D. Sebai，M.Sehli和F.戈尔贝尔视觉信息学5（2021）6770×∑×{0if αatoml ∈DCSR−MSE=l= 1j= 1i= 1ijlijll=原始的（o）和压缩的（c），并且Nx Ny是块大小。如在（5）中，α原子l是加权系数，如果字典原子对应于纯DC原子，则该加权系数等于0，如果原子是DC和DC的组合，则该加权系数等于0.5。LDBSW，如果原子是纯LDBSW，则为1。换句话说，在计算SR-MSE度量时，我们优先考虑LDBSW原子的系数，因为它们表示深度不连续性。较少的特权被授予代表DC和LDBSW的组合的原子不重要的是符合OMP系数的纯DC原子，对应于均匀的区域。α原子l=0的情况。5如果α原子 ∈DC直流LDBSW1如果α原子l∈LDBSW（五）图二. 基于稀疏表示的MSE度量计算方案。3. 每个块的列被连接以生成对应于输入信号s的1D矢量。接下来，我们在离散余弦/线性离散B样条小波（DC/LDBSW）字典上应用每个1D向量的自适应OMP分解。后者是由DC原子，LDBSW原子和混合DC和LDBSW原子的平面，非平面和异质块，分别。关于DC/LDBSW字典的更多细节在第4.2节中提供。正如在3.2节中已经提到的，OMP是一种迭代算法，搜索与信号s最相关的原子，并在每次迭代时减去其贡献为了达到稀疏失真的最佳折衷，OMP对残余信号进行迭代，直到其最小化（3）的拉格朗日成本函数Jλ，其不满足于如（2）中那样优化重构误差：4.2. 预定义冗余混合字典DC/LDBSW为了获得深度图的有效稀疏表示，我们必须注意变换域原子的选择。我们必须确保后者与要建模的深度信号高度相关。由于深度图由平滑区域和尖锐不连续部分组成，因此在同一字典中混合适合这两个分量的原子集是明智的。在这个意义上，我们提出了DC/LDBSW字典的开发。离散余弦原子非常适合平滑区域和平凡的水平和垂直轮廓。LDBSW是尺度函数和小波函数在不同分辨率水平上的平移和离散化版本，但是，LDBSW用于表示非平坦深度区域。 我们选择线性B样条，因为高阶B样条平滑深度不连续性，深度不连续性应该保持尖锐以达到高质量的合成视图（Sebai etal. ，2016年）。为了评估其与深度图稀疏表示的相关性，Jλ=D+λR=|s−s|2+λc1N为|s− s|+ λ|Ci|i=1（三）DC/LDBSW算法面临着离散余弦/线性离散B样条（DC/LDBS）、离散余弦/三次离散B样条小波（DC/CDBSW）和离散余弦/方向各向异性 原 子 （ DC/DAA ） 三 种 不 同 的 算 法 。 稀 疏 性 Ra- tio （ SR ）（Rebollo-Neira和Bowley，2013年），在（6）中表示，其中D是根据二次误差的深度图失真度量，R表示系数向量c的L1范数，并且λ是加权参数。与轮廓失真相对应，场景的平滑区域中的压缩变形略微影响合成视图质量（Kim et al. ，2009年）。在考虑深度图时，我们利用这种自由度。我们通常使OMP算法适应深度图区域的类型，无论它们是否包括不连续性。块，其中需要准确的深度信息，良好的视图重建，被操纵为感兴趣的区域，伪影必须减少。因此，对于在轮廓图像中被标记为1的非平坦区域，λ被然而，为了赋予稀疏性特权，对于标记为零的平坦块使用较大的λ4. 我们计算由原始深度图（co）和压缩深度图（ccc）的OMP分解产生的系数之间的均方误差，如（4）中所定义：作为评价指标。SR的高值意味着字典能够在最少数量的变换系数上分解信号：SrNx×Ny（ 6）N其中NXNy是图像中的像素的数量，并且N是用于深度图表示的非零系数的数量。图3.利用OMP算法对Breakdancers、1Ballet2和Champagne3测试序列在上述字典上进行稀疏分解，得到不同PSNR值下的与单独的DC和LDBSW字典的比较也进行了聚光灯的效率，他们的联合使用。根据图的结果。3、DC/LDBSW字典允许与候选字典相比显著的稀疏性增益。LDBSW原子的振荡性质，它们的低阶和冗余分别证明了它们优于LDBS，CDBSW和DAAHW∑n∑Ny∑Nx（con-cc）2×α原子1http://research.microsoft.com/en-us/downloads/。其中n是DC/LDBSW字典中的原子数，W和H对应于输入图像的尺寸2 http://research.microsoft.com/en-us/downloads/网站。3 http://www.tanimoto.nuee.nagoya-u.ac.jp网站。（四D. Sebai，M.Sehli和F.戈尔贝尔视觉信息学5（2021）67711640× 480 6 9 97×=-×图 三 . 使用 OMP 算法 在 DC/LDBSW 、 DC/LDBS 、DC/CDBSW、DC/DAA 、 DC和LDBSW字典5. 实验结果5.1. 数据集准备如表1所示，我们准备了包括50个不同分辨率和特性的参考深度图的数据集4有些图像是弱不连续性的，而另一些则是较强的。其他人是大量的轮廓，而4 http://www.foqm-3d.com/FOQM.html网站。表1深度图用于实验。352 285416 24031832×480 1-1280× 720 2 3 1 17 1920×1080 2 1 1 3其他人提出了一个较小的数目。测试深度图由最新的3D-HEVC测试模型（HTM-14.0）（Chenet al. ，2015），以便生成300个失真的深度图。作为块大小，我们选择N xNy8.对于（2）中的ρ值，我们根据经验发现，在OMP停滞之前，值42产生5.2. 与IQA指标的我们将所提出的SR-MSE的性能与第2.1PSNR 、 PSNR-HVSM 、 WPSNR 、 SSIM 、 MS-SSIM 、 ESSIM 和VIFP。它们都是广泛使用的完整参考指标，并形成了一组具有代表性的度量。其中一些是纯粹的数学度量，如PSNR和MSE。其他是基于HVS的更详细的我们通常分别测量所提出的SR-MSE及其前述对应物的主观分数与客观分数的相关性。为了进行我们的主观评估，我们选择绝对类别评级-5（ACR-5)（Koumaras，2008年）。一个单一的测试条件，在我们的情况下，扭曲的深度图，提出了37个观察员。然后，后者应在ACR量表上给出质量评级，其中优秀等于5，良好等于4，一般等于3，差等于2，差等于1。对于所示的每个测试条件，所有实验参与者的平均数字得分是所考虑的平均意见得分（MOS）。5.2.1. 散点图图 4绘制了MOS值与我们提出的度量和50个测试深度图的候选度量的关系。这示出了客观度量的回归结果，并且因此示出了客观分数和主观分数之间的相关量。根据得到的图，很明显，SR-MSE表现出与所有测试序列的主观MOS分数的强相关性。相比之下，PSNR、PSNR-HVSM、WPSNR和VIFP产生与主观分数较少相关的分数，因为它们为一些深度图提供几乎垂直的分布SSIM、ESSIM和MS-MSSIM在几乎所有的测试深度图上都产生弯曲的甚至垂直的分布，这表明它们与主观MOS分数无关。5.2.2. 相关性度量我们使用两个相关性度量来计算客观度量分数和主观标准化MOS之间的相关性：均方根误差（RMSE）和皮尔逊线性相关系数（PLCC）（Mohammadiand et al. ，2015）。为给定的客观度量、较小的RMSE值和相反较高的PLCC值指示较好的性能。我们注意到，客观分数由Sheikh等人的非线性五参数回归函数转换。（2006），这使得客观分数的范围等于MOS的。在表2中，我们根据17#图片决议轮廓轮廓数量强弱大小21192× 256–1–1–––D. Sebai，M.Sehli和F.戈尔贝尔视觉信息学5（2021）6772见图4。 测试深度的主观评分MOS与客观评分PSNR、PSNR-HVSM、WPSNR、SSIM、MS-SSIM、ESSIM、VIFP和SR-MSE之间的关系 地图表2针对不同类别的测试深度图，比较主观MOS和客观度量得分PSNR、PSNR-HVSM、WPSNR、SSIM、MS-SSIM、ESSIM、VIFP和SR-MSE之间的RMSE和PLCC。括 号 中 的数字是指 标 的等级。 最佳结果以粗 体 突出显示。图像RMSE类PSNRPSNR-HVSMWPSNRSSIMMS-SSIMESSIMVIFPSR-MSE不连续强0.1015（3）0.0930（2）0.1164（5）0.1615（7）0.1733（8）0.1546（6）0.1022（4）0.0871（1）类型弱0.1149（5）0.1032（4）0.0963（2）0.1323（6）0.1387（7）0.2030（8）0.1003（3）0.0913（1）数量大0.1576（3）0.1766（5）0.1638（4）0.2768（8）0.2008（7）0.1951（6）0.1256（2）0.1188（1）轮廓小0.0837（3）0.0765（2）0.1149（5）0.1180（6）0.1817（8）0.1623（7）0.1095（4）0.0718（1）图像PLCC类PSNRPSNR-HVSMWPSNRSSIMMS-SSIMESSIMVIFPSR-MSE不连续强0.9673（4）0.9772（3）0.9591（5）0.9417（8）0.9430（7）0.9553（6）0.9797（2）0.9955（1）类型弱0.9853（4）0.9848（5）0.9898（3）0.9772（7）0.9788（6）0.9465（8）0.9907（2）0.9976（1）数量大0.9608（3）0.8584（4）0.9093（5）0.9066（6）0.8959（8）0.8985（7）0.9796（2）0.9890（1）轮廓小0.9766（3）0.9702（4）0.9634（5）0.9544（7）0.9021（8）0.9613（6）0.9788（2）0.9936（1）深度贴图类。括号中的数字是指标的等级。对应于第一等级的最佳结果以粗体突出显示。再次，所提出的SR-MSE产生高相关性PLCC结果和小RMSE值的所有深度图类。这可以通过OMP算法和变换域两者对从纹理图像表征深度图像的特征的适应来解释。结果也让我们得出结论，前四个传统的IQA指标，是最好的衡量作为忠实深度图变形尽可能是PSNR、PSNR-HVSM、WPSNR和VIFP。5.2.3. 统计左尾F检验到目前为止，我们的重点是客观指标的有效性评估，通过比较他们的主观评价。以下是比较的另一个方面。通常，我们进行统计学左尾F检验，显著性阈值为0.05，置信水平为95%（Fisher，D. Sebai，M.Sehli和F.戈尔贝尔视觉信息学5（2021）67731925）。当第一个度量显著大于D. Sebai，M.Sehli和F.戈尔贝尔视觉信息学5（2021）6774表3测试深度图的PSNR、PSNR-HVSM、WPSNR、SSIM、MS-SSIM、ESSIM、VIFP和SR-MSE的统计左尾F检验结果PSNRPSNR-HVSMWPSNRSSIMMS-SSIMESSIMVIFPSR-MSE#10000000000101011100000100110001010101010001111111010110101011111001110001001100000000000001000111111001110110010000111111111101110001111101010010110110010011110PSNR0000000000100111101100101010110001001011101110111100101111101001011011000101100018900000000000001000111101110010000010001110111100110001110110110101001101010010000（四）000000000011010100110101100101101111101110111011100111001101100001100100010010001110101011000000000011101110101101100111111111100111111111111111010111010100001111111111110000000000111111111111111001110111110011111110111111111110110011001110254PSNR-HVSM00111100110000000000011111011110111011001101111101101111111010111110100000011010（三）10011101110000000000011111011110111101110110101011101110111010111101100110000001001111010100000000001101011011011011111011110111101001111110000111011110010100001111111010111001101000000000000100011101111110011101111110000111100000101100101000100101110110110011000000000001101110011001001110101010011001101001000011011010179WPSNR00011010111001110111000000000001111000001011111010101010111000001010001111001000（五）0101000111100100011100000000001110001001000111100010000100010010110010000000000010011000101110100000000000000001111010010111111110111001011101011111111100010000100110010011111110000001010110000000000011111011000011100110101111001100111000110011111001101111011111110101000000000000101100110101110001101011111100000111010170SSIM00011101101001111101101011011000000000001110010111100101111011111101000010000010（六）、10010110111010110001001000010000000000001100101110101110001010101000100010110010100001000001010000000010100000000000000011001011100011010000010000000110110000101010101010111001100000000100101100001001000000000011000010011101001000100100011110000111111010111001000011000000111010000000000000001010100011010011001100010000145MS-SSIM00010010111001101000101100101010111010000000000000101110100011000001001010110110（八）00010000110000110011100101000001011110010000000000010111100100001110011100000101110110100011010100010010000001010001001100000000000100000001000000000111010010000000000111000100000100011001110101010011000110101100000000000101011111110000110100100011000000111111111100110001110010100100011001000000000001110011000010000110158ESSIM01100001100111111101011011010001100001001000011111000000000001110110110000000000（七）01001110100100001000011011100011101110000000111010000000000010101010001000000001101000111100010111000010101100001010110010101011000000000000011011110010100001011110111110110101111111111111111011011101111111101111110111110000000000011001101110111011110111011110111101101100111101110111011110110111101100000000000110001100263VIFP11111111111111111011010111111111111111110011101111111101101100000000000000011000（二）01111101101001011111111011111111111011111101111111111111111100000000000010100000000111001100101111101111111111011111011101111111111011111111000000000010000000011111111111111111111111111111111011011101111111101111110111110111110111000000000011111111110111111111111111111100111101110111111111110111101111110111010000000000305SR-MSE11111111111111111011010111111111111111110011111111111101101111111101110000000000（一）0111111111100101111111101111111111101111110111111111111111110111111110000000000001011110110010111111111111111101111101110111111111101111111111110111100000000000优于第二度量，否则为0。表3显示了显著性检验结果，其中第一个指标和第二个指标分别列在最左列和最顶行中。每个单元中的50位指示50个测试深度图的F测试结果。表的最后一列计算每行中1的数量。最高的1s计数以粗体突出显示，因为它对应于最有效的客观度量。至于上表，括号中的数字我们注意到，对于每个评估的指标，在执行F检验之前，在六个QP值处获得的分数经历非线性回归技术统计左尾F检验结果更好地说明了候选度量之间的差异。它们表明SR-MSE优于所有候选指标。此外，我们观察到VIFP和PSNR-HVSM产生良好的性能，并且彼此之间几乎没有显著差异它们可以提供更好的性能，并显著优于SSIM、ESSIM和MS-SSIM。5.3. 与候选词典的表 4 比 较 了 在 DC/LDBS 、 DC/CDBSW 、 DC/DAA 和DC/LDBSW上分解的测试深度图获得的主观MOS和SR-MSE度量得分之间的相关性度量RMSE和PLCC其目的是衡量所选择的DC/LDBSW字典的建议的度量可靠性的影响。我们表明，如果DC/LDBSW用作变换域，则所有类别的MOS分数都具有更好的相关性。表4针对DC/LDBS、DC/CDBSW、DC/DAA和DC/LDBSW上分解的不同类别的测试深度图获得的主观MOS和SR-MSE度量得分之间的RMSE和PLCC的比较。括号中的数字是指标的等级。最佳结果以粗体突出显示。图像RMSE类DC/LDBSDC/CDBSWDC/DAADC/LDBSW轮廓0.1211强势（2）0.1373（3）0.1848（4）0.0871（1）类型0.1366弱（2）0.1754（3）0.2281（4）0.0913（1）数量大号0.1420（2）0.1732（3）0.2803（4）