科创中国

电子信息技术

本发明公开了一种基于质量图生成网络的无参考立体图像质量评价方法，其在训练阶段，构建一个质量图生成网络，将训练集中的所有失真平面图像的归一化图像依次输入到质量图生成网络中，并将对应的质量图作为监督，训练得到最优的质量图生成网络模型；在测试阶段，利用最优的质量图生成网络模型提取出待评价的失真立体图像的左视点图像、右视点图像和融合图像各自的归一化图像的预测质量图，并获取各自的显著特征图，然后根据对应的预测质量图和显著特征图，求取各自的预测质量得分，再融合三个预测质量得分得到最终的预测质量得分；优点是其能充分考虑到立体图像的多种特性对视觉质量的影响，从而能提高客观评价结果与双目主观感知之间的相关性。

选取nwsz幅原始的无失真平面图像，建立其在不同失真类型不同失真程度下的失真平面图像集合，将该失真平面图像集合作为训练集，训练集中包含多幅失真平面图像，将训练集中的第i幅失真平面图像记为{Idis,i(x',y')}，将{Idis,i(x',y')}相应的原始的无失真平面图像记为{Iref,i(x',y')}；其中，nwsz为正整数，nwsz＞1，i为正整数，i的初始值为1，1≤i≤nsz，nsz表示训练集中包含的失真平面图像的总幅数，1≤x'≤W'，1≤y'≤H'，W'表示{Idis,i(x',y')}和{Iref,i(x',y')}的宽度，H'表示{Idis,i(x',y')}和{Iref,i(x',y')}的高度，Idis,i(x',y')表示{Idis,i(x',y')}中坐标位置为(x',y')的像素点的像素值，Iref,i(x',y')表示{Iref,i(x',y')}中坐标位置为(x',y')的像素点的像素值；采用基于结构相似度的质量图求取方法，结合训练集中的每幅失真平面图像及其相应的原始的无失真平面图像，获取训练集中的每幅失真平面图像的质量图。

周武杰，1983年9月出生，副教授/博士后，硕士生导师，浙江省电子学会理事，IEEE成员，CCF成员，中国人工智能学会会员，浙江省“计算机科学与技术”一流学科B类方向负责人。2012年入选"青年骨干教师"，2015年入选"优秀青年教师资助计划"，2016年入选"科大青年英才"，2022年入选斯坦福大学发布的全球前2%顶尖科学家榜单。浙江大学信息与通信工程专业博士后，国家留学基金委公派新加坡南洋理工大学访问学者。主要从事人工智能与深度学习、机器视觉与模式识别、图像处理等方面的研究;近几年以第一作者在AAAI、TIP、TNNLS、TCSVT、TMM、TITS、TSTSP、TSMC、TBC、TGRS、TCI、MIS、TCDS、TETCI、TIV、PR和中国科学等国际权威SCI期刊或核心期刊上发表学术论文50多篇

点击查看