1.一种面向视角合成的无参考图像质量评价方法,其特征在于,包括步骤:(1)收集一组视角合成图像,形成视角合成图像库;
(2)量化视角合成图像库中每一幅视角合成图像中的失真,量化的步骤包括对每幅视角合成图像执行步骤(2-1)至(2-3):(2-1)定义视角合成图像为尺度图像1;对视角合成图像分别进行n-1次高斯低通滤波,并记第i次的滤波结果为尺度图像i+1,i∈[1,2,…,n-1];尺度图像1至n形成具有n个尺度的尺度空间;
(2-2)构建DoG模型;DoG模型包括n个图像,记为DoG1,DoG2,…,DoGn;其中,DoGi为尺度图像i+1和尺度图像i的差值,i∈[1,2,…,n-1];DoGn为尺度图像n;
(12-3)对DoG模型中的每个图像分别进行特征参数提取,得到每幅图像的7个边缘方向选择性特征参数和2个纹理自然性特征参数;
(3)将视角合成图像库中的图像随机分为训练图像和测试图像两部分;采用随机森林法对训练图像的特征参数进行建模,得到质量评价模型;以测试图像的特征参数为质量评价模型的输入,得到测试图像的客观质量分数。
2.根据权利要求1所述的一种面向视角合成的无参考图像质量评价方法,其特征在于,所述任意一幅尺度图像i表示为:其中,*表示卷积符号,σi表示尺度图像i的高斯核函数的标准差;Li(x,y)表示尺度图像i中像素点(x,y)处的像素值;I(x,y)表示视角合成图像中像素点(x,y)处的像素值;G()为高斯核函数,G(x,y,σi)的表达式为:
3.根据权利要求2所述的一种面向视角合成的无参考图像质量评价方法,其特征在于,所述DoG模型中任意一幅图像表示为:式中,DoGi(x,y)表示图像DoGi中像素点(x,y)处的像素值。
4.根据权利要求3所述的一种面向视角合成的无参考图像质量评价方法,其特征在于,所述对DoG模型中的任意一个图像DoGi进行边缘方向选择性特征参数提取的步骤包括:
1)使用过完备小波变换将DoGi分解到2个尺度和6个方向上:
2)将同一方向不同尺度的小波系数归入一个集合,共得到6个小波系数集合,记为Zit,t=[1,2,…,6];
3)对每个小波系数集合执行步骤S3-1至S3-4:S3-1:计算Zit的一阶绝对矩:
式中,J1为Zit的一阶绝对矩,z为随机变量,θ表示伽马函数,γit表示Zit的形状参数,y2为一中间参数, σ表示小波系数的标准差;
令-|zy2|γit=Yit,得到 将 代入J1的计算公式,得到:
S3-2:计算Zit的二阶矩为:
J2=σ2 (6)
S3-3:令 根据公式(7)计算出γit:
式中,zj表示集合Zit中第j个小波系数,h表示Zit中小波系数的个数;
4)将6个小波系数集合Zi1至Zi6合并为一个集合,记为Zi7;对Zi7执行步骤3),得到γi7;
γi1,γi2,…,γi7即为DoGi的7个边缘方向选择性特征参数。
5.根据权利要求4所述的一种面向视角合成的无参考图像质量评价方法,其特征在于,对所述任意一个DoG图像DoGi进行纹理自然性特征参数提取的步骤包括:(5-1)计算DoG图像DoGi的梯度图像gi,gi满足:式中,gi(x,y)表示梯度图像gi中像素点(x,y)处的像素值, 和 别表示DoGi的水平方向梯度和垂直方向梯度;其中,
(5-2)对DoG图像DoGi及其梯度图像gi进行归一化处理:其中, 表示梯度图像gi归一化后像素点(p,q)处的像素值; 表示DoG图像DoGi归一化后像素点(p,q)处的像素值;INT表示取整操作;gi,min表示梯度图像gi的最小像素值,gi,max表示梯度图像gi的最大像素值,Ni,g表示梯度图像gi归一化后的最大灰度值;
DoGi,min表示DoG图像DoGi的最小像素值,DoGi,max表示DoG图像DoGi的最大像素值,Ni,D表示DoG图像DoGi归一化后的最大灰度值;
(5-3)根据步骤(5-2)的结果计算DoG图像DoGi的灰度梯度共生矩阵Mi,Mi中的元素表示为Mi(p,q),Mi(p,q)的值为:满足 且 的像素点的个数;
(5-4)从灰度梯度共生矩阵Mi中提取能量和梯度均方差作为图像DoGi的2个纹理自然性特征参数。
6.根据权利要求5所述的一种面向视角合成的无参考图像质量评价方法,其特征在于,所述步骤(5-4)中从灰度梯度共生矩阵Mi中提取能量的计算方法为:从灰度梯度共生矩阵Mi中提取梯度均方差的计算方法为:其中, 表示梯度图像gi的均值。