深度卷积神经网络的立体彩色图像质量评价.pdf

深度卷积神经网络在立体彩色图像质量评价中的应用 立体彩色图像质量评估是计算机视觉领域的一个重要课题，尤其是在3D显示技术日益普及的今天。传统的图像质量评估方法往往依赖于有参考信息，即需要原始高质量图像作为对比。然而，对于无参考立体图像质量评估（No-reference Stereoscopic Image Quality Assessment，SIQA），即在没有原始图像的情况下进行质量评估，是一项更具挑战性的任务。陈慧和李朝锋提出了一种基于深度卷积神经网络（Deep Convolutional Neural Network，CNN）的无参考立体图像质量评估算法，旨在解决这一问题。 该算法的独特之处在于利用了立体图像的三个关键组成部分：左视图、右视图以及它们的视差图。这三个通道的输入被设计为12层深度网络，每一层都包含了卷积层和最大池化层，用于提取局部自然场景的统计特征。多层堆叠的目的是捕捉立体图像特有的深度和空间信息。通过3个通道学习到的特征向量被线性组合，并通过全连接层的回归运算得到最终的质量分数。 实验结果表明，这种方法在LIVE 3D Phase I数据库上对JP2K、WN和FF类型的失真表现出了优越的性能，与主观感知一致性更好。这证明了深度学习模型在立体图像质量评估中的潜力，尤其是深度卷积神经网络能够有效地学习和表达复杂、多层次的图像特征。 该研究工作得到了国家自然科学基金的支持，其创新性和实用性为立体图像处理和3D显示技术的优化提供了有力工具。同时，这一方法的提出也为后续研究者提供了新的研究思路，即如何利用深度学习技术更好地模拟人类视觉系统，以实现更准确、更贴近主观感受的图像质量评估。 总结来说，深度卷积神经网络在立体彩色图像质量评价中的应用开创了无参考评估的新途径。通过深度学习模型捕获和分析立体图像的多维度信息，该方法不仅提高了评估的客观性，还提高了与人类主观感知的一致性，对于提升3D图像质量和用户体验具有重要意义。随着深度学习技术的不断发展，可以预见，类似的方法将会有更广泛的应用于图像处理、视觉识别以及虚拟现实等领域。