Three-column CNN模型通过同时处理立体图像中包含的平面图像信息,以及差分图像所包含的深度信息,构造了一类新的无参考立体图像质量评估方法,突破了传统的处理思想,有效地将平面信息与深度信息统一的运用到质量评估算法。
模式识别领域国际权威期刊《Pattern Recognition》在2016年1月发表了山东大学视觉传感与智能系统实验室与华为诺亚方舟实验室的研究成果《Learning Structure of Stereoscopic Image for No-Reference Quality Assessment with Convolutional Neural Network》,该文章首次将卷积神经网络(CNN)用于无参考立体图像的质量评估领域,提出了新的研究方法。
随着以立体视频为主的立体信息的广泛推广,为了满足人们的视觉需求,使立体技术得到更加广泛的应用,如何准确评估立体图像的失真程度,并设计出一套能够对立体图像系统各个环节进行质量评估的系统成为图像处理和分析领域中的研究热点和重点。立体图像质量评估由于自身结构原因,与平面图像质量评估相比具有更高的挑战性。立体图像包含平面信息以及深度信息,因此不仅需要分析平面图像质量,同时考虑深度感知质量,因此如何将两者结合起来,特别是在复杂深度场景中,将对立体图像质量度量尤为重要。此外,立体图像质量的计算必须符合人眼的视觉结构特点,如何建立人眼立体视觉机制与立体图像感知评价的统一是当前问题所在,而目前对人类视觉特性不够透彻,准确地模拟人类视觉系统存在较大的困难,因此对质量评估算法有很大的阻碍。