AdaBoost neural network and cyclopean view for no-reference stereoscopic image quality assessment

摘要：

本文章提出了一种NR-SIQA，其使用HVS模拟和高级机器学习算法。该算法包含两个阶段，第一阶段使用左右视图生成cyclopean图像，第二阶段对融合图像进行特征提取，梯度幅值、相对梯度幅值和梯度方向，最后使用由人工神经网络组成的AdaBoost进行质量分数预测。

本文算法

客观质量评价的主要目的是产生一种可以模拟HVS的方法，因此图像的感知质量可以被自动测出。总体来说算法模型包括三步：1.使用Gabor滤波器响应和视差图得到cyclopean融合图。2.cyclopean图和视差图的梯度特征被提取。3.基于以上特征，使用由人工神经网络组成的AdaBoost算法进行质量评价。

视差图

使用SSIM视觉匹配算法进行深度/视差估计计算。

Gabor滤波器响应

双目抑制或双目竞争是由低级场景信号控制的，实验指出有更多轮廓和更高对比度的视觉信号更加趋近于掌控竞争现象，因此左右图像的Gabor滤波器的能量响应被用来模拟抑制或竞争或抑制现象。

cyclopean图像的构建

使用线性模型进行融合图像的构建，该模型如下：