不立体IQA方法:从视差补偿非线性效应

文摘

过去十年见证了一个蓬勃发展的立体图像/视频的应用程序和相应的技术,如3 d建模、重建和视差估计。然而,只有一个非常有限的立体图像质量评价指标提出了多年来。在本文中,我们提出一种新的不立体图像质量评价算法基于非线性添加剂模型,眼优势模型,和基于卓越的视差补偿。我们的研究使用富山数据库导致三个有价值的发现。首先,立体图像的质量有一个非线性关系的直接求和两monoscopic图像品质。其次,它是一种理性假设右眼反应影响立体图像质量越高,基于眼优势的抽样调查研究。第三,基于卓越的视差补偿,导致不同的立体图像内容,是相当有效的改善图像质量指标的预测性能。实验结果证实我们提出立体图像质量评价范式具有优越的预测精度比最先进的竞争对手。

1。介绍

三维(3 d)成像一直是一个广泛的研究领域,它的应用范围从娱乐、视频和游戏等专业领域,比如教育和医疗。随着越来越多的图像处理操作已经专门为立体图像,设计一个有效的感知立体图像质量评价的必要性(IQA)算法在增加。monoscopic图像质量指标的研究后,立体IQA方法分为两类:主观评价和客观评价。虽然主观评价方法应该是数字图像的最终质量计,它通常是费时,昂贵的,不实用的实时图像处理系统。因此,越来越多的客观的立体图像质量指标已经开发出来。根据参考图片的可用性与测试期间相比,目标立体IQA方法可以进一步分为三类。首先,最一般的方法是全部参考方法(1,2),假设参考图像是完全已知的。然而,在许多实际应用参考图像不可用,和第二种类型的方法,即不图像质量指标(3,4然后是可取的。第三类被称为reduced-reference IQA算法(5),应用于情况可用的参考图像只是部分,也就是说,有些特征提取作为边信息,以帮助评估失真图像的质量。本文集中于IQA不类型的方法。

提出了许多宝贵的monoscopic没有参照图像质量指标在过去的十年。王等人,谢赫等人提出IQA JPEG和如JPEG2000图像压缩方法6,7),获得高的预测性能。此外,盲图像质量指标(比琦)[8)提出了基于图像失真分类其次是(6,7)和其他图像质量指标用于不同的特定类型的失真。这个不IQA方法不仅达到更好的结果,还打开了一个主要的新方向IQA算法的研究现状。

扩展从monoscopic图像质量度量来立体IQA方法是一项具有挑战性的工作,虽然提出了一些激励模型(1,2,4,5]。在现实世界中,不难发现,人类的主观感受之间的二维(2 d)和观看3 d图像是非常不同的,但是他们仍然有密切联系。这种现象主要是支持的事实(9),每只眼睛的视网膜细胞单独编码其接收信息,然后从双眼的信息合并在外侧膝状体核(LGN)在大脑中形成最终的立体图像。因此,我们的设计不立体IQA范式基于2 d图像质量指标和2 d和3 d图像质量之间的关系。

到目前为止,很少有立体图像质量指标的影响研究非线性添加剂模型之间的左右图像品质感知质量的立体图像,但它是在我们的研究中发现一种非线性的累加效应主要是它们之间生效。首先,我们发现之间的线性相加模型可以构成一个链接2 d和3 d图像的品质。然而,它很难取悦我们的演示(10)的振幅会减少anticorrelated V1的刺激的反应复杂的细胞。此外,受重叠效应的研究中不同类别的对比(11),可以看出重叠效应之间存在的品质左右图像集成,特别是条件下品质的相关性很弱。然后,通过减少这些重叠的部分,我们提出了非线性添加剂模型获得一个令人鼓舞的进步。

通过进一步研究,我们发现上述非线性累加效应可能是左派和右派之间的差异造成的品质形象。这种现象可以解释为一些研究眼优势(12- - - - - -17]。灵感来自眼优势度指数(ODI) (12,13),本文提出了一个眼优势模型,定义为ODI加权左右图像质量的区别。它将被广泛证明我们的眼优势模型具有显著影响的感知质量立体图像,就像非线性添加剂模型执行的方式。此外,指出在14- - - - - -17],三分之二的人口是右眼主导,三分之一是左眼的主导,而无论是眼睛是主要在人口的一小部分。这结论开明的我们做出预测的右眼反应有更高的重量最终的立体图像质量,它定义了我们的眼优势加权模型,它同样会引起一定的推广。

最后,不同程度的视差引起各种立体图像内容也高度影响图像质量指标的预测精度,基于实验结果(18]低主观评价是由高度的视差引起的。因此,除了减少非线性添加剂的影响,不同程度的视差补偿也应用。此外,视觉注意力(VA)基于IQA方法(19,20.照亮我们介绍双各种VA模型的应用程序(21,22]。正如所料,视差补偿可以致力于更高的立体图像质量指标预测结果。

因此,基于2 d没有参照图像质量度量([6]这里选择),我们建议的有效模型,我们提出一种新颖的非线性加性模型,眼优势(权重)模型,和基于卓越视差补偿失真度量(NOSPDM) JPEG压缩的立体图像。我们NOSPDM方法主要在五个步骤:个人左右图像品质的预测,基于非线性添加剂模型质量的组合措施,减少海外发展研究所的权重差异左右图像的品质,不同的权重为双眼眼优势研究,支持,最后,基于卓越的视差补偿因不同的立体图像内容。

本文的其余部分组织如下。节2,首先回顾了非线性累加效应的现象,然后就业非线性添加剂模型详细描述。眼优势研究,支持的部分3明确提出了眼优势(权重)模型。不同视差的影响和相应的补偿方法结合两个古典VA模型部分。主要介绍的是4。部分5提出我们NOSPDM范例。节6,实验结果使用数据库(富山3报告和分析。最终,得出结论和未来工作中讨论部分7。

2。非线性添加剂模型

monoscopic图像的质量评价,观察者通常质量分数通过量化失真或参考和扭曲的图像之间的区别。然而,对于立体图像,它已经注意到两幅图像图像(左和右)分别受到不同的眼睛,最后形成立体图像通过合并两个monoscopic图像LGN [9]。因此,条件下,预测的2 d图像质量(见部分5.1),一个可靠的组合模型成为关键。

是自然采用线性相加模型,一个最简单的模型包含两个部分。然而,我们并不满足于其结果,如图9和表4(NOSPDM₁)。然后,发现线性相加模型的问题,8 nonexperienced陪审员被邀请得分14 monoscopic图像(图2和所有其他相应的2 d图像扭曲)相同的3 d图像内容,及其主观分数与意味着意见分数(MOS)值的立体图像数据库(富山3显示在图1。通过这个测试,可以得出两个重要结论。首先,3 d图像质量之间的关系,2 d图像质量远远超出了线性相加模型。其次,立体图像质量非常敏感,当对应的两个monoscopic图像品质之间的差异相当大。例如,左图像质量变得价值越高,低增长率的立体图像质量,以黑钻石”“在图1。如果左派和右派的不同质量图像可以被视为不同的刺激,上述事实基本上与实验结果一致(10),发现振幅往往是减少与anticorrelated V1复杂细胞的刺激引起的反应。

(进一步的想法是开明的11),验证,没有发现严格独立的两个显著的影响在所有科目。当观众评分monoscopic图像,凸起区域有高度显著的影响最终的主观评分。此外,我们使用2 d没有参照图像质量评估方法(6)取决于感知局部变形,也属于一种凸起的一个更广泛的定义。因此,我们有理由相信,重叠效应之间存在3 d图像质量,2 d图像品质。在[方法后23),我们的非线性添加剂模型可以计算 在哪里和显示左和右图片,代表一个2 d图像质量评估方法。这里,最大操作符是用来取代最小算子,因为基于测量差或失真的图像质量指标主要关注低质量图像或贫困地区,这是相反的情况(11,23]。

3所示。眼优势(权重)模型

上面详细描述,我们提出了非线性添加剂模型可以克服的障碍引入非线性累加效应之间的左右图像的品质。然而,这个模型只是被一些研究重叠的影响,缺乏理论原则。

3.1。补偿的“痛苦”的立体图像对

进一步实验选择更多monoscopic形象对从富山数据库(3),把他们分成不同的测试组。每组应该包括三个用相同的立体图像对图像内容,符合表中给出的要求1。一个模范组数据所示2(一个)- - - - - -2 (d)。

如果我们观察立体图像如图2(一个)- - - - - -2 (d)与3 d快门眼镜,乍一看,我们可以立即告诉第三立体图像有明显的扭曲。然而,我们几乎可以找到任何区别的参考和扭曲的图片第一和第二立体图像。这种现象可以用这一事实来解释有一个图像的高质量图像对,然后视觉短暂效果使得观察者感觉良好,因为快速开关之间的3 d眼镜百叶窗打开和关闭状态。相反,自第三立体图像的品质形象并不好,他们的感知质量要低得多。

然而,如果查看第一或第二立体图像足够长的时间,我们可以感到不舒服甚至眼花缭乱。富山的MOS值数据库验证这一观点:一般来说,第三个立体图像质量是最高的三个,而第二个立体图像的MOS值略高于第一个。证明了许多不同的团体会议的需求表1,注意到这一现象广泛存在。因此,我们认为,“痛苦”的感觉是左派和右派的区别造成的图像品质,,此外,“痛苦”的感觉变得更严重的较大差异。

观察立体图像时,如果左边和右边图片几乎是相同的质量,我们的眼睛可以同样功能,图像融合顺利LGN [9]。然而,当左右图像品质有很大的不同,例如,左图像很清楚但右一个是严重污染如图2 (c)和2 (d),不平衡导致不平等的两只眼睛24)和LGN合并左和右图片会有困难。大脑必须紧张之外的眼睛周围的肌肉接受低质量的图像,以稳定的观点。,这使得大脑受损。一段时间后,肌肉开始疼痛,神经开始疼痛。这个形象对不平衡甚至可能导致弱视很长期观看(24]。

在这项研究中,这一重要的定义是“痛苦” 在哪里和分别是左眼和右眼的反应吗代表一个“痛苦”程度的参数。此外,左眼和右眼应该之间的交互影响的最终看法3 d图像质量。灵感来自海外的定义在[12,13] 我们相信ODI互动是一个很好的特性,它既可以构成联系2 d图像品质和最后的3 d图像质量。因此,通过海外和更换眼睛的反应和与质量预测和在(2),可以由我们的眼优势模型

3.2。眼睛不对称重量不同的反应

除此之外,一个重要的结论是在(14- - - - - -17],三分之二的人口是右眼主导和三分之一是左眼的主导,而无论是眼睛是主要在人口的一小部分。因此,我们有理由假设权重不同的眼睛不对称反应有一定影响立体IQA方法的预测性能。这个假设可以证实通过使用所有的立体图像具有相同的“计算机”图像内容,部分如图2,他们的3 d图像的MOS值如下所示: 就像我们的期望,它可以从金属氧化物半导体_{3 d}矩阵,只有一对夫妇的MOS之上_{3 d}值覆盖着一波线(约5%)和常识是一致的,两个眼睛有相同的功能,12夫妇以粗体显示(大约57%)反对(但他们的偏差小于10%),和8夫妇以粗体显示,覆盖着一条水平线(大约38%)显示了完全相反的结果。证明了所有其他的3 d图像,这个事实是广泛存在的,尽管一些细微的差别存在于这三个类别的百分比分布的结果。

量化权重不同的眼睛回答,首先,所有的立体图像随机分为两组(培训组和测试组)根据参考图像。然后,测试找到最可靠的权重是由NOSPDM₂(定义为(17节)5.2)取得最好的质量预测性能的相关系数最高。图3显示了上述结果。它可以得出结论,右眼响应应该有一个重量大于左眼的回应,我们集(右眼响应)的重量等于1.04(相应重量的最大值”“在图3)。所以,眼部的主导地位最终权重模型可以估计 在哪里和代表左眼和右眼的权重的反应。

4所示。基于卓越视差补偿

除了现有的非线性添加剂影响monoscopic用相同的立体图像对图像内容,澄清的部分2和3,也被另一种添加剂效应存在立体图像中不同的图像内容。我们第一次测试各种组2 d图像对,涵盖所有不同的图像内容。每组四个图像对应该满足需求见表2,列出了选择四类不同程度的JPEG失真的图像对。和图2只是一个模范组织。

实验结果如图4确认我们的发现。然而,与此同时,我们观察到两个有趣的现象。首先,对我们的常识,更高品质的左右图像的高质量相应的三维图像,立体图像由蓝”“绿色”“在图4(一)高品质的2 d图像品质异常之低。同样的现象也出现在数据4 (b)- - - - - -4 (d)。第二,它还发现在图4上述现象的存在往往会出现测试立体图像的JPEG压缩质量相同,但是不同的图像内容。数据库在整个富山,两个以上的发现在很大程度上存在。

这个事实不能简单地解释为左右图像质量之间的交互,否则它不应该出现在图4 (c)(或图4 (d)),每一对有相同的JPEG图像压缩质量(或无损压缩)。由于一致的存在,这一事实可以解释不一致的反应的影响不同的三维图像的内容。根据显著的结论18),主观评价较低高度的视差,此外,基于合理的假设,它是独立之间的视差和支持的图像失真度(部分类似的映射图7),它可以得出结论,反应不均匀引起的不同程度的视差,介绍了从不同的三维图像的内容。例如,如图6“doll2”和“门”的图像,这对应于蓝”“绿色”“在图4有更高程度的视差,因为内容对象的接近对方。

因此,为了平衡这种不一致,我们首先定义的视差

此外,开明的VA基于2 d图像质量指标(19,20.),一个简单的VA模型中定义的(21)来改善(7)。因此,基于VA的视差估计 在哪里代表简单的视觉注意力的区域,如图5。

此外,灵感来自于行为和神经元早期灵长类动物视觉系统的体系结构,一个典型的自底向上的视觉注意模型(卓越模型)(22)是构造一个地形特点映射首先通过结合多尺度图像特征,如颜色,强度,方向,和其他视觉信息,,然后,一个赢家通吃的网络,实现了一个中立的分布式执行最大探测器检测最显著位置一步一步直到最终显著地图计算。相应的显著图的地图2显示在图吗7。进一步探索(7)利用这个特点的模型,基于视差的特点可以评估 在哪里代表显著区域计算的作者(22]。

因此,以补偿较低程度的视差,基于VA /凸起视差补偿可以计算 或 在哪里和模型参数。最后,我们提出了NOSPDM模型被定义为

5。提出的质量指标

5.1。不IQA JPEG图像的方法

我们的目标是设计一个不为JPEG压缩图像质量度量立体图像对。对JPEG压缩monoscopic图像,在低比特率,模糊和屏蔽构件发生由于粗量化独立的代码块。模糊效应主要是由于高频损失DCT系数的阻塞效应发生,因为在块边界不连续。

后(6),2 d不IQA度量定义四个步骤首先,blockiness估计块之间的平均差异如下: 第二,整批之间的平均绝对差图像样本计算如下: 第三,水平零交叉率可以估计如下: 最后,图像质量预测是由以下几点: 在哪里,,垂直特性使用类似的方法呢,,,,,,,模型参数。

5.2。基于NOSPDM立体IQA算法

我们建议的(只有NOSPDM NOSPDM方法主要有五个步骤₂,NOSPDM₁₂,NOSPDM₁₈说明在图8和其他省略NOSPDM算法也有类似的步骤):首先,预测左和右的2 d图像品质图像;其次,应用不同的权重系数对图像质量预测;第三,计算它们之间的非线性数量,基于非线性添加剂模型或眼优势模型;第四,基于估计VA /凸起视差补偿;第五,最终的立体图像质量评价得分通过总结不同系数加权2 d质量分数和视差补偿和非线性数量减少。使用作为一个近似Q_二维的,不同的组合()列在表3定义如下: 最后,我们提出了NOSPDM最有效₁₂是由 在哪里,,模型参数。在这里,我们组等于0.67。这个值应该用眼优势理论来解释,这需要更多的研究,以进一步揭示左眼和右眼的关系在未来。除此之外,对不同参考图像,我们把所有的立体图像在富山数据库分成两组。然后,和可以通过训练确定第一组第二组(343张照片)和测试(294张照片)。

5.3。应用NOSPDM视频质量的指标

视频质量评估(葡萄)可能更贴近现实世界的应用。最突出的视频退化包括模糊、blockiness和运动痉挛工件。模糊和blockiness可以以每一帧,但是运动痉挛必须连续帧之间的测量。测量单帧质量,我们注意到(16)可以改写如下: 摘要NOSPDM应用系数,,,,由[训练6)获得立体IQA方法预测性能高。然后,根据(6),我们知道blockiness由块之间的平均差异,评估和平均绝对差图像块装样品和过零率是用来估计的模糊程度。所以,相信单一立体框架质量可以通过调整上述预测系数。因此,3 d视频质量会考虑一些时间特性的立体视觉计算。

6。实验结果和分析

这些十八度量值的映射得到主观分数用非线性回归的四个参数逻辑函数所显示VQEG [25)如下: 与输入分数和映射的分数和来是免费的参数曲线拟合过程中确定。

五个常用的性能指标所显示VQEG [25)是用来进一步评估竞争NOSPDM立体IQA指标基于数据库(富山3]。第一个指标是皮尔森之间的线性相关系数(PLCC)非线性回归后MOS和目标分数。它可以被定义 在哪里的主观评分吗th形象。第二个指标是斯皮尔曼等级次序相关系数(罢工),计算 在哪里之间的区别吗图像的主观和客观评价。它是一种非参数rank-based相关性度量,独立于任何单调非线性映射之间的主观和客观的分数。第三度规,肯德尔的等级次序相关系数(KRCC)是另一种非参数秩相关度量的 在哪里和是整合的数字和不和谐的对数据集,分别。预测的平均绝对误差(AAE)是第四度规,这是计算使用转换目标非线性映射后的分数(20.)以下: 最后度量根均方误差(RMSE)被定义为 的所有值的不同组合NOSPDM算法和(3展示在表4。和代表NOSPDM方法的散点图如图9。与图像质量指标的测试和培训组在研究[3),很容易发现我们NOSPDM取得了令人鼓舞的结果,此外,正如所料,NOSPDM的性能₁₂同时基于非线性添加剂模型,眼优势加权模型,和基于卓越的视差补偿获得最佳性能。

此外,通过测试不同组合NOSPDM方法见表3和比较表的预测精度4,下面给出了一些观察。

首先,我们可以观察到立体图像质量相当受非线性添加剂影响品质之间的左右图像,并通过减少非线性数量,PLCC,罢工的获得是约0.04(从NOSPDM_{1 - 2)}对MOSPDM_{3 - 5})。与此同时,基于视差补偿的特点也非常重要的获得PLCC和罢工约0.035(从MOSPDM_{3 - 5}对NOSPDM_9、12、15)。不过,注意到眼优势加权模型会导致一定的改善,而其获得PLCC和罢工只是约0.001(从NOSPDM_1、3对NOSPDM_2、4),它只适用于非线性添加剂模型。此外,值得一提的是,眼部的性能优势模型似乎是影响眼优势(从NOSPDM权重模型_{5、13 - 15}对NOSPDM_{6日,16日至18日})。

其次,从预测精度分析表4,很容易发现眼优势之间有强烈的依赖模型和非线性添加剂模型(例如,NOSPDM_3、4,NOSPDM_10、13等)。我们可以从NOSPDM进一步观察_{4、10 - 12}对NOSPDM_{5、13 - 15}非线性添加剂的集成模型和眼优势加权模型比只眼优势模型。然后,根据插图图7左/右显著地图的四个图像双图2几乎是相同的,根据这个现象广泛存在于立体图像在整个富山数据库,可以得出结论,基于(凸起)视差是高度依赖于图像内容,和改善预测精度主要是基于减少不平衡响应的影响感知立体图像质量不同的图像内容,由NOSPDM支持吗₄对NOSPDM_{10 - 12}在图9。

最终,一些潜在的应用需要强调。利用NOSPDM,我们注意到第二个NOSPDM最有效₁₁不仅有更多的预测性能的研究[3),但也有很少的计算复杂度,因为我们使用简单的2 d不IQA方法(6和拟议的模型,只需要一些基本的计算,比如加法,减法,乘法和三角函数。与此同时,一些有价值的应用程序也照明领域的JPEG图像压缩和立体视频质量评估。JPEG压缩的条件下的图像存储容量不变,大约等于左右图像的JPEG压缩品质往往给更高的主观的立体图像质量。有关酒瓶的方法可以进一步通过调整一些有用的模型参数,将一些时间特性的立体视觉,如上所述5.3。

7所示。结论

在本文中,我们提出一种新颖的不立体图像质量评价算法基于2 d不IQA方法,非线性加性模型,眼优势(权重)模型,和基于卓越的视差补偿。通过测试的不同组合NOSPDM算法,我们有三个重要发现:首先,立体图像质量之间的高度非线性效应影响左右图像的品质。其次,基于卓越的视差补偿是相当重要的改善图像质量指标的预测精度。最后,眼优势加权模型还对该算法的性能。在富山数据库,通过测试实验结果验证我们提出NOSPDM性能优越的立体图像质量评价方法。

很自然的将立体IQA算法扩展到立体视频质量评估。在不久的将来,我们将构建一个完整的3 d视频数据库。,此外,由于预测精度高、计算复杂度低的NOSPDM方法,我们的工作将致力于研究立体视频质量评估,通过考虑退化最为突出的一些视频,包括模糊、运动blockiness,痉挛。此外,我们相信,立体JPEG图像的压缩一致性也需要进一步研究。

确认

这项工作是支持部分由博士后基金会上海11 r21414200,博士后基金20100480603,201104276,NSERC,国家自然科学基金委(61025005、61025005和61025005),SRFDP(20090073110022), 111项目(B07022)和STCSM (12 dz2272600)。

引用

1. a . Benoit p . Le荡妇,p . Campisi和r . Cousseau”立体图像质量评价”,EURASIP杂志在图像和视频处理文章ID 659024卷,2008年,2008年。视图:出版商的网站|谷歌学术搜索
2. a . Benoit p l .荡妇p . Campisi和r . Cousseau”使用视差立体图像的质量评估,”《IEEE国际会议上图像处理(ICIP ' 08)2008年10月,页389 - 392。视图:出版商的网站|谷歌学术搜索
3. z . m . p . Sazzad r . Akhter j . Baltes y Horita,“客观不立体图像质量预测基于2 d图像特性和相对差异,”多媒体的发展文章ID 256130卷,2012年,16页,2012年。视图:出版商的网站|谷歌学术搜索
4. 顾k。g .翟,x,和w·张,“一个新的不立体图像质量评估基于眼优势理论和程度的视差,”《IEEE国际会议模式识别,2012年11月。视图:谷歌学术搜索
5. c·t·e·r·Hewage和m . g .马提尼”Reduced-reference质量评价与颜色相关的压缩深度地图+深度3 d视频,”学报17 IEEE国际会议上图像处理(ICIP 10)2010年9月,页4017 - 4020。视图:出版商的网站|谷歌学术搜索
6. h·r·谢赫z . Wang和a·c·Bovik”没有参考知觉JPEG压缩图像的质量评估,”《图像处理国际会议(ICIP ' 02),1卷,页I / 477 - I / 480, 2002年9月。视图:谷歌学术搜索
7. h·r·谢赫·a·c·Bovik,和l·科尔马克打进“不使用自然场景统计数据质量评估:如JPEG2000,”IEEE图像处理,14卷,不。11日,第1927 - 1918页,2005年。视图:出版商的网站|谷歌学术搜索
8. A . k . Moorthy和A·c·Bovik”一个两步的框架构建盲图像质量指标,”IEEE信号处理信件,17卷,不。5,513 - 516年,2010页。视图:谷歌学术搜索
9. 王z和a·c·Bovik现代图像质量评估。合成图像专题、视频与多媒体处理2006年,摩根Claypool &。
10. j . c . A .阅读,A·j·帕克,b . g . Cumming”一个简单的模型占disparity-tuned V1神经元的响应anticorrelated图像,”视觉神经科学,19卷,不。6,735 - 753年,2002页。视图:出版商的网站|谷歌学术搜索
11. h . c . Nothdurft”突出特性对比:添加跨维度,“视觉研究,40卷,不。10 - 12,1183 - 1201年,2000页。视图:出版商的网站|谷歌学术搜索
12. 答:梅西,即Ohzawa, r·d·弗里曼”分类的定量研究和眼部的稳定优势在猫的视觉皮层,“大脑研究实验,48卷,不。3、401 - 408年,1982页。视图:谷歌学术搜索
13. m .野村、g .松本和藤原,“双目模型简单的细胞,”生物控制论,卷63,不。3、237 - 242年,1990页。视图:出版商的网站|谷歌学术搜索
14. b . d . Chaurasia和比比l . Mathur”偏眼性。”Acta Anatomica,卷96,不。2、301 - 305年,1976页。视图:谷歌学术搜索
15. m·赖斯和g·瑞斯,“眼优势:一些家庭数据,”偏重,卷2,不。1、7 - 15,1997页。视图:谷歌学术搜索
16. w·h·Ehrenstein b . e . Arnold-Schulz-Gahmen, w . Jaschinski”眼睛偏好双目函数的上下文中,“Graefe眼科临床和实验的档案,卷243,不。9日,第932 - 926页,2005年。视图:出版商的网站|谷歌学术搜索
17. es, d . s .达f . Schwendeman和j·e·斯塔尔“眼优势和折射,之间的联系”杂志的屈光手术,24卷,不。7,685 - 689年,2008页。视图:谷歌学术搜索
18. 矢野,s . Ide、t . Mitsuhashi和h . Thwaites“视觉疲劳和视觉舒适度的研究3 d高清电视/高清图片,”显示,23卷,不。4、191 - 201年,2002页。视图:出版商的网站|谷歌学术搜索
19. h·刘,i Heynderickx视觉注意力在客观图像质量评价:基于眼动跟踪数据,”IEEE电路和系统视频技术,21卷,不。7,971 - 982年,2011页。视图:出版商的网站|谷歌学术搜索
20. a .郭赵d, l . Shaohui x的粉丝,和w·高,“基于视觉注意力的图像质量评估”《IEEE国际会议上图像处理(ICIP 11)2011年9月,页3297 - 3300。视图:谷歌学术搜索
21. x y . f .妈,s .华l . Lu和h . j .,“用户关注的通用框架模型及其在视频中的应用总结,“IEEE多媒体,7卷,不。5,907 - 919年,2005页。视图:出版商的网站|谷歌学术搜索
22. l . Itti c·科赫,大肠Niebur”saliency-based视觉注意力模型的快速场景分析,“IEEE模式分析与机器智能,20卷,不。11日,第1259 - 1254页,1998年。视图:谷歌学术搜索
23. x k·杨,w·s·林,z, e . p . Ong和s .姚明,“Just-noticeable-distortion剖面与非线性可加性模型感知掩蔽在彩色图像,”《IEEE国际会议音响,演讲,和信号处理2003年4月,页609 - 612。视图:谷歌学术搜索
24. j . Hoeve“弱视和斜视,”Ophthalmologica届卡塞尔文献展,7 - 8卷,不。1,第421 - 392页,1954。视图:出版商的网站|谷歌学术搜索
25. VQEG,视频质量的最终报告专家小组目标的视频质量评估模型的验证,2000年,http://www.vqeg.org。

版权

版权©2012客顾等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。