[发明专利]基于聚类感知的无参考色调映射图像质量评价算法

权利要求书

1.基于聚类感知的无参考色调映射图像质量评价算法，其特征在于，实现基于聚类感知的无参考色调映射图像质量评价算法，包含以下几个步骤：

步骤A：在亮度域上提取聚类感知特征，先把TMI转换成灰度图，再根据亮度信息进行聚类划分，所述聚类划分采用K-means聚类算法来自动识别图像的高亮区、中间区、低暗区，在每个区域分别提取面积比率和信息熵两个特征；

步骤B：在显著性区域上提取显著性区域特征，TMI的非负矩阵分解得到测试图像对应的系数，对系数进行分析识别出TMI的显著性区域，所述显著性区域是指显著性区具有高亮区、中间区、低暗区这三个区域中两个或两个以上的区域，显著性区域中像素间的亮度值差异比较大，具有显著性区域的特点，在所述显著性区域提取块比例和信息熵两个特征；所述非负矩阵分解是把一个数据矩阵M分解为两个非负矩阵W和S的乘积，W为特征矩阵，S为编码矩阵；所述特征矩阵W通过训练库训练得到，训练库N的获得过程：从TMID数据库中随机选取不同场景和纹理的十幅色调映射图像，先把每一幅TMI转换成灰度图像，然后把灰度图像分成的图像块，把每个图像块转换成m维的列向量N_i，组合所有训练图像块的列向量生成所述训练库N，所述训练库N为m×n大小；

步骤C：提取自然度特征，所述自然度特征提取包括亮度统计特征和颜色通道统计特征；

步骤D：提取了聚类感知、显著性区域和自然度特征三类特征后，使用机器学习的方法对所有特征进行回归，得到图像质量评价分。

2.根据权利要求1中所述的基于聚类感知的无参考色调映射图像质量评价算法，其特征在于，在步骤A中所述K-means聚类算法在聚类时只考虑像素点到聚类中心的距离来确定像素点的类别。

3.根据权利要求1中所述的基于聚类感知的无参考色调映射图像质量评价算法，其特征在于，在步骤A中所述面积比率包括高亮区面积比率、中间区面积比率和低暗区面积比率；在步骤A中所述信息熵包括高亮区信息熵、中间区信息熵和低暗区信息熵。

4.根据权利要求1中所述的基于聚类感知的无参考色调映射图像质量评价算法，其特征在于，在步骤C中所述亮度统计特征提取使用了十四个不同类别场景的自然图像，首先把每一幅图像转化成灰度图像，把灰度图像分割成11×11的图像块，分别求出每个图像块的均值与标准差，最后统计一幅图像中所有图像块的均值与标准差的均值，获得一幅图像的均值和标准差。

5.根据权利要求1中所述的基于聚类感知的无参考色调映射图像质量评价算法，其特征在于，在步骤C中所述颜色通道统计特征通过RGB颜色空间来提取。

6.根据权利要求1中所述的基于聚类感知的无参考色调映射图像质量评价算法，其特征在于，在步骤D中所述机器学习的方法包括SVM。

7.根据权利要求1中所述的基于聚类感知的无参考色调映射图像质量评价算法，其特征在于，在步骤D中所述回归是指通过一个回归模型建立一个函数，这个函数能够映射特征向量到主观图像质量评价分，所述回归模型是指把训练图像的特征向量和对应的MOS值输入支持向量机训练出一个预测模型。