[发明专利]一种鲁棒的低光照增强图像质量评价方法

权利要求书

1.一种鲁棒的低光照增强图像质量评价方法，其特征在于，所述评价方法包括：

S1、获取亮度和色度图像：对输入图像进行颜色空间转换，分离得到图像的亮度和色度通道信息，根据亮度和色度通道信息合成亮度和色度图像；

S2、提取图像特征：根据原始RGB图像以及合成的亮度图像和色度图像，进行图像特征提取；基于在ImageNet数据集上预训练好的卷积神经网络VGG-16构建特征提取网络，该特征提取网络取自原始卷积神经网络VGG-16的前17个网络层级，包括13个卷积层和4个最大池化层；利用该特征提取网络逐层提取参考图像I的特征F_n,n＝1,…,5和低光照增强后图像I′的特征F_n′,n＝1,…,5，该特征提取网络提取的5类特征包括图像的亮度特征、对比度特征、颜色特征、全局结构特征以及纹理细节特征；

S3、计算图像特征的相似度：计算参考图像I的特征F_n和低光照增强后图像I′的特征F_n′的相似性系数S_n,n＝1,…,5，此过程中针对亮度特征、对比度特征、颜色特征、全局结构特征以及纹理细节特征分别采用不同的公式计算图像特征的相似性系数；

S4、计算图像质量评分：通过训练优化神经网络权重参数的方法获取最佳的图像特征相似性系数S_n的权重W_n,n＝1,…,5，根据权重进行相似性系数相加求和，最终得到低光图像增强后的质量评分S，其中

2.根据权利要求1所述的一种鲁棒的低光照增强图像质量评价方法，其特征在于，所述步骤S1中图像亮度和色度信息分离的过程如下：

S11、分离图像亮度和色度通道信息：将原始图像从RGB颜色空间转换至YCbCr颜色空间，并分离亮度通道Y和蓝色色度通道Cb、红色色度通道Cr；

S12、合成亮度图像和色度图像：利用从转换颜色空间的原始图像分离的亮度通道Y、蓝色色度通道Cb、红色色度通道Cr合成独立的亮度图像L和色度图像C，其中，所述亮度图像L的三个通道均取值为从原始图像分离出来的亮度通道Y的值；所述色度图像C的第一、二通道分别取从原始图像分离出来的蓝色色度通道Cb、红色色度通道Cr的值，而第三通道则取蓝色色度通道Cb和红色色度通道Cr的平均值。

3.根据权利要求1所述的一种鲁棒的低光照增强图像质量评价方法，其特征在于，所述步骤S3中分别采用不同的公式计算图像特征的相似性系数的过程如下：

计算亮度特征相似性系数S₁(l,l′)：通过步骤S2获取到参考图像I的亮度特征l和低光照增强后图像I′的亮度特征l′，计算图像亮度特征的相似性系数，计算公式如下：

其中μ_l,μ_l′分别表示参考图像I和低光照增强后图像I′的亮度特征的均值，c₁为用于避免公式中出现零分母情况的极小常数；

计算对比度特征相似性系数S₂(c,c′)：通过步骤S2获取到参考图像I的对比度特征c和低光照增强后图像I′的对比度特征c′，计算对比度特征的相似性系数，计算公式如下：

其中分别表示参考图像I和低光照增强后图像I′的对比度特征的方差，c₂为用于避免公式中出现零分母情况的极小常数；

计算颜色特征相似性系数S₃(cl,cl′)：通过步骤S2获取到参考图像I的颜色特征cl和低光照增强后图像I′的颜色特征cl′，计算颜色特征的相似性系数，计算公式如下：

其中σ_cl,cl′为参考图像和低光增强后图像颜色特征的协方差，分别表示参考图像I和低光照增强后图像I′的颜色特征的方差，c₃为用于避免公式中出现零分母情况的极小常数；

计算纹理细节特征相似性系数S₄(t,t′)：通过步骤S2获取到参考图像I的纹理特征t和低光照增强后图像I′的纹理特征t′，计算纹理细节特征的相似性系数，计算公式如下：

其中μ_t、μ_t′分别表示参考图像I和低光照增强后图像I′的纹理细节特征的均值，c₄为用于避免公式中出现零分母情况的极小常数；

计算全局结构特征相似性系数S₅(s,s′)：通过步骤S2获取到参考图像I的结构特征s和低光照增强后图像I′的全局结构特征s′，计算全局结构特征的相似性系数，计算公式如下：

其中σ_s,s′表示参考图像和低光增强后图像全局结构特征的协方差，分别表示参考图像I和低光照增强后图像I′的全局结构特征的方差，c₅为用于避免公式中出现零分母情况的极小常数。