[发明专利]一种基于色彩分布学习的街景图像评分方法

权利要求书

1.一种基于色彩分布学习的街景图像评分方法，其特征在于，包括以下步骤：

步骤1、从待研究的一批原始的街景图像中构建出街景图像的学习样本库，学习样本库中每张街景图像具有预先标记的打分值，并对学习样本库中的街景图像进行图像增强和语义分割处理，得到学习样本库中每张街景图像的语义分割结果图像；具体如下：

步骤1.1、从待研究的街景图像中选取出部分街景图像作为学习样本库，对学习样本库的街景图像，利用Retinex理论进行图像增强处理；

步骤1.2、利用计算机深度学习的语义分割技术，对学习样本库中增强处理后的街景图像进行语义分割处理，得到语义分割结果图像；

步骤2、根据语义分割结果图像，计算学习样本库中每张街景图像各类实体的占比值；

步骤3、根据语义分割结果图像，对学习样本库中每张街景图像进行各类实体的图像色彩值计算；具体如下：

步骤3.1、根据学习样本库中每张街景图像的语义分割结果图像，对学习样本库中与语义分割结果图像相对应的原始的街景图像中每类实体的像素颜色进行统计；

步骤3.2、进一步，针对每类实体，利用K均值算法，在RGB色彩模式下，进行原始的街景图像中各类实体的像素颜色聚类；

步骤3.3、针对每类实体，在LAB颜色空间，对步骤3.2中像素颜色聚类结果中的任意两两颜色类别之间进行颜色的色差计算，若这两个颜色类别之间的色差小于预设色差阈值，则合并这两个颜色类别，从而得到合并后的聚类结果，并以合并后的聚类结果中像素最多的颜色作为该类实体的主导色；

步骤3.4、针对每类实体，再判断其是否为混合色：若某一原始的街景图像的某类实体的像素颜色的合并后的聚类结果中，找出像素总数排前M的颜色，对于排前M名的M类颜色，若任意其中两类颜色的像素数量差值的绝对值与这M类颜色的像素数量总和的占比值小于给定的阈值，则认为该原始的街景图像的该类实体为混合色；M≥2；若某类实体的合并后的聚类结果的颜色类别总数小于M，则认为该类实体的颜色不是混合色；

步骤4、循环遍历学习样本库中带有打分值的每张街景图像，对带有打分值的街景图像，以街景图像中各类实体或某几类实体的占比值和色彩分布情况值作为机器学习算法的自变量，以预先标记的打分值为因变量，进行机器学习算法的机器学习模型训练，得到训练好的预训练模型；

步骤5、对待测的其他街景图像，按照1-3步骤进行待测街景图像的预处理工作后，再利用步骤4中所生成的预训练模型，进行批量打分。

2.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法，其特征在于，步骤3中，图像色彩状况用数字进行表示，混合色用数字负1进行表示。

3.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法，其特征在于，步骤5之后还包括步骤6、选择决策树或者随机森林的回归分析方法统计出各个影响要素的重要性情况；这里的影响要素是指每张街景图像的各类实体占比和颜色值。

4.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法，其特征在于，步骤1中所研究街景图像的大小一致。

5.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法，其特征在于，步骤2中对学习样本库中每张街景图像各类实体占比值的计算方法是：按照各类实体像素总数占整个图像像素总数的比例来进行的。

6.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法，其特征在于，步骤3.3中主导色是通过RGB颜色空间下的颜色值转换为十进制数字进行表示。

7.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法，其特征在于，步骤4中机器学习模型包括决策树、随机森林或超级随机树。