[发明专利]一种基于全局特征的色调映射图像质量客观评价方法

摘要

本发明公开了一种基于全局特征的色调映射图像质量客观评价方法，其包括训练阶段和测试阶段两个过程；其考虑了自然场景统计特征和颜色统计特征对色调映射的影响，提取出色调映射图像的全局特征矢量，然后利用支持向量回归对训练图像集中的所有色调映射图像的全局特征矢量进行训练，构造质量预测模型；在测试阶段，通过计算用作测试的色调映射图像的全局特征矢量，并根据训练阶段构造的质量预测模型，预测得到该色调映射图像的质量客观评价预测值，由于获得的全局特征矢量信息具有较强的稳定性，且能够较好地反映色调映射图像的质量变化情况，因此有效地提高了客观评价结果与主观感知之间的相关性。

主权项

1.一种基于全局特征的色调映射图像质量客观评价方法，其特征在于包括训练阶段和测试阶段两个过程；所述的训练阶段过程的具体步骤为：①_1、选取N幅色调映射图像构成训练图像集，记为其中，N＞1，1≤k≤N，表示中的第k幅色调映射图像，中的每幅色调映射图像的宽度为W，且高度为H；①_2、计算中的每幅色调映射图像的自然场景统计特征矢量，将的自然场景统计特征矢量记为其中，的维数为5×1；所述的步骤①_2中的的获取过程为：①_2a、计算中的每幅色调映射图像中的所有像素点的像素值的均值，将中的所有像素点的像素值的均值记为ρ，然后计算中的每幅色调映射图像中的所有像素点的像素值的标准差，将中的所有像素点的像素值的标准差记为δ，接着计算中的每幅色调映射图像中的所有像素点的像素值的偏度，将中的所有像素点的像素值的偏度记为θ，并计算中的每幅色调映射图像中的所有像素点的像素值的峰度，将中的所有像素点的像素值的峰度记为κ，再计算中的每幅色调映射图像中的所有像素点的像素值的熵，将中的所有像素点的像素值的熵记为η，其中，1≤x≤W,1≤y≤H，表示中坐标位置为(x,y)的像素点的像素值，0≤g≤255，p_g表示中的所有像素点的像素值中属于第g个密度值的概率密度函数值，①_2b、通过对中的所有色调映射图像各自中的所有像素点的像素值的均值进行高斯分布拟合，拟合得到中的所有色调映射图像的均值高斯分布拟合曲线，然后根据拟合得到的均值高斯分布拟合曲线获得ρ的拟合值，记为f_ρ，同样，通过对中的所有色调映射图像各自中的所有像素点的像素值的标准差进行高斯分布拟合，拟合得到中的所有色调映射图像的标准差高斯分布拟合曲线，然后根据拟合得到的标准差高斯分布拟合曲线获得δ的拟合值，记为f_δ，通过对中的所有色调映射图像各自中的所有像素点的像素值的偏度进行高斯分布拟合，拟合得到中的所有色调映射图像的偏度高斯分布拟合曲线，然后根据拟合得到的偏度高斯分布拟合曲线获得θ的拟合值，记为f_θ，通过对中的所有色调映射图像各自中的所有像素点的像素值的峰度进行高斯分布拟合，拟合得到中的所有色调映射图像的峰度高斯分布拟合曲线，然后根据拟合得到的峰度高斯分布拟合曲线获得κ的拟合值，记为f_κ，通过对中的所有色调映射图像各自中的所有像素点的像素值的熵进行高斯分布拟合，拟合得到中的所有色调映射图像的熵高斯分布拟合曲线，然后根据拟合得到的熵高斯分布拟合曲线获得η的拟合值，记为f_η，其中，μ_ρ和σ_ρ表示均值高斯分布拟合曲线的参数值，exp()表示以自然基数e为底的指数函数，μ_δ和σ_δ表示标准差高斯分布拟合曲线的参数值，μ_θ和σ_θ表示偏度高斯分布拟合曲线的参数值，μ_κ和λ_κ表示峰度高斯分布拟合曲线的参数值，μ_η和σ_η表示熵高斯分布拟合曲线的参数值；①_2c、将f_ρ、f_δ、f_θ、f_κ和f_η按序排列，得到其中，符号“[]”为矢量表示符号；①_3、计算中的每幅色调映射图像的颜色统计特征矢量，将的颜色统计特征矢量记为其中，的维数为18×1；①_4、将中的每幅色调映射图像的自然场景统计特征矢量和颜色统计特征矢量构成中的每幅色调映射图像的全局特征矢量，将的全局特征矢量记为F_k，其中，F_k的维数为23×1，符号“[]”为矢量表示符号，表示将和连接起来形成一个全局特征矢量；①_5、将中的所有色调映射图像各自的全局特征矢量和平均主观评分差值构成训练样本数据集合，训练样本数据集合中包含N个全局特征矢量和N个平均主观评分差值；然后采用支持向量回归作为机器学习的方法，对训练样本数据集合中的所有全局特征矢量进行训练，使得经过训练得到的回归函数值与平均主观评分差值之间的误差最小，拟合得到最优的权重矢量w^opt和最优的偏置项b^opt；接着利用最优的权重矢量w^opt和最优的偏置项b^opt，构造质量预测模型，记为f(F)，其中，f()为函数表示形式，F用于表示色调映射图像的全局特征矢量，且作为质量预测模型的输入矢量，(w^opt)^T为w^opt的转置，为F的线性函数；所述的测试阶段过程的具体步骤为：②对于任意一幅用作测试的色调映射图像I_test，按照步骤①_2至步骤①_4相同的操作，获取I_test的全局特征矢量，记为F_test；然后根据训练阶段构造的质量预测模型对F_test进行测试，预测得到F_test对应的预测值，将该预测值作为I_test的质量客观评价预测值，记为Q_test，其中，I_test的宽度为W'，且高度为H'，F_test的维数为23×1，表示F_test的线性函数。