[发明专利]一种基于局部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局部特征的色调映射图像质量客观评价方法，其考虑了局部信息量特征和局部结构保持特征对色调映射的影响，提取出色调映射图像的局部特征矢量，然后利用支持向量回归对训练集中的所有色调映射图像的局部特征矢量进行训练，构造支持向量回归训练模型；在测试阶段，通过计算测试集中的色调映射图像的局部特征矢量，并根据构造的支持向量回归训练模型，预测得到测试集中的色调映射图像的客观质量评价预测值，由于获得的局部特征矢量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

1.一种基于局部特征的色调映射图像质量客观评价方法，其特征在于包括以下步骤：①选取N幅原始的自然图像构成训练图像集，记为{Ii,org|1≤i≤N}，其中，N≥1，1≤i≤N，Ii,org表示{Ii,org|1≤i≤N}中的第i幅图像，原始的自然图像的宽度为W，原始的自然图像的高度为H，W和H均能够被8整除；②对{Ii,org|1≤i≤N}中的每幅图像进行非重叠的分子块处理；然后采用最小角回归方法，对{Ii,org|1≤i≤N}中的所有图像中的子块构成的集合进行字典训练操作，构造得到{Ii,org|1≤i≤N}的目标训练字典，记为D，D＝[d1…dk…dK]；其中，D的维数为64×K，K表示设定的字典原子的个数，K≥1，符号“[]”为矢量表示符号，d1、dk和dK的维数均为64×1，d1表示D中的第1个字典原子，dk表示D中的第k个字典原子，dK表示D中的第K个字典原子，1≤k≤K；③将一幅色调映射图像记为{I(x,y)}，其中，(x,y)表示{I(x,y)}中的像素点的坐标位置，1≤x≤W'，1≤y≤H'，W'表示{I(x,y)}的宽度，H'表示{I(x,y)}的高度，W'和H'均能够被8整除，I(x,y)表示{I(x,y)}中坐标位置为(x,y)的像素点的像素值；④对{I(x,y)}在9个不同尺度下的中间图像分别进行非重叠的分子块处理；然后根据构造得到的{Ii,org|1≤i≤N}的目标训练字典D，并采用最小角回归方法，优化重构{I(x,y)}在每个尺度下的中间图像中的所有子块构成的集合中的每个列向量的稀疏系数矩阵；接着根据{I(x,y)}在每个尺度下的中间图像中的所有子块构成的集合中的每个列向量的稀疏系数矩阵，获得{I(x,y)}的局部信息量特征，记为FSE，其中，FSE的维数为9×1；⑤将构造得到的{Ii,org|1≤i≤N}的目标训练字典D中的所有字典原子分成3类，并获取属于每类的所有字典原子在D中的位置；然后对{I(x,y)}进行非重叠的分子块处理；接着根据D，并采用最小角回归方法，优化重构{I(x,y)}中的所有子块构成的集合中的每个列向量的稀疏系数矩阵；之后根据{I(x,y)}中的所有子块构成的集合中的每个列向量的稀疏系数矩阵和属于每类的所有字典原子在D中的位置，获得{I(x,y)}的局部结构保持特征，记为FPA，其中，FPA的维数为3×1；所述的步骤⑤中的FPA的获取过程为：⑤_1、将构造得到的{Ii,org|1≤i≤N}的目标训练字典D中的每个字典原子中的64个元素分解成不同的低频子带、中频子带和高频子带；然后计算D中的每个字典原子中属于相同的低频子带的所有元素的均值、属于相同的中频子带的所有元素的均值、属于相同的高频子带的所有元素的均值，将dk中属于相同的低频子带的所有元素的均值、属于相同的中频子带的所有元素的均值、属于相同的高频子带的所有元素的均值对应记为μk,1、μk,2、μk,3；接着将D中的每个字典原子中属于相同的低频子带的所有元素的均值、属于相同的中频子带的所有元素的均值、属于相同的高频子带的所有元素的均值按序排列，得到D中的每个字典原子的特征矢量，将dk的特征矢量记为μk，μk＝[μk,1,μk,2,μk,3]；再将D中的所有字典原子的特征矢量构成的集合记为{μk|1≤k≤K}；其中，μk的维数为3×1；⑤_2、根据{μk|1≤k≤K}中的所有特征矢量，并采用K‑mean聚类方法，将D中的所有字典原子分成3类；然后将属于第一类的所有字典原子构成的子字典记为D1，将属于第二类的所有字典原子构成的子字典记为D2，将属于第三类的所有字典原子构成的子字典记为D3；并将D1中的所有字典原子在D中的位置构成的集合记为p1，将D2中的所有字典原子在D中的位置构成的集合记为p2，将D3中的所有字典原子在D中的位置构成的集合记为p3；⑤_3、将{I(x,y)}划分成个互不重叠的尺寸大小为8×8的子块；然后将{I(x,y)}中的所有子块构成的集合记为其中，表示由{I(x,y)}中的第t'个子块中的所有像素点组成的列向量，用于描述{I(x,y)}中的第t'个子块，的维数为64×1；⑤_4、根据构造得到的{I_i,org|1≤i≤N}的目标训练字典D，优化重构中的每个列向量的稀疏系数矩阵，将中的第t'个列向量的稀疏系数矩阵记为是采用最小角回归方法求解得到的，其中，的维数为K×1，符号“||||₂”为求取矩阵的2‑范数符号，“||||₀”为求取矩阵的0‑范数符号，τ为误差系数；⑤_5、计算{I(x,y)}中的所有子块在3个不同分类下的原子能动性，将{I(x,y)}中的所有子块在第h个分类下的原子能动性记为PA_h，其中，1≤h≤3，表示将中所有稀疏系数值为非0的元素的稀疏系数值置为1，v＝[v(1)…v(k)…v(K)]，v(1)表示v中的第1个元素的值，v(k)表示v中的第k个元素的值，v(K)表示v中的第K个元素的值；⑤_6、将{I(x,y)}中的所有子块在不同分类下的原子能动性按序排列，获得{I(x,y)}的局部结构保持特征FPA，FPA＝[PA1,PA2,PA3]，其中，PA1表示{I(x,y)}中的所有子块在第1个分类下的原子能动性，PA2表示{I(x,y)}中的所有子块在第2个分类下的原子能动性，PA3表示{I(x,y)}中的所有子块在第3个分类下的原子能动性；⑥将FSE和FPA构成{I(x,y)}的局部特征矢量，记为F，F＝[FSE,FPA]，其中，[FSE,FPA]表示将FSE和FPA连接起来形成一个局部特征矢量，F的维数为12×1；⑦将n幅色调映射图像构成色调映射图像集合，利用主观质量评价方法获取色调映射图像集合中的每幅色调映射图像的平均主观评分差值，将色调映射图像集合中的第g₁幅色调映射图像的平均主观评分差值记为然后按照步骤④至步骤⑥中获取一幅色调映射图像的局部特征矢量F的操作，以相同的方式获取色调映射图像集合中的每幅色调映射图像的局部特征矢量，将色调映射图像集合中的第g₁幅色调映射图像的局部特征矢量记为其中，n＞1，1≤g₁≤n，的维数为12×1；⑧随机选择色调映射图像集合中的m幅色调映射图像构成训练集，将色调映射图像集合中剩余的n‑m幅色调映射图像构成测试集；接着将训练集中的所有色调映射图像各自的局部特征矢量和平均主观评分差值构成训练样本数据集合；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局部特征矢量进行训练，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；再利用得到的最优的权重矢量w^opt和最优的偏置项b^opt构造色调映射图像的支持向量回归训练模型，记为其中，1≤m＜n，f()为函数表示形式，F_inp表示色调映射图像的支持向量回归训练模型的输入矢量，F_inp的维数为12×1，(w^opt)^T为w^opt的转置，表示色调映射图像的支持向量回归训练模型的输入矢量F_inp的线性函数；⑨将测试集中的所有色调映射图像各自的局部特征矢量构成测试样本数据集合；然后根据构造得到的色调映射图像的支持向量回归训练模型，对测试样本数据集合中的每个局部特征矢量进行测试，预测得到测试样本数据集合中的每个局部特征矢量对应的色调映射图像的客观质量评价预测值，将测试样本数据集合中的第q个局部特征矢量对应的色调映射图像的客观质量评价预测值记为Q_q，Q_q＝f(F_q)，其中，1≤q≤n‑m，F_q表示测试样本数据集合中的第q个局部特征矢量，F_q的维数为12×1，表示测试样本数据集合中的第q个局部特征矢量的线性函数；⑩重复执行步骤⑧至步骤⑨共P次，并使色调映射图像集合中的每幅色调映射图像至少有一次属于测试集，经过P次执行后计算色调映射图像集合中的每幅色调映射图像的若干个客观质量评价预测值的平均值，再将色调映射图像集合中的每幅色调映射图像的客观质量评价预测值的平均值作为该幅色调映射图像的最终的客观质量评价预测值，其中，P的取值大于100。