[发明专利]一种基于自然场景的无参考高动态图像质量评价算法

摘要

本发明公开了一种基于自然场景的无参考高动态图像质量评价算法，包括第一步对HDR图像进行PU编码，获得对应LDR图像；第二步对LDR图像进行均值减损归一化；第三步提取显著区域图像块的图像特征；第四步图像质量计算，在获得原始HDR图像和失真HDR图像的特征后，分别用多元高斯模型(MVG)进行拟合，获得均值和方差矩阵和∑。与现有技术相比，本发明与人眼主观高动态图像质量评价取得较好的一致性，并且计算过程不需要复杂的变换域变换，复杂度低，可以实现实时的高动态图像质量评价；与此同时，该算法将高动态图像与无参考图像质量评价相结合，通用性较强，也为高动态图像质量评价的研究丰富了思路。

主权项

一种基于自然场景的无参考高动态图像质量评价算法，其特征在于，该方法包括以下步骤：第一步：对HDR图像进行PU编码，获得对应LDR图像；首先，计算HDR图像的对比与强度cvi，计算公式如下：cvi(L,Lα)=(maxX[CSF(Lα,X)MA(|L-Lα|)])-1---(1)]]>其中，CSF表示对比度函数，X表示除了适应亮度Lα和背景亮度L之外的所有影响HVS的参数；MA()函数表示灵敏度损失估计计算函数；基于两个假设：假设人眼存在最小的适应亮度水平Lα‑min；假设眼睛适应了高于Lα‑min的所有亮度水平，将检验阈值估计值计算公式表示如下：t(L)＝cvi(L,max(L,Lα‑min))     (2)采用递归公式寻找映射关系。递归公式如下：fi＝fi‑1(1+t(fi‑1)) f:Lm’→Lm,i∈[2...N]    (3)其中，fi‑1表示上一个亮度索引值i‑1对应的亮度值；t(fi‑1)表示亮度值为fi‑1时对应的检测阈值；L’m表示经过γ压缩处理后的亮度域；Lm表示真实亮度域；f为映射函数，每一个L’m域中的亮度索引i都对应Lm域中的一个真实亮度值fi；i表示L’m域中的亮度索引值，取值范围为[2…N]；f1表示最小的编码亮度Lmin；PU:Lm→Lm'表示正向映射函数，将f的值作为查找表中的值，并对于给定的亮度值fi找到最近的插值索引i；根据上述公式(1)～(3)，将HDR图像转换为对应的LDR图像；第二步：对LDR图像进行均值减损归一化，像素归一化计算公式为：I^(m,n)=I(m,n)-μ(m,n)σ(m,n)+C---(4)]]>μ(m,n)=Σk=-KKΣl=-LLwk,lI(m+k,n+l)---(5)]]>σ(m,n)=Σk=-KKΣl=-LLwk,l[I(m+k,n+l)-μ(m,n)2]2---(6)]]>其中，表示位置在(m,n)处像素的均值减损对比归一化(Mean Subtracted ContrastNormalized，MSCN)系数；I(m,n)表示LDR图像中位于(m,n)位置处像素点的亮度分量，m∈1,2,...,P,n∈1,2,...,Q表示图像空域坐标；P、Q分别表示图像的高度和宽度；C是常数，取1；w＝{wk,l|k＝‑3,...,3,l＝‑3,...,3}为圆形对称的高斯权重函数，K＝L＝3；μ(m,n)表示LDR图像(m,n)位置处像素点的均值；σ(m,n)表示LDR图像(m,n)位置处像素点的标准差；第三步：提取显著区域图像块的图像特征。公式(6)中的标准差σ(m,n)具有丰富的结构信息，可以利用σ(m,n)来量化局部图像的锐度。首先，按列从左至右，行从上到下的顺序将LDR图像分为96×96大小的互不重叠的图像块；然后，计算图像块patchb的平均方差δ，计算公式如下δ(m,n)＝∑∑m,n∈patchbσ(m,n)    (7)其中，patchb表示LDR图像中大小为96×96的图像块；m,n表示patchb中像素所在的行和列；δ表示局部图像块的平均方差；选取δ＞T的图像块作为特征显著图像块，T通常取最大局部平均方差的0.6～0.9倍，在本实验中T为最大局部平均方差的0.75倍；根据公式(7)选取LDR图像中纹理和边界都明显的图像块作为显著区域图像块；在提取的显著区域图像块上，对MSCN系数利用广义高斯分布模型(GGD)进行拟合，采用快速匹配法估计归一化后的广义高斯分布参数(a,σ2)。GGD模型如下所示：f(x;a,σ2)=a2βΓ(1/a)exp(-(|x|β)a)---(8)]]>其中，x表示归一化后的像素值，即MSCN系数；a表示形状参数，决定GGD密度函数的衰减速度，且a越小衰减得越厉害，因而a也称为衰减率；σ为GGD的标准差；Γ(.)是gamma函数；β为GGD的尺寸参数，利用MSCN系数对LDR图像分别从水平方向、垂直方向、主对角线方向和次对角线方向计算图像相关性，如下：H(m,n)=I^(m,n)I^(m,n+1)V(m,n)=I^(m,n)I^(m+1,n)D1(m,n)=I^(m,n)I^(m+1,n+1)D2(m,n)=I^(m,n)I^(m+1,n-1)---(9)]]>上式中，m,n分别表示像素的行和列，取值为m∈1,2,...,P,n∈1,2,...,Q；H(m,n)，V(m,n)，D1(m,n)和D2(m,n)分别表示位于(m,n)处像素点的水平、垂直、主对角线和次对角线方向的相关性。表示位于(m,n)处的像素点的MSCN系数，其余像素点的含义与类似；采用非对称高斯分布(AGGD)对式(9)中得到的4个方向的相关性图像进行拟合，每个方向的估计参数(η,v,σl,σr)利用快速匹配法进行估计。将4个方向估计的16个参数作为相邻系数相关性特征。由于自然图像统计特性的多尺度性，通过对LDR图像进行下采因子为2的下采样，实现在两个尺度下提取图像统计特征，每个尺度下包括2个高斯分布特征和16个相邻系数相关性特征，一共有2×(2+16)＝36个特征。第四步：图像质量计算，对提取的36个特征，通过拟合多元高斯MVG模型计算模型参数和∑；MVG模型公式为：fX(x1,x2,...,xk)=1(2π)k/2|Σ|1/2exp(-12(x‾-v‾)TΣ-1(x‾-v‾))---(10)]]>其中，是通过式(4)‑(9)计算的图像特征向量，其中k＝36；∑代表MVG模型的36×36维方差矩阵，表示图像特征向量对应的均值向量；和∑可利用最大似然估计方法进行计算得到。∑‑1表示∑的逆，|Σ|表示∑的行列式。表示的转置。计算失真图像与自然图像拟合参数之间的距离来衡量图像质量：D(v‾1,v‾2,Σ1,Σ2)=(v‾1-v‾2)T(Σ1-Σ22)-1(v‾1-v‾2)---(11)]]>其中，和Σ1分别代表自然图像MVG模型的36×1维的均值向量和36×36维的方差矩阵；和Σ2分别代表失真图像MVG模型的36×1维的均值向量和36×36维的方差矩阵；表示两个均值向量差值的转置；表示两方差矩阵对应元素相减取平均后的逆矩阵。