[发明专利]一种无参考高动态范围图像客观质量评价方法有效
申请号: | 201810042480.6 | 申请日: | 2018-01-17 |
公开(公告)号: | CN108322733B | 公开(公告)日: | 2019-09-03 |
发明(设计)人: | 郁梅;邹良涛;蒋刚毅;陈芬;彭宗举 | 申请(专利权)人: | 宁波大学 |
主分类号: | H04N17/00 | 分类号: | H04N17/00 |
代理公司: | 宁波奥圣专利代理事务所(普通合伙) 33226 | 代理人: | 周珏 |
地址: | 315211 浙*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种无参考高动态范围图像客观质量评价方法,其将图像表示成三阶张量,由于色度信息在高动态范围图像质量评价中具有重要作用,因此利用张量分解中的Tucker分解算法,对失真高动态范围图像进行张量分解,得到融合了亮度失真和色度失真的第1个通道作为第一特征图像,在第一特征图像上提取失真信息,与仅在亮度通道上提取失真信息相比,第一特征图像还包含了色度通道的失真,同时数据量又与亮度通道相同,不会增加额外的数据量;将第一特征图像中提取的张量域感知特征向量与支持向量回归训练模型结合,得到失真高动态范围图像的客观质量评价值,从而实现了无参考的高动态范围图像的客观质量评价,评价效果显著提高,且其不需要参考图像。 | ||
搜索关键词: | 高动态范围图像 特征图像 质量评价 失真 亮度通道 失真信息 数据量 参考 支持向量回归 分解 参考图像 分解算法 亮度失真 色度通道 色度信息 特征向量 图像表示 训练模型 色度 感知 融合 | ||
【主权项】:
1.一种无参考高动态范围图像客观质量评价方法,其特征在于包括以下步骤:①将待评价的失真高动态范围图像记为Idis;然后将Idis表示成三阶张量的形式,记为Vdis;接着利用张量的Tucker3分解算法对Vdis进行3模式积运算,得到Vdis的核张量,记为Gdis;再将Gdis的第1个通道作为Idis的第一特征图像,记为Gdis1;其中,Idis的宽度为W且高度为H,Gdis、Gdis1的宽度也均为W、高度也均为H;②将Gdis1中的所有像素点的像素值线性映射到专用于显示高动态范围图像的显示器的设定亮度范围0.03cd/m2~4250cd/m2内,将得到的线性映射图像记为Gdis1#;然后计算Gdis1#中亮度值超过2400cd/m2的像素点的总个数占Gdis1#中的所有像素点的总个数的比例,记为Rglobal;并计算Gdis1#的动态范围,记为DRglobal,
再将Rglobal和DRglobal联合,得到Idis的全局亮度感知特征向量,记为fglobal,fglobal=[Rglobal,DRglobal];其中,Lmax表示Gdis1#中的所有像素点的亮度值按从大到小的顺序排列再去除前μ%和后μ%的亮度值后剩下的所有亮度值中的最大亮度值,Lmin表示Gdis1#中的所有像素点的亮度值按从大到小的顺序排列再去除前μ%和后μ%的亮度值后剩下的所有亮度值中的最小亮度值,5≤μ≤15;③将Gdis1划分成m×n个互不重叠的尺寸大小为
的图像块,将Gdis1中的第i个图像块记为
其中,m表示Gdis1在横向上包含的图像块的数目,n表示Gdis1在纵向上包含的图像块的数目,
符号
为向下取整运算符号,1≤i≤N,N表示Gdis1中包含的图像块的总数目,N=m×n;④将Gdis1中的每个图像块中的所有像素点的像素值线性映射到专用于显示高动态范围图像的显示器的设定亮度范围0.03cd/m2~4250cd/m2内,得到Gdis1中的每个图像块对应的线性映射图像,将
对应的线性映射图像记为
然后计算Gdis1中的每个图像块对应的线性映射图像中亮度值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块对应的线性映射图像中的所有像素点的总个数的比例,将
中亮度值超过2400cd/m2的像素点的总个数占
中的所有像素点的总个数的比例记为
并计算Gdis1中的每个图像块对应的线性映射图像的动态范围,将
的动态范围记为![]()
再将Gdis1中的每个图像块对应的线性映射图像中亮度值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块对应的线性映射图像中的所有像素点的总个数的比例和Gdis1中的每个图像块对应的线性映射图像的动态范围联合,得到Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的第一局部亮度感知特征向量,将Idis中与
位置对应且尺寸大小相同的区域的第一局部亮度感知特征向量记为![]()
由
和
联合得到,
其中,
表示
中的所有像素点的亮度值按从大到小的顺序排列再去除前μ%和后μ%的亮度值后剩下的所有亮度值中的最大亮度值,
表示
中的所有像素点的亮度值按从大到小的顺序排列再去除前μ%和后μ%的亮度值后剩下的所有亮度值中的最小亮度值,5≤μ≤15;⑤对Gdis1中的每个图像块的四周向上、向下各填充h行0像素,向左、向右各填充h列0像素,得到Gdis1中的每个图像块对应的扩充图像,扩充图像的宽度为
且高度为
将
对应的扩充图像记为
然后以块步长为1,将每幅扩充图像划分成
个相互重叠的尺寸大小为(2h+1)×(2h+1)的方块,将
中的第j个方块记为
接着将每幅扩充图像中的所有方块的中心像素点的像素值按序排列构成一个列向量,将
中的所有方块的中心像素点的像素值按序排列构成的列向量记为![]()
并将每幅扩充图像中的每个方块中除中心像素点外的其余所有像素点的像素值按序排列构成一个行向量,将
中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量记为
再将每幅扩充图像中的所有方块对应的行向量排列构成一个矩阵,将
中的所有方块对应的行向量排列构成的矩阵记为![]()
其中,
min()为取最小值函数,![]()
的维数为![]()
表示
中的第1个方块
的中心像素点的像素值,
表示
的中心像素点的像素值,
表示
中的第
个方块
的中心像素点的像素值,
也为
中的所有像素点的像素值按序排列构成的列向量,
的维数为1×(L‑1),L表示每幅扩充图像中的每个方块中包含的像素点的总数目,L=(2h+1)×(2h+1),
的维数为![]()
表示
中的第1个方块
中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量,
表示
中的第
个方块
中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量;⑥采用自回归模型模拟使用每幅扩充图像中的每个方块中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量对该方块的中心像素点的像素值进行预测的预测过程,得到每幅扩充图像中的每个方块的中心像素点的预测像素值,将
的中心像素点的预测像素值记为![]()
为采用自回归模型模拟使用
对
进行预测的预测过程得到的,
的值为
与
的乘积;然后将每幅扩充图像中的所有方块的中心像素点的预测像素值按序排列构成一个列向量,将
中的所有方块的中心像素点的像素值按序排列构成的列向量记为![]()
的值为
与
的乘积;接着采用最小二乘法求解,使每幅扩充图像中的所有方块的中心像素点的预测像素值按序排列构成的列向量与每幅扩充图像中的所有方块的中心像素点的像素值按序排列构成的列向量的差异最小,得到每幅扩充图像对应的预测系数列向量的最优值,将
的最优值记为![]()
为通过采用最小二乘法求解,使
与
的差异最小获得的;再获取每幅扩充图像中的所有方块的中心像素点的预测像素值按序排列构成的列向量的最优值,将
的最优值记为![]()
为
与
的乘积;之后将每幅扩充图像中的所有方块的中心像素点的预测像素值按序排列构成的列向量的最优值中的所有值排列成尺寸大小为
的图像,作为Gdis1中的每个图像块的预测块,将
的预测块记为![]()
为
中的所有值排列成尺寸大小为
的图像;最后获取Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的局部感知预测特征向量,将Idis中与
位置对应且尺寸大小相同的区域的局部感知预测特征向量记为![]()
其中,
表示自回归模型中与
对应的预测系数列向量,
的维数为(L‑1)×1,
为
的转置;⑦将Gdis1中的每个图像块的预测块中的所有像素点的像素值线性映射到专用于显示高动态范围图像的显示器的设定亮度范围0.03cd/m2~4250cd/m2内,得到Gdis1中的每个图像块的预测块对应的线性映射图像,将
对应的线性映射图像记为
然后计算Gdis1中的每个图像块的预测块对应的线性映射图像中亮度值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块的预测块对应的线性映射图像中的所有像素点的总个数的比例,将
中亮度值超过2400cd/m2的像素点的总个数占
中的所有像素点的总个数的比例记为
并计算Gdis1中的每个图像块的预测块对应的线性映射图像的动态范围,将
的动态范围记为![]()
再将Gdis1中的每个图像块的预测块对应的线性映射图像中亮度值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块的预测块对应的线性映射图像中的所有像素点的总个数的比例和Gdis1中的每个图像块的预测块对应的线性映射图像的动态范围联合,得到Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的第二局部亮度感知特征向量,将Idis中与
位置对应且尺寸大小相同的区域的第二局部亮度感知特征向量记为![]()
由
和
联合得到,
其中,
表示
中的所有像素点的亮度值按从大到小的顺序排列再去除前μ%和后μ%的亮度值后剩下的所有亮度值中的最大亮度值,
表示
中的所有像素点的亮度值按从大到小的顺序排列再去除前μ%和后μ%的亮度值后剩下的所有亮度值中的最小亮度值,5≤μ≤15;⑧根据Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的局部感知预测特征向量、第一局部亮度感知特征向量、第二局部亮度感知特征向量以及Idis的全局亮度感知特征向量,获取Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的张量域感知特征向量,将Idis中与
位置对应且尺寸大小相同的区域的张量域感知特征向量记为Fi,
其中,Fi的维数为1×(L+5);⑨选取K幅失真高动态范围图像构成训练库;然后按照步骤①至步骤⑧的过程,以相同的方式获取训练库中的每幅失真高动态范围图像中的m×n个互不重叠的尺寸大小为
的区域各自的张量域感知特征向量;再将训练库中的每幅失真高动态范围图像的主观评价分数作为标签,将训练库中的每幅失真高动态范围图像中的m×n个互不重叠的尺寸大小为
的区域各自的张量域感知特征向量作为输入样本,采用支持向量回归技术进行训练,训练得到支持向量回归训练模型;其中,K≥30,设定训练库中的每幅失真高动态范围图像的宽度也为W、高度也为H;⑩将Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的张量域感知特征向量作为输入参数,输入到支持向量回归训练模型中,输出Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的客观质量评价值,将Idis中与
位置对应且尺寸大小相同的区域的客观质量评价值记为qualityi;再获取Idis的客观质量评价值,记为qualitydis,![]()
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于宁波大学,未经宁波大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201810042480.6/,转载请声明来源钻瓜专利网。