CN107105223B - 一种基于全局特征的色调映射图像质量客观评价方法 - Google Patents

Abstract

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。

Description

一种基于全局特征的色调映射图像质量客观评价方法

技术领域

本发明涉及一种图像质量评价方法，尤其是涉及一种基于全局特征的色调映射图像质量客观评价方法。

背景技术

随着显示技术的快速发展，高动态范围图像(HDR)已越来越受到关注。高动态范围图像的层次丰富，可以达到远比普通图像更逼近现实的光影效果。然而，传统的显示设备只能支持低动态范围的显示输出。为了解决真实场景和传统的显示设备的动态范围不匹配的矛盾，目前提出了许多高动态范围图像的色调映射(Tone Mapping)算法。高动态范围图像的色调映射算法的目标是将高动态范围图像的亮度压缩到传统的显示设备可以接受的范围，同时尽可能保留原图的细节信息，并避免造成图像瑕疵。因此，如何准确、客观地评价不同色调映射方法的性能，对指导内容制作和后期处理具有十分重要的作用。

而对于色调映射图像质量评价而言，如果直接将现有的图像质量评价方法应用于色调映射图像，则由于色调映射图像只有高动态范围图像作为参考，因此会导致无法精确预测得到客观评价值。因此，如何在评价过程中有效地提取出视觉特征，使得客观评价结果更加感觉符合人类视觉***，是在对色调映射图像进行客观质量评价过程中需要研究解决的问题。

发明内容

本发明所要解决的技术问题是提供一种基于全局特征的色调映射图像质量客观评价方法，其能够有效地提高客观评价结果与主观感知之间的相关性。

本发明解决上述技术问题所采用的技术方案为：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；

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***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。

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。

所述的步骤①_3中的的获取过程为：

①_3a、将在RGB颜色空间的三个分量分别记为{R_k(x,y)}、{G_k(x,y)}和{B_k(x,y)}，其中，1≤x≤W,1≤y≤H，R_k(x,y)表示{R_k(x,y)}中坐标位置为(x,y)的像素点的像素值，G_k(x,y)表示{G_k(x,y)}中坐标位置为(x,y)的像素点的像素值，B_k(x,y)表示{B_k(x,y)}中坐标位置为(x,y)的像素点的像素值；

①_3b、对{R_k(x,y)}进行归一化操作，将{R_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 并对{G_k(x,y)}进行归一化操作，将{G_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 对{B_k(x,y)}进行归一化操作，将{B_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 其中，表示{R_k(x,y)}中的所有像素点的像素值的均值， 表示{R_k(x,y)}中的所有像素点的像素值的标准差， 表示{G_k(x,y)}中的所有像素点的像素值的均值， 表示{G_k(x,y)}中的所有像素点的像素值的标准差， 表示{B_k(x,y)}中的所有像素点的像素值的均值， 表示{B_k(x,y)}中的所有像素点的像素值的标准差，

①_3c、采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_R(h)，并采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_G(h)，采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_B(h)，其中，0≤h≤255，α_R表示拟合曲线g_R(h)的尺度参数，β_R表示拟合曲线g_R(h)的形状参数，exp()表示以自然基数e为底的指数函数，符号“||”为取绝对值符号，t为积分变量，α_G表示拟合曲线g_G(h)的尺度参数，β_G表示拟合曲线g_G(h)的形状参数，α_B表示拟合曲线g_B(h)的尺度参数，β_B表示拟合曲线g_B(h)的形状参数，

①_3d、将在CIELAB颜色空间的三个分量分别记为{L_k(x,y)}、{a_k(x,y)}和{b_k(x,y)}，其中，L_k(x,y)表示{L_k(x,y)}中坐标位置为(x,y)的像素点的像素值，a_k(x,y)表示{a_k(x,y)}中坐标位置为(x,y)的像素点的像素值，b_k(x,y)表示{b_k(x,y)}中坐标位置为(x,y)的像素点的像素值；

①_3e、对{L_k(x,y)}进行归一化操作，将{L_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 并对{a_k(x,y)}进行归一化操作，将{a_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 对{b_k(x,y)}进行归一化操作，将{b_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 其中，表示{L_k(x,y)}中的所有像素点的像素值的均值， 表示{L_k(x,y)}中的所有像素点的像素值的标准差， 表示{a_k(x,y)}中的所有像素点的像素值的均值， 表示{a_k(x,y)}中的所有像素点的像素值的标准差， 表示{b_k(x,y)}中的所有像素点的像素值的均值， 表示{b_k(x,y)}中的所有像素点的像素值的标准差，

①_3f、采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_L(h)，并采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_a(h)，采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_b(h)，其中，α_L表示拟合曲线g_L(h)的尺度参数，β_L表示拟合曲线g_L(h)的形状参数，α_a表示拟合曲线g_a(h)的尺度参数，β_a表示拟合曲线g_a(h)的形状参数，α_b表示拟合曲线g_b(h)的尺度参数，β_b表示拟合曲线g_b(h)的形状参数，

①_3g、将在YCbCr颜色空间的三个分量分别记为{Y_k(x,y)}、{U_k(x,y)}和{V_k(x,y)}，其中，Y_k(x,y)表示{Y_k(x,y)}中坐标位置为(x,y)的像素点的像素值，U_k(x,y)表示{U_k(x,y)}中坐标位置为(x,y)的像素点的像素值，V_k(x,y)表示{V_k(x,y)}中坐标位置为(x,y)的像素点的像素值；

①_3h、对{Y_k(x,y)}进行归一化操作，将{Y_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 并对{U_k(x,y)}进行归一化操作，将{U_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 对{V_k(x,y)}进行归一化操作，将{V_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 其中，表示{Y_k(x,y)}中的所有像素点的像素值的均值， 表示{Y_k(x,y)}中的所有像素点的像素值的标准差， 表示{U_k(x,y)}中的所有像素点的像素值的均值， 表示{U_k(x,y)}中的所有像素点的像素值的标准差， 表示{V_k(x,y)}中的所有像素点的像素值的均值， 表示{V_k(x,y)}中的所有像素点的像素值的标准差，

①_3i、采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_Y(h)，并采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_U(h)，采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_V(h)，其中，α_Y表示拟合曲线g_Y(h)的尺度参数，β_Y表示拟合曲线g_Y(h)的形状参数，α_U表示拟合曲线g_U(h)的尺度参数，β_U表示拟合曲线g_U(h)的形状参数，α_V表示拟合曲线g_V(h)的尺度参数，β_V表示拟合曲线g_V(h)的形状参数，

①_3j、将α_R、β_R、α_G、β_G、α_B、β_B、α_L、β_L、α_a、β_a、α_b、β_b、α_Y、β_Y、α_U、β_U、α_V和β_V按序排列，得到 其中，符号“[]”为矢量表示符号。

与现有技术相比，本发明的优点在于：

本发明方法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。

附图说明

图1为本发明方法的总体实现框图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明提出的一种基于全局特征的色调映射图像质量客观评价方法，其总体实现框图如图1所示，其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，在本实施例中选取TMID数据库中的120幅色调映射图像、选取ESPL-LIVE数据库中的1811幅色调映射图像，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(SceneNaturalness)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。

在本实施例中，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，在本实施例中取μ_ρ＝121.70、σ_ρ＝36.11，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，在本实施例中取μ_δ＝56.47、σ_δ＝18.43，μ_θ和σ_θ表示偏度高斯分布拟合曲线的参数值，在本实施例中取μ_θ＝0.15、σ_θ＝0.89，μ_κ和λ_κ表示峰度高斯分布拟合曲线的参数值，在本实施例中取μ_κ＝2.82、λ_κ＝18.86，μ_η和σ_η表示熵高斯分布拟合曲线的参数值，在本实施例中取μ_η＝7.56、σ_η＝0.27。

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(ChromaticInformation)特征矢量，将的颜色统计特征矢量记为其中，的维数为18×1。

在本实施例中，步骤①_3中的的获取过程为：

①_3a、将在RGB颜色空间的三个分量分别记为{R_k(x,y)}、{G_k(x,y)}和{B_k(x,y)}，其中，1≤x≤W,1≤y≤H，R_k(x,y)表示{R_k(x,y)}中坐标位置为(x,y)的像素点的像素值，G_k(x,y)表示{G_k(x,y)}中坐标位置为(x,y)的像素点的像素值，B_k(x,y)表示{B_k(x,y)}中坐标位置为(x,y)的像素点的像素值。

①_3b、对{R_k(x,y)}进行归一化操作，将{R_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 并对{G_k(x,y)}进行归一化操作，将{G_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 对{B_k(x,y)}进行归一化操作，将{B_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 其中，表示{R_k(x,y)}中的所有像素点的像素值的均值， 表示{R_k(x,y)}中的所有像素点的像素值的标准差， 表示{G_k(x,y)}中的所有像素点的像素值的均值， 表示{G_k(x,y)}中的所有像素点的像素值的标准差， 表示{B_k(x,y)}中的所有像素点的像素值的均值， 表示{B_k(x,y)}中的所有像素点的像素值的标准差，

①_3c、采用现有的广义高斯分布(GGD)模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_R(h)，并采用现有的广义高斯分布(GGD)模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_G(h)，采用现有的广义高斯分布(GGD)模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_B(h)，其中，0≤h≤255，α_R表示拟合曲线g_R(h)的尺度参数，β_R表示拟合曲线g_R(h)的形状参数，exp()表示以自然基数e为底的指数函数，符号“||”为取绝对值符号，t为积分变量，α_G表示拟合曲线g_G(h)的尺度参数，β_G表示拟合曲线g_G(h)的形状参数，α_B表示拟合曲线g_B(h)的尺度参数，β_B表示拟合曲线g_B(h)的形状参数，

①_3d、将在CIELAB颜色空间的三个分量分别记为{L_k(x,y)}、{a_k(x,y)}和{b_k(x,y)}，其中，L_k(x,y)表示{L_k(x,y)}中坐标位置为(x,y)的像素点的像素值，a_k(x,y)表示{a_k(x,y)}中坐标位置为(x,y)的像素点的像素值，b_k(x,y)表示{b_k(x,y)}中坐标位置为(x,y)的像素点的像素值。

①_3e、对{L_k(x,y)}进行归一化操作，将{L_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 并对{a_k(x,y)}进行归一化操作，将{a_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 对{b_k(x,y)}进行归一化操作，将{b_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 其中，表示{L_k(x,y)}中的所有像素点的像素值的均值， 表示{L_k(x,y)}中的所有像素点的像素值的标准差， 表示{a_k(x,y)}中的所有像素点的像素值的均值， 表示{a_k(x,y)}中的所有像素点的像素值的标准差， 表示{b_k(x,y)}中的所有像素点的像素值的均值， 表示{b_k(x,y)}中的所有像素点的像素值的标准差，

①_3f、采用现有的广义高斯分布(GGD)模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_L(h)，并采用现有的广义高斯分布(GGD)模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_a(h)，采用现有的广义高斯分布(GGD)模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_b(h)，其中，α_L表示拟合曲线g_L(h)的尺度参数，β_L表示拟合曲线g_L(h)的形状参数，α_a表示拟合曲线g_a(h)的尺度参数，β_a表示拟合曲线g_a(h)的形状参数，α_b表示拟合曲线g_b(h)的尺度参数，β_b表示拟合曲线g_b(h)的形状参数，

①_3g、将在YCbCr颜色空间的三个分量分别记为{Y_k(x,y)}、{U_k(x,y)}和{V_k(x,y)}，其中，Y_k(x,y)表示{Y_k(x,y)}中坐标位置为(x,y)的像素点的像素值，U_k(x,y)表示{U_k(x,y)}中坐标位置为(x,y)的像素点的像素值，V_k(x,y)表示{V_k(x,y)}中坐标位置为(x,y)的像素点的像素值。

①_3h、对{Y_k(x,y)}进行归一化操作，将{Y_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 并对{U_k(x,y)}进行归一化操作，将{U_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 对{V_k(x,y)}进行归一化操作，将{V_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 其中，表示{Y_k(x,y)}中的所有像素点的像素值的均值， 表示{Y_k(x,y)}中的所有像素点的像素值的标准差， 表示{U_k(x,y)}中的所有像素点的像素值的均值， 表示{U_k(x,y)}中的所有像素点的像素值的标准差， 表示{V_k(x,y)}中的所有像素点的像素值的均值， 表示{V_k(x,y)}中的所有像素点的像素值的标准差，

①_3i、采用现有的广义高斯分布(GGD)模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_Y(h)，并采用现有的广义高斯分布(GGD)模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_U(h)，采用现有的广义高斯分布(GGD)模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_V(h)，其中，α_Y表示拟合曲线g_Y(h)的尺度参数，β_Y表示拟合曲线g_Y(h)的形状参数，α_U表示拟合曲线g_U(h)的尺度参数，β_U表示拟合曲线g_U(h)的形状参数，α_V表示拟合曲线g_V(h)的尺度参数，β_V表示拟合曲线g_V(h)的形状参数，

①_3j、将α_R、β_R、α_G、β_G、α_B、β_B、α_L、β_L、α_a、β_a、α_b、β_b、α_Y、β_Y、α_U、β_U、α_V和β_V按序排列，得到 其中，符号“[]”为矢量表示符号。

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***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'，W'可与W相同或不相同，H'可与H相同或不相同，F_test的维数为23×1，表示F_test的线性函数。

在本实施例中，采用加拿大滑铁卢大学建立的TMID数据库和美国德克萨斯大学奥斯汀分校建立的ESPL-LIVE数据库作为色调映射图像数据库，TMID数据库包括120幅色调映射图像，ESPL-LIVE数据库包括1811幅色调映射图像。利用评估图像质量评价方法的2个常用客观参量作为评价指标，即非线性回归条件下的Pearson线性相关系数(Pearson linearcorrelation coefficient，PLCC)和Spearman秩等级相关系数(Spearman rank ordercorrelation coefficient，SROCC)。PLCC和SROCC越高说明本发明方法的评价结果与平均主观评分差值的相关性越好。表1给出了本发明方法得到的质量客观评价预测值与平均主观评分差值之间的相关性，从表1中可以看出，采用本发明方法得到的色调映射图像的质量客观评价预测值与平均主观评分差值之间的相关性是很高的，表明客观评价结果与人眼主观感知的结果较为一致，足以说明本发明方法的有效性。

表1采用本发明方法得到的质量客观评价预测值与平均主观评分差值之间的相关性

数据库	PLCC	SROCC
			TMID	0.744	0.698
ESPL-LIVE	0.639	0.629

Claims (2)

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***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。

2.根据权利要求1所述的一种基于全局特征的色调映射图像质量客观评价方法，其特征在于所述的步骤①_3中的的获取过程为：

①_3a、将在RGB颜色空间的三个分量分别记为{R_k(x,y)}、{G_k(x,y)}和{B_k(x,y)}，其中，1≤x≤W,1≤y≤H，R_k(x,y)表示{R_k(x,y)}中坐标位置为(x,y)的像素点的像素值，G_k(x,y)表示{G_k(x,y)}中坐标位置为(x,y)的像素点的像素值，B_k(x,y)表示{B_k(x,y)}中坐标位置为(x,y)的像素点的像素值；

①_3b、对{R_k(x,y)}进行归一化操作，将{R_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 并对{G_k(x,y)}进行归一化操作，将{G_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 对{B_k(x,y)}进行归一化操作，将{B_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 其中，表示{R_k(x,y)}中的所有像素点的像素值的均值， 表示{R_k(x,y)}中的所有像素点的像素值的标准差， 表示{G_k(x,y)}中的所有像素点的像素值的均值， 表示{G_k(x,y)}中的所有像素点的像素值的标准差， 表示{B_k(x,y)}中的所有像素点的像素值的均值， 表示{B_k(x,y)}中的所有像素点的像素值的标准差，

①_3c、采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_R(h)，并采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_G(h)，采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_B(h)，其中，0≤h≤255，α_R表示拟合曲线g_R(h)的尺度参数，β_R表示拟合曲线g_R(h)的形状参数，exp()表示以自然基数e为底的指数函数，符号“| |”为取绝对值符号，t为积分变量，α_G表示拟合曲线g_G(h)的尺度参数，β_G表示拟合曲线g_G(h)的形状参数，α_B表示拟合曲线g_B(h)的尺度参数，β_B表示拟合曲线g_B(h)的形状参数，

①_3d、将在CIELAB颜色空间的三个分量分别记为{L_k(x,y)}、{a_k(x,y)}和{b_k(x,y)}，其中，L_k(x,y)表示{L_k(x,y)}中坐标位置为(x,y)的像素点的像素值，a_k(x,y)表示{a_k(x,y)}中坐标位置为(x,y)的像素点的像素值，b_k(x,y)表示{b_k(x,y)}中坐标位置为(x,y)的像素点的像素值；

①_3e、对{L_k(x,y)}进行归一化操作，将{L_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 并对{a_k(x,y)}进行归一化操作，将{a_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 对{b_k(x,y)}进行归一化操作，将{b_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 其中，表示中的所有像素点的像素值的均值， 表示{L_k(x,y)}中的所有像素点的像素值的标准差， 表示{a_k(x,y)}中的所有像素点的像素值的均值， 表示{a_k(x,y)}中的所有像素点的像素值的标准差， 表示{b_k(x,y)}中的所有像素点的像素值的均值， 表示{b_k(x,y)}中的所有像素点的像素值的标准差，

①_3f、采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_L(h)，并采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_a(h)，采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_b(h)，其中，α_L表示拟合曲线g_L(h)的尺度参数，β_L表示拟合曲线g_L(h)的形状参数，α_a表示拟合曲线g_a(h)的尺度参数，β_a表示拟合曲线g_a(h)的形状参数，α_b表示拟合曲线g_b(h)的尺度参数，β_b表示拟合曲线g_b(h)的形状参数，

①_3g、将在YCbCr颜色空间的三个分量分别记为{Y_k(x,y)}、{U_k(x,y)}和{V_k(x,y)}，其中，Y_k(x,y)表示{Y_k(x,y)}中坐标位置为(x,y)的像素点的像素值，U_k(x,y)表示{U_k(x,y)}中坐标位置为(x,y)的像素点的像素值，V_k(x,y)表示{V_k(x,y)}中坐标位置为(x,y)的像素点的像素值；

①_3h、对{Y_k(x,y)}进行归一化操作，将{Y_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 并对{U_k(x,y)}进行归一化操作，将{U_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 对{V_k(x,y)}进行归一化操作，将{V_k(x,y)}经归一化操作后得到的图像记为将中坐标位置为(x,y)的像素点的像素值记为 其中，表示{Y_k(x,y)}中的所有像素点的像素值的均值， 表示{Y_k(x,y)}中的所有像素点的像素值的标准差， 表示{U_k(x,y)}中的所有像素点的像素值的均值， 表示{U_k(x,y)}中的所有像素点的像素值的标准差， 表示{V_k(x,y)}中的所有像素点的像素值的均值， 表示{V_k(x,y)}中的所有像素点的像素值的标准差，

①_3i、采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_Y(h)，并采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_U(h)，采用广义高斯分布模型对的颜色分布进行拟合，拟合得到的拟合曲线，记为g_V(h)，其中，α_Y表示拟合曲线g_Y(h)的尺度参数，β_Y表示拟合曲线g_Y(h)的形状参数，α_U表示拟合曲线g_U(h)的尺度参数，β_U表示拟合曲线g_U(h)的形状参数，α_V表示拟合曲线g_V(h)的尺度参数，β_V表示拟合曲线g_V(h)的形状参数，

①_3j、将α_R、β_R、α_G、β_G、α_B、β_B、α_L、β_L、α_a、β_a、α_b、β_b、α_Y、β_Y、α_U、β_U、α_V和β_V按序排列，得到 其中，符号“[]”为矢量表示符号。