CN113362354B - 色调映射图像的质量评价方法、***、终端及存储介质 - Google Patents
色调映射图像的质量评价方法、***、终端及存储介质 Download PDFInfo
- Publication number
- CN113362354B CN113362354B CN202110494547.1A CN202110494547A CN113362354B CN 113362354 B CN113362354 B CN 113362354B CN 202110494547 A CN202110494547 A CN 202110494547A CN 113362354 B CN113362354 B CN 113362354B
- Authority
- CN
- China
- Prior art keywords
- local
- exposure
- tone
- image
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000000638 solvent extraction Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000005192 partition Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 4
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种色调映射图像的质量评价方法、***、终端及存储介质，该方法包括：根据曝光值将色调映射图像划分为正常曝光区以及异常曝光区；针对正常曝光区以及异常曝光区进行分区域局部特征提取；局部结构特征提取；表面结构特征提取；边缘结构特征提取；训练模型并测试。该***包括：分区单元、分区域局部特征提取单元、局部结构特征提取单元、表面结构特征提取单元、边缘结构特征提取单元、模型训练单元以及测试单元。通过本发明，提高了无参考色调映射图像质量评价技术的性能及主观一致性，并且提高了评价的效率。
Description
技术领域
本发明涉及图像处理评价技术领域，特别涉及一种色调映射图像的质量评价方法、***、终端及存储介质。
背景技术
高动态范围(HDR)成像技术能够生动地描述从阳光直射到微弱星光的更大亮度变化的真实场景。然而，目前大多数显示器都是标准的8位显示器，无法再现HDR图像的大范围亮度变化，导致一些重要的视觉信息丢失。为了解决这个问题，越来越多的色调映射算子(TMO)将HDR图像转换为标准动态范围(SDR)图像，用于HDR图像在标准8位显示器上的可视化。在色调映射过程中，信息丢失是不可避免的，但是由合适的色调映射图像(TMO)创建的色调映射图像(TMI)比普通的SDR图像能够提供更好的亮度、对比度和细节的质量感知。然而，由于图像结构和内容的多样性，目前还不存在一种通用的TMO，可以有效地适用于各种HDR图像。因此，图像质量评估(IQA)常被用于预测色调映射图像(TMIs)的质量，以便于优化色调映射过程。与人工进行的主观图片质量质量评价方法相比，无人工参与的客观色调质量评价指标可用于在线自动从不同色调质量评价指标生成的候选色调质量评价指标中选择质量最好的色调质量评价指标，也可用于在色调映射中选择最优参数。
由于在实际的应用场合中，原始HDR图像难以获取，因此无参考色调映射图像质量评价算法一直是关注重点。因此，急需提供一种性能较优的色调映射图像的质量评价方法及***。
发明内容
本发明针对上述现有技术中存在的问题，提出一种基于曝光属性分区的色调映射图像的质量评价方法、***、终端及存储介质，提高了无参考色调映射图像(TMI)质量评价技术的性能及主观一致性，并且提高了评价的效率。
为解决上述技术问题，本发明是通过如下技术方案实现的：
本发明提供一种基于曝光属性分区的色调映射图像的质量评价方法，其包括：
S11：基于曝光属性对色调映射图像进行分区；根据曝光值将所述色调映射图像划分为正常曝光区以及异常曝光区；
S12：针对所述正常曝光区以及异常曝光区进行分区域局部特征提取；
S13：提取所述色调映射图像的局部结构特征，所述局部结构特征为局部纹理特征；
S14：提取所述色调映射图像的表面结构特征，所述表面结构特征为纹理特征；
S15：提取所述色调映射图像的边缘结构特征，所述边缘结构特征衡量所述色调映射图像边缘的亮度以及边缘区域发散的程度；
S16：将所述S12～S15提取到的特征组合成整体的特征矢量，以图像数据库中提供的相应主观质量分数作为标签，通过不断迭代来训练支持向量回归器，采用训练好的支持向量回归器进行评价，得到预测的图像客观质量分数。
较佳地，所述S11进一步包括：
S21：将所述色调映射图像的RGB空间转换为LAB空间，基于L通道的值进行像素级的曝光度测算；
S22：使用一维最大熵法根据曝光值将所述色调映射图像划分为正常曝光区以及异常曝光区。
较佳地，所述S21中基于L通道的值进行像素级的曝光度测算进一步包括：
S211：将L通道亮度值归一化到区间[0,1]；
S212：利用高斯加权函数获得每个像素i的曝光值Li：
Li＝(exp(-(i-it)2/2σ2))；
其中，it为亮度阈值，σ为函数的宽度参数。
较佳地，所述S12进一步包括：
S41：针对正常曝光区，用颜色指数来测量局部小块的对比度情况，生成局部颜色特征矢量；
S42：针对异常曝光区，首先利用信息熵的方法计算细节信息量，然后利用下述公式得到的第d个像素的局部对比度来度量局部梯度变化；
其中，id为第d个像素点的灰度值，it为第d个像素点的周围局部区域中第p个邻居像素点的灰度值，p为局部邻居像素点个数。。
较佳地，所述S13进一步包括：使用中心对称局部二值模式算子进行局部纹理测算，每个色调映射图像生成16的局部结构特征矢量；其中，所述中心对称局部二值模式算子CS-LBP为：
μ(a,b)＝a*21+b*20；
其中，N为涉及到的像素的邻居总数，mc为中心像素的灰度值，mi(i＝0,1，…，(N/2)-1)为相邻像素的灰度值。
较佳地，所述S14进一步包括：将所述色调映射图像的L通道转换为灰度共生矩阵，并提取出体现细边缘特性的三个特征：能量E、相关性C以及均匀度V；其中，
μ和σ表示像素的均值和方差，其中
其中G(x,y)是灰度共生矩阵第x行，第y列的元素，k是灰度域的尺度范围。
较佳地，所述S15进一步包括：
S71：使用Canny算子提取每张色调映射图像的边缘；
S72：计算所述S71提取的边缘像素点周围的预设大小的小块亮度的均值H1、方差H2和偏度H3，来衡量图像边缘的亮度以及边缘区域发散的程度；其中，
H1＝E(he)；
H2＝E(he 2)-E(he)2；
较佳地，所述S162之后还包括：
S163：将所述图像客观质量分数与图像数据库中提供的相应主观质量分数相比较来验证预测准确度。
本发明还提供一种基于曝光属性分区的色调映射图像的质量评价***，其用于实现上述的基于曝光属性分区的色调映射图像的质量评价方法，其包括：分区单元、分区域局部特征提取单元、局部结构特征提取单元、表面结构特征提取单元、边缘结构特征提取单元、模型训练单元以及测试单元；其中，
所述分区单元用于根据曝光值将所述色调映射图像划分为正常曝光区以及异常曝光区；
所述分区域局部特征提取单元用于根据曝光值将所述色调映射图像划分为正常曝光区以及异常曝光区；
所述局部结构特征提取单元用于提取所述色调映射图像的局部纹理特征；
所述表面结构特征提取单元用于提取所述色调映射图像的纹理特征；
所述边缘结构特征提取单元用于衡量所述色调映射图像边缘的亮度以及边缘区域发散的程度；
所述模型训练单元用于将所述分区局部特征提取单元、局部结构特征提取单元、表面结构特征提取单元以及边缘结构特征提取单元提取到的特征组合成整体的特征矢量，以图像数据库中提供的相应主观质量分数作为标签，通过不断迭代来训练支持向量回归器；
所述测试单元用于将数据集中测试数据的特征值输入到所述模型训练单元训练好的支持向量回归器，得到预测的图像客观质量分数。
本发明还提供一种色调映射图像的质量评价终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述的色调映射图像的质量评价方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行上述的色调映射图像的质量评价方法。
相较于现有技术，本发明实施例具有以下至少一种优点：
(1)本发明提供的基于曝光属性分区的色调映射图像的质量评价方法及***，通过不同区域的特征提取、结构特征以及边缘特征的提取，能够准确有效地预测色调映射图像的质量；
(2)本发明提供的基于曝光属性分区的色调映射图像的质量评价方法及***，通过中心对称局部二值模式以及灰度共生矩阵提取结构特征，基于Canny算子生成的边缘纹理中提取边缘特征，进一步提高了无参考色调映射图像(TMI)质量评价技术的性能及主观一致性。
(3)本发明提供的基于曝光属性分区的色调映射图像的质量评价方法及***，通过对不同曝光区域的局部空间分布的相关性和区域色彩失真的差异进行准确地测量，提高了色调映射图像质量评价的效率。
附图说明
下面结合附图对本发明的实施方式作进一步说明：
图1为本发明一实施例的基于曝光属性分区的色调映射图像的质量评价方法的流程图；
图2为本发明一实施例的曝光分区图；
图3为本发明一实施例的Canny算子提取的边缘结构特征图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示为本发明一实施例的基于曝光属性分区的色调映射图像的质量评价方法的流程图。
请参考图1，本实施例的基于曝光属性分区的色调映射图像的质量评价方法包括：
S11：基于曝光属性对色调映射图像进行分区；
根据曝光值将色调映射图像划分为正常曝光区以及异常曝光区；
S12：针对正常曝光区以及异常曝光区进行分区域局部特征提取；
S13：局部结构特征提取：提取色调映射图像的局部纹理特征；
S14：表面结构特征提取：提取色调映射图像的纹理特征；
S15：边缘结构特征提取，衡量色调映射图像边缘的亮度以及边缘区域发散的程度；
S16：将所述S12～S15提取到的特征组合成整体的特征矢量，以图像数据库中提供的相应主观质量分数作为标签，通过不断迭代来训练支持向量回归器，采用训练好的支持向量回归器进行评价，得到预测的图像客观质量分数。
上述实施例中，S12～S15并不需要严格按照上述顺序，这几个步骤可以任意顺序执行。
本发明上述实施例通过不同区域的特征提取、结构特征以及边缘特征的提取，能够准确有效地预测色调映射图像的质量。
较佳实施例中，S11进一步包括：
S21：将色调映射图像的RGB空间转换为LAB空间，基于L通道的值进行像素级的曝光度测算；
S22：使用一维最大熵法根据曝光值将色调映射图像划分为正常曝光区以及异常曝光区，如图2所示，白色表示异常曝光区，黑色表示正常曝光区。
较佳实施例中，S21中基于L通道的值进行像素级的曝光度测算进一步包括：
S211：将L通道亮度值归一化到区间[0,1]；
S212：利用高斯加权函数获得每个像素i的曝光值Li：
Li＝(exp(-(i-it)2/2σ2))；
其中，it为亮度阈值，σ为设为0.2。
较佳实施例中，S12进一步包括：
S41：针对正常曝光区，用颜色指数来测量局部小块的对比度情况，生成局部颜色特征矢量；
S42：针对异常曝光区，首先利用信息熵的方法计算细节信息量，然后利用下述公式得到的局部对比度来度量局部梯度变化；
其中，id为第d个像素点的灰度值，it为第d个像素点的周围局部区域中第p个邻居像素点的灰度值，p为局部邻居像素点个数。
较佳实施例中，S13进一步包括：使用中心对称局部二值模式算子进行局部纹理测算，每个色调映射图像生成16的局部结构特征矢量；其中，所述中心对称局部二值模式算子CS-LBP为：
μ(a,b)＝a*21+b*20；
其中，N为涉及到的像素的邻居总数，mc为中心像素的灰度值，mi(i＝0,1，…，(N/2)-1)为相邻像素的灰度值。
较佳实施例中，S14进一步包括：将色调映射图像的L通道转换为灰度共生矩阵，并提取出更能体现细边缘特性的三个特征：能量E、相关性C以及均匀度V；其中，
其中，μ和σ表示像素的均值和方差，
G(x,y)是灰度共生矩阵第x行，第y列的元素，k是灰度域的尺度范围。
本实施例中通过中心对称局部二值模式以及灰度共生矩阵提取结构特征，基于Canny算子生成的边缘纹理中提取边缘特征，进一步提高了无参考色调映射图像(TMI)质量评价技术的性能及主观一致性。
较佳实施例中，S15进一步包括：
S71：使用Canny算子提取每张色调映射图像的边缘；
S72：计算S71提取的边缘像素点周围的8×8小块亮度的均值H1、方差H2和偏度H3，来衡量图像边缘的亮度以及边缘区域发散的程度；其中，
H1＝E(he)；
H2＝E(he 2)-E(he)2；
较佳实施例中，采用S12～S15提取到的特征进行训练模型并测试，即：
S161：训练模型：将S12～S15提取到的特征组合成整体的特征矢量，以图像数据库中提供的相应主观质量分数作为标签，通过不断迭代来训练支持向量回归器；
S162：测试：将数据集中测试数据的特征值输入到训练好的支持向量回归器，得到预测的图像客观质量分数。
S162之后还可以包括：
S163：将图像客观质量分数与图像数据库中提供的相应主观质量分数相比较来验证预测准确度。
在本发明另一实施例中，还提供一种基于曝光属性分区的色调映射图像的质量评价***，其用于实现上述实施例的基于曝光属性分区的色调映射图像的质量评价方法，其包括：分区单元、分区域局部特征提取单元、局部结构特征提取单元、表面结构特征提取单元、边缘结构特征提取单元、模型训练单元以及测试单元；其中，分区单元用于根据曝光值将所述色调映射图像划分为正常曝光区以及异常曝光区；分区域局部特征提取单元用于根据曝光值将所述色调映射图像划分为正常曝光区以及异常曝光区；局部结构特征提取单元用于提取所述色调映射图像的局部纹理特征；表面结构特征提取单元用于提取所述色调映射图像的纹理特征；边缘结构特征提取单元用于衡量所述色调映射图像边缘的亮度以及边缘区域发散的程度；模型训练单元用于将所述分区局部特征提取单元、局部结构特征提取单元、表面结构特征提取单元以及边缘结构特征提取单元提取到的特征组合成整体的特征矢量，以图像数据库中提供的相应主观质量分数作为标签，通过不断迭代来训练支持向量回归器；测试单元用于将数据集中测试数据的特征值输入到模型训练单元训练好的支持向量回归器，得到预测的图像客观质量分数。
当然，在上述实施例基础上，所述***还可以包括：验证单元，用于将测试单元得到的图像客观质量分数与图像数据库中提供的相应主观质量分数相比较来验证预测准确度。
在本发明另一实施例中，还提供一种色调映射图像的质量评价终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述的色调映射图像的质量评价方法。
在本发明另一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行上述的色调映射图像的质量评价方法。
为了验证本发明的性能，下面在ESPL-LIVE HDR数据库进行了实施。该数据库是目前发布的最大的TMI数据库，拥有1811张通过色调映射、多曝光融合算法和后处理方法生成的色调映射HDR图像。实验中选择了几种优秀的自然图像和TMI质量评价算法作为对比算法，斜体的是自然图像质量评价算法，使用了三个常用的评价指标来衡量算法性能，分别是：皮尔森线性相关系数(PLCC)、斯皮尔曼秩相关系数(SRCC)、均方误差(RMSE)。其中，PLCC和SROCC的值越大，RMSE的值越小，表明客观图像质量评价算法越好。
为了提高方法的准确性，实验采取了将训练和测试过程在支持向量机上执行1000次，最后取这1000次结果的均值来表示算法的性能结果。表1给出了本发明与其它优秀算法在ESPL-LIVE HDR数据库的总体性能。可以看出本发明的方法的总体性能明显优于其他几种算法的性能。
表1本发明同几种主流的无参考算法在ESPL-LIVE HDR数据库上的总体性能比较
另外，针对不同失真类型的性能评估(见表2)。方法性能最好的结果已用黑体标出。可以看出本发明提出的算法在色调映射和后处理中表现最好，在多曝光融合失真中表现第三，综合性能优于其他算法，故本发明的算法能够更准确、更有效地评价TMI的质量。
表2本发明和其他无参考质量评价算法对不同失真类型的性能评估
需要说明的是，本发明提供的所述方法中的步骤，可以利用所述***中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述***的技术方案实现所述方法的步骤流程，即，所述***中的实施例可理解为实现所述方法的优选例，在此不予赘述。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的***及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化，均应落在本发明所保护的范围内。
Claims (8)
1.一种基于曝光属性分区的色调映射图像的质量评价方法，其特征在于，包括：
S11：基于曝光属性对色调映射图像进行分区；根据曝光值将所述色调映射图像划分为正常曝光区以及异常曝光区；
S12：针对所述正常曝光区以及异常曝光区进行分区域局部特征提取；
S13：提取所述色调映射图像的局部结构特征，所述局部结构特征为局部纹理特征；
S14：提取所述色调映射图像的表面结构特征，所述表面结构特征为纹理特征；
S15：提取所述色调映射图像的边缘结构特征，所述边缘结构特征衡量所述色调映射图像边缘的亮度以及边缘区域发散的程度；
S16：将S12～S15提取到的特征组合成整体的特征矢量，以图像数据库中提供的相应主观质量分数作为标签，训练支持向量回归器，采用训练好的支持向量回归器进行测试评价，得到预测的图像客观质量分数；
所述S12进一步包括：
S41：针对正常曝光区，用颜色指数来测量局部小块的对比度情况，生成局部颜色特征矢量；
S42：针对异常曝光区，首先利用信息熵的方法计算细节信息量，然后利用下述公式得到的第d个像素的局部对比度来度量局部梯度变化；
其中，id为第d个像素点的灰度值，为第d个像素点的周围局部区域中第p个邻居像素点的灰度值，p为局部邻居像素点个数；
所述S13进一步包括：使用中心对称局部二值模式算子进行局部纹理测算，每个色调映射图像生成16的局部结构特征矢量；其中，所述中心对称局部二值模式算子CS-LBP为：
μ(a,b)＝a*21+b*20；
其中，N为涉及到的像素的邻居总数，mc为中心像素的灰度值，mi(i＝0,1，…，(N/2)-1)为相邻像素的灰度值。
2.根据权利要求1所述的基于曝光属性分区的色调映射图像的质量评价方法，其特征在于，所述S11进一步包括：
S21：将所述色调映射图像的RGB空间转换为LAB空间，基于L通道的值进行像素级的曝光度测算；
S22：使用一维最大熵法根据曝光值将所述色调映射图像划分为正常曝光区以及异常曝光区。
3.根据权利要求2所述的基于曝光属性分区的色调映射图像的质量评价方法，其特征在于，所述S21中基于L通道的值进行像素级的曝光度测算进一步包括：
S211：将L通道亮度值归一化到区间[0,1]；
S212：利用高斯加权函数获得每个像素i的曝光值Li：
Li＝(exp(-(i-it)2/2σ2))；
其中，it为亮度阈值，σ设为0.2。
4.根据权利要求1所述的基于曝光属性分区的色调映射图像的质量评价方法，其特征在于，所述S14进一步包括：将所述色调映射图像的L通道转换为灰度共生矩阵，并提取出体现细边缘特性的三个特征：能量E、相关性C以及均匀度V；其中，
μ和σ表示像素的均值和方差，其中，
其中G(x,y)是灰度共生矩阵第x行，第y列的元素，k是灰度域的尺度范围。
5.根据权利要求1所述的基于曝光属性分区的色调映射图像的质量评价方法，其特征在于，所述S15进一步包括：
S71：使用Canny算子提取每张色调映射图像的边缘；
S72：计算所述S71提取的边缘像素点周围的预设大小的小块亮度的均值H1、方差H2和偏度H3，来衡量图像边缘的亮度以及边缘区域发散的程度；其中，
H1＝E(he)；
H2＝E(he 2)-E(he)2；
6.一种基于曝光属性分区的色调映射图像的质量评价***，其特征在于，包括：分区单元、分区域局部特征提取单元、局部结构特征提取单元、表面结构特征提取单元、边缘结构特征提取单元、模型训练单元以及测试单元；其中，
所述分区单元用于根据曝光值将所述色调映射图像划分为正常曝光区以及异常曝光区；
所述分区域局部特征提取单元用于根据曝光值将所述色调映射图像划分为正常曝光区以及异常曝光区；
所述局部结构特征提取单元用于提取所述色调映射图像的局部纹理特征；
所述表面结构特征提取单元用于提取所述色调映射图像的纹理特征；
所述边缘结构特征提取单元用于衡量所述色调映射图像边缘的亮度以及边缘区域发散的程度；
所述模型训练单元用于将所述分区局部特征提取单元、局部结构特征提取单元、表面结构特征提取单元以及边缘结构特征提取单元提取到的特征组合成整体的特征矢量，以图像数据库中提供的相应主观质量分数作为标签，通过不断迭代来训练支持向量回归器；
所述测试单元用于将数据集中测试数据的特征值输入到所述模型训练单元训练好的支持向量回归器，得到预测的图像客观质量分数；
所述分区域局部特征提取单元进一步包括：
S41：针对正常曝光区，用颜色指数来测量局部小块的对比度情况，生成局部颜色特征矢量；
S42：针对异常曝光区，首先利用信息熵的方法计算细节信息量，然后利用下述公式得到的第d个像素的局部对比度来度量局部梯度变化；
其中，id为第d个像素点的灰度值，为第d个像素点的周围局部区域中第p个邻居像素点的灰度值，p为局部邻居像素点个数；
所述局部结构特征提取单元进一步包括：使用中心对称局部二值模式算子进行局部纹理测算，每个色调映射图像生成16的局部结构特征矢量；其中，所述中心对称局部二值模式算子CS-LBP为：
μ(a,b)＝a*21+b*20；
其中，N为涉及到的像素的邻居总数，mc为中心像素的灰度值，mi(i＝0,1，…，(N/2)-1)为相邻像素的灰度值。
7.一种色调映射图像的质量评价终端，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时用于执行权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时用于执行权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110494547.1A CN113362354B (zh) | 2021-05-07 | 2021-05-07 | 色调映射图像的质量评价方法、***、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110494547.1A CN113362354B (zh) | 2021-05-07 | 2021-05-07 | 色调映射图像的质量评价方法、***、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113362354A CN113362354A (zh) | 2021-09-07 |
| CN113362354B true CN113362354B (zh) | 2024-04-30 |
Family
ID=77525861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110494547.1A Active CN113362354B (zh) | 2021-05-07 | 2021-05-07 | 色调映射图像的质量评价方法、***、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362354B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201712333D0 (en) * | 2017-08-01 | 2017-09-13 | Jaguar Land Rover Ltd | Image processor and method for image processing |
| CN107172418A (zh) * | 2017-06-08 | 2017-09-15 | 宁波大学 | 一种基于曝光情况分析的色阶映射图像质量评价方法 |
| CN107316279A (zh) * | 2017-05-23 | 2017-11-03 | 天津大学 | 基于色调映射和正则化模型的弱光图像增强方法 |
| CN109214420A (zh) * | 2018-07-27 | 2019-01-15 | 北京工商大学 | 基于视觉显著性检测的高纹理图像分类方法及*** |
| CN109377472A (zh) * | 2018-09-12 | 2019-02-22 | 宁波大学 | 一种眼底图像质量评价方法 |
| CN110046673A (zh) * | 2019-04-25 | 2019-07-23 | 上海大学 | 基于多特征融合的无参考色调映射图像质量评价方法 |
| CN110717892A (zh) * | 2019-09-18 | 2020-01-21 | 宁波大学 | 一种色调映射图像质量评价方法 |
| CN110910347A (zh) * | 2019-10-18 | 2020-03-24 | 宁波大学 | 一种基于图像分割的色调映射图像无参考质量评价方法 |
| CN111489333A (zh) * | 2020-03-31 | 2020-08-04 | 天津大学 | 一种无参考夜间自然图像质量评价方法 |
| CN112132774A (zh) * | 2019-07-29 | 2020-12-25 | 方玉明 | 一种色调映射图像的质量评价方法 |
| CN112330648A (zh) * | 2020-11-12 | 2021-02-05 | 深圳大学 | 基于半监督学习的无参考图像质量评价方法及装置 |
| CN112734650A (zh) * | 2019-10-14 | 2021-04-30 | 武汉科技大学 | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI684165B (zh) * | 2018-07-02 | 2020-02-01 | 華晶科技股份有限公司 | 影像處理方法與電子裝置 |
-
2021
- 2021-05-07 CN CN202110494547.1A patent/CN113362354B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316279A (zh) * | 2017-05-23 | 2017-11-03 | 天津大学 | 基于色调映射和正则化模型的弱光图像增强方法 |
| CN107172418A (zh) * | 2017-06-08 | 2017-09-15 | 宁波大学 | 一种基于曝光情况分析的色阶映射图像质量评价方法 |
| GB201712333D0 (en) * | 2017-08-01 | 2017-09-13 | Jaguar Land Rover Ltd | Image processor and method for image processing |
| CN109214420A (zh) * | 2018-07-27 | 2019-01-15 | 北京工商大学 | 基于视觉显著性检测的高纹理图像分类方法及*** |
| CN109377472A (zh) * | 2018-09-12 | 2019-02-22 | 宁波大学 | 一种眼底图像质量评价方法 |
| CN110046673A (zh) * | 2019-04-25 | 2019-07-23 | 上海大学 | 基于多特征融合的无参考色调映射图像质量评价方法 |
| CN112132774A (zh) * | 2019-07-29 | 2020-12-25 | 方玉明 | 一种色调映射图像的质量评价方法 |
| CN110717892A (zh) * | 2019-09-18 | 2020-01-21 | 宁波大学 | 一种色调映射图像质量评价方法 |
| CN112734650A (zh) * | 2019-10-14 | 2021-04-30 | 武汉科技大学 | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 |
| CN110910347A (zh) * | 2019-10-18 | 2020-03-24 | 宁波大学 | 一种基于图像分割的色调映射图像无参考质量评价方法 |
| CN111489333A (zh) * | 2020-03-31 | 2020-08-04 | 天津大学 | 一种无参考夜间自然图像质量评价方法 |
| CN112330648A (zh) * | 2020-11-12 | 2021-02-05 | 深圳大学 | 基于半监督学习的无参考图像质量评价方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| "Combining Global and Local Feature Analyses for Quality Evaluation of Tone-Mapped HDR Images";Er-Yin Su;《IEEE Access》;20181231;全文 * |
| "基于局部二值模式的人脸图像特征提取研究";李靖;《中国博士学位论文全文数据库 (信息科技辑)》;20190115;I138-87 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113362354A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046673B (zh) | 基于多特征融合的无参考色调映射图像质量评价方法 | |
| JP6792842B2 (ja) | 外観検査装置、変換データ生成装置、及びプログラム | |
| CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
| Gu et al. | No-reference quality metric of contrast-distorted images based on information maximization | |
| Celik | Spatial mutual information and PageRank-based contrast enhancement and quality-aware relative contrast measure | |
| CN107172418B (zh) | 一种基于曝光情况分析的色阶映射图像质量评价方法 | |
| US8942482B2 (en) | Image quality assessment | |
| Bahrami et al. | A fast approach for no-reference image sharpness assessment based on maximum local variation | |
| Jiang et al. | BLIQUE-TMI: Blind quality evaluator for tone-mapped images based on local and global feature analyses | |
| CN107146220B (zh) | 一种通用型无参考图像质量评价方法 | |
| CN108805825B (zh) | 一种重定位图像质量评价方法 | |
| CN112419270B (zh) | 元学习下的无参考图像质量评价方法、装置及计算机设备 | |
| CN104658002A (zh) | 一种无参考图像客观质量评价方法 | |
| Steffens et al. | Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing | |
| CN112116568A (zh) | 一种图像质量评价方法、装置及存储介质 | |
| CN110910347B (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
| CN114387270B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
| Islam et al. | A novel image quality index for image quality assessment | |
| CN112330648B (zh) | 基于半监督学习的无参考图像质量评价方法及装置 | |
| CN113362354B (zh) | 色调映射图像的质量评价方法、***、终端及存储介质 | |
| Hou et al. | No-reference quality assessment for underwater images | |
| Jung et al. | Univariant assessment of the quality of images | |
| Bosse et al. | A perceptually relevant shearlet-based adaptation of the PSNR | |
| Dolhasz et al. | Learning to observe: Approximating human perceptual thresholds for detection of suprathreshold image transformations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |