[发明专利]一种基于机器学习的颜色校正评估方法

说明书

技术领域

本发明涉及图像处理及计算机视觉技术领域，特别是一种与主观感知相一致的基于机器学习的颜色校正评估方法。

背景技术

保证图像间颜色的一致性在图像/视频拼接和三维立体图像/视频左右视图颜色校正等领域中具有重要的意义。在图像/视频拼接过程中，图像的颜色差异会导致生成的全景图存在明显的拼接痕迹；三维左右视图的颜色差异不但会降低三维立体图像/视频后期处理的性能，还会影响用户体验，导致三维视觉疲劳。为了解决图像间颜色差异的问题，颜色校正算法被提出。颜色校正算法用于校正两幅或多幅图像间的颜色差异，使之在颜色特征上尽量保持一致。目前已经被广泛应用于图像/视频拼接、颜色转换和三维图像/视频左右视图颜色校正等领域。

虽然颜色校正算法被不断提出，但是针对颜色校正结果的图像质量评估方法却很少。Xu等人提出了基于颜色相似性和结构相似性的颜色校正评估方法，但是该方法未考虑到用户主观评估，无法保证评估结果与主观评估的一致性。Preiss等人提出从结构相似度、对比度和像素差值等角度进行评估的颜色校正评估方法，但是该方法未考虑到图像间场景不一致的问题，评估结果与主观评估的一致性较差。

当前对图像质量评估方法研究较为有效的为全参考图像质量评估方法，目前已经提出许多与主观感知一致性较好的全参考图像质量评估方法。然而全参考图像质量评估方法要求待评估图像间的场景一致，而在实际应用中，图像间往往是场景相似但不一致的。为了将高性能的全参考图像质量评估方法应用到颜色校正评估中，本发明提出了基于图像配准的全参考图像质量评估方法，使用图像配准算法进行场景映射，同时通过显著度图和置信度图来进一步提高图像配准的准确性和评估结果的一致性。

随着显示设备的多样化，人们对图像缩放质量的要求不断提高，许多图像重定向方法被提出。由于重定向前后的图像在场景上相似但不相同，因此针对图像重定向结果的评估方法能够高效地对场景不一致的图像进行评估，无需在评估前进行图像配准等处理。

目前针对颜色校正结果图像的质量评估方法大部分是通过对全参考图像质量评估方法的简单修改或整合来进行颜色校正评估。然而颜色校正结果的质量与多种因素有关，简单的使用少数几个因素进行评估的效果并不理想。为了有效的对颜色校正结果进行评估，避免单一评估方法和基于对少数评估方法简单整合的方法的局限性，同时最大限度的利用已提出的有效的评估方法，本发明提出了基于机器学习的颜色校正评估方法，挖掘并综合各评估因素对校正结果质量的影响。机器学习的特征来自于本发明提出的基于图像配准的全参考图像质量评估方法和被广泛使用的图像重定向评估方法。这两类特征分别保证了特征提取的高性能和高效率，从而保证本发明提出的基于机器学习的颜色校正评估方法的高效性。提出的机器学习评估方法可应用于图像/视频拼接和三维立体图像/视频左右视图颜色校正领域。

发明内容

有鉴于此，本发明的目的是提供一种与主观感知相一致的基于机器学习的颜色校正评估方法，该方法能够使评估结果与用户主观感知之间具有较好的相关性和准确性。

本发明采用以下方案实现：一种基于机器学习的颜色校正评估方法，包括以下步骤：

步骤S1：输入参考图像和目标图像，目标图像即为失真图像，采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取，获得特征集F1；

步骤S2：采用图像重定向评估方法对目标图像进行特征提取，获得特征集F2；

步骤S3：综合特征集F1和F2，将其作为机器学习算法的特征集F，并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型；

步骤S4：采用客观评估模型对目标图像进行客观评估，得到最终的目标图像的质量评估得分值。

进一步地，在步骤S1中，采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取，具体包括以下步骤：

步骤S11：采用图像配准算法SIFT Flow对参考图像和目标图像进行图像配准，生成匹配图像作为新的参考图像；

步骤S12：采用结构相似度评估方法SSIM对目标图像和匹配图像进行相似度评估，生成置信度图C；

步骤S13：采用图像显著度求解方法GBVS对目标图像进行显著度求解，生成显著度图S；