[发明专利]基于聚类感知的无参考色调映射图像质量评价算法

说明书

基于聚类感知的无参考色调映射图像质量评价算法，包含以下几个步骤：步骤A：提取聚类感知特征，分别提取面积比率和信息熵两个特征；步骤B：提取显著性区域特征，提取块比例和信息熵两个特征；步骤C：提取自然度特征，自然度特征提取包括亮度统计特征和颜色通道统计特征；步骤D：使用机器学习的方法对所有特征进行回归，得到图像质量评价分。与现有技术相比，本发明的有益效果是：本发明评价测试图像时不需要参考图像的存在；对K‑means聚类的分区结果进行改进提升算法的精度；矩阵非负分解速度快，此检测方法有很好的运算速度；自然度特征结合了亮度自然度和颜色自然度，相对单种自然度大幅提高了算法的SROCC性能。

技术领域

本发明涉及图像质量评价算法，尤其涉及基于聚类感知的无参考色调映射图像质量评价算法。

背景技术

高动态范围(High Dynamic Range,HDR)图像相比低动态范围(Low DynamicRange，LDR)图像能够表示更大的亮度范围，其亮度范围大约是10^-4cd/m²～10⁵cd/m²。LDR图像能表示的动态范围不超过3个数量级，但人类视觉系统在真实场景中可以接受的动态范围可以达到6个数量级。因此，HDR图像对用户来说感受更真实更有吸引力。随着成像和计算机图形学技术的发展，HDR图像的获得越来越容易。然而，HDR显示设备比较昂贵，超出了普通消费者的承受范围。为了解决这个问题，产业界和学术界开发了许多色调映射算子(Tone-mapped Operator,TMO)，TMO能够把HDR图像转换成LDR图像，转换后的LDR图像被称为色调映射图像(Tone-mapped Image,TMI)。由于TMI相对HDR图像缩小了动态范围，TMI不可避免的产生失真，例如亮度信息丢失、结构信息丢失、不自然的颜色等。针对一个HDR图像，不同的TMO产生的效果不一样。因此，TMI质量评价对于选择合适的TMO和改进TMO本身具有重要的研究意义。

TMI质量评价分为主观质量评价和客观质量评价，而早期的TMO性能评价主要采用主观质量评价。然而，主观质量评价具有三方面的缺点。首先主观质量评价比较耗时费力，需要昂贵的HDR显示器和多个测试人员多次实验。其次主观质量不能嵌入到图像处理系统来改进TMO。最后主观评价由于人为的一些不确定因素导致评价的误差，传统的客观质量评价方法假定参考图像和测试图像具有相同的动态范围，因此传统的客观质量评价方法不能直接评价TMI。近年来，全参考TMI质量评价算法取得了丰硕的成果。Yeganeh等人首次建立了色调映射图像数据库(Tone-mapped Image Database,TMID)，TMID可以下载并用于评价TMI质量评价算法的性能。同时，他们提出了一种全参考TMI质量评价方法(Tone MappedImage Quality Index,TMQI)，这个方法的基本思想是高质量的TMI不但要保护HDR图像的结构信息，还要保留图像的自然场景统计特性(Natural Scene Statistics，NSS)。Nafchi等人基于图像的局部相位信息提出了FSITM方法，该方法考虑了图像的颜色信息，但没有考虑图像的自然度。Kundu等人针对TMQI均匀池化的缺点，在TMQI基础上加入了视觉注意力模型，运用感知池化策略提升质量评价算法的性能。Xie等人使用字典学习技术在稀疏域提取局部结构相似度和全局自然度，合并这两个特征提出了一种全参考质量评价算法SMTI。鉴于色调映射图像失真类型多的特点，Hadizadeh等人从结构保真度、自然度、亮度、颜色等方面提取了八类特征来评价TMI质量。由于TMI失真通常不会出现模糊、块效应等类型的失真，传统的质量评价算法不适合评价TMI。普通(低动态)图像的质量评价方法不适用于色调映射图像质量评价，因为色调映射图像的失真类型和低动态图像的失真类型不同，低动态图像的失真类型主要是块效应、模糊、振铃效应，而色调映射图像的失真类型主要是高亮区域和低暗区域的失真。面向色调映射图像的全参考图像质量评价方法要求评价图像时存在参考图像，在很多应用场景中无法获得参考图像，即全参考图像的应用范围有限，国际上现有具有代表性的无参考色调映射图像质量评价方法关键性能指标SROCC在0.8282，性能不够好。

发明内容