[发明专利]一种鲁棒的低光照增强图像质量评价方法

说明书

本发明公开了一种鲁棒的低光照增强图像质量评价方法，过程如下：对输入的图像进行颜色空间转换，分离得到图像的亮度和色度通道信息，根据亮度和色度通道信息合成亮度和色度图像；根据分离得到的图像信息，利用特征提取网络分别提取参考图像和低光照增强后图像的亮度特征、对比度特征、颜色特征、全局结构特征以及纹理细节特征；计算参考图像和低光照增强后图像的亮度特征、对比度特征、颜色特征、全局结构特征以及纹理细节特征的相似性系数；通过训练优化神经网络的方法得到最佳的图像特征相似性系数的权重参数，根据权重参数进行相似性系数的相加求和，得到最终低光增强后图像的质量评分。

技术领域

本发明涉及图像分析与图像质量评价技术领域，具体涉及一种鲁棒的低光照增强图像质量评价方法。

背景技术

图像质量评价是图像分析领域一个重要的研究方向，它希望利用算法模拟人类对图像质量差异的感知，分析图像的质量，为图像增强技术提供优化方向。这项技术在计算机视觉、图像增强、图像优化等领域发挥着不可或缺的作用。

一般来说，图像质量评价方法主要分为全参考图像质量评价，半参考图像质量评价以及无参考图像质量评价三类典型的方法。在对失真图像的质量进行评估时，全参考质量评价可以参考原始图像的全部信息，半参考图像质量评价方法仅能参考原始图像的部分信息，而无参考图像质量评价则是完全无法参考原始图像的任何信息。全参考图像质量评价方法在能获取参考图像的场景下，准确度高于另外两类评价方法，并且一致性更好，不存在无参考图像质量评价方法过拟合特定数据集的情况，可以应用到很多图像质量增强优化的场景中。

目前全参考质量评价方法在不同场景中的图像质量评价性能表现不俗，但是其针对的评价目标是通用图像，缺乏考虑复杂场景下低光增强后的图像与通用图像的差异性。通常低光照图像增强后会面临亮度过低或者过曝、对比度异常、色彩偏移以及纹理细节丢失的问题，故通用图像质量评价方法在低光照增强图像的质量评价过程中存在较大偏差。

为了更好地适应复杂场景下低光增强后的图像质量评价的需求，克服上述全参考质量评价方法存在的问题，我们需要考虑低光照图像增强后特定的失真问题，开发一种针对低光照图像增强后的精确全参考质量评价方法。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种鲁棒的低光照增强图像质量评价方法。

本发明的目的可以通过采取如下技术方案达到：

一种鲁棒的低光照增强图像质量评价方法，所述的评价方法包括：

S1、获取亮度和色度图像：对输入图像进行颜色空间转换，分离得到图像的亮度和色度通道信息，根据亮度和色度通道信息合成亮度和色度图像；

S2、提取图像特征：根据原始RGB图像以及合成的亮度图像和色度图像，进行图像特征提取；基于在ImageNet数据集上预训练好的卷积神经网络VGG-16构建特征提取网络，该特征提取网络取自原始卷积神经网络VGG-16的前17个网络层级，包括13个卷积层和4个最大池化层；利用该特征提取网络逐层提取参考图像I的特征F_n,n＝1,…,5和低光照增强后图像I′的特征F_n′,n＝1,…,5，该特征提取网络提取的5类特征包括图像的亮度特征、对比度特征、颜色特征、全局结构特征以及纹理细节特征；

S3、计算图像特征的相似度：计算参考图像I的特征F_n和低光照增强后图像I′的特征F_n′的相似性系数S_n,n＝1,…,5，此过程中针对亮度特征、对比度特征、颜色特征、全局结构特征以及纹理细节特征分别采用不同的公式计算图像特征的相似性系数；

S4、计算图像质量评分：通过训练优化神经网络权重参数的方法获取最佳的图像特征相似性系数S_n的权重W_n,n＝1,…,5，根据权重进行相似性系数相加求和，最终得到低光图像增强后的质量评分S，其中