[发明专利]基于张量域曲率分析的高动态范围图像质量评价方法

摘要

本发明提供了一种基于张量域曲率分析的高动态范围图像质量评价方法，该方法中的张量分解可以保持HDR图像绝大多数颜色信息，而曲率分析可以提取HDR图像的结构信息；通过张量分解和曲率分析的结合来构造一个有效的特征集，用来表征HDR图像块的不同失真程度；随后HDR图像的局部特征从利用特征集和带标签的稀疏字典重建得到的标签矩阵中提取；最终，通过聚合HDR图像的局部特征和全局特征得到图像的预测质量。本发明方法在二个公开的数据库进行测试，实验结果表明，其性能指标均优于其它无参考度量，这意味着本发明与人类视觉感知的一致性较高。

主权项

1.一种基于张量域曲率分析的高动态范围图像质量评价方法，其特征在于，包括以下步骤：S1、首先，在数据库中选择m幅图像做为训练图像集，将训练图像集中的第n幅高动态范围图像记为Sset(n),所述的n≦m,设所述的Sset(n)的宽度为W，高度为H；然后提取图像Sset(n)的亮度信息，记为Sset-Y(n)；对图像的亮度信息进行感知一致性编码，记为Sset-PU(n)；将Sset-PU(n)分割成多个互不重叠的尺寸大小为m×m的图像块；其次，采用图像质量评价方法SSIM对多个m×m的图像块进行质量评价，得到多个图像块的质量值，所述的SSIM指结构相似度度量；然后设置多个m×m的矩阵，所述的m×m的矩阵与所述的m×m的图像块一一对应；所述的m×m矩阵中的所有数值均为对应的m×m图像块的质量值；将多个m×m的矩阵按照对应的图像块在第n幅图像中的位置整合为一幅尺寸为的质量值组成的图像，记为P(1)，表示向下取整；再着，使用图像质量评价方法RFSIM、图像质量评价方法FSIM替换图像质量评价方法SSIM重复上述步骤，分别得到两幅由质量值组成的图像，分别记为P(2)，P(3)；所述的RFSIM指变换的特征相似度度量，所述的FSIM指特征相似度度量；最后，使用图像质量评价方法HDR-VDP-2.2替换图像质量评价方法SSIM重复上述步骤，并将上述步骤中对Sset-PU(n)的分割替换成对Sset-Y(n)的分割，得到另外一幅由质量值组成的图像，记为P(4)；S2、将高动态范围图像Sset(n)以三阶张量形式进行表示，记为UHDR；再使用张量分解算法中的Tucker3分解算法对UHDR进行张量分解，获得其核张量，记为VHDR；将VHDR的第1个通道作为VHDR的子带一，记为B(1)，将VHDR的第2个通道作为VHDR的子带二，记为B(2)，将VHDR的第3个通道作为VHDR的子带三，记为B(3)；其中，每一个子带的宽度为W，高度为H；对子带一B(1)做一阶偏导数与二阶偏导数，分别记为Bx(1)，By(1)与Bxx(1)，Bxy(1)，Byy(1)；根据平均曲率高斯曲率分别计算B(1)的平均曲率图与高斯曲率图，并分别记为Cm(1)，Cg(1)；然后分别对Cm(1)、Cg(1)的数值进行分类，分别分为大于0、小于0及等于0这三类，接着将Cm(1)与Cg(1)的数值类型两两组合，得到9种组合类型，对每一种组合类型设置一个平面类型标签，标签编号为1～9；根据子带一的Cm(1)与Cg(1)的分类组合过程，子带一得到一幅由1～9构成的平面类型标签图，记为STB(1)；依次使用子带二，子带三替换子带一重复上述步骤中的计算平面类型标签的过程，得到另外两幅由1～9构成的平面类型标签图，分别记为STB(2)与STB(3)；将平面类型标签图STB(1)，STB(2)与STB(3)以及平均曲率图Cm(1)的尺寸分别置为S3、随机地分别从平面类型标签图STB(1)，STB(2)与STB(3)，平均曲率图Cm(1)中选取位于同一位置的尺寸大小为k1×k1的块，设选取的不同位置的数量为T；然后分别对从STB(1)，STB(2)与STB(3)中所选取的块中提取其直方图统计特征，并分别记为f1，f2与f3，其中f1，f2与f3的维数分别为9×1；对从Cm(1)中选取的块提取其均值、方差、峰度、偏度这四个特征，记为f4；最后将f1，f2，f3与f4排成一列，对其进行归一化处理，得到特征向量f，其中f的维数为31×1；S4、从质量值组成的图像P(1)，P(2)，P(3)与P(4)选取与步骤S3中相同位置的块；对选取的块作均值处理，分别记为l1，l2，l3与l4；将l1，l2，l3与l4排为一列，并对其进行归一化处理，构成标签向量l，其中l的维数为4×1；将同一位置的块的特征向量f以及对应的标签向量l排为一列，则共有T列，构成训练样本矩阵；采用K-SVD算法对训练样本矩阵进行稀疏训练，得到对应于特征向量f的稀疏字典Df以及对应于标签向量l的稀疏字典Dl；S5、将待评价的高动态范围的图像记为Sdis，经过步骤S2后得到三幅平面类型标签图与平均曲率图，分别记为STB_dis(1)、STB_dis(2)、STB_dis(3)与Cm_dis(1)；将STB_dis(1)、STB_dis(2)、STB_dis(3)与Cm_dis(1)分别分割成多个互不重叠的尺寸大小为k1×k1的块i；然后对每一个块i按照步骤S3中的特征选取过程提取特征向量S6、根据每一个块i的特征向量以及对应于特征向量f的稀疏字典Df，利用OMP算法，提取块i的稀疏系数将稀疏系数与对应于标签向量l的稀疏字典Dl相乘得到重建的标签向量对每一个块的重建的标签向量按照块在图像中的位置整合为一个尺寸为的标签矩阵，记为Fdis；S7、将标签矩阵Fdis分割为多个互不重叠尺寸大小为k2×k2×4的块；对每一个块做均值处理；将每一个块的均值按块在图像中的位置依次按行排列，得到一个维的特征向量，记为h1；S8、提取待评价的高动态范围的图像Sdis的亮度信息，记为Sdis_Y；将亮度信息Sdis_Y进行感知一致性编码，记为Sdis_PU；然后对Sdis_PU中每个像素点做去均值与对比度归一化处理，并计算每个像素点的MSCN值；最后采用广义高斯分布对所有像素的MSCN值做直方图拟合，得到拟合参数：α与σg2；将其组成特征向量，记为h2，其维度为2×1；S9、根据步骤S8提取一个像素点的MSCN值；然后再根据S8提取该像素点的右临接像素点的MSCN值；将这两个MSCN值相乘作为该像素点的相邻MSCN系数；最后采用AGGD对所有像素点的相邻MSCN系数做直方图拟合，得到拟合参数：η，v，σl2与σr2；将这四个参数组成特征向量，记为h3，其维度为4×1；S10、将h1，h2和h3按序构成一个Sdis的感知质量特征向量，记为H，H＝[h1,h2,h3]；S11、将H作为输入，结合随机森林技术，计算得到Sdis的客观质量评价值Q，Q越大，则表示待评价的高动态范围的图像Sdis的图像质量越好。