[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110717892A - 一种色调映射图像质量评价方法 - Google Patents

一种色调映射图像质量评价方法 Download PDF

Info

Publication number
CN110717892A
CN110717892A CN201910881340.2A CN201910881340A CN110717892A CN 110717892 A CN110717892 A CN 110717892A CN 201910881340 A CN201910881340 A CN 201910881340A CN 110717892 A CN110717892 A CN 110717892A
Authority
CN
China
Prior art keywords
pixel
pixel points
components
value
tone mapping
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.)
Granted
Application number
CN201910881340.2A
Other languages
English (en)
Other versions
CN110717892B (zh
Inventor
邵枫
王雪津
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Frontier Digital Technology Co ltd
Shanghai Ruishenglian Information Technology Co ltd
Original Assignee
Ningbo University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN201910881340.2A priority Critical patent/CN110717892B/zh
Publication of CN110717892A publication Critical patent/CN110717892A/zh
Application granted granted Critical
Publication of CN110717892B publication Critical patent/CN110717892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20208—High dynamic range [HDR] image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种色调映射图像质量评价方法，其在训练阶段，考虑了亮区域特征和暗区域特征对色调映射的影响，提取出色调映射图像的亮暗区域特征矢量，同时提取出色调映射图像的区域对比度特征矢量，再构成全局特征矢量，然后利用支持向量回归对训练图像集中的所有色调映射图像的全局特征矢量进行训练，构造质量预测模型；在测试阶段，通过计算用作测试的色调映射图像的全局特征矢量，并根据训练阶段构造的质量预测模型，预测得到该色调映射图像的客观质量预测值，由于获得的全局特征矢量信息具有较强的稳定性，且能够较好地反映色调映射图像的质量变化情况，因此有效地提高了客观评价结果与主观感知之间的相关性。

Description

一种色调映射图像质量评价方法
技术领域
本发明涉及一种图像质量评价方法，尤其是涉及一种色调映射图像质量评价方法。
背景技术
随着显示技术的快速发展，高动态范围(HDR)图像已越来越受到关注。高动态范围图像的层次丰富，可以达到远比普通图像更逼近现实的光影效果。然而，传统的显示设备只能支持低动态范围的显示输出。为了解决真实场景和传统的显示设备的动态范围不匹配的矛盾，目前提出了许多高动态范围图像的色调映射(Tone Mapping)算法。高动态范围图像的色调映射算法的目标是将高动态范围图像的亮度压缩到传统的显示设备可以接受的范围，同时尽可能保留原图的细节信息，并避免造成图像瑕疵。因此，如何准确、客观地评价不同色调映射方法的性能，对指导内容制作和后期处理具有十分重要的作用。
而对于色调映射图像质量评价而言，如果直接将现有的图像质量评价方法应用于色调映射图像，则由于色调映射图像只有高动态范围图像作为参考，因此会导致无法精确预测得到客观评价值。因此，如何在评价过程中有效地提取出视觉特征，使得客观评价结果更加感觉符合人类视觉系统，是在对色调映射图像进行客观质量评价过程中需要研究解决的问题。
发明内容
本发明所要解决的技术问题是提供一种色调映射图像质量评价方法，其能够有效地提高客观评价结果与主观感知之间的相关性。
本发明解决上述技术问题所采用的技术方案为：一种色调映射图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程；
所述的训练阶段过程的具体步骤为：
①_1、选取N幅宽度为W且高度为H的色调映射图像构成训练图像集，将训练图像集中的第k幅色调映射图像记为
Figure BDA0002205963670000021
其中，N为正整数，N＞1，k为正整数，k的初始值为1，1≤k≤N；
①_2、对训练图像集中的每幅色调映射图像进行区域划分，分成亮区域、暗区域和正常区域，将
Figure BDA0002205963670000022
的亮区域、暗区域和正常区域对应记为和
Figure BDA0002205963670000024
①_3、根据训练图像集中的每幅色调映射图像的亮区域和暗区域，计算训练图像集中的每幅色调映射图像的亮暗区域特征矢量，将
Figure BDA0002205963670000025
的亮暗区域特征矢量记为
Figure BDA0002205963670000026
并根据训练图像集中的每幅色调映射图像的亮区域、暗区域和正常区域，计算训练图像集中的每幅色调映射图像的区域对比度特征矢量，将
Figure BDA0002205963670000027
的区域对比度特征矢量记为
Figure BDA0002205963670000028
其中，
Figure BDA0002205963670000029
的维数为3×1，
Figure BDA00022059636700000210
的维数为8×1；
①_4、将训练图像集中的每幅色调映射图像的亮暗区域特征矢量和区域对比度特征矢量构成全局特征矢量，将的全局特征矢量记为Fk，
Figure BDA00022059636700000212
其中，Fk的维数为11×1，符号“[]”为矢量表示符号，
Figure BDA00022059636700000213
表示将
Figure BDA00022059636700000214
和
Figure BDA00022059636700000215
连接起来形成一个矢量；
①_5、将训练图像集中的所有色调映射图像的全局特征矢量和平均主观评分差值构成训练样本数据集合，训练样本数据集合中包含N个全局特征矢量和N个平均主观评分差值；然后采用支持向量回归作为机器学习的方法，对训练样本数据集合中的所有全局特征矢量进行训练，使得经过训练得到的回归函数值与平均主观评分差值之间的误差最小，拟合得到最优的权重矢量和最优的偏置项接着利用最优的权重矢量
Figure BDA00022059636700000218
和最优的偏置项构造质量预测模型，记为
Figure BDA00022059636700000220
Figure BDA00022059636700000221
其中，
Figure BDA00022059636700000222
为函数表示形式，F用于表示色调映射图像的全局特征矢量，且作为质量预测模型的输入矢量，
Figure BDA00022059636700000223
为
Figure BDA00022059636700000224
的转置，
Figure BDA00022059636700000225
为F的线性函数；
所述的测试阶段过程的具体步骤为：
②对于任意一幅用作测试的色调映射图像Itest，按照步骤①_2至步骤①_4相同的操作，获取Itest的全局特征矢量，记为Ftest；然后根据训练阶段构造的质量预测模型对Ftest进行测试，预测得到Ftest对应的预测值，将该预测值作为Itest的客观质量预测值，记为Qtest，
Figure BDA0002205963670000031
其中，Itest的宽度为W'且高度为H'，Ftest的维数为11×1，
Figure BDA0002205963670000032
表示Ftest的线性函数。
所述的步骤①_2中的
Figure BDA0002205963670000033
和
Figure BDA0002205963670000034
的获取过程为：
①_2a、将
Figure BDA0002205963670000035
在RGB颜色空间的R分量、G分量、B分量对应记为
Figure BDA0002205963670000036
Figure BDA0002205963670000037
然后计算
Figure BDA0002205963670000038
的暗通道图像，记为
Figure BDA0002205963670000039
将
Figure BDA00022059636700000310
中坐标位置为(x,y)的像素点的像素值记为 其中，1≤x≤W，1≤y≤H，min()为取最小值函数，Cx,y表示以坐标位置为(x,y)的像素点为中心的3×3邻域范围内的所有像素点的坐标位置构成的集合，(x1,y1)为Cx,y中的任意一个坐标位置，
Figure BDA00022059636700000313
表示
Figure BDA00022059636700000314
中坐标位置为(x1,y1)的像素点的像素值，
Figure BDA00022059636700000315
表示
Figure BDA00022059636700000316
中坐标位置为(x1,y1)的像素点的像素值，
Figure BDA00022059636700000317
表示中坐标位置为(x1,y1)的像素点的像素值；
①_2b、计算
Figure BDA00022059636700000319
的灰度直方图分布，记为{hk(j)|1≤j≤256}；然后将{hk(j)|1≤j≤256}中所有直方图值不为零的节点中坐标最小的节点坐标记为Xmin，将{hk(j)|1≤j≤256}中所有直方图值不为零的节点中坐标最大的节点坐标记为Xmax，将
Figure BDA00022059636700000320
中像素值属于[Xmin,Xmid]范围内的所有像素点的像素值构成的集合记为Ω1，将
Figure BDA00022059636700000321
中像素值属于(Xmid,Xmax]范围内的所有像素点的像素值构成的集合记为Ω2；其中，j为正整数，1≤j≤256，hk(j)表示{hk(j)|1≤j≤256}中坐标为j的节点的直方图值，
Figure BDA0002205963670000041
符号
Figure BDA0002205963670000042
为向下取整操作符号；
①_2c、通过最大化Ω1的类间方差，获得第一阈值，记为X1 *，
Figure BDA0002205963670000043
并通过最大化Ω2的类间方差，获得第二阈值，记为X2 *，其中，
Figure BDA0002205963670000045
表示求取使得的值最大时的X1的值，X1为Ω1中的任意一个像素值，Pf(X1)表示Ω1中属于[Xmin,X1)范围内的所有像素值的概率密度函数，μf(X1)表示Ω1中属于[Xmin,X1)范围内的所有像素值的均值，σf(X1)表示Ω1中属于[Xmin,X1)范围内的所有像素值的标准差，μb(X1)表示Ω1中属于[X1,Xmid]范围内的所有像素值的均值，σb(X1)表示Ω1中属于[X1,Xmid]范围内的所有像素值的标准差，
Figure BDA0002205963670000047
表示求取使得
Figure BDA0002205963670000048
的值最大时的X2的值，X2为Ω2中的任意一个像素值，Pf(X2)表示Ω2中属于[Xmid,X2)范围内的所有像素值的概率密度函数，μf(X2)表示Ω2中属于[Xmid,X2)范围内的所有像素值的均值，σf(X2)表示Ω2中属于[Xmid,X2)范围内的所有像素值的标准差，μb(X2)表示Ω2中属于[X2,Xmax]范围内的所有像素值的均值，σb(X2)表示Ω2中属于[X2,Xmax]范围内的所有像素值的标准差；
①_2d、将
Figure BDA0002205963670000051
中像素值属于(X2 *,Xmax]范围内的所有像素点构成的区域确定为亮区域
Figure BDA0002205963670000052
将中像素值属于[Xmin,X1 *)范围内的所有像素点构成的区域确定为暗区域将
Figure BDA0002205963670000055
中像素值属于[X1 *,X2 *]范围内的所有像素点构成的区域确定为正常区域
Figure BDA0002205963670000056
所述的步骤①_3中的
Figure BDA0002205963670000057
的获取过程为：
①_3a1、将
Figure BDA0002205963670000058
从RGB颜色空间转化为CIELAB颜色空间，
Figure BDA0002205963670000059
在CIELAB颜色空间的三个分量分别为亮度分量、第一色度分量和第二色度分量；
①_3b1、将
Figure BDA00022059636700000510
划分成M个互不重叠的尺寸大小为8×8的子块，如果
Figure BDA00022059636700000511
不能被尺寸大小为8×8的子块均分，则将多余的像素点去除；然后将
Figure BDA00022059636700000512
中的每个子块中的所有像素点的亮度分量组成一个维数为8×8的矩阵，将
Figure BDA00022059636700000513
中的第t个子块中的所有像素点的亮度分量组成的维数为8×8的矩阵记为zt；其中，M为正整数，M＞1，t为正整数，t的初始值为1，1≤t≤M；
①_3c1、对中的每个子块中的所有像素点的亮度分量组成的维数为8×8的矩阵进行二维离散余弦变换，得到对应的离散余弦变换系数矩阵，将zt对应的离散余弦变换系数矩阵记为Zt；然后计算
Figure BDA00022059636700000515
中的每个子块对应的离散余弦变换系数矩阵中的所有高频系数与所有中频系数的和，将Zt中的所有高频系数与所有中频系数的和记为St；其中，Zt的维数为8×8；
①_3d1、计算
Figure BDA00022059636700000516
的特征，记为
Figure BDA00022059636700000517
①_3e1、计算
Figure BDA00022059636700000519
中的所有像素点的亮度分量的均值和标准差，对应记为
Figure BDA00022059636700000520
和
Figure BDA00022059636700000521
①_3f1、将
Figure BDA00022059636700000522
和按序排列构成的矢量作为
Figure BDA00022059636700000524
Figure BDA0002205963670000061
其中，符号“[]”为矢量表示符号，
Figure BDA0002205963670000062
表示将
Figure BDA0002205963670000063
和
Figure BDA0002205963670000064
连接起来形成一个矢量。
所述的步骤①_3中的
Figure BDA0002205963670000065
的获取过程为：
①_3a2、将
Figure BDA0002205963670000066
从RGB颜色空间转化为CIELAB颜色空间，在CIELAB颜色空间的三个分量分别为亮度分量、第一色度分量和第二色度分量；
①_3b2、计算中的所有像素点的亮度分量和
Figure BDA0002205963670000069
中的所有像素点的亮度分量的第一区域对比度，记为
Figure BDA00022059636700000610
并计算
Figure BDA00022059636700000612
中的所有像素点的亮度分量和
Figure BDA00022059636700000613
中的所有像素点的亮度分量的第二区域对比度，记为
Figure BDA00022059636700000614
Figure BDA00022059636700000615
其中，符号“||”为取绝对值符号，
Figure BDA00022059636700000616
表示
Figure BDA00022059636700000617
中的所有像素点的亮度分量的均值，
Figure BDA00022059636700000618
表示中的所有像素点的亮度分量的标准差，
Figure BDA00022059636700000620
表示
Figure BDA00022059636700000621
中的所有像素点的亮度分量的均值，
Figure BDA00022059636700000622
表示
Figure BDA00022059636700000623
中的所有像素点的亮度分量的标准差，ξ为控制参数；
①_3c2、计算
Figure BDA00022059636700000624
中的所有像素点的亮度分量和
Figure BDA00022059636700000625
中的所有像素点的亮度分量的第一区域对比度，记为
Figure BDA00022059636700000626
Figure BDA00022059636700000627
并计算中的所有像素点的亮度分量和
Figure BDA00022059636700000629
中的所有像素点的亮度分量的第二区域对比度，记为
Figure BDA00022059636700000630
Figure BDA00022059636700000631
其中，
Figure BDA00022059636700000632
表示
Figure BDA00022059636700000633
中的所有像素点的亮度分量的均值，表示
Figure BDA00022059636700000635
中的所有像素点的亮度分量的标准差；
①_3d2、计算中的所有像素点的第一色度分量和
Figure BDA00022059636700000637
中的所有像素点的第一色度分量的第一区域对比度，记为
Figure BDA0002205963670000071
Figure BDA0002205963670000072
并计算
Figure BDA0002205963670000073
中的所有像素点的第一色度分量和
Figure BDA0002205963670000074
中的所有像素点的第一色度分量的第二区域对比度，记为
Figure BDA0002205963670000075
其中，表示
Figure BDA0002205963670000078
中的所有像素点的第一色度分量的均值，
Figure BDA0002205963670000079
表示中的所有像素点的第一色度分量的标准差，
Figure BDA00022059636700000711
表示
Figure BDA00022059636700000712
中的所有像素点的第一色度分量的均值，
Figure BDA00022059636700000713
表示
Figure BDA00022059636700000714
中的所有像素点的第一色度分量的标准差；
①_3e2、计算
Figure BDA00022059636700000715
中的所有像素点的第一色度分量和中的所有像素点的第一色度分量的第一区域对比度，记为
Figure BDA00022059636700000717
Figure BDA00022059636700000718
并计算
Figure BDA00022059636700000719
中的所有像素点的第一色度分量和
Figure BDA00022059636700000720
中的所有像素点的第一色度分量的第二区域对比度，记为
Figure BDA00022059636700000721
其中，
Figure BDA00022059636700000723
表示
Figure BDA00022059636700000724
中的所有像素点的第一色度分量的均值，
Figure BDA00022059636700000725
表示
Figure BDA00022059636700000726
中的所有像素点的第一色度分量的标准差；
①_3f2、将
Figure BDA00022059636700000727
按序排列构成的矢量作为
Figure BDA00022059636700000728
Figure BDA00022059636700000729
其中，符号“[]”为矢量表示符号，
Figure BDA00022059636700000730
表示将
Figure BDA00022059636700000731
Figure BDA00022059636700000732
和
Figure BDA00022059636700000733
连接起来形成一个矢量。
与现有技术相比，本发明的优点在于：
本发明方法考虑了亮区域特征和暗区域特征对色调映射的影响，提取出色调映射图像的亮暗区域特征矢量，同时提取出色调映射图像的区域对比度特征矢量，再构成全局特征矢量，然后利用支持向量回归对训练图像集中的所有色调映射图像的全局特征矢量进行训练，构造质量预测模型；在测试阶段，通过计算用作测试的色调映射图像的全局特征矢量，并根据训练阶段构造的质量预测模型，预测得到该色调映射图像的客观质量预测值，由于获得的全局特征矢量信息具有较强的稳定性，且能够较好地反映色调映射图像的质量变化情况，因此有效地提高了客观评价结果与主观感知之间的相关性。
附图说明
图1为本发明方法的总体实现框图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种色调映射图像质量评价方法，其总体实现框图如图1所示，其包括训练阶段和测试阶段两个过程；
所述的训练阶段过程的具体步骤为：
①_1、选取N幅宽度为W且高度为H的色调映射图像构成训练图像集，将训练图像集中的第k幅色调映射图像记为
Figure BDA00022059636700000814
其中，N为正整数，N＞1，如取N＝1000，k为正整数，k的初始值为1，1≤k≤N。
①_2、对训练图像集中的每幅色调映射图像进行区域划分，分成亮区域、暗区域和正常区域，将
Figure BDA0002205963670000081
的亮区域、暗区域和正常区域对应记为
Figure BDA0002205963670000082
和
Figure BDA0002205963670000083
在此具体实施例中，步骤①_2中的
Figure BDA0002205963670000084
和
Figure BDA0002205963670000085
的获取过程为：
①_2a、将
Figure BDA0002205963670000086
在RGB颜色空间的R分量、G分量、B分量对应记为
Figure BDA0002205963670000087
Figure BDA0002205963670000088
然后计算
Figure BDA0002205963670000089
的暗通道图像，记为
Figure BDA00022059636700000810
将
Figure BDA00022059636700000811
中坐标位置为(x,y)的像素点的像素值记为
Figure BDA00022059636700000812
Figure BDA00022059636700000813
其中，1≤x≤W，1≤y≤H，min()为取最小值函数，Cx,y表示以坐标位置为(x,y)的像素点为中心的3×3邻域范围内的所有像素点的坐标位置构成的集合，(x1,y1)为Cx,y中的任意一个坐标位置，表示
Figure BDA0002205963670000092
中坐标位置为(x1,y1)的像素点的像素值，
Figure BDA0002205963670000093
表示
Figure BDA0002205963670000094
中坐标位置为(x1,y1)的像素点的像素值，表示
Figure BDA0002205963670000096
中坐标位置为(x1,y1)的像素点的像素值。
①_2b、计算
Figure BDA0002205963670000097
的灰度直方图分布，记为{hk(j)|1≤j≤256}；然后将{hk(j)|1≤j≤256}中所有直方图值不为零的节点中坐标最小的节点坐标记为Xmin，将{hk(j)|1≤j≤256}中所有直方图值不为零的节点中坐标最大的节点坐标记为Xmax，将
Figure BDA0002205963670000098
中像素值属于[Xmin,Xmid]范围内的所有像素点的像素值构成的集合记为Ω1，将
Figure BDA0002205963670000099
中像素值属于(Xmid,Xmax]范围内的所有像素点的像素值构成的集合记为Ω2；其中，j为正整数，1≤j≤256，hk(j)表示{hk(j)|1≤j≤256}中坐标为j的节点的直方图值，符号
Figure BDA00022059636700000911
为向下取整操作符号。
①_2c、通过最大化Ω1的类间方差，获得第一阈值，记为X1 *，
Figure BDA00022059636700000912
并通过最大化Ω2的类间方差，获得第二阈值，记为X2*，其中，
Figure BDA00022059636700000914
表示求取使得
Figure BDA00022059636700000915
的值最大时的X1的值，X1为Ω1中的任意一个像素值，Pf(X1)表示Ω1中属于[Xmin,X1)范围内的所有像素值的概率密度函数，μf(X1)表示Ω1中属于[Xmin,X1)范围内的所有像素值的均值，σf(X1)表示Ω1中属于[Xmin,X1)范围内的所有像素值的标准差，μb(X1)表示Ω1中属于[X1,Xmid]范围内的所有像素值的均值，σb(X1)表示Ω1中属于[X1,Xmid]范围内的所有像素值的标准差，
Figure BDA0002205963670000101
表示求取使得
Figure BDA0002205963670000102
的值最大时的X2的值，X2为Ω2中的任意一个像素值，Pf(X2)表示Ω2中属于[Xmid,X2)范围内的所有像素值的概率密度函数，μf(X2)表示Ω2中属于[Xmid,X2)范围内的所有像素值的均值，σf(X2)表示Ω2中属于[Xmid,X2)范围内的所有像素值的标准差，μb(X2)表示Ω2中属于[X2,Xmax]范围内的所有像素值的均值，σb(X2)表示Ω2中属于[X2,Xmax]范围内的所有像素值的标准差。
①_2d、将
Figure BDA0002205963670000103
中像素值属于(X2 *,Xmax]范围内的所有像素点构成的区域确定为亮区域
Figure BDA0002205963670000104
将中像素值属于[Xmin,X1 *)范围内的所有像素点构成的区域确定为暗区域
Figure BDA0002205963670000106
将中像素值属于[X1 *,X2 *]范围内的所有像素点构成的区域确定为正常区域
Figure BDA0002205963670000108
①_3、根据训练图像集中的每幅色调映射图像的亮区域和暗区域，计算训练图像集中的每幅色调映射图像的亮暗区域特征矢量，将
Figure BDA0002205963670000109
的亮暗区域特征矢量记为
Figure BDA00022059636700001010
并根据训练图像集中的每幅色调映射图像的亮区域、暗区域和正常区域，计算训练图像集中的每幅色调映射图像的区域对比度特征矢量，将
Figure BDA00022059636700001011
的区域对比度特征矢量记为
Figure BDA00022059636700001012
其中，
Figure BDA00022059636700001013
的维数为3×1，
Figure BDA00022059636700001014
的维数为8×1。
在此具体实施例中，步骤①_3中的
Figure BDA00022059636700001015
的获取过程为：
①_3a1、将
Figure BDA00022059636700001016
从RGB颜色空间转化为CIELAB颜色空间，在CIELAB颜色空间的三个分量分别为亮度分量、第一色度分量(指分量a)和第二色度分量(指分量b)。
①_3b1、将
Figure BDA0002205963670000111
划分成M个互不重叠的尺寸大小为8×8的子块，如果
Figure BDA0002205963670000112
不能被尺寸大小为8×8的子块均分，则将多余的像素点去除，即不考虑多余的像素点；然后将
Figure BDA0002205963670000113
中的每个子块中的所有像素点的亮度分量组成一个维数为8×8的矩阵，将
Figure BDA0002205963670000114
中的第t个子块中的所有像素点的亮度分量组成的维数为8×8的矩阵记为zt；其中，M为正整数，M＞1，t为正整数，t的初始值为1，1≤t≤M。
①_3c1、对
Figure BDA0002205963670000115
中的每个子块中的所有像素点的亮度分量组成的维数为8×8的矩阵进行二维离散余弦变换，得到对应的离散余弦变换系数矩阵，将zt对应的离散余弦变换系数矩阵记为Zt；然后计算
Figure BDA0002205963670000116
中的每个子块对应的离散余弦变换系数矩阵中的所有高频系数与所有中频系数的和，将Zt中的所有高频系数与所有中频系数的和记为St；其中，Zt的维数为8×8，在离散余弦变换系数矩阵中左上角部分为直流和低频系数、右下角部分为高频系数、中间部分为中频系数。
①_3d1、计算的特征，记为
Figure BDA0002205963670000118
Figure BDA0002205963670000119
①_3e1、计算
Figure BDA00022059636700001110
中的所有像素点的亮度分量的均值和标准差，对应记为
Figure BDA00022059636700001111
和
Figure BDA00022059636700001112
①_3f1、将
Figure BDA00022059636700001113
和
Figure BDA00022059636700001114
按序排列构成的矢量作为 其中，符号“[]”为矢量表示符号，
Figure BDA00022059636700001117
表示将
Figure BDA00022059636700001118
和
Figure BDA00022059636700001119
连接起来形成一个矢量。
在此具体实施例中，步骤①_3中的
Figure BDA00022059636700001120
的获取过程为：
①_3a2、将
Figure BDA00022059636700001121
从RGB颜色空间转化为CIELAB颜色空间，
Figure BDA00022059636700001122
在CIELAB颜色空间的三个分量分别为亮度分量、第一色度分量(指分量a)和第二色度分量(指分量b)。
①_3b2、计算
Figure BDA0002205963670000121
中的所有像素点的亮度分量和
Figure BDA0002205963670000122
中的所有像素点的亮度分量的第一区域对比度，记为
Figure BDA0002205963670000123
并计算
Figure BDA0002205963670000125
中的所有像素点的亮度分量和
Figure BDA0002205963670000126
中的所有像素点的亮度分量的第二区域对比度，记为
Figure BDA0002205963670000127
Figure BDA0002205963670000128
其中，符号“||”为取绝对值符号，
Figure BDA0002205963670000129
表示
Figure BDA00022059636700001210
中的所有像素点的亮度分量的均值，
Figure BDA00022059636700001211
表示
Figure BDA00022059636700001212
中的所有像素点的亮度分量的标准差，表示
Figure BDA00022059636700001214
中的所有像素点的亮度分量的均值，
Figure BDA00022059636700001215
表示中的所有像素点的亮度分量的标准差，ξ为控制参数，在本实施例中ξ＝10-6。
①_3c2、计算中的所有像素点的亮度分量和
Figure BDA00022059636700001218
中的所有像素点的亮度分量的第一区域对比度，记为
Figure BDA00022059636700001219
Figure BDA00022059636700001220
并计算中的所有像素点的亮度分量和
Figure BDA00022059636700001222
中的所有像素点的亮度分量的第二区域对比度，记为
Figure BDA00022059636700001223
Figure BDA00022059636700001224
其中，表示
Figure BDA00022059636700001226
中的所有像素点的亮度分量的均值，
Figure BDA00022059636700001227
表示
Figure BDA00022059636700001228
中的所有像素点的亮度分量的标准差。
①_3d2、计算
Figure BDA00022059636700001229
中的所有像素点的第一色度分量和
Figure BDA00022059636700001230
中的所有像素点的第一色度分量的第一区域对比度，记为
Figure BDA00022059636700001231
并计算
Figure BDA00022059636700001233
中的所有像素点的第一色度分量和
Figure BDA00022059636700001234
中的所有像素点的第一色度分量的第二区域对比度，记为
Figure BDA0002205963670000132
其中，
Figure BDA0002205963670000133
表示中的所有像素点的第一色度分量的均值，
Figure BDA0002205963670000135
表示
Figure BDA0002205963670000136
中的所有像素点的第一色度分量的标准差，
Figure BDA0002205963670000137
表示
Figure BDA0002205963670000138
中的所有像素点的第一色度分量的均值，
Figure BDA0002205963670000139
表示
Figure BDA00022059636700001310
中的所有像素点的第一色度分量的标准差。
①_3e2、计算
Figure BDA00022059636700001311
中的所有像素点的第一色度分量和
Figure BDA00022059636700001312
中的所有像素点的第一色度分量的第一区域对比度，记为
Figure BDA00022059636700001313
Figure BDA00022059636700001314
并计算
Figure BDA00022059636700001315
中的所有像素点的第一色度分量和中的所有像素点的第一色度分量的第二区域对比度，记为
Figure BDA00022059636700001317
Figure BDA00022059636700001318
其中，
Figure BDA00022059636700001319
表示
Figure BDA00022059636700001320
中的所有像素点的第一色度分量的均值，
Figure BDA00022059636700001321
表示
Figure BDA00022059636700001322
中的所有像素点的第一色度分量的标准差。
①_3f2、将
Figure BDA00022059636700001323
按序排列构成的矢量作为
Figure BDA00022059636700001324
Figure BDA00022059636700001325
其中，符号“[]”为矢量表示符号，
Figure BDA00022059636700001326
表示将
Figure BDA00022059636700001327
Figure BDA00022059636700001328
和连接起来形成一个矢量。
①_4、将训练图像集中的每幅色调映射图像的亮暗区域特征矢量和区域对比度特征矢量构成全局特征矢量，将
Figure BDA00022059636700001330
的全局特征矢量记为Fk，
Figure BDA00022059636700001331
其中，Fk的维数为11×1，符号“[]”为矢量表示符号，
Figure BDA00022059636700001332
表示将
Figure BDA00022059636700001333
和连接起来形成一个矢量。
①_5、将训练图像集中的所有色调映射图像的全局特征矢量和平均主观评分差值构成训练样本数据集合，训练样本数据集合中包含N个全局特征矢量和N个平均主观评分差值；然后采用支持向量回归作为机器学习的方法，对训练样本数据集合中的所有全局特征矢量进行训练，使得经过训练得到的回归函数值与平均主观评分差值之间的误差最小，拟合得到最优的权重矢量
Figure BDA0002205963670000141
和最优的偏置项
Figure BDA0002205963670000142
接着利用最优的权重矢量
Figure BDA0002205963670000143
和最优的偏置项
Figure BDA0002205963670000144
构造质量预测模型，记为
Figure BDA0002205963670000145
Figure BDA0002205963670000146
其中，为函数表示形式，F用于表示色调映射图像的全局特征矢量，且作为质量预测模型的输入矢量，为
Figure BDA0002205963670000149
的转置，为F的线性函数。
所述的测试阶段过程的具体步骤为：
②对于任意一幅用作测试的色调映射图像Itest，按照步骤①_2至步骤①_4相同的操作，获取Itest的全局特征矢量，记为Ftest；然后根据训练阶段构造的质量预测模型对Ftest进行测试，预测得到Ftest对应的预测值，将该预测值作为Itest的客观质量预测值，记为其中，Itest的宽度为W'且高度为H'，Ftest的维数为11×1，
Figure BDA00022059636700001412
表示Ftest的线性函数。
在本实施例中，采用加拿大滑铁卢大学建立的TMID数据库和美国德克萨斯大学奥斯汀分校建立的ESPL-LIVE数据库作为色调映射图像数据库，TMID数据库包括120幅色调映射图像，ESPL-LIVE数据库包括1811幅色调映射图像。利用评估图像质量评价方法的2个常用客观参量作为评价指标，即非线性回归条件下的Pearson线性相关系数(Pearson linearcorrelation coefficient，PLCC)和Spearman秩等级相关系数(Spearman rank ordercorrelation coefficient，SROCC)。PLCC和SROCC越高说明本发明方法的评价结果与平均主观评分差值之间的相关性越好。表1给出了采用本发明方法得到的客观质量预测值与平均主观评分差值之间的相关性。
表1采用本发明方法得到的客观质量预测值与平均主观评分差值之间的相关性
数据库 PLCC SROCC
TMID 0.827 0.758
ESPL-LIVE 0.658 0.660
从表1中可以看出，采用本发明方法得到的色调映射图像的客观质量预测值与平均主观评分差值之间的相关性是很高的，表明客观评价结果与人眼主观感知的结果较为一致，足以说明本发明方法的有效性。

Claims (4)

1.一种色调映射图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程；
所述的训练阶段过程的具体步骤为：
①_1、选取N幅宽度为W且高度为H的色调映射图像构成训练图像集，将训练图像集中的第k幅色调映射图像记为
Figure FDA0002205963660000011
其中，N为正整数，N＞1，k为正整数，k的初始值为1，1≤k≤N；
①_2、对训练图像集中的每幅色调映射图像进行区域划分，分成亮区域、暗区域和正常区域，将
Figure FDA0002205963660000012
的亮区域、暗区域和正常区域对应记为
Figure FDA0002205963660000013
和
Figure FDA0002205963660000014
①_3、根据训练图像集中的每幅色调映射图像的亮区域和暗区域，计算训练图像集中的每幅色调映射图像的亮暗区域特征矢量，将的亮暗区域特征矢量记为
Figure FDA0002205963660000016
并根据训练图像集中的每幅色调映射图像的亮区域、暗区域和正常区域，计算训练图像集中的每幅色调映射图像的区域对比度特征矢量，将
Figure FDA0002205963660000017
的区域对比度特征矢量记为
Figure FDA0002205963660000018
其中，
Figure FDA0002205963660000019
的维数为3×1，的维数为8×1；
①_4、将训练图像集中的每幅色调映射图像的亮暗区域特征矢量和区域对比度特征矢量构成全局特征矢量，将的全局特征矢量记为Fk，
Figure FDA00022059636600000112
其中，Fk的维数为11×1，符号“[]”为矢量表示符号，
Figure FDA00022059636600000113
表示将
Figure FDA00022059636600000114
和
Figure FDA00022059636600000115
连接起来形成一个矢量；
①_5、将训练图像集中的所有色调映射图像的全局特征矢量和平均主观评分差值构成训练样本数据集合，训练样本数据集合中包含N个全局特征矢量和N个平均主观评分差值；然后采用支持向量回归作为机器学习的方法，对训练样本数据集合中的所有全局特征矢量进行训练，使得经过训练得到的回归函数值与平均主观评分差值之间的误差最小，拟合得到最优的权重矢量
Figure FDA00022059636600000116
和最优的偏置项
Figure FDA00022059636600000117
接着利用最优的权重矢量
Figure FDA00022059636600000118
和最优的偏置项
Figure FDA00022059636600000119
构造质量预测模型，记为
Figure FDA00022059636600000120
Figure FDA00022059636600000121
其中，为函数表示形式，F用于表示色调映射图像的全局特征矢量，且作为质量预测模型的输入矢量，
Figure FDA0002205963660000022
为
Figure FDA0002205963660000023
的转置，为F的线性函数；
所述的测试阶段过程的具体步骤为：
②对于任意一幅用作测试的色调映射图像Itest，按照步骤①_2至步骤①_4相同的操作，获取Itest的全局特征矢量，记为Ftest；然后根据训练阶段构造的质量预测模型对Ftest进行测试，预测得到Ftest对应的预测值，将该预测值作为Itest的客观质量预测值，记为Qtest，
Figure FDA0002205963660000025
其中，Itest的宽度为W'且高度为H'，Ftest的维数为11×1，
Figure FDA0002205963660000026
表示Ftest的线性函数。
2.根据权利要求1所述的一种色调映射图像质量评价方法，其特征在于所述的步骤①_2中的
Figure FDA0002205963660000027
和
Figure FDA0002205963660000028
的获取过程为：
①_2a、将
Figure FDA0002205963660000029
在RGB颜色空间的R分量、G分量、B分量对应记为
Figure FDA00022059636600000210
Figure FDA00022059636600000211
然后计算
Figure FDA00022059636600000212
的暗通道图像，记为
Figure FDA00022059636600000213
将
Figure FDA00022059636600000214
中坐标位置为(x,y)的像素点的像素值记为
Figure FDA00022059636600000215
其中，1≤x≤W，1≤y≤H，min()为取最小值函数，Cx,y表示以坐标位置为(x,y)的像素点为中心的3×3邻域范围内的所有像素点的坐标位置构成的集合，(x1,y1)为Cx,y中的任意一个坐标位置，
Figure FDA00022059636600000217
表示
Figure FDA00022059636600000218
中坐标位置为(x1,y1)的像素点的像素值，
Figure FDA00022059636600000219
表示
Figure FDA00022059636600000220
中坐标位置为(x1,y1)的像素点的像素值，
Figure FDA00022059636600000221
表示
Figure FDA00022059636600000222
中坐标位置为(x1,y1)的像素点的像素值；
①_2b、计算
Figure FDA00022059636600000223
的灰度直方图分布，记为{hk(j)|1≤j≤256}；然后将{hk(j)|1≤j≤256}中所有直方图值不为零的节点中坐标最小的节点坐标记为Xmin，将{hk(j)|1≤j≤256}中所有直方图值不为零的节点中坐标最大的节点坐标记为Xmax，将
Figure FDA0002205963660000031
中像素值属于[Xmin,Xmid]范围内的所有像素点的像素值构成的集合记为Ω1，将
Figure FDA0002205963660000032
中像素值属于(Xmid,Xmax]范围内的所有像素点的像素值构成的集合记为Ω2；其中，j为正整数，1≤j≤256，hk(j)表示{hk(j)|1≤j≤256}中坐标为j的节点的直方图值，
Figure FDA0002205963660000033
符号
Figure FDA0002205963660000034
为向下取整操作符号；
①_2c、通过最大化Ω1的类间方差，获得第一阈值，记为X1 *，
Figure FDA0002205963660000035
并通过最大化Ω2的类间方差，获得第二阈值，记为X2 *，
Figure FDA0002205963660000036
其中，表示求取使得的值最大时的X1的值，X1为Ω1中的任意一个像素值，Pf(X1)表示Ω1中属于[Xmin,X1)范围内的所有像素值的概率密度函数，μf(X1)表示Ω1中属于[Xmin,X1)范围内的所有像素值的均值，σf(X1)表示Ω1中属于[Xmin,X1)范围内的所有像素值的标准差，μb(X1)表示Ω1中属于[X1,Xmid]范围内的所有像素值的均值，σb(X1)表示Ω1中属于[X1,Xmid]范围内的所有像素值的标准差，
Figure FDA0002205963660000039
表示求取使得
Figure FDA00022059636600000310
的值最大时的X2的值，X2为Ω2中的任意一个像素值，Pf(X2)表示Ω2中属于[Xmid,X2)范围内的所有像素值的概率密度函数，μf(X2)表示Ω2中属于[Xmid,X2)范围内的所有像素值的均值，σf(X2)表示Ω2中属于[Xmid,X2)范围内的所有像素值的标准差，μb(X2)表示Ω2中属于[X2,Xmax]范围内的所有像素值的均值，σb(X2)表示Ω2中属于[X2,Xmax]范围内的所有像素值的标准差；
①_2d、将
Figure FDA0002205963660000041
中像素值属于(X2 *,Xmax]范围内的所有像素点构成的区域确定为亮区域将
Figure FDA0002205963660000043
中像素值属于[Xmin,X1 *)范围内的所有像素点构成的区域确定为暗区域
Figure FDA0002205963660000044
将
Figure FDA0002205963660000045
中像素值属于[X1 *,X2 *]范围内的所有像素点构成的区域确定为正常区域
Figure FDA0002205963660000046
3.根据权利要求1或2所述的一种色调映射图像质量评价方法，其特征在于所述的步骤①_3中的
Figure FDA0002205963660000047
的获取过程为：
①_3a1、将
Figure FDA0002205963660000048
从RGB颜色空间转化为CIELAB颜色空间，在CIELAB颜色空间的三个分量分别为亮度分量、第一色度分量和第二色度分量；
①_3b1、将划分成M个互不重叠的尺寸大小为8×8的子块，如果
Figure FDA00022059636600000411
不能被尺寸大小为8×8的子块均分，则将多余的像素点去除；然后将
Figure FDA00022059636600000412
中的每个子块中的所有像素点的亮度分量组成一个维数为8×8的矩阵，将中的第t个子块中的所有像素点的亮度分量组成的维数为8×8的矩阵记为zt；其中，M为正整数，M＞1，t为正整数，t的初始值为1，1≤t≤M；
①_3c1、对
Figure FDA00022059636600000414
中的每个子块中的所有像素点的亮度分量组成的维数为8×8的矩阵进行二维离散余弦变换，得到对应的离散余弦变换系数矩阵，将zt对应的离散余弦变换系数矩阵记为Zt；然后计算
Figure FDA00022059636600000415
中的每个子块对应的离散余弦变换系数矩阵中的所有高频系数与所有中频系数的和，将Zt中的所有高频系数与所有中频系数的和记为St；其中，Zt的维数为8×8；
①_3d1、计算
Figure FDA0002205963660000051
的特征，记为
Figure FDA0002205963660000052
Figure FDA0002205963660000053
①_3e1、计算
Figure FDA0002205963660000054
中的所有像素点的亮度分量的均值和标准差，对应记为
Figure FDA0002205963660000055
和
Figure FDA0002205963660000056
①_3f1、将
Figure FDA0002205963660000057
和
Figure FDA0002205963660000058
按序排列构成的矢量作为
Figure FDA0002205963660000059
Figure FDA00022059636600000510
其中，符号“[]”为矢量表示符号，
Figure FDA00022059636600000511
表示将
Figure FDA00022059636600000512
和
Figure FDA00022059636600000513
连接起来形成一个矢量。
4.根据权利要求3所述的一种色调映射图像质量评价方法，其特征在于所述的步骤①_3中的
Figure FDA00022059636600000514
的获取过程为：
①_3a2、将
Figure FDA00022059636600000515
从RGB颜色空间转化为CIELAB颜色空间，
Figure FDA00022059636600000516
在CIELAB颜色空间的三个分量分别为亮度分量、第一色度分量和第二色度分量；
①_3b2、计算
Figure FDA00022059636600000517
中的所有像素点的亮度分量和
Figure FDA00022059636600000518
中的所有像素点的亮度分量的第一区域对比度，记为
Figure FDA00022059636600000519
Figure FDA00022059636600000520
并计算
Figure FDA00022059636600000521
中的所有像素点的亮度分量和
Figure FDA00022059636600000522
中的所有像素点的亮度分量的第二区域对比度，记为
Figure FDA00022059636600000523
Figure FDA00022059636600000524
其中，符号“| |”为取绝对值符号，
Figure FDA00022059636600000525
表示
Figure FDA00022059636600000526
中的所有像素点的亮度分量的均值，表示
Figure FDA00022059636600000528
中的所有像素点的亮度分量的标准差，表示
Figure FDA00022059636600000530
中的所有像素点的亮度分量的均值，表示
Figure FDA00022059636600000532
中的所有像素点的亮度分量的标准差，ξ为控制参数；
①_3c2、计算
Figure FDA00022059636600000533
中的所有像素点的亮度分量和
Figure FDA00022059636600000534
中的所有像素点的亮度分量的第一区域对比度，记为
Figure FDA0002205963660000061
并计算中的所有像素点的亮度分量和
Figure FDA0002205963660000064
中的所有像素点的亮度分量的第二区域对比度，记为
Figure FDA0002205963660000065
其中，
Figure FDA0002205963660000067
表示
Figure FDA0002205963660000068
中的所有像素点的亮度分量的均值，
Figure FDA0002205963660000069
表示
Figure FDA00022059636600000610
中的所有像素点的亮度分量的标准差；
①_3d2、计算
Figure FDA00022059636600000611
中的所有像素点的第一色度分量和
Figure FDA00022059636600000612
中的所有像素点的第一色度分量的第一区域对比度，记为
Figure FDA00022059636600000613
Figure FDA00022059636600000614
并计算
Figure FDA00022059636600000615
中的所有像素点的第一色度分量和
Figure FDA00022059636600000616
中的所有像素点的第一色度分量的第二区域对比度，记为
Figure FDA00022059636600000617
Figure FDA00022059636600000618
其中，
Figure FDA00022059636600000619
表示
Figure FDA00022059636600000620
中的所有像素点的第一色度分量的均值，
Figure FDA00022059636600000621
表示
Figure FDA00022059636600000622
中的所有像素点的第一色度分量的标准差，
Figure FDA00022059636600000623
表示
Figure FDA00022059636600000624
中的所有像素点的第一色度分量的均值，表示
Figure FDA00022059636600000626
中的所有像素点的第一色度分量的标准差；
①_3e2、计算
Figure FDA00022059636600000627
中的所有像素点的第一色度分量和
Figure FDA00022059636600000628
中的所有像素点的第一色度分量的第一区域对比度，记为
Figure FDA00022059636600000629
Figure FDA00022059636600000630
并计算
Figure FDA00022059636600000631
中的所有像素点的第一色度分量和中的所有像素点的第一色度分量的第二区域对比度，记为
Figure FDA00022059636600000633
其中，表示
Figure FDA00022059636600000636
中的所有像素点的第一色度分量的均值，表示
Figure FDA00022059636600000638
中的所有像素点的第一色度分量的标准差；
①_3f2、将
Figure FDA0002205963660000071
按序排列构成的矢量作为
Figure FDA0002205963660000072
Figure FDA0002205963660000073
其中，符号“[]”为矢量表示符号，
Figure FDA0002205963660000074
表示将
Figure FDA0002205963660000075
Figure FDA0002205963660000076
和
Figure FDA0002205963660000077
连接起来形成一个矢量。
CN201910881340.2A 2019-09-18 2019-09-18 一种色调映射图像质量评价方法 Active CN110717892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910881340.2A CN110717892B (zh) 2019-09-18 2019-09-18 一种色调映射图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910881340.2A CN110717892B (zh) 2019-09-18 2019-09-18 一种色调映射图像质量评价方法

Publications (2)

Publication Number Publication Date
CN110717892A true CN110717892A (zh) 2020-01-21
CN110717892B CN110717892B (zh) 2022-06-28

Family

ID=69209939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910881340.2A Active CN110717892B (zh) 2019-09-18 2019-09-18 一种色调映射图像质量评价方法

Country Status (1)

Country Link
CN (1) CN110717892B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950596A (zh) * 2021-03-09 2021-06-11 宁波大学 基于多区域多层次的色调映射全向图像质量评价方法
CN113362354A (zh) * 2021-05-07 2021-09-07 安徽国际商务职业学院 色调映射图像的质量评价方法、系统、终端及存储介质
CN114429476A (zh) * 2022-01-25 2022-05-03 惠州Tcl移动通信有限公司 图像处理方法、装置、计算机设备以及存储介质
CN116630447A (zh) * 2023-07-24 2023-08-22 成都海风锐智科技有限责任公司 一种基于图像处理的天气预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540048A (zh) * 2009-04-21 2009-09-23 北京航空航天大学 一种基于支持向量机的图像质量评价方法
CN105741328A (zh) * 2016-01-22 2016-07-06 西安电子科技大学 基于视觉感知的拍摄图像质量评价方法
CN105761227A (zh) * 2016-03-04 2016-07-13 天津大学 基于暗通道先验与白平衡的水下图像增强方法
CN107105223A (zh) * 2017-03-20 2017-08-29 宁波大学 一种基于全局特征的色调映射图像质量客观评价方法
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
KR101846743B1 (ko) * 2016-11-28 2018-04-09 연세대학교 산학협력단 톤 맵핑 영상에 대한 객관적 화질 평가 방법 및 장치
US20180247396A1 (en) * 2015-08-25 2018-08-30 Thomson Licensing Inverse tone mapping based on luminance zones
US20190281201A1 (en) * 2016-11-03 2019-09-12 Interdigital Ce Patent Holdings Method and device for estimating cast shadow regions and/or highlight regions in images

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540048A (zh) * 2009-04-21 2009-09-23 北京航空航天大学 一种基于支持向量机的图像质量评价方法
US20180247396A1 (en) * 2015-08-25 2018-08-30 Thomson Licensing Inverse tone mapping based on luminance zones
CN105741328A (zh) * 2016-01-22 2016-07-06 西安电子科技大学 基于视觉感知的拍摄图像质量评价方法
CN105761227A (zh) * 2016-03-04 2016-07-13 天津大学 基于暗通道先验与白平衡的水下图像增强方法
US20190281201A1 (en) * 2016-11-03 2019-09-12 Interdigital Ce Patent Holdings Method and device for estimating cast shadow regions and/or highlight regions in images
KR101846743B1 (ko) * 2016-11-28 2018-04-09 연세대학교 산학협력단 톤 맵핑 영상에 대한 객관적 화질 평가 방법 및 장치
CN107105223A (zh) * 2017-03-20 2017-08-29 宁波大学 一种基于全局特征的色调映射图像质量客观评价方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHEN P, LI L, ZHANG X, ET AL: "Blind quality index for tone-mapped images based on luminance partition", 《PATTERN RECOGNITION》 *
P. MOHAMMADI, M. T. POURAZAD AND P. NASIOPOULOS: "An Entropy-based Inverse Tone Mapping Operator for High Dynamic Range Applications", 《2018 9TH IFIP INTERNATIONAL CONFERENCE ON NEW TECHNOLOGIES, MOBILITY AND SECURITY (NTMS)》 *
SAMANI, A. , K. PANETTA , AND S. AGAIAN: "Transform domain measure of enhancement — TDME — For security imaging applications", 《IEEE INTERNATIONAL CONFERENCE ON TECHNOLOGIES FOR HOMELAND SECURITY IEEE, 2014》 *
陈雪鑫，卜庆凯: "基于改进的最大类间方差法的水果图像识别研究", 《青海大学学报（工程技术版）》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950596A (zh) * 2021-03-09 2021-06-11 宁波大学 基于多区域多层次的色调映射全向图像质量评价方法
CN112950596B (zh) * 2021-03-09 2023-06-02 宁波大学 基于多区域多层次的色调映射全向图像质量评价方法
CN113362354A (zh) * 2021-05-07 2021-09-07 安徽国际商务职业学院 色调映射图像的质量评价方法、系统、终端及存储介质
CN113362354B (zh) * 2021-05-07 2024-04-30 安徽国际商务职业学院 色调映射图像的质量评价方法、系统、终端及存储介质
CN114429476A (zh) * 2022-01-25 2022-05-03 惠州Tcl移动通信有限公司 图像处理方法、装置、计算机设备以及存储介质
CN116630447A (zh) * 2023-07-24 2023-08-22 成都海风锐智科技有限责任公司 一种基于图像处理的天气预测方法
CN116630447B (zh) * 2023-07-24 2023-10-20 成都海风锐智科技有限责任公司 一种基于图像处理的天气预测方法

Also Published As

Publication number Publication date
CN110717892B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN110717892B (zh) 一种色调映射图像质量评价方法
CN107105223B (zh) 一种基于全局特征的色调映射图像质量客观评价方法
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
CN105208374B (zh) 一种基于深度学习的无参考图像质量客观评价方法
CN105407349B (zh) 基于双目视觉感知的无参考立体图像质量客观评价方法
CN105574901B (zh) 一种基于局部对比度模式的通用无参考图像质量评价方法
CN109218716B (zh) 基于色彩统计和信息熵无参考色调映射图像质量评价方法
CN104954778B (zh) 一种基于感知特征集的立体图像质量客观评价方法
CN107767363A (zh) 一种基于自然场景的无参考高动态图像质量评价算法
CN103945217B (zh) 基于熵的复小波域半盲图像质量评测方法和系统
CN112950596B (zh) 基于多区域多层次的色调映射全向图像质量评价方法
CN105894522B (zh) 一种多失真立体图像质量客观评价方法
CN110120034B (zh) 一种与视觉感知相关的图像质量评价方法
CN107040775B (zh) 一种基于局部特征的色调映射图像质量客观评价方法
CN114598864A (zh) 一种基于深度学习的全参考超高清视频质量客观评价方法
CN108010023B (zh) 基于张量域曲率分析的高动态范围图像质量评价方法
CN106683079B (zh) 一种基于结构失真的无参考图像客观质量评价方法
Shao et al. Multistage pooling for blind quality prediction of asymmetric multiply-distorted stereoscopic images
CN106960432B (zh) 一种无参考立体图像质量评价方法
CN112508847A (zh) 一种基于深度特征与结构加权lbp特征的图像质量评价方法
Fu et al. Image quality assessment using edge and contrast similarity
CN114067006B (zh) 一种基于离散余弦变换的屏幕内容图像质量评价方法
Makandar et al. Color image analysis and contrast stretching using histogram equalization
CN108171704B (zh) 一种基于激励响应的无参考图像质量评价方法
Qi et al. Non-Reference Image Quality Assessment Based on Super-Pixel Segmentation and Information Entropy

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
TR01 Transfer of patent right

Effective date of registration: 20231226

Address after: 315000 North of First Floor, Fifth Avenue, No. 719 Zhongxing Road, Yinzhou District, Ningbo City, Zhejiang Province

Patentee after: Ningbo Frontier Digital Technology Co.,Ltd.

Address before: 200120 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai

Patentee before: Shanghai ruishenglian Information Technology Co.,Ltd.

Effective date of registration: 20231226

Address after: 200120 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai

Patentee after: Shanghai ruishenglian Information Technology Co.,Ltd.

Address before: 315211, Fenghua Road, Jiangbei District, Zhejiang, Ningbo 818

Patentee before: Ningbo University

TR01 Transfer of patent right