CN110996096A - 一种基于结构相似性差异度的色调映射图像质量评价方法 - Google Patents

Abstract

本发明公开了一种基于结构相似性差异度的色调映射图像质量评价方法，该方法首先提取图像的梯度二值化矩阵的均值和方差作为局部梯度特征，再提取最小方向曲率的均值、方差、峰度、偏度作为局部结构特征，接着利用相位图像的均匀局部二值模式直方图作为全局相位特征，最后采用邻域像素块与中心像素块之间的局部结构相似性(SSIM)差异度的均值、方差、峰度、偏度作为局部邻域结构相似性差异度特征，融合得到总的图像质量评价特征，送入支持训练回归机进行训练和测试，得到客观图像质量评价结果；该方法避免了采用单一全局特征或局部特征带来的评价精度不高的缺点，提高了图像质量评价精度。

Description

一种基于结构相似性差异度的色调映射图像质量评价方法

技术领域

本发明属于图像处理领域，尤其涉及一种基于结构相似性差异度的色调映射图像质量评价方法。

背景技术

图像质量评价是图像处理领域的关键问题，图像质量评价方法根据是否有人的参与可分成主观图像质量评价方法和客观图像质量评价方法。主观图像质量评价方法由人对图像进行打分，评价结果精确，但评价过程复杂，耗时时间长，难以得到实时应用。客观图像质量评价方法无需人的参与，通过特定的计算机算法自动预测图像质量，根据是否使用原始无失真图像作为参考，可将图像质量评价方法分成全参考图像质量评价方法，半参考图像质量评价方法和无参考图像质量评价方法。全参考算法使用参考图像的所有信息预测图像质量，半参考图像质量评价方法采用参考图像的部分信息进行图像质量预测，无参考图像质量评价方法不使用参考图像的任何信息进行图像质量评价。

高动态范围(HDR)图像显示亮度范围较大，能给观看者带来更好的视觉体验，而现有的图形显示设备大多只支持显示8比特的低动态范围(LDR)图像，因此需要采用色调映射算法将HDR图像转换为LDR图像，由HDR图像转换成的LDR图像成为色调映射图像，色调映射图像在色调映射过程中，存在对比度、自然度和颜色饱和度等失真，而块效应、模糊、白噪声等失真较少，而传统的无参考图像质量评价方法主要针对自然图像和块效应、模糊、白噪声等失真有效，而对色调映射图像效果不佳，因此对色调映射失真图像进行无参考图像质量评价更具有挑战性。针对色调映射图像无参考质量评价，Guanghui Yue[Guanghui Yue,Chunping Hou,and Tianwei Zhou，Blind Quality Assessment of Tone-Mapped ImagesConsidering Colorfulness,Naturalness and Structure，IEEE Transctions ONIndustrial Electronics,2018.]提取色度映射失真图像的色彩度、自然度和结构特征进行图像质量评价；Gangyi Jiang[Blind tone-mapped has been with the School ofElectronic and image quality assessment based on brightest/darkest regions,naturalness and aesthetics,IEEE Access,vol.6,pp.2231-2240,2018.]采用图像自然统计特征和美学特征进行质量评价；但这些方法着重考察图像的自然统计和全局特征，大多采用的是针对自然图像有效的传统特征提取方法，因此效果与主观评价结果存在差距。在图像色调映射过程中，图像局部细节和全局相位存在较大的变化，因此本发明提取图像梯度、最小曲率和图像块邻域结构相似性(structural similarity index，SSIM)差异度对局部色调图像失真进行评价，并采用相位纹理特征对全局色调映射失真进行评价，提高了色调图像质量评价精度。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于结构相似性差异度的色调映射图像质量评价方法。本发明同时提取图像的局部特征和全局特征进行图像质量评价，充分考虑了图像失真对局部边缘、局部最小曲率、局部SSIM差异度和全局相位纹理的影响，预测效果相对现有技术更精确。

本发明的目的是通过以下技术方案来实现的：一种基于结构相似性差异度的色调映射图像质量评价方法，包括以下步骤：

(1)输入色调映射彩色失真图像，并转换为色调映射灰度失真图像D；

(2)构建梯度特征F₁，包括以下子步骤：

(2.1)采用Canny算子处理步骤(1)得到的色调映射灰度失真图像D，得到梯度二值化图像G；

(2.2)计算像素点G(i,j)的N×N邻域内取值为1的邻域像素总数X(i,j)；

(2.3)计算邻域像素总数X(i,j)的均值μ_X和方差σ_X，构建梯度特征F₁＝[μ_X,σ_X]；

(3)构建最小方向曲率特征F₂，包括以下子步骤：

(3.1)构建角度为0、

和

的一阶导数滤波器h₀、h₁、h₂、h₃、h₄和h₅，用一阶导数滤波器分别对步骤(1)得到的色调映射灰度失真图像D进行卷积，得到对应的一阶导数d₀(i,j)、d₁(i,j)、d₂(i,j)、d₃(i,j)、d₄(i,j)和d₅(i,j)；

(3.2)构建角度为0、

和

的二阶导数滤波器g₀、g₁、g₂、g₃、g₄和g₅，分别对步骤(1)得到的色调映射灰度失真图像D进行卷积，得到对应的二阶导数t₀(i,j)、t₁(i,j)、t₂(i,j)、t₃(i,j)、t₄(i,j)和t₅(i,j)；

(3.3)计算色调映射灰度失真图像D在角度为0、

和

的方向曲率K_n(i,j)，采用公式如下：

其中，n取值为0～5；|·|为求绝对值操作；

(3.4)计算最小方向曲率K(i,j)＝minK_n(i,j)；

(3.5)计算最小方向曲率K(i,j)的均值μ_K、方差σ_K、峰度β_K和偏度γ_K，构建最小方向曲率特征F₂＝[μ_K,σ_K,β_K,γ_K]；

(4)构建均匀局部二值模式直方图特征F₃，包括以下子步骤：

(4.1)对步骤(1)得到的色调映射灰度失真图像D进行二维离散傅里叶变换，得到傅里叶变换系数Y(u,v)，其中，u为Y(u,v)的水平索引，v为Y(u,v)的垂直索引；

(4.2)根据傅里叶变换系数Y(u,v)得到相位图像Φ：

其中，re(Y(u,v))为Y(u,v)的实部，im(Y(u,v))为Y(u,v)的虚部，arctan(·)为求反正切操作；

(4.3)计算相位图像Φ的均匀局部二值模式特征ULBP_B：

其中，LBP_B(u,v)为相位图像Φ的局部二值模式特征；Φ_b＝{Φ₀,Φ₁,...,Φ_B-1}为Φ(u,v)的B个邻域点，且B＝8，b＝0～B-1；当Φ_b≥Φ(u,v)时，t[Φ_b-Φ(u,v)]＝1，当Φ_b＜Φ(u,v)时，t[Φ_b-Φ(u,v)]＝0；

(4.4)根据步骤(4.3)得到的均匀局部二值模式特征ULBP_B，构建均匀局部二值模式直方图特征F₃：

F₃＝hist[ULBP_B(u,v)]＝[f₀,f₁,f₂,...,f_B+1]

其中，hist[·]为取直方图操作，f_k为取值为k的直方图分组中的元素个数，k取0～B+1；

(5)构建邻域结构相似性差异特征F₄，包括以下子步骤：

(5.1)将步骤(1)得到的色调映射灰度失真图像D划分成由大小为W×W的图像块A(ε,η)组成的矩阵，

(5.2)依次计算图像块A与其上、右上、右、右下、下、左下、左、和左上邻域图像块之间的结构相似性得到邻域结构相似性数值，记为S1(ε,η)、S2(ε,η)、S3(ε,η)、S4(ε,η)、S5(ε,η)、S6(ε,η)、S7(ε,η)和S8(ε,η)，并求平均得到邻域结构相似性均值SA(ε,η)；

(5.3)依次比较步骤(5.2)得到的邻域结构相似性数值与其均值SA(ε,η)的大小得到对应的邻域结构相似性对比值L1(ε,η)、L2(ε,η)、L3(ε,η)、L4(ε,η)、L5(ε,η)、L6(ε,η)、L7(ε,η)和L8(ε,η)；当邻域结构相似性数值大于等于其均值时；邻域结构相似性对比值为1，否则为0；

(5.4)将步骤(5.3)得到的邻域结构相似性对比值按L1(ε,η)～L8(ε,η)的顺序组成二进制序列，并转换成十进制整数作为图像块A的邻域结构相似性差异度Q(ε,η)；

(5.5)计算邻域结构相似性差异度Q(ε,η)的均值μ_Q、方差σ_Q、峰度β_Q和偏度γ_Q，构建邻域结构相似性差异特征F₄＝[μ_Q,σ_Q,β_Q,γ_Q]；

(6)根据步骤(2)得到的梯度特征F₁、步骤(3)得到的最小方向曲率特征F₂、步骤(4)得到的均匀局部二值模式直方图特征F₃和步骤(5)得到的邻域结构相似性差异特征F₄构建图像质量评价特征F＝[F₁,F₂,F₃,F₄]；

(7)将步骤(6)得到的图像质量评价特征F和对应的平均主观意见分送入支持向量回归机训练；

(8)将待评价图像按步骤(1)～(7)提取图像质量评价特征F，输入步骤(7)训练好的支持向量回归机，得到图像质量评价结果。

进一步地，所述步骤(2)中Canny算子中的高斯滤波器标准差为1.5，双阈值分别为0.04和0.1。

进一步地，所述步骤(3.1)中角度为0、

和

的一阶导数滤波器为：

进一步地，所述步骤(3.2)中角度为0、

和

的二阶导数滤波器为：

进一步地，所述支持向量回归机的核函数为径向基函数。

本发明的有益效果是：本发明首先提取图像的梯度二值化矩阵的均值、方差作为局部梯度特征，再提取最小方向曲率的均值、方差、峰度、偏度作为局部结构特征，接着利用相位图像的均匀局部二值模式直方图作为全局相位特征，最后采用邻域像素块与中心像素块之间的局部结构相似性差异度的均值、均值、方差、峰度、偏度作为局部邻域结构相似性差异度特征，融合局部梯度特征、局部结构特征、全局相位特征和局部邻域结构相似性差异度特征得到总特征进行图像质量评价，避免了采用单一全局特征或局部特征带来的评价精度不高的缺点，提高了图像质量评价精度。

附图说明

图1为基于结构相似性差异度的色调映射图像质量评价方法流程图；

图2为色调映射灰度失真图像D中(ε,η)位置图像块A及其邻域图像块示意图；

图3为色调映射灰度失真图像D中(ε,η)位置图像块A与邻域图像块之间的结构相似性数值示意图；

图4为色调映射灰度失真图像D中(ε,η)位置图像块A及其邻域图像块之间的结构相似性对比值示意图。

具体实施方式

以下结合附图和实施实例对本发明详细说明。

本发明一种基于结构相似性差异度的色调映射图像质量评价方法的流程如图1所示，具体为：

步骤(1)：取出美国德州大学奥斯汀分校的ESPL-LIVE HDR图像数据库中的1811幅色调映射失真图像作为输入图像集，该数据库提供了每张图片的主观MOS分值；将输入图像集随机分成训练图像集和测试图像集，其中80％的图像作为训练图像集，20％的图像作为测试图像集；从输入训练图像集中取出色调映射彩色失真图像，将训练图像集中的色调映射彩色失真图像转换为色调映射灰度失真图像D；

步骤(2)：对色调映射灰度失真图像D采用Canny算子进行处理，得到梯度二值化图像G；其中，Canny算子中的高斯滤波器标准差为1.5，双阈值分别为0.04和0.1；

步骤(3)：对于步骤(2)得到的梯度二值化图像G中的(i,j)像素，取以(i,j)像素为中心的N×N邻域内取值为1的邻域像素总数X(i,j)；其中，N取值为3；

步骤(4)：计算步骤(3)得到的邻域像素总数X(i,j)在整幅梯度二值化图像G内的均值μ_X和方差σ_X，计算公式如下：

其中，W_X为邻域像素总数X的宽度，H_X为邻域像素总数X的高度；

步骤(5)：采用步骤(4)得到的均值μ_X和方差σ_X构建梯度特征F₁，采用组合公式如下：

F₁＝[μ_X,σ_X]

步骤(6)：计算步骤(1)得到的色调映射灰度失真图像D在(i,j)像素处的最小方向曲率的均值、方差、峰度和偏度，包括以下子步骤：

步骤(6.1)：构建角度为0、

和

的一阶导数滤波器h₀、h₁、h₂、h₃、h₄和h₅如下：

步骤(6.2)：构建角度为0、

和

的二阶导数滤波器g₀、g₁、g₂、g₃、g₄和g₅如下：

步骤(6.3)：采用步骤(6.1)构建的一阶导数滤波器h₀、h₁、h₂、h₃、h₄和h₅，采用一阶导数滤波器对色调映射灰度失真图像D的各(i,j)处像素进行卷积，得到对应的一阶导数d₀(i,j)、d₁(i,j)、d₂(i,j)、d₃(i,j)、d₄(i,j)和d₅(i,j)；

步骤(6.4)：采用步骤(6.2)构建的二阶导数滤波器g₀、g₁、g₂、g₃、g₄和g₅，采用二阶导数滤波器对色调映射灰度失真图像D的各(i,j)处像素进行卷积，得到对应的二阶导数t₀(i,j)、t₁(i,j)、t₂(i,j)、t₃(i,j)、t₄(i,j)和t₅(i,j)；

步骤(6.5)：计算色调映射灰度失真图像D的(i,j)处像素在角度为0、

和

的方向曲率K_n(i,j)，计算公式如下：

其中，t_n(i,j)为(i,j)处像素在第n个方向上的二阶导数，d_n(i,j)为(i,j)处像素在第n个方向上的一阶导数，n取值为0～5，分别对应0、

和

这6个方向；|·|为求绝对值操作；

步骤(6.6)：计算n个方向的最小方向曲率K(i,j)，计算公式如下：

K(i,j)＝minK_n(i,j)

其中，min(·)为求6个方向的最小方向曲率操作，n取值为0～5，(i,j)为图像像素坐标；

步骤(6.7)：计算步骤(6.6)得到的最小方向曲率K(i,j)在整幅图像的均值μ_K、方差σ_K、峰度β_K和偏度γ_K，计算公式如下：

其中，W_K为一幅图像中像素点(i,j)的水平索引最大值，H_K为一幅图像中像素点(i,j)的垂直索引最大值，L为一幅图像中像素点(i,j)总个数，L＝W_K×H_K；

步骤(7)：采用步骤(6.7)得到的最小方向曲率的均值μ_K、方差σ_K、峰度β_K和偏度γ_K构建最小方向曲率特征F₂，采用组合公式如下：

F₂＝[μ_K,σ_K,β_K,γ_K]

步骤(8)：对步骤(1)得到的色调映射灰度失真图像D进行二维离散傅里叶变换，得到色调映射灰度失真图像D的傅里叶变换系数Y(u,v)，其中，u为Y(u,v)的水平索引，v为Y(u,v)的垂直索引，二维离散傅立叶变换为本领域通用算法；

步骤(9)：根据傅里叶变换系数Y(u,v)得到相位信息

采用公式如下：

其中，re(Y(u,v))为Y(u,v)的实部，im(Y(u,v))为Y(u,v)的虚部，arctan(·)为求反正切操作；

步骤(10)：将步骤(9)得到的相位信息

组成相位图像Φ；

步骤(11)：计算步骤(10)得到的相位图像Φ在(u,v)处的均匀局部二值模式特征ULBP_B，计算方法如下：

其中，LBP_B(u,v)为相位图像Φ在(u,v)处的局部二值模式特征，ULBP_B(u,v)为相位图像Φ在(u,v)处的均匀局部二值模式特征；Φ(u,v)为相位图像Φ在(u,v)处的取值；Φ_b为相位图像Φ在(u,v)处的B个邻域点的取值，b取0～B-1，则Φ_b＝{Φ₀,Φ₁,...,Φ_B-1}，B取值为8，则Φ₀,Φ₁,...,Φ₇分别对应Φ(u+1,v)、Φ(u+1,v+1)、Φ(u,v+1)、Φ(u-1,v+1)、Φ(u-1,v)、Φ(u-1,v-1)、Φ(u,v-1)和Φ(u-1,v+1)；当Φ_b≥Φ(u,v)时，t[Φ_b-Φ(u,v)]＝1，当Φ_b＜Φ(u,v)时，t[Φ_b-Φ(u,v)]＝0；

步骤(12)：利用步骤(11)得到的均匀局部二值模式特征ULBP_B，计算均匀局部二值模式直方图，组合成均匀局部二值模式直方图特征F₃，计算方法如下：

F₃＝hist[ULBP_B(u,v)]＝[f₀,f₁,f₂,...,f_B+1]

其中，ULBP_B(u,v)为相位图像Φ在(u,v)处的均匀局部二值模式特征，均匀局部二值模式直方图的分组个数为B+2，hist[·]为取直方图操作，f_k为直方图中取值为k的直方图分组中的元素个数，k取0～B+1；

步骤(13)计算步骤(1)得到的色调映射灰度失真图像D的邻域SSIM差异度的均值、方差、峰度和偏度，包括以下子步骤：

步骤(13.1)将色调映射灰度失真图像D划分为大小为W×W、不重叠的图像块A，A∈R^W×W，R为实数，W为图像块A的宽度或高度；图像块A在图像D中的位置记为(ε,η)，其中，ε为图像块矩阵A在图像D中的水平索引，η为图像块A在图像D中的的垂直索引；

步骤(13.2)计算得到图像块A与其上、右上、右、右下、下、左下、左、和左上邻域图像块之间的邻域结构相似性数值；将图像块A上、右上、右、右下、下、左下、左、和左上邻域图像块(如图2所示)分别记为A1(ε,η)、A2(ε,η)、A3(ε,η)、A4(ε,η)、A5(ε,η)、A6(ε,η)、A7(ε,η)和A8(ε,η)，图像块A与其上、右上、右、右下、下、左下、左、和左上邻域图像块(如图3所示)之间的邻域结构相似性数值分别记为S1(ε,η)、S2(ε,η)、S3(ε,η)、S4(ε,η)、S5(ε,η)、S6(ε,η)、S7(ε,η)和S8(ε,η)，以计算S1(ε,η)为例，其计算公式为：

S1(ε,η)＝SSIM[A1(ε,η),A(ε,η)]

其中，A(ε,η)为(ε,η)位置的图像块，A1(ε,η)为(ε,η)位置邻域上方位置的图像块；SSIM[·]为计算两个图像块之间的SSIM数值函数，通过调用MATLAB的SSIM子函数实现，采用的方法为Wang Zhou的算法[Zhou Wang,Alan Conrad Bovik,Hamid Rahim Sheikh,Image Quality Assessment:From Error Visibility to Structural Similarity,IEEETransactions on Image Processing,vol.13,pp.600-612,2004.]，其他邻域结构相似性数值可以用类似的方法求得；

步骤(13.3)计算步骤(13.2)得到的图像块A的八个邻域结构相似性数值S1(ε,η)、S2(ε,η)、S3(ε,η)、S4(ε,η)、S5(ε,η)、S6(ε,η)、S7(ε,η)和S8(ε,η)的均值，记为SA(p,q)；

步骤(13.4)比较八个邻域结构相似性数值S1(ε,η)、S2(ε,η)、S3(ε,η)、S4(ε,η)、S5(ε,η)、S6(ε,η)、S7(ε,η)和S8(ε,η)与SA(ε,η)的大小；分别得到八个邻域结构相似性对比值(如图4所示)L1(ε,η)、L2(ε,η)、L3(ε,η)、L4(ε,η)、L5(ε,η)、L6(ε,η)、L7(ε,η)和L8(ε,η)，计算L1(ε,η)为例，其计算公式为：

步骤(13.5)将步骤(13.4)得到的八个邻域结构相似性对比值按L1(ε,η)、L2(ε,η)、L3(ε,η)、L4(ε,η)、L5(ε,η)、L6(ε,η)、L7(ε,η)和L8(ε,η)的顺序组成0-1二进制序列，并将该二进制序列转换成十进制整数；该十进制整数为图像块A的邻域结构相似性差异度，记为Q(ε,η)；

步骤(13.6)计算步骤(13.5)得到的邻域结构相似性差异度Q(ε,η)在一幅图像D中的均值、方差、峰度和偏度，记为μ_Q、σ_Q、β_Q和γ_Q，计算公式如下：

其中，W_Q为邻域结构相似性差异度Q(ε,η)的水平索引最大值，H_Q为邻域结构相似性差异度Q(ε,η)的垂直索引最大值，λ为邻域结构相似性差异度的总个数，即λ＝W_Q×H_Q；

步骤(14)：采用步骤(13.6)得到的均值μ_Q、方差σ_Q、峰度β_Q和偏度γ_Q组成邻域结构相似性差异特征F₄，采用组合公式如下：

F₄＝[μ_Q,σ_Q,β_Q,γ_Q]

步骤(15)：采用步骤(5)得到的梯度特征F₁、步骤(7)得到的最小方向曲率特征F₂、步骤(12)得到的均匀局部二值模式直方图特征F₃和步骤(14)得到的邻域结构相似性差异特征F₄组合成总的图像质量评价特征F，采用组合公式如下：

F＝[F₁,F₂,F₃,F₄]

步骤(16)：将步骤(15)得到的图像质量评价特征F和ESPL-LIVE HDR图像数据库中对应的平均主观意见分(Mean Opinion Score，MOS)送到支持向量回归机中进行训练，得到训练后的支持向量回归机；

步骤(17)：将测试集图像同样按步骤(1)到步骤(15)的流程提取出特征向量F，送到步骤(16)训练后的支持向量回归机中进行测试，得到客观的图像质量评价结果；以上步骤中支持向量回归机采用台湾大学开发的Libsvm支持向量机工具包进行训练和测试，采用径向基函数作为核函数。

本发明首先提取梯度边缘图像在局部邻域的像素总数的均值、方差、峰度和偏度作为梯度特征，该特征充分考虑了图像失真对色调映射图像的局部边缘信息的影响；同时提取最小方向曲率的均值、方差、峰度和偏度作为最小方向曲率特征，该特征考虑了图像失真对局部曲率的影响；并提取图像块邻域的结构相似性差异度的均值、方差、峰度和偏度作为邻域结构相似性差异特征，该特征考虑了图像失真对图像块与邻域图像块之间的结构相似性差异度的影响；最后，提取相位图像的均匀局部二值模式直方图作为均匀局部二值模式直方图特征，该特征考虑了图像失真对相位图像的全部纹理特性的影响；本发明同时提取梯度邻域像素总数、最小方向曲率和结构相似性差异度的均值、方差、峰度和偏度作为作为局部特征，并提取相位图像的均匀局部二值模式直方图特征作为全局特征；在全局和局部上对图像失真度进行衡量，提高了色调映射图像质量评价的精度。

Claims (5)

1.一种基于结构相似性差异度的色调映射图像质量评价方法，其特征在于，包括以下步骤：

(1)输入色调映射彩色失真图像，并转换为色调映射灰度失真图像D。

(2)构建梯度特征F₁，包括以下子步骤：

(2.1)采用Canny算子处理步骤(1)得到的色调映射灰度失真图像D，得到梯度二值化图像G。

(2.2)计算像素点G(i,j)的N×N邻域内取值为1的邻域像素总数X(i,j)。

(2.3)计算邻域像素总数X(i,j)的均值μ_X和方差σ_X，构建梯度特征F₁＝[μ_X,σ_X]。

(3)构建最小方向曲率特征F₂，包括以下子步骤：

(3.1)构建角度为

和

的一阶导数滤波器h₀、h₁、h₂、h₃、h₄和h₅，用一阶导数滤波器分别对步骤(1)得到的色调映射灰度失真图像D进行卷积，得到对应的一阶导数d₀(i,j)、d₁(i,j)、d₂(i,j)、d₃(i,j)、d₄(i,j)和d₅(i,j)。

(3.2)构建角度为

和

的二阶导数滤波器g₀、g₁、g₂、g₃、g₄和g₅，分别对步骤(1)得到的色调映射灰度失真图像D进行卷积，得到对应的二阶导数t₀(i,j)、t₁(i,j)、t₂(i,j)、t₃(i,j)、t₄(i,j)和t₅(i,j)；

(3.3)计算色调映射灰度失真图像D在角度为

和

的方向曲率K_n(i,j)，采用公式如下：

其中，n取值为0～5；|·|为求绝对值操作；

(3.4)计算最小方向曲率K(i,j)＝minK_n(i,j)；

(3.5)计算最小方向曲率K(i,j)的均值μ_K、方差σ_K、峰度βK和偏度γ_K等，构建最小方向曲率特征F₂＝[μ_K,σ_K,β_K,γ_K]；

(4)构建均匀局部二值模式直方图特征F₃，包括以下子步骤：

(4.1)对步骤(1)得到的色调映射灰度失真图像D进行二维离散傅里叶变换，得到傅里叶变换系数Y(u,v)；

(4.2)根据傅里叶变换系数Y(u,v)得到相位图像Φ：

其中，re(Y(u,v))为Y(u,v)的实部，im(Y(u,v))为Y(u,v)的虚部，arctan(·)为求反正切操作；

(4.3)计算相位图像Φ的均匀局部二值模式特征ULBP_B：

其中，LBP_B(u,v)为相位图像Φ的局部二值模式特征；Φ_b＝{Φ₀,Φ₁,...,Φ_B-1}为Φ(u,v)的B个邻域点，且B＝8，b＝0～B-1；当Φ_b≥Φ(u,v)时，t[Φ_b-Φ(u,v)]＝1，当Φ_b＜Φ(u,v)时，t[Φ_b-Φ(u,v)]＝0；

(4.4)根据步骤(4.3)得到的均匀局部二值模式特征ULBP_B，构建均匀局部二值模式直方图特征F₃：

F₃＝hist[ULBP_B(u,v)]＝[f₀,f₁,f₂,...,f_B+1]

其中，hist[·]为取直方图操作，f_k为取值为k的直方图分组中的元素个数，k取0～B+1；

(5)构建邻域结构相似性差异特征F₄，包括以下子步骤：

(5.1)将步骤(1)得到的色调映射灰度失真图像D划分成由大小为W×W的图像块A(ε,η)组成的矩阵；

(5.2)依次计算图像块A与其上、右上、右、右下、下、左下、左、和左上邻域图像块之间的结构相似性得到邻域结构相似性数值，记为S1(ε,η)、S2(ε,η)、S3(ε,η)、S4(ε,η)、S5(ε,η)、S6(ε,η)、S7(ε,η)和S8(ε,η)，并求平均得到邻域结构相似性均值SA(ε,η)；

(5.3)依次比较步骤(5.2)得到的邻域结构相似性数值与其均值SA(ε,η)的大小得到对应的邻域结构相似性对比值L1(ε,η)、L2(ε,η)、L3(ε,η)、L4(ε,η)、L5(ε,η)、L6(ε,η)、L7(ε,η)和L8(ε,η)；当邻域结构相似性数值大于等于其均值时；邻域结构相似性对比值为1，否则为0；

(5.4)将步骤(5.3)得到的邻域结构相似性对比值按L1(ε,η)～L8(ε,η)的顺序组成二进制序列，并转换成十进制整数作为图像块A的邻域结构相似性差异度Q(ε,η)；

(5.5)计算邻域结构相似性差异度Q(ε,η)的均值μ_Q、方差σ_Q、峰度β_Q和偏度γ_Q，构建邻域结构相似性差异特征F₄＝[μ_Q,σ_Q,β_Q,γ_Q]；

(6)根据步骤(2)得到的梯度特征F₁、步骤(3)得到的最小方向曲率特征F₂、步骤(4)得到的均匀局部二值模式直方图特征F₃和步骤(5)得到的邻域结构相似性差异特征F₄构建图像质量评价特征F＝[F₁,F₂,F₃,F₄]；

(7)将步骤(6)得到的图像质量评价特征F和对应的平均主观意见分送入支持向量回归机训练；

(8)将待评价图像按步骤(1)～(7)提取图像质量评价特征F，输入步骤(7)训练好的支持向量回归机，得到图像质量评价结果。

2.根据权利要求1所述基于结构相似性差异度的色调映射图像质量评价方法，其特征在于，所述步骤(2)中Canny算子中的高斯滤波器标准差为1.5，双阈值分别为0.04和0.1。

3.根据权利要求1所述基于结构相似性差异度的色调映射图像质量评价方法，其特征在于，所述步骤(3.1)中角度为

和

的一阶导数滤波器为：

4.根据权利要求1所述基于结构相似性差异度的色调映射图像质量评价方法，其特征在于，所述步骤(3.2)中角度为

和

的二阶导数滤波器为：

5.根据权利要求1所述基于结构相似性差异度的色调映射图像质量评价方法，其特征在于，所述支持向量回归机的核函数为径向基函数。

Images