[發(fā)明專利]一種基于局部特征的色調(diào)映射圖像質(zhì)量客觀評價(jià)方法

有效

• 申請?zhí)枺?/td>: 201710164244.7
• 申請日: 2017-03-20
• 公開（公告）號: CN107040775B
• 公開（公告）日: 2019-01-15
• 發(fā)明（設(shè)計(jì)）人: 邵楓;姜求平;李福翠
• 申請（專利權(quán)）人: 寧波大學(xué)
• 主分類號: H04N17/00
• 分類號: H04N17/00
• 代理公司: 寧波奧圣專利代理事務(wù)所(普通合伙) 33226
• 代理人: 周玨

1.一種基于局部特征的色調(diào)映射圖像質(zhì)量客觀評價(jià)方法，其特征在于包括以下步驟：

①選取N幅原始的自然圖像構(gòu)成訓(xùn)練圖像集，記為{I_i,org|1≤i≤N}，其中，N≥1，1≤i≤N，I_i,org表示{I_i,org|1≤i≤N}中的第i幅圖像，原始的自然圖像的寬度為W，原始的自然圖像的高度為H，W和H均能夠被8整除；

②對{I_i,org|1≤i≤N}中的每幅圖像進(jìn)行非重疊的分子塊處理；然后采用最小角回歸方法，對{I_i,org|1≤i≤N}中的所有圖像中的子塊構(gòu)成的集合進(jìn)行字典訓(xùn)練操作，構(gòu)造得到{I_i,org|1≤i≤N}的目標(biāo)訓(xùn)練字典，記為D，D＝[d₁…d_k…d_K]；其中，D的維數(shù)為64×K，K表示設(shè)定的字典原子的個(gè)數(shù)，K≥1，符號“[]”為矢量表示符號，d₁、d_k和d_K的維數(shù)均為64×1，d₁表示D中的第1個(gè)字典原子，d_k表示D中的第k個(gè)字典原子，d_K表示D中的第K個(gè)字典原子，1≤k≤K；

③將一幅色調(diào)映射圖像記為{I(x,y)}，其中，(x,y)表示{I(x,y)}中的像素點(diǎn)的坐標(biāo)位置，1≤x≤W'，1≤y≤H'，W'表示{I(x,y)}的寬度，H'表示{I(x,y)}的高度，W'和H'均能夠被8整除，I(x,y)表示{I(x,y)}中坐標(biāo)位置為(x,y)的像素點(diǎn)的像素值；

④對{I(x,y)}在9個(gè)不同尺度下的中間圖像分別進(jìn)行非重疊的分子塊處理；然后根據(jù)構(gòu)造得到的{I_i,org|1≤i≤N}的目標(biāo)訓(xùn)練字典D，并采用最小角回歸方法，優(yōu)化重構(gòu){I(x,y)}在每個(gè)尺度下的中間圖像中的所有子塊構(gòu)成的集合中的每個(gè)列向量的稀疏系數(shù)矩陣；接著根據(jù){I(x,y)}在每個(gè)尺度下的中間圖像中的所有子塊構(gòu)成的集合中的每個(gè)列向量的稀疏系數(shù)矩陣，獲得{I(x,y)}的局部信息量特征，記為F_SE，其中，F(xiàn)_SE的維數(shù)為9×1；

⑤將構(gòu)造得到的{I_i,org|1≤i≤N}的目標(biāo)訓(xùn)練字典D中的所有字典原子分成3類，并獲取屬于每類的所有字典原子在D中的位置；然后對{I(x,y)}進(jìn)行非重疊的分子塊處理；接著根據(jù)D，并采用最小角回歸方法，優(yōu)化重構(gòu){I(x,y)}中的所有子塊構(gòu)成的集合中的每個(gè)列向量的稀疏系數(shù)矩陣；之后根據(jù){I(x,y)}中的所有子塊構(gòu)成的集合中的每個(gè)列向量的稀疏系數(shù)矩陣和屬于每類的所有字典原子在D中的位置，獲得{I(x,y)}的局部結(jié)構(gòu)保持特征，記為F_PA，其中，F(xiàn)_PA的維數(shù)為3×1；

所述的步驟⑤中的F_PA的獲取過程為：

⑤_1、將構(gòu)造得到的{I_i,org|1≤i≤N}的目標(biāo)訓(xùn)練字典D中的每個(gè)字典原子中的64個(gè)元素分解成不同的低頻子帶、中頻子帶和高頻子帶；然后計(jì)算D中的每個(gè)字典原子中屬于相同的低頻子帶的所有元素的均值、屬于相同的中頻子帶的所有元素的均值、屬于相同的高頻子帶的所有元素的均值，將d_k中屬于相同的低頻子帶的所有元素的均值、屬于相同的中頻子帶的所有元素的均值、屬于相同的高頻子帶的所有元素的均值對應(yīng)記為μ_k,1、μ_k,2、μ_k,3；接著將D中的每個(gè)字典原子中屬于相同的低頻子帶的所有元素的均值、屬于相同的中頻子帶的所有元素的均值、屬于相同的高頻子帶的所有元素的均值按序排列，得到D中的每個(gè)字典原子的特征矢量，將d_k的特征矢量記為μ_k，μ_k＝[μ_k,1,μ_k,2,μ_k,3]；再將D中的所有字典原子的特征矢量構(gòu)成的集合記為{μ_k|1≤k≤K}；其中，μ_k的維數(shù)為3×1；

⑤_2、根據(jù){μ_k|1≤k≤K}中的所有特征矢量，并采用K-mean聚類方法，將D中的所有字典原子分成3類；然后將屬于第一類的所有字典原子構(gòu)成的子字典記為D₁，將屬于第二類的所有字典原子構(gòu)成的子字典記為D₂，將屬于第三類的所有字典原子構(gòu)成的子字典記為D₃；并將D₁中的所有字典原子在D中的位置構(gòu)成的集合記為p₁，將D₂中的所有字典原子在D中的位置構(gòu)成的集合記為p₂，將D₃中的所有字典原子在D中的位置構(gòu)成的集合記為p₃；

⑤_3、將{I(x,y)}劃分成個(gè)互不重疊的尺寸大小為8×8的子塊；然后將{I(x,y)}中的所有子塊構(gòu)成的集合記為其中，表示由{I(x,y)}中的第t'個(gè)子塊中的所有像素點(diǎn)組成的列向量，用于描述{I(x,y)}中的第t'個(gè)子塊，的維數(shù)為64×1；

⑤_4、根據(jù)構(gòu)造得到的{I_i,org|1≤i≤N}的目標(biāo)訓(xùn)練字典D，優(yōu)化重構(gòu)中的每個(gè)列向量的稀疏系數(shù)矩陣，將中的第t'個(gè)列向量的稀疏系數(shù)矩陣記為是采用最小角回歸方法求解得到的，其中，的維數(shù)為K×1，符號“||||₂”為求取矩陣的2-范數(shù)符號，“||||₀”為求取矩陣的0-范數(shù)符號，τ為誤差系數(shù)；

⑤_5、計(jì)算{I(x,y)}中的所有子塊在3個(gè)不同分類下的原子能動性，將{I(x,y)}中的所有子塊在第h個(gè)分類下的原子能動性記為PA_h，

其中，1≤h≤3，表示將中所有稀疏系數(shù)值為非0的元素的稀疏系數(shù)值置為1，v＝[v(1)…v(k)…v(K)]，v(1)表示v中的第1個(gè)元素的值，v(k)表示v中的第k個(gè)元素的值，v(K)表示v中的第K個(gè)元素的值；

⑤_6、將{I(x,y)}中的所有子塊在不同分類下的原子能動性按序排列，獲得{I(x,y)}的局部結(jié)構(gòu)保持特征F_PA，F(xiàn)_PA＝[PA₁,PA₂,PA₃]，其中，PA₁表示{I(x,y)}中的所有子塊在第1個(gè)分類下的原子能動性，PA₂表示{I(x,y)}中的所有子塊在第2個(gè)分類下的原子能動性，PA₃表示{I(x,y)}中的所有子塊在第3個(gè)分類下的原子能動性；

⑥將F_SE和F_PA構(gòu)成{I(x,y)}的局部特征矢量，記為F，F(xiàn)＝[F_SE,F_PA]，其中，[F_SE,F_PA]表示將F_SE和F_PA連接起來形成一個(gè)局部特征矢量，F(xiàn)的維數(shù)為12×1；

⑦將n幅色調(diào)映射圖像構(gòu)成色調(diào)映射圖像集合，利用主觀質(zhì)量評價(jià)方法獲取色調(diào)映射圖像集合中的每幅色調(diào)映射圖像的平均主觀評分差值，將色調(diào)映射圖像集合中的第g₁幅色調(diào)映射圖像的平均主觀評分差值記為然后按照步驟④至步驟⑥中獲取一幅色調(diào)映射圖像的局部特征矢量F的操作，以相同的方式獲取色調(diào)映射圖像集合中的每幅色調(diào)映射圖像的局部特征矢量，將色調(diào)映射圖像集合中的第g₁幅色調(diào)映射圖像的局部特征矢量記為其中，n＞1，1≤g₁≤n，的維數(shù)為12×1；

⑧隨機(jī)選擇色調(diào)映射圖像集合中的m幅色調(diào)映射圖像構(gòu)成訓(xùn)練集，將色調(diào)映射圖像集合中剩余的n-m幅色調(diào)映射圖像構(gòu)成測試集；接著將訓(xùn)練集中的所有色調(diào)映射圖像各自的局部特征矢量和平均主觀評分差值構(gòu)成訓(xùn)練樣本數(shù)據(jù)集合；然后采用支持向量回歸作為機(jī)器學(xué)習(xí)的方法，對訓(xùn)練樣本數(shù)據(jù)集合中的所有局部特征矢量進(jìn)行訓(xùn)練，使得經(jīng)過訓(xùn)練得到的回歸函數(shù)值與平均主觀評分差值之間的誤差最小，擬合得到最優(yōu)的權(quán)重矢量w^opt和最優(yōu)的偏置項(xiàng)b^opt；再利用得到的最優(yōu)的權(quán)重矢量w^opt和最優(yōu)的偏置項(xiàng)b^opt構(gòu)造色調(diào)映射圖像的支持向量回歸訓(xùn)練模型，記為其中，1≤m＜n，f()為函數(shù)表示形式，F(xiàn)_inp表示色調(diào)映射圖像的支持向量回歸訓(xùn)練模型的輸入矢量，F(xiàn)_inp的維數(shù)為12×1，(w^opt)^T為w^opt的轉(zhuǎn)置，表示色調(diào)映射圖像的支持向量回歸訓(xùn)練模型的輸入矢量F_inp的線性函數(shù)；

⑨將測試集中的所有色調(diào)映射圖像各自的局部特征矢量構(gòu)成測試樣本數(shù)據(jù)集合；然后根據(jù)構(gòu)造得到的色調(diào)映射圖像的支持向量回歸訓(xùn)練模型，對測試樣本數(shù)據(jù)集合中的每個(gè)局部特征矢量進(jìn)行測試，預(yù)測得到測試樣本數(shù)據(jù)集合中的每個(gè)局部特征矢量對應(yīng)的色調(diào)映射圖像的客觀質(zhì)量評價(jià)預(yù)測值，將測試樣本數(shù)據(jù)集合中的第q個(gè)局部特征矢量對應(yīng)的色調(diào)映射圖像的客觀質(zhì)量評價(jià)預(yù)測值記為Q_q，Q_q＝f(F_q)，其中，1≤q≤n-m，F(xiàn)_q表示測試樣本數(shù)據(jù)集合中的第q個(gè)局部特征矢量，F(xiàn)_q的維數(shù)為12×1，表示測試樣本數(shù)據(jù)集合中的第q個(gè)局部特征矢量的線性函數(shù)；

⑩重復(fù)執(zhí)行步驟⑧至步驟⑨共P次，并使色調(diào)映射圖像集合中的每幅色調(diào)映射圖像至少有一次屬于測試集，經(jīng)過P次執(zhí)行后計(jì)算色調(diào)映射圖像集合中的每幅色調(diào)映射圖像的若干個(gè)客觀質(zhì)量評價(jià)預(yù)測值的平均值，再將色調(diào)映射圖像集合中的每幅色調(diào)映射圖像的客觀質(zhì)量評價(jià)預(yù)測值的平均值作為該幅色調(diào)映射圖像的最終的客觀質(zhì)量評價(jià)預(yù)測值，其中，P的取值大于100。