[發(fā)明專利]基于張量域曲率分析的高動態(tài)范圍圖像質(zhì)量評價方法

有效

• 申請?zhí)枺?/td>: 201711297233.2
• 申請日: 2017-12-08
• 公開（公告）號: CN108010023B
• 公開（公告）日: 2020-03-27
• 發(fā)明（設(shè)計）人: 蔣剛毅;于嬌文;郁梅;彭宗舉;陳芬
• 申請（專利權(quán)）人: 寧波大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90
• 代理公司: 寧波市鄞州甬致專利代理事務(wù)所(普通合伙) 33228
• 代理人: 李迎春

1.一種基于張量域曲率分析的高動態(tài)范圍圖像質(zhì)量評價方法，其特征在于，包括以下步驟：

S1、首先，在數(shù)據(jù)庫中選擇m幅圖像做為訓(xùn)練圖像集，將訓(xùn)練圖像集中的第n幅高動態(tài)范圍圖像記為S_set⁽ⁿ⁾,所述的n≤m,設(shè)所述的S_set⁽ⁿ⁾的寬度為W，高度為H；然后提取圖像S_set⁽ⁿ⁾的亮度信息，記為S_set-Y⁽ⁿ⁾；對圖像的亮度信息進行感知一致性編碼，記為S_set-PU⁽ⁿ⁾；將S_set-PU⁽ⁿ⁾分割成多個互不重疊的尺寸大小為m×m的圖像塊；

其次，采用圖像質(zhì)量評價方法SSIM對多個m×m的圖像塊進行質(zhì)量評價，得到多個圖像塊的質(zhì)量值，所述的SSIM指結(jié)構(gòu)相似度度量；然后設(shè)置多個m×m的矩陣，所述的m×m的矩陣與所述的m×m的圖像塊一一對應(yīng)；所述的m×m矩陣中的所有數(shù)值均為對應(yīng)的m×m圖像塊的質(zhì)量值；將多個m×m的矩陣按照對應(yīng)的圖像塊在第n幅圖像中的位置整合為一幅尺寸為的質(zhì)量值組成的圖像，記為P⁽¹⁾，表示向下取整；

再著，使用圖像質(zhì)量評價方法RFSIM、圖像質(zhì)量評價方法FSIM替換圖像質(zhì)量評價方法SSIM重復(fù)上述步驟，分別得到兩幅由質(zhì)量值組成的圖像，分別記為P⁽²⁾，P⁽³⁾；所述的RFSIM指變換的特征相似度度量，所述的FSIM指特征相似度度量；

最后，使用圖像質(zhì)量評價方法HDR-VDP-2.2替換圖像質(zhì)量評價方法SSIM重復(fù)上述步驟，并將上述步驟中對S_set-PU⁽ⁿ⁾的分割替換成對S_set-Y⁽ⁿ⁾的分割，得到另外一幅由質(zhì)量值組成的圖像，記為P⁽⁴⁾；

S2、將高動態(tài)范圍圖像S_set⁽ⁿ⁾以三階張量形式進行表示，記為U_HDR；再使用張量分解算法中的Tucker3分解算法對U_HDR進行張量分解，獲得其核張量，記為V_HDR；將V_HDR的第1個通道作為V_HDR的子帶一，記為B⁽¹⁾，將V_HDR的第2個通道作為V_HDR的子帶二，記為B⁽²⁾，將V_HDR的第3個通道作為V_HDR的子帶三，記為B⁽³⁾；其中，每一個子帶的寬度為W，高度為H；對子帶一B⁽¹⁾做一階偏導(dǎo)數(shù)與二階偏導(dǎo)數(shù)，分別記為B_x⁽¹⁾，B_y⁽¹⁾與B_xx⁽¹⁾，B_xy⁽¹⁾，B_yy⁽¹⁾；根據(jù)平均曲率高斯曲率分別計算B⁽¹⁾的平均曲率圖與高斯曲率圖，并分別記為C_m⁽¹⁾，C_g⁽¹⁾；然后分別對C_m⁽¹⁾、C_g⁽¹⁾的數(shù)值進行分類，分別分為大于0、小于0及等于0這三類，接著將C_m⁽¹⁾與C_g⁽¹⁾的數(shù)值類型兩兩組合，得到9種組合類型，對每一種組合類型設(shè)置一個平面類型標簽，標簽編號為1～9；根據(jù)子帶一的C_m⁽¹⁾與C_g⁽¹⁾的分類組合過程，子帶一得到一幅由1～9構(gòu)成的平面類型標簽圖，記為ST_B⁽¹⁾；依次使用子帶二，子帶三替換子帶一重復(fù)上述步驟中的計算平面類型標簽的過程，得到另外兩幅由1～9構(gòu)成的平面類型標簽圖，分別記為ST_B⁽²⁾與ST_B⁽³⁾；將平面類型標簽圖ST_B⁽¹⁾，ST_B⁽²⁾與ST_B⁽³⁾以及平均曲率圖C_m⁽¹⁾的尺寸分別置為

S3、隨機地分別從平面類型標簽圖ST_B⁽¹⁾，ST_B⁽²⁾與ST_B⁽³⁾，平均曲率圖C_m⁽¹⁾中選取位于同一位置的尺寸大小為k₁×k₁的塊，設(shè)選取的不同位置的數(shù)量為T；然后分別對從ST_B⁽¹⁾，ST_B⁽²⁾與ST_B⁽³⁾中所選取的塊中提取其直方圖統(tǒng)計特征，并分別記為f₁，f₂與f₃，其中f₁，f₂與f₃的維數(shù)分別為9×1；對從C_m⁽¹⁾中選取的塊提取其均值、方差、峰度、偏度這四個特征，記為f₄；最后將f₁，f₂，f₃與f₄排成一列，對其進行歸一化處理，得到特征向量f，其中f的維數(shù)為31×1；

S4、從質(zhì)量值組成的圖像P⁽¹⁾，P⁽²⁾，P⁽³⁾與P⁽⁴⁾選取與步驟S3中相同位置的塊；對選取的塊作均值處理，分別記為l₁，l₂，l₃與l₄；將l₁，l₂，l₃與l₄排為一列，并對其進行歸一化處理，構(gòu)成標簽向量l，其中l(wèi)的維數(shù)為4×1；

將同一位置的塊的特征向量f以及對應(yīng)的標簽向量l排為一列，則共有T列，構(gòu)成訓(xùn)練樣本矩陣；采用K-SVD算法對訓(xùn)練樣本矩陣進行稀疏訓(xùn)練，得到對應(yīng)于特征向量f的稀疏字典D_f以及對應(yīng)于標簽向量l的稀疏字典D_l；

S5、將待評價的高動態(tài)范圍的圖像記為S_dis，經(jīng)過步驟S2后得到三幅平面類型標簽圖與平均曲率圖，分別記為ST_{B_dis}⁽¹⁾、ST_{B_dis}⁽²⁾、ST_{B_dis}⁽³⁾與C_{m_dis}⁽¹⁾；將ST_{B_dis}⁽¹⁾、ST_{B_dis}⁽²⁾、ST_{B_dis}⁽³⁾與C_{m_dis}⁽¹⁾分別分割成多個互不重疊的尺寸大小為k₁×k₁的塊i；然后對每一個塊i按照步驟S3中的特征選取過程提取特征向量

S6、根據(jù)每一個塊i的特征向量以及對應(yīng)于特征向量f的稀疏字典D_f，利用OMP算法，提取塊i的稀疏系數(shù)將稀疏系數(shù)與對應(yīng)于標簽向量l的稀疏字典D_l相乘得到重建的標簽向量對每一個塊的重建的標簽向量按照塊在圖像中的位置整合為一個尺寸為的標簽矩陣，記為F_dis；

S7、將標簽矩陣F_dis分割為多個互不重疊尺寸大小為k₂×k₂×4的塊；對每一個塊做均值處理；將每一個塊的均值按塊在圖像中的位置依次按行排列，得到一個維的特征向量，記為h₁；

S8、提取待評價的高動態(tài)范圍的圖像S_dis的亮度信息，記為S_{dis_Y}；將亮度信息S_{dis_Y}進行感知一致性編碼，記為S_{dis_PU}；然后對S_{dis_PU}中每個像素點做去均值與對比度歸一化處理，并計算每個像素點的MSCN值；最后采用廣義高斯分布對所有像素的MSCN值做直方圖擬合，得到擬合參數(shù)：α與σ_g²；將其組成特征向量，記為h₂，其維度為2×1；

S9、根據(jù)步驟S8提取一個像素點的MSCN值；然后再根據(jù)S8提取該像素點的右臨接像素點的MSCN值；將這兩個MSCN值相乘作為該像素點的相鄰MSCN系數(shù)；最后采用AGGD對所有像素點的相鄰MSCN系數(shù)做直方圖擬合，得到擬合參數(shù)：η，ν，σ_l²與σ_r²；將這四個參數(shù)組成特征向量，記為h₃，其維度為4×1；

S10、將h₁，h₂和h₃按序構(gòu)成一個S_dis的感知質(zhì)量特征向量，記為H，H＝[h₁,h₂,h₃]；

S11、將H作為輸入，結(jié)合隨機森林技術(shù)，計算得到S_dis的客觀質(zhì)量評價值Q，Q越大，則表示待評價的高動態(tài)范圍的圖像S_dis的圖像質(zhì)量越好。