基于张量空间的无参考高动态范围图像客观质量评价方法技术

本发明专利技术公开了一种基于张量空间的无参考高动态范围图像客观质量评价方法，其从图像数据本身出发，用三阶张量表示彩色的高动态范围图像，然后通过张量分解中的Tucker分解算法，对失真高动态范围图像进行张量分解，从而得到三个特征图像，即第一特征图像、第二特征图像和第三特征图像，三个特征图像中融合了高动态范围图像的颜色信息，接着提取第一特征图像的流形结构特征和第二、三特征图像的感知细节对比度特征，再利用机器学习中的支持向量回归的方法计算失真高动态范围图像的客观质量评价值，从而实现了无参考的彩色高动态范围图像的质量客观评价，评价效果明显提高，从而有效地提高客观评价结果与主观感知之间的相关性。

【技术实现步骤摘要】
基于张量空间的无参考高动态范围图像客观质量评价方法
本专利技术涉及一种图像质量评价方法，尤其是涉及一种基于张量空间的无参考高动态范围图像客观质量评价方法。
技术介绍
近年来，随着光学成像技术和数字处理技术的快速发展，高动态范围(HighDynamicRange，HDR)图像以其更大的亮度范围、丰富的细节信息以及给人更好的视觉感受，吸引了越来越多的研究者的广泛关注。与低动态范围(LowDynamicRange，LDR)图像类似，高动态范围图像在获取、压缩、存储和传输时也会存在不同程度的失真，这些失真会影响高动态范围图像的视觉效果，因此如何构建有效的高动态范围图像质量评价方法具有重要价值。主观质量评价方法需针对多个测试图像进行多次重复实验，耗时多、费用高，难以操作，因此需要一种客观质量评价方法。依据对参考图像的依赖程度，客观质量评价方法可分为全参考、半参考和无参考三类客观质量评价方法。典型的全参考低动态范围图像客观质量评价方法，如基于像素误差统计的均方误差(MeanSquareError，MSE)方法，其计算简单，但是不能很好地与人的主观感知保持一致；王周等提出的基于结构相似度(StructuralSimilarity，SSIM)的方法，其通过比较参考图像与失真图像的结构、亮度及对比度信息来综合评价失真图像的质量，取得了不错的效果。随着研究的快速发展，全参考客观质量评价方法的准确性越来越好，但是其缺点是需要提供无失真的参考图像，这在实际应用中往往很难得到。无参考客观质量评价方法由于不需要无失真的参考图像的任何信息，仅根据失真图像就可以评估失真图像的质量，因此已成为机器视觉和图像处理领域的一个研究热点。典型的无参考低动态范围图像客观质量评价方法，如Moorthy等人提出的基于自然场景统计(NaturalSceneStatistic，NSS)的方法(DistortionIdentification-basedImageVerityandINtegrityEvaluation，DIIVINE)，其在低动态范围图像的质量评价上取得了不错的效果。低动态范围图像客观质量评价方法通常用于亮度值在0.1～100cd/m2范围内的伽马编码的图像，而高动态范围图像具有更高的亮度范围，因此，不能直接将上述的低动态范围图像客观质量评价方法直接应用于评价高动态范围图像的质量。对于高动态范围图像的质量评价，目前代表性的方法是Mantiuk等提出的视觉差异预测方法HDR-VDP-2及其权重修正的HDR-VDP-2.2算法，这两种方法为全参考高动态范围图像客观质量评价方法，其较好地模拟了人类视觉系统对高动态范围图像的高亮度范围的感知，因此这两种方法得到了广泛地应用。但是，由于这两种方法只考虑了高动态范围图像的高亮度范围特征，而忽略了颜色特征，因此这两种方法存在一定的局限性。学术界对于高动态范围图像的质量评价研究较少，目前仍缺乏有效的无参考高动态范围图像客观质量评价方法，但在实际应用中，无参考高动态范围图像客观质量评价方法是最现实的选择，因此，无参考高动态范围图像客观质量评价方法是一个迫切需要解决的问题。优异的高动态范围图像客观质量评价方法应能够很好地反映人眼视觉感知特性，而传统的图像质量评价方法大都在灰度域进行，忽略了颜色信息，这与人眼视觉感知不符，尤其对色彩鲜明的高动态范围图像。张量能够完整地表示高维数据并且能够维持高维数据的本征结构信息，且流形学习能够较好地帮助找到图像在低维流形中的内在几何结构，反映出事物的非线性流形的本质，因此研究一种基于张量空间的无参考高动态范围图像客观质量评价方法很有必要。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于张量空间的无参考高动态范围图像客观质量评价方法，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。本专利技术解决上述技术问题所采用的技术方案为：一种基于张量空间的无参考高动态范围图像客观质量评价方法，其特征在于包括以下步骤：①将待评价的失真高动态范围图像记为Sdis；然后将Sdis以三阶张量形式进行表示，记为Vdis；接着利用Tucker3分解算法对Vdis进行张量分解，获得Vdis的核张量，记为ξdis；再将ξdis的第1个通道作为Sdis的第一特征图像，将ξdis的第2个通道作为Sdis的第二特征图像，将ξdis的第3个通道作为Sdis的第三特征图像；其中，Sdis的宽度为W且高度为H；②选取N幅场景各不相同而存储格式均与Sdis的存储格式相同的无失真高动态范围图像构成训练图像集，将训练图像集中的第n幅无失真高动态范围图像记为Sorg-n；然后将训练图像集中的每幅无失真高动态范围图像以三阶张量形式进行表示，将Sorg-n的三阶张量形式记为Vorg-n；接着利用Tucker3分解算法对训练图像集中的每幅无失真高动态范围图像的三阶张量形式进行张量分解，获得训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量，将Vorg-n的核张量记为ξorg-n；再将训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量的第1个通道作为该幅无失真高动态范围图像的第一特征图像，将ξorg-n的第1个通道作为Sorg-n的第一特征图像；其中，N>1，1≤n≤N，Sorg-n的宽度也为W且高度也为H；③将训练图像集中的每幅无失真高动态范围图像的第一特征图像划分为个互不重叠的尺寸大小为m×m的图像块；然后从训练图像集中的所有无失真高动态范围图像的第一特征图像中，共随机选取T个图像块；接着将选取的每个图像块中的所有像素点的像素值按序排列构成一个维数为(m×m)×1的列向量，并将选取的每个图像块对应的列向量作为一个训练样本；再将T个训练样本构成一个维数为(m×m)×T的训练样本矩阵，记为X；其中，m的值为4或8或16，符号为向下取整运算符号，④利用主成分分析方法对X进行降维和白化处理，得到降维和白化处理后的矩阵，记为Xw；然后利用正交保持投影算法对Xw进行训练，获取Xw的最佳投影矩阵，记为W；其中，W的维数为m×(m×m)；⑤将Sdis的第一特征图像划分为个互不重叠的尺寸大小为m×m的图像块；然后对Sdis的第一特征图像中的每个图像块进行去均值操作；接着将每个去均值操作后的图像块中的所有像素点的像素值按序排列构成一个维数为(m×m)×1的列向量，将第k个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量记为yk；再根据yk和W，计算yk的流形特征向量，记为dk，dk＝W×yk；再将Sdis的第一特征图像中的所有图像块对应的流形特征向量构成Sdis的流形特征矩阵，记为D，D＝[d1,d2,...,dk,...,dK]；之后利用广义高斯分布对D进行直方图拟合，得到拟合参数：Sdis的第一特征图像中的所有像素点的像素值的均值μ1、处理Sdis的第一特征图像时广义高斯分布中的形状参数α1、处理Sdis的第一特征图像时广义高斯分布中的尺度参数β1，并将μ1、α1和β1作为流形结构特征的质量相关因子；最后将μ1、α1和β1按序排列构成Sdis的第一特征图像的流形结构特征的质量相关因子向量，作为Sdis的第一质量相关因子向量，记为f1，f1＝[μ1,α1,β1]；其中，1≤k≤K，yk的维数为本文档来自技高网...

【技术保护点】
一种基于张量空间的无参考高动态范围图像客观质量评价方法，其特征在于包括以下步骤：①将待评价的失真高动态范围图像记为Sdis；然后将Sdis以三阶张量形式进行表示，记为Vdis；接着利用Tucker3分解算法对Vdis进行张量分解，获得Vdis的核张量，记为ξdis；再将ξdis的第1个通道作为Sdis的第一特征图像，将ξdis的第2个通道作为Sdis的第二特征图像，将ξdis的第3个通道作为Sdis的第三特征图像；其中，Sdis的宽度为W且高度为H；②选取N幅场景各不相同而存储格式均与Sdis的存储格式相同的无失真高动态范围图像构成训练图像集，将训练图像集中的第n幅无失真高动态范围图像记为Sorg‑n；然后将训练图像集中的每幅无失真高动态范围图像以三阶张量形式进行表示，将Sorg‑n的三阶张量形式记为Vorg‑n；接着利用Tucker3分解算法对训练图像集中的每幅无失真高动态范围图像的三阶张量形式进行张量分解，获得训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量，将Vorg‑n的核张量记为ξorg‑n；再将训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量的第1个通道作为该幅无失真高动态范围图像的第一特征图像，将ξorg‑n的第1个通道作为Sorg‑n的第一特征图像；其中，N>1，1≤n≤N，Sorg‑n的宽度也为W且高度也为H；③将训练图像集中的每幅无失真高动态范围图像的第一特征图像划分为...

【技术特征摘要】
1.一种基于张量空间的无参考高动态范围图像客观质量评价方法，其特征在于包括以下步骤：①将待评价的失真高动态范围图像记为Sdis；然后将Sdis以三阶张量形式进行表示，记为Vdis；接着利用Tucker3分解算法对Vdis进行张量分解，获得Vdis的核张量，记为ξdis；再将ξdis的第1个通道作为Sdis的第一特征图像，将ξdis的第2个通道作为Sdis的第二特征图像，将ξdis的第3个通道作为Sdis的第三特征图像；其中，Sdis的宽度为W且高度为H；②选取N幅场景各不相同而存储格式均与Sdis的存储格式相同的无失真高动态范围图像构成训练图像集，将训练图像集中的第n幅无失真高动态范围图像记为Sorg-n；然后将训练图像集中的每幅无失真高动态范围图像以三阶张量形式进行表示，将Sorg-n的三阶张量形式记为Vorg-n；接着利用Tucker3分解算法对训练图像集中的每幅无失真高动态范围图像的三阶张量形式进行张量分解，获得训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量，将Vorg-n的核张量记为ξorg-n；再将训练图像集中的每幅无失真高动态范围图像的三阶张量形式的核张量的第1个通道作为该幅无失真高动态范围图像的第一特征图像，将ξorg-n的第1个通道作为Sorg-n的第一特征图像；其中，N>1，1≤n≤N，Sorg-n的宽度也为W且高度也为H；③将训练图像集中的每幅无失真高动态范围图像的第一特征图像划分为个互不重叠的尺寸大小为m×m的图像块；然后从训练图像集中的所有无失真高动态范围图像的第一特征图像中，共随机选取T个图像块；接着将选取的每个图像块中的所有像素点的像素值按序排列构成一个维数为(m×m)×1的列向量，并将选取的每个图像块对应的列向量作为一个训练样本；再将T个训练样本构成一个维数为(m×m)×T的训练样本矩阵，记为X；其中，m的值为4或8或16，符号为向下取整运算符号，④利用主成分分析方法对X进行降维和白化处理，得到降维和白化处理后的矩阵，记为Xw；然后利用正交保持投影算法对Xw进行训练，获取Xw的最佳投影矩阵，记为W；其中，W的维数为m×(m×m)；⑤将Sdis的第一特征图像划分为个互不重叠的尺寸大小为m×m的图像块；然后对Sdis的第一特征图像中的每个图像块进行去均值操作；接着将每个去均值操作后的图像块中的所有像素点的像素值按序排列构成一个维数为(m×m)×1的列向量，将第k个去均值操作后的图像块中的所有像素点的像素值按序排列构成的列向量记为yk；再根据yk和W，计算yk的流形特征向量，记为dk，dk＝W×yk；再将Sdis的第一特征图像中的所有图像块对应的流形特征向量构成Sdis的流形特征矩阵，记为D，D＝[d1,d2,...,dk,...,dK]；之后利用广义高斯分布对D进行直方图拟合，得到拟合参数：Sdis的第一特征图像中的所有像素点的像素值的均值μ1、处理Sdis的第一特征图像时广义高斯分布中的形状参数α1、处理Sdis的第一特征...

【专利技术属性】
技术研发人员：蒋刚毅，管非凡，郁梅，彭宗举，陈芬，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江,33