【技术实现步骤摘要】
本专利技术涉及一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法。
技术介绍
1、随着多媒体信息技术的快速发展和普及，图像已成为我们日常生活中不可或缺的一部分,人们希望能够获得更好的对比度、细节保护和自然场景真实表达的图像。采用多曝光融合(mef)或者高动态范围(hdr)成像技术获得图像在亮区域、暗区域可以获得更加丰富的自然场景信息，能够满足人们对高质量图像的需求。然而，hdr图像产品必须采用色调映射技术把hdr图像转换为标准动态范围(sdr)图像才能在普通显示器上展示，影响了hdr技术的普及。mef成像技术绕过了hdr图像的创建过程，通过在不同曝光条件下融合多个图像直接生成sdr图像，可以直接在标准显示器上播放。但是，mef图像融合的权重分配过程不合适会带来图像质量下降，尤其是曝光不足和曝光过度造成的结构和细节损失，因此迫切需要mef图像质量评价算法来自动调节mef图像的权重分配参数。
2、人们提出许多方法来解决sdr图像的图像质量评价(iqa)问题，总的来说可以分为三类：全参考(fr)、半参考(rr)和无参考(nr)。fr和rr iqa方法需要预定义的参考信息来进行比较，而无参考图像质量评价(biqa)方法则不需要。由于参考图像在实际应用中很难获得，因此无参考iqa方法的发展可能更有意义。brisque方法使用局部归一化亮度系数的场景统计来量化自然度损失。moorthy等人在空间域中将失真与基于nss模型的图像质量评估相结合，形成了diivine方法。saad等人通过离散余弦变换提出了blinds-ii方
3、现有方法主要用来评价sdr图像的质量，没有考虑mef图像中存在特定的失真，例如过度曝光和曝光不足造成的细节和结构失真。目前大部分准对sdr图像的评价方法在mefdatabase图像数据库上的实验效果并不好。而且到目前为止，专门为mef图像设计的无参考图像质量评价方法也很少。
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，包括以下步骤：
4、a.将多曝光融合图像转换i(x,y)为灰度图像g(x,y)，并计算灰度图像的平均曲率mc和高斯曲率gc；
5、b.根据平均曲率mc和高斯曲率gc的数值特点，将图像表面类型st分为多个类型；
6、c.基于所述图像表面类型st，结合对比度能量图，采用对比度能量加权st直方图统计方法，获得8维曲率统计特征向量f1；
7、d.计算图像的空间域熵和频域熵，构建信息熵统计特征f2；
8、e.将表面类型图像直方图统计特征f1和信息熵统计特征f2进行聚合，形成多个不同尺度下的质量感知特征集f；
9、f.利用随机森林rf模型将质量感知特征集f映射到图像质量评分，实现对多曝光融合图像质量的客观评价。
10、优选的，所述平均曲率mc和高斯曲率gc按照以下公式计算：
11、
12、其中，gx和gy分别为灰度图像g(x,y)在水平方向和垂直方向的一阶偏导数，gxy,gyy和gxx为二阶偏导数。
13、优选的，所述步骤b中图像表面类型(st)的分类方式如下：
14、当gc>0且mc<0时，st＝1；
15、当gc＝0且mc<0时，st＝2；
16、当gc<0且mc<0时，st＝3；
17、当gc＝0且mc＝0时，st＝4；
18、当gc<0且mc＝0时，st＝5；
19、当gc>0且mc>0时，st＝6；
20、当gc＝0且mc>0时，st＝7；
21、当gc<0且mc>0时，st＝8。
22、优选的，所述步骤c中曲率统计特征向量f1的计算方法为：
23、
24、其中n是图像像素的个数，j是图像表面类型st的编号1-8，wc为对比度能量图，共获得8维曲率统计特征向量f1。
25、优选的，所述对比度能量图wc的计算方法为：
26、
27、其中dv和dh分别是高斯函数在水平方向和垂直方向的二阶导数，o是对比度增益(设置为0.1)，γ是的最大值，μ是噪声阈值(设置为0.23)。
28、优选的，所述步骤d中的空间域熵和频域熵的计算方法包括：将图像划分为多个图像块，分别计算每个图像块的局部空间域熵和局部频域熵，并对所有图像块的局部空间域熵和所有局部频域熵分别进行二维高斯函数拟合，得到二维高斯函数的均值和偏度，结合空间域和频域的均值和偏度，形成信息熵统计特征f2。
29、优选的，所述局部空间域熵的计算方式为：
30、
31、其中，n是每一个图像块中像素值，p(n)是某个像素值的概率，s是块的编号。
32、优选的，所述局部频域熵的计算方式为：把图像通过离散余弦变换dct转换到频域，c是图像在频域每个8*8块的系数，对系数归一化，系数的概率分布p(i,j)为：
33、
34、其中i和j的值为1-8，从而得到局部频域熵为：
35、
36、其中t是块的编号。
37、优选的，所述步骤e中多尺度下的质量感知特征集f是通过在不同尺度上重复步骤a至d得到的特征集合。
38、优选的，所述步骤f中随机森林(rf)模型是通过预训练得到的，并通过如下公式将质量感知特征集f映射到质量空间得到图像质量评分：
39、q＝fm(f1,f2,...,fl)
40、其中fm(·)是预训练好的回归模型,fl是在第l尺度提取的质量感知特征。
41、与现有技术相比，本专利技术具有如下有益效果：
42、本专利技术提供一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，包括将多曝光融合图像转换i(x,y)为灰度图像g(x,y)，计算灰度图像的平均曲率mc和高斯曲率gc；根据平均曲率mc和高斯曲率gc的数值特点，将图像表面类型st分为多个类型；基于图像表面类型st，结合对比度能量图本文档来自技高网...
【技术保护点】
1.一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，结合平均曲率Mc和高斯曲率Gc提取图像结构特征，用空间域熵和频域熵提取图像信息量特征，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述平均曲率Mc和高斯曲率Gc按照以下公式计算：
3.根据权利要求1所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述步骤b中图像表面类型(ST)的分类方式如下：
4.根据权利要求1或2所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述步骤c中曲率统计特征向量F1的计算方法为：
5.根据权利要求4所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述对比度能量图Wc的计算方法为：
6.根据权利要求1所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述步骤d中的空间域熵和频域熵的计算方法包括：将图像划分为多个图像块，分别计算每个图像块
7.根据权利要求6所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述局部空间域熵的计算方式为：
8.根据权利要求6所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述局部频域熵的计算方式为：把图像通过离散余弦变换DCT转换到频域，C是图像在频域每个8*8块的系数，对系数归一化，系数的概率分布p(i,j)为：
9.根据权利要求1所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述步骤e中多尺度下的质量感知特征集F是通过在不同尺度上重复步骤a至步骤d得到的特征集合。
10.根据权利要求9所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述步骤f中随机森林(RF)模型是通过预训练得到的，并通过如下公式将质量感知特征集F映射到质量空间得到图像质量评分：
...【技术特征摘要】
1.一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，结合平均曲率mc和高斯曲率gc提取图像结构特征，用空间域熵和频域熵提取图像信息量特征，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述平均曲率mc和高斯曲率gc按照以下公式计算：
3.根据权利要求1所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述步骤b中图像表面类型(st)的分类方式如下：
4.根据权利要求1或2所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述步骤c中曲率统计特征向量f1的计算方法为：
5.根据权利要求4所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述对比度能量图wc的计算方法为：
6.根据权利要求1所述的一种基于结构和信息量感知的无参考多曝光融合图像质量评价算法，其特征在于：所述步骤d中的空间域熵和频域熵的计算方法包括：将图像划分为多个图像块，分别计算每个图像块的局部...
【专利技术属性】
技术研发人员：张立燕，马华林，
申请(专利权)人：浙江工商职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。