一种无参考高动态范围图像客观质量评价方法
专利汇可以提供一种无参考高动态范围图像客观质量评价方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种无参考高动态范围图像客观 质量 评价方法，其将图像表示成三阶张量，由于 色度 信息在高动态范围图像质量评价中具有重要作用，因此利用张量分解中的Tucker分解 算法 ，对失真高动态范围图像进行张量分解，得到融合了 亮度 失真和色度失真的第1个通道作为第一特征图像，在第一特征图像上提取失真信息，与仅在亮度通道上提取失真信息相比，第一特征图像还包含了色度通道的失真，同时数据量又与亮度通道相同，不会增加额外的数据量；将第一特征图像中提取的张量域 感知 特征向量 与支持向量回归训练模型结合，得到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高动态范围图像的客观质量评价，评价效果显著提高，且其不需要参考图像。，下面是一种无参考高动态范围图像客观质量评价方法专利的具体信息内容。
1.一种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Idis；然后将Idis表示成三阶张量的形式，记为Vdis；接着利用张量的Tucker3分解算法对Vdis进行3模式积运算，得到Vdis的核张量，记为Gdis；再将Gdis的第1个通道作为Idis的第一特征图像，记为Gdis1；其中，Idis的宽度为W且高度为H，Gdis、Gdis1的宽度也均为W、高度也均为H；
②将Gdis1中的所有像素点的像素值线性映射到专用于显示高动态范围图像的显示器的设定亮度范围0.03cd/m2～4250cd/m2内，将得到的线性映射图像记为Gdis1#；然后计算Gdis1#
2 #
中亮度值超过2400cd/m的像素点的总个数占Gdis1中的所有像素点的总个数的比例，记为Rglobal；并计算Gdis1#的动态范围，记为DRglobal， 再将Rglobal和DRglobal联合，得到Idis的全局亮度感知特征向量，记为fglobal，fglobal＝[Rglobal,DRglobal]；其中，Lmax表示Gdis1#中的所有像素点的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最大亮度值，Lmin表示Gdis1#中的所有像素点的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最小亮度值，5≤μ≤15；
③将Gdis1划分成m×n个互不重叠的尺寸大小为 的图像块，将Gdis1中的第i个
图像块记为 其中，m表示Gdis1在横向上包含的图像块的数目，n表示Gdis1在纵向上包含的图像块的数目， 符号 为向下取整运算符号，1≤i≤N，N表
示Gdis1中包含的图像块的总数目，N＝m×n；
④将Gdis1中的每个图像块中的所有像素点的像素值线性映射到专用于显示高动态范围
2 2
图像的显示器的设定亮度范围0.03cd/m ～4250cd/m内，得到Gdis1中的每个图像块对应的线性映射图像，将 对应的线性映射图像记为 然后计算Gdis1中的每个图像块对应的线性映射图像中亮度值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块对应的线性映射图像中的所有像素点的总个数的比例，将 中亮度值超过2400cd/m2的像素点的总个数占 中的所有像素点的总个数的比例记为 并计算Gdis1中的每个图像块对应的线性映射图像的动态范围，将 的动态范围记为 再将Gdis1中
的每个图像块对应的线性映射图像中亮度值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块对应的线性映射图像中的所有像素点的总个数的比例和Gdis1中的每个图像块对应的线性映射图像的动态范围联合，得到Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的第一局部亮度感知特征向量，将Idis中与 位置对应且尺寸大小相同的区域的第一局部亮度感知特征向量记为 由 和 联合得到，
其中， 表示 中的所有像素点的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最大亮度值， 表示 中的所有像素点的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最小亮度值，
5≤μ≤15；
⑤对Gdis1中的每个图像块的四周向上、向下各填充h行0像素，向左、向右各填充h列0像素，得到Gdis1中的每个图像块对应的扩充图像，扩充图像的宽度为 且高度为
将 对应的扩充图像记为 然后以块步长为1，将每幅扩充图像划分成
个相互重叠的尺寸大小为(2h+1)×(2h+1)的方块，将 中的第j个方块记为 接
着将每幅扩充图像中的所有方块的中心像素点的像素值按序排列构成一个列向量，将中的所有方块的中心像素点的像素值按序排列构成的列向量记为
并将每幅扩充图像中的每个方块中除中心像素点外的其余所有像
素点的像素值按序排列构成一个行向量，将 中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量记为 再将每幅扩充图像中的所有方块对应的行向量排列构成一个矩阵，将 中的所有方块对应的行向量排列构成的矩阵记为
其中， min()为取最小值函数，
的维数为 表示 中的第1个方块
的中心像素点的像素值， 表示 的中心像素点的像素值， 表示
中的第 个方块 的中心像素点的像素值， 也为 中的所
有像素点的像素值按序排列构成的列向量， 的维数为1×(L-1)，L表示每幅扩充图像中的每个方块中包含的像素点的总数目，L＝(2h+1)×(2h+1)， 的维数为
表示 中的第1个方块 中除中心像素点外的其余
所有像素点的像素值按序排列构成的行向量， 表示 中的第 个方
块 中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量；
⑥采用自回归模型模拟使用每幅扩充图像中的每个方块中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量对该方块的中心像素点的像素值进行预测的预测过程，得到每幅扩充图像中的每个方块的中心像素点的预测像素值，将 的中心像素点的预测像素值记为 为采用自回归模型模拟使用 对 进行预
测的预测过程得到的， 的值为 与 的乘积；然后将每幅扩充图像中的所
有方块的中心像素点的预测像素值按序排列构成一个列向量，将 中的所有方块的中心像素点的像素值按序排列构成的列向量记为 的值为 与 的
乘积；接着采用最小二乘法求解，使每幅扩充图像中的所有方块的中心像素点的预测像素值按序排列构成的列向量与每幅扩充图像中的所有方块的中心像素点的像素值按序排列构成的列向量的差异最小，得到每幅扩充图像对应的预测系数列向量的最优值，将的最优值记为 为通过采用最小二乘法求解，使 与 的差异最小获得
的；再获取每幅扩充图像中的所有方块的中心像素点的预测像素值按序排列构成的列向量的最优值，将 的最优值记为 为 与 的乘积；之后将每幅扩充图像
中的所有方块的中心像素点的预测像素值按序排列构成的列向量的最优值中的所有值排列成尺寸大小为 的图像，作为Gdis1中的每个图像块的预测块，将 的预测块记为 为 中的所有值排列成尺寸大小为 的图像；最后获取Idis中与
Gdis1中的每个图像块位置对应且尺寸大小相同的区域的局部感知预测特征向量，将Idis中与 位置对应且尺寸大小相同的区域的局部感知预测特征向量记为 其
中， 表示自回归模型中与 对应的预测系数列向量， 的维数为(L-1)×1，
为 的转置；
⑦将Gdis1中的每个图像块的预测块中的所有像素点的像素值线性映射到专用于显示高动态范围图像的显示器的设定亮度范围0.03cd/m2～4250cd/m2内，得到Gdis1中的每个图像块的预测块对应的线性映射图像，将 对应的线性映射图像记为 然后计算Gdis1中
2
的每个图像块的预测块对应的线性映射图像中亮度值超过2400cd/m的像素点的总个数占Gdis1中的每个图像块的预测块对应的线性映射图像中的所有像素点的总个数的比例，将中亮度值超过2400cd/m2的像素点的总个数占 中的所有像素点的总个数的比例
记为 并计算Gdis1中的每个图像块的预测块对应的线性映射图像的动态范围，将的动态范围记为 再将Gdis1中的每个图像块的预测
块对应的线性映射图像中亮度值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块的预测块对应的线性映射图像中的所有像素点的总个数的比例和Gdis1中的每个图像块的预测块对应的线性映射图像的动态范围联合，得到Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的第二局部亮度感知特征向量，将Idis中与 位置对应且尺寸大小相同的区域的第二局部亮度感知特征向量记为 由 和 联
合得到， 其中， 表示 中的所有像素点的亮度值按
从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最大亮度值，表示 中的所有像素点的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最小亮度值，5≤μ≤15；
⑧根据Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的局部感知预测特征向量、第一局部亮度感知特征向量、第二局部亮度感知特征向量以及Idis的全局亮度感知特征向量，获取Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的张量域感知特征向量，将Idis中与 位置对应且尺寸大小相同的区域的张量域感知特征向量记为Fi， 其中，Fi的维数为1×(L+5)；
⑨选取K幅失真高动态范围图像构成训练库；然后按照步骤①至步骤⑧的过程，以相同的方式获取训练库中的每幅失真高动态范围图像中的m×n个互不重叠的尺寸大小为的区域各自的张量域感知特征向量；再将训练库中的每幅失真高动态范围图像
的主观评价分数作为标签，将训练库中的每幅失真高动态范围图像中的m×n个互不重叠的尺寸大小为 的区域各自的张量域感知特征向量作为输入样本，采用支持向量回归技术进行训练，训练得到支持向量回归训练模型；其中，K≥30，设定训练库中的每幅失真高动态范围图像的宽度也为W、高度也为H；
⑩将Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的张量域感知特征向量作为输入参数，输入到支持向量回归训练模型中，输出Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的客观质量评价值，将Idis中与 位置对应且尺寸大小相同的区域的客观质量评价值记为qualityi；再获取Idis的客观质量评价值，记为qualitydis，
一种无参考高动态范围图像客观质量评价方法
技术领域
背景技术
发明内容
例，记为Rglobal；并计算Gdis1 的动态范围，记为DRglobal， 再将Rglobal和
DRglobal联合，得到Idis的全局亮度感知特征向量，记为fglobal，fglobal＝[Rglobal,DRglobal]；其中，Lmax表示Gdis1#中的所有像素点的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最大亮度值，Lmin表示Gdis1#中的所有像素点的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最小亮度值，5≤μ≤15；
N表示Gdis1中包含的图像块的总数目，N＝m×n；
对应的线性映射图像中的所有像素点的总个数的比例，将 中亮度值超过2400cd/m的像素点的总个数占 中的所有像素点的总个数的比例记为 并计算Gdis1中的每个图像块对应的线性映射图像的动态范围，将 的动态范围记为 再
将Gdis1中的每个图像块对应的线性映射图像中亮度值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块对应的线性映射图像中的所有像素点的总个数的比例和Gdis1中的每个图像块对应的线性映射图像的动态范围联合，得到Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的第一局部亮度感知特征向量，将Idis中与 位置对应且尺寸大小相同的区域的第一局部亮度感知特征向量记为 由 和 联合得到，
其中， 表示 中的所有像素点的亮度值按从大到小的顺序排列
再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最大亮度值， 表示 中的所有像素点的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最小亮度值，5≤μ≤15；
为 接着将每幅扩充图像中的所有方块的中心像素点的像素值按序排列构成一个列向量，将 中的所有方块的中心像素点的像素值按序排列构成的列向量记为
并将每幅扩充图像中的每个方块中除中心像素点外的其余所有像
素点的像素值按序排列构成一个行向量，将 中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量记为 再将每幅扩充图像中的所有方块对应的行向量排列构成一个矩阵，将 中的所有方块对应的行向量排列构成的矩阵记为
其中， min()为取最小值函数，
的维数为 表示 中的第1个方块
的中心像素点的像素值， 表示 的中心像素点的像素值， 表示
中的第 个方块 的中心像素点的像素值， 也为 中的所
有像素点的像素值按序排列构成的列向量， 的维数为1×(L-1)，L表示每幅扩充图像中的每个方块中包含的像素点的总数目，L＝(2h+1)×(2h+1)， 的维数为
表示 中的第1个方块 中除中心像素点外的其余
所有像素点的像素值按序排列构成的行向量， 表示 中的第 个方
块 中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量；
中的所有方块的中心像素点的预测像素值按序排列构成一个列向量，将 中的所有方块的中心像素点的像素值按序排列构成的列向量记为 的值为 与
的乘积；接着采用最小二乘法求解，使每幅扩充图像中的所有方块的中心像素点的预测像素值按序排列构成的列向量与每幅扩充图像中的所有方块的中心像素点的像素值按序排列构成的列向量的差异最小，得到每幅扩充图像对应的预测系数列向量的最优值，将 的最优值记为 为通过采用最小二乘法求解，使 与 的差异
最小获得的；再获取每幅扩充图像中的所有方块的中心像素点的预测像素值按序排列构成的列向量的最优值，将 的最优值记为 为 与 的乘积；之后将每
幅扩充图像中的所有方块的中心像素点的预测像素值按序排列构成的列向量的最优值中的所有值排列成尺寸大小为 的图像，作为Gdis1中的每个图像块的预测块，将
的预测块记为 为 中的所有值排列成尺寸大小为 的图像；最后
获取Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的局部感知预测特征向量，将Idis中与 位置对应且尺寸大小相同的区域的局部感知预测特征向量记为
其中， 表示自回归模型中与 对应的预测系数列向量， 的
维数为(L-1)×1， 为 的转置；
的比例记为 并计算Gdis1中的每个图像块的预测块对应的线性映射图像的动态范
围，将 的动态范围记为 再将Gdis1中的每个图像块的
预测块对应的线性映射图像中亮度值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块的预测块对应的线性映射图像中的所有像素点的总个数的比例和Gdis1中的每个图像块的预测块对应的线性映射图像的动态范围联合，得到Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的第二局部亮度感知特征向量，将Idis中与 位置对应且尺寸大小相同的区域的第二局部亮度感知特征向量记为 由 和
联合得到， 其中， 表示 中的所有像素点
的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最大亮度值， 表示 中的所有像素点的亮度值按从大到小的顺序排列再去除前
μ％和后μ％的亮度值后剩下的所有亮度值中的最小亮度值，5≤μ≤15；
归技术进行训练，训练得到支持向量回归训练模型；其中，K≥30，设定训练库中的每幅失真高动态范围图像的宽度也为W、高度也为H；
具体实施方式
号 为向下取整运算符号，1≤i≤N，N表示Gdis1中包含的图像块的总数目，N＝m×n。
2
记为 然后计算Gdis1中的每个图像块对应的线性映射图像中亮度值超过2400cd/m的像素点的总个数占Gdis1中的每个图像块对应的线性映射图像中的所有像素点的总个数的比例，将 中亮度值超过2400cd/m2的像素点的总个数占 中的所有像素点的总个数的比例记为 并计算Gdis1中的每个图像块对应的线性映射图像的动态范围，将 的动态范围记为 再将Gdis1中的每个图像块对应的线性映射图像中亮度
值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块对应的线性映射图像中的所有像素点的总个数的比例和Gdis1中的每个图像块对应的线性映射图像的动态范围联合，得到Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的第一局部亮度感知特征向量，将Idis中与 位置对应且尺寸大小相同的区域的第一局部亮度感知特征向量记为
由 和 联合得到， 其中， 表示 中的所有像素点的亮
度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最大亮度值， 表示 中的所有像素点的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最小亮度值，5≤μ≤15，在本实施例中取μ的值为10。
为 接着将每幅扩充图像中的所有方块的中心像素点的像素值按序排列构成一个列向量，将 中的所有方块的中心像素点的像素值按序排列构成的列向量记为
并将每幅扩充图像中的每个方块中除中心像素点外的其余所有像
素点的像素值按序排列构成一个行向量，将 中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量记为 再将每幅扩充图像中的所有方块对应的行向量排列构成一个矩阵，将 中的所有方块对应的行向量排列构成的矩阵记为
其中， min()为取最小值函数，在本实施例
中h的取值为2， 的维数为 表示 中
的第1个方块 的中心像素点的像素值， 表示 的中心像素点的像素值，
表示 中的第 个方块 的中心像素点的像素值，
也为 中的所有像素点的像素值按序排列构成的列向量， 的维数为1×(L-1)，L表
示每幅扩充图像中的每个方块中包含的像素点的总数目，L＝(2h+1)×(2h+1)，在本实施例中L的值为25， 的维数为 表示 中的第1个方块
中除中心像素点外的其余所有像素点的像素值按序排列构成的行向量， 表
示 中的第 个方块 中除中心像素点外的其余所有像素点的像素
值按序排列构成的行向量。
后将每幅扩充图像中的所有方块的中心像素点的预测像素值按序排列构成一个列向量，将中的所有方块的中心像素点的像素值按序排列构成的列向量记为
的值为 与 的乘积；接着采用现有的最小二乘法求解，使每幅扩充图像中的所
有方块的中心像素点的预测像素值按序排列构成的列向量与每幅扩充图像中的所有方块的中心像素点的像素值按序排列构成的列向量的差异最小，得到每幅扩充图像对应的预测系数列向量的最优值，将 的最优值记为 为通过采用现有的最小二乘法求
解，使 与 的差异最小获得的；再获取每幅扩充图像中的所有方块的中心像素
点的预测像素值按序排列构成的列向量的最优值，将 的最优值记为 为
与 的乘积；之后将每幅扩充图像中的所有方块的中心像素点的预测像素值按序
排列构成的列向量的最优值中的所有值排列成尺寸大小为 的图像，作为Gdis1中
的每个图像块的预测块，将 的预测块记为 为 中的所有值排列成尺寸
大小为 的图像；最后获取Idis中与Gdis1中的每个图像块位置对应且尺寸大小相
同的区域的局部感知预测特征向量，将Idis中与 位置对应且尺寸大小相同的区域的局部感知预测特征向量记为 其中， 表示自回归模型中与 对应
的预测系数列向量， 的维数为(L-1)×1， 为 的转置。
应的线性映射图像的动态范围，将 的动态范围记为
再将Gdis1中的每个图像块的预测块对应的线性映射图像中亮度值超过2400cd/m2的像素点的总个数占Gdis1中的每个图像块的预测块对应的线性映射图像中的所有像素点的总个数的比例和Gdis1中的每个图像块的预测块对应的线性映射图像的动态范围联合，得到Idis中与Gdis1中的每个图像块位置对应且尺寸大小相同的区域的第二局部亮度感知特征向量，将Idis中与位置对应且尺寸大小相同的区域的第二局部亮度感知特征向量记为 由
和 联合得到， 其中， 表示 中的
所有像素点的亮度值按从大到小的顺序排列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最大亮度值， 表示 中的所有像素点的亮度值按从大到小的顺序排
列再去除前μ％和后μ％的亮度值后剩下的所有亮度值中的最小亮度值，5≤μ≤15，在本实施例中取μ的值为10。
为输入样本，采用现有的支持向量回归(Support VectorRegression，SVR)技术进行训练，训练得到支持向量回归训练模型；其中，K≥30，在本实施例中直接从常用的高动态范围图像数据库中选取80％的失真高动态范围图像构成训练库，设定训练库中的每幅失真高动态范围图像的宽度也为W、高度也为H，在实际操作时训练库中的失真高动态范围图像的宽度和高度与Idis的宽度和高度可能一致或不一致。
本发明方法在Nantes高动态范围图像数据库上表现最优，SROCC和PLCC分别达到了0.9399和0.9502；在NFPL高动态范围图像数据库上也具有较好的预测性能，SROCC和PLCC分别达到了0.9356和0.9471，接近于全参考评价方法HDR-VDP-2的0.9564和0.9604。因此，在两个高动态范围图像数据库上按本发明方法计算得到的失真高动态范围图像的客观质量评价值与主观评价分数之间都有很好的一致性，表明了本发明方法的客观评价结果与人眼主观感知的结果较为一致，并且评价效果稳定，充分说明了本发明方法的有效性。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于机器学习的建筑匹配方法及装置 | 2020-07-22 | 2 |
| 一种基于局部参考点的快速点云配准方法 | 2023-04-15 | 0 |
| 夜晚模式镜头付着物的检测系统、终端和存储介质 | 2020-09-16 | 0 |
| 一种针对模具钢的切割加工控制方法 | 2020-06-23 | 2 |
| 数据处理方法、装置、介质及电子设备 | 2020-06-12 | 2 |
| 一种典型环境下智能电能表可靠性综合评价模型 | 2020-06-24 | 0 |
| 基于图像的尾灯检测与识别方法 | 2020-11-25 | 0 |
| 相似建筑图片搜索的方法和系统 | 2021-03-12 | 1 |
| 一种RBF板形识别模型的FPGA实现方法 | 2020-11-17 | 0 |
| 骨组织结构形态异常的快速检测方法及电子装置 | 2020-08-13 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
